面向复杂数据的民机系统可靠性智能监测研究

The condition monitoring data collected in aircraft operation period, shows the feature of complex data. It is difficult for utilizing these data on intelligent reliability monitoring, which is the key problem in reliability engineering. Considering the characteristics of the aircraft monitoring data, the dynamic fault tree method is used to analyze reliability for relating complex data with reliability level. The intelligent reliability monitoring system oriented complex data is built.The weak fault signal and multiple fault data have been extracted by wavelet transform-singular value decomposition and blind signal processing. Generative adversarial nets is used to generate large smaple data, which is the base of deep learning. Analyzing the uncertainty of complex data and reliability monitoring, the uncertainty analysis model has been built for seeking measures on reducing the uncertainty. Deep learning combined with transfer learning is used for the complex data learning and mining, which can be used for mining deep monitoring reliability information. The multiple reliability monitoring model for civil aircraft system is built for monitoring reliability. The effectiveness of the proposed method and technique is verified by the application on avionics system and aero-engine system. The project is of great significance to enrich the theory and method of reliability engineering, as well as accurately monitoring reliability using complex data.

民机运行过程采集的状态监测数据，具有复杂数据特征，将其转化为用于可靠性监测的信息，进行可靠性智能监测，是民机可靠性管理中的关键和难点问题。本项目分析民机系统采集数据的特点，采用动态故障树方法进行可靠性分析，建立面向复杂数据的民机系统可靠性智能监测体系；采用基于小波变换-奇异值分解、盲信号处理提取弱故障信号和复合故障数据，采用生成对抗网络方法生成支撑深度学习的大样本数据，为实现智能可靠性监测奠定基础；分析民机可靠性智能监测的不确定性，研究不确定性分析方法，寻求降低不确定性的措施；采用深度学习结合迁移学习方法挖掘复杂数据深层次的可靠性信息，建立民机系统可靠性复合监测模型，动态评估与监测可靠性水平。通过在航电系统和航空发动机系统中的应用，验证所提方法和技术的有效性。本项目的研究成果对于丰富和发展可靠性工程理论和方法，开展面向复杂数据的可靠性分析与管理具有重要意义。

民机运行过程中获取的可靠性相关数据，是多来源和多模态的复杂数据。从复杂数据提取有价值的可靠性监测信息，是民机可靠性管理中的关键和难点问题。本项目分析了民机系统可靠性相关数据具有的不平衡、小样本和非结构化数据特点，运用数据科学与智能学习方法，建立面向复杂数据的民机系统可靠性智能监测体系；提出面向不平衡、小样本及非结构化数据的可靠性信息提取方法，采用信息融合和智能学习算法挖掘提取深层次可靠性特征，为民机系统可靠性监测建模提供数据支撑；分析民机可靠性智能监测的不确定性，提出基于正态云的可靠性数据不确定性分析方法和基于误差得分函数的可靠性监测模型不确定性评估方法；提出通过数据与模型的交互，实现降低可靠性监测的不确定性。结合民机系统可靠性规律与数据特点，提出面向数据增强的民机系统可靠性监测方法，通过生成对抗网络方法化解不平衡样本，提高训练样本的数量以及多样性，采用半监督学习方法建立了能够处理噪音数据的智能可靠性监测模型，提升模型鲁棒性；针对民机系统运行过程中的噪音数据，采用数据降维和降噪自编码器构建了面向数据质量提升的可靠性监测模型，降低了监测样本中的冗余和噪音信息，提高了训练效果与精度；针对民机系统可靠性监测过程中的随机性和变点模型，建立了基于多尺度排列熵和两阶段维纳分布的变点监测和随机退化民机系统可靠性预测模型。通过对本项目建立的可靠性监测模型与当前主要方法进行了对比，并进行了工程验证，说明了本项目提出方法的理论先进性和工程可应用性。本项目研究成果对于提升复杂系统可靠性管理的智能化程度，实现主动可靠性分析与控制具有重要意义。依托本项目的研究成果，发表学术期刊论文25篇，其中SCI收录论文13篇，EI收录8篇，累计他引次数超过百余次，申请发明专利3项，获得软件版权1项，依托本项目研究领域，获批主持千万级民机应用项目，用于支持国产民机维护保障。