本技术介绍了一种结合WGAN-GP和注意力机制的民机液压系统数据增强方法。该方法利用具有梯度惩罚的瓦瑟斯坦生成对抗网络,构建了卷积神经网络和反卷积网络,以深度提取样本特征,增强数据质量,提高民机液压系统的可靠性和性能。
背景技术
液压系统是飞机机电系统的重要组成部分之一,包含液压泵、液压阀、液压缸等多种部件,其中液压泵、液压缸等关键部件易发生故障影响飞机操纵,很可能引起停机事件甚至伤亡事故。液压系统作为一个复杂的非线性系统,基于阈值监测的维修排故诊断方法受到仅能粗略估计故障,无法实现故障快速定位,亟需引入智能故障诊断算法以提升诊断准确率和效率。
随着科技飞速发展,可获得的飞机机载传感数据量呈现爆炸式增长,液压系统交联关系复杂、信号类型和数据量巨大,需要从大量高维、异构数据中明晰飞机故障表征信息。而数据驱动的深度学习方法能够对高维数据进行深层信息挖掘和特征降维提取,可用于民机故障特征表征方法研究。由于飞机具有高安全、高可靠、多任务的特点,能够获取大量正常运行状态数据,而难以采集到故障数据,这导致故障样本不足使得智能方法无法正确识别故障的问题。常见深度学习模型属于监督学习,依赖于大量标记样本用于训练,从而实现对故障的分类诊断,对于样本较少的数据具有局限性。因此,需要引入数据增强方法,同时避免过拟合,以解决有监督模型不能对小样本故障进行智能诊断的问题。
实现思路