(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111663607.4 (22)申请日 2021.12.3 0 (71)申请人 中国航空工业 集团公司西安 航空计 算技术研究所 地址 710000 陕西省西安市锦业 二路15号 (72)发明人 牛伟　王美男　赵建平　韩冰洁　 赵洋洋　 (74)专利代理 机构 中国航空专利中心 1 1008 代理人 张昕 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06F 119/04(2020.01) (54)发明名称 一种面向机载部署的健康管理预测性建模 方法 (57)摘要 本发明实施例公开了一种面向机载部署的 健康管理预测性建模方法， 包括： 步骤1， 在地面 平台对机载数据和地面数据进行数据处理及模 型训练， 得到多个训练模型； 步骤2， 在原理样机 中对步骤1 中得到的训练模型进行评估选择和决 策， 得到符合任务需求的训练模型； 步骤3， 将步 骤2得到的符合任务需求的训练模 型部署于机载 中； 通过上述步骤1～3， 得到机载的全周期PHM建 模策略； 还包括： 构建机 载PHM算子库， 根据步骤1 到步骤3中的各阶段， 梳理得到PHM算子库。 本发 明实施例提供的技术方案解决了航空机载和地 面完整的故障预测与健康管理(简称PHM)预测性 维护规范不统一的问题。 权利要求书2页 说明书8页 附图1页 CN 114417501 A 2022.04.29 CN 114417501 A 1.一种面向机载部署的健康管理预测性建模方法， 其特 征在于， 包括： 步骤1， 在地面平台对机载数据和地面数据进行数据处理及模型训练， 得到多个训练模 型； 步骤2， 在原理样机中对步骤1中得到的训练模型进行评估选择和决策， 得到符合任务 需求的训练模型； 步骤3， 将步骤2得到的符合任务需求的训练模型部署于 机载中； 通过上述步骤1～3， 得到 机载的全周期 PHM建模策略。 2.根据权利要求1所述的面向机载部署的健康管理预测性建模方法， 其特征在于， 所述 步骤1包括： 运行于地 面平台的数据导入阶段、 数据处 理阶段和模型训练阶段； 具体包括： 步骤1.1， 数据导入阶段， 包括： 在地面 高性能平台中， 导入各类结构化数据及非结构化 数据； 步骤1.2， 数据处理 阶段， 包括： 数据探索分析子阶段、 数据预处理子阶段和特征工程子 阶段； 步骤1.3， 模型训练阶段， 包含： 通过基于物理或经验模型的模型训练和基于数据驱动 的模型训练， 训练得到针对特定的PH M任务的多个算法模型。 3.根据权利要求2所述的面向机载部署的健康管理预测性建模方法， 其特征在于， 所述 步骤1.2中， 数据探索分析子阶段， 包括： 对导入数据进行直观探索和简单挖掘， 得到样本数量、 特 征数量， 数据分布特 征、 特征趋势性、 相关性； 数据预处理子阶段用于实现对数据质量的提升， 包括： 数据清洗、 数据去噪、 数据标准 化； 特征工程子阶段， 包含： 对数据的特征挖掘、 特征选择、 特征提取， 以提取出对具体任务 (如故障诊断、 寿命预测)最有用的特 征。 4.根据权利要求3所述的面向机载部署的健康管理预测性建模方法， 其特征在于， 所述 步骤1.3中的PH M任务包括： 状态监测、 故障诊断、 故障预测、 剩余寿命预测； 针对特定的PH M任务类型， 对其进行问题分析及解构的方式为： 方式1， 根据对分析对象的认知， 在对象存在容易求解的物理或经验模型时， 则针对具 体任务， 对该对象建立对应的物理模型， 以进行模型训练和求 解； 方式2， 当对象结构复杂， 失效或退化机理难以得到， 则采用数据驱动的方法， 利用相应 机器学习， 统计分析等方法选择算法并进行模型训练； 其中， 所述步骤1.3的模型训练 阶段， 采取多种算法， 进行多个模型的训练， 以得到多个 训练好的算法模型。 5.根据权利要求4所述的面向机载部署的健康管理预测性建模方法， 其特征在于， 所述 步骤2包括： 运行于与机载软硬件环 境相似的原理样机的模型评估阶段和模型决策阶段； 具 体包括： 步骤2.1， 模型评估阶段， 在原理样机中对多个训练好的算法模型进行评估， 根据算法 模型类型以及任务要求， 选择多种合适的模型评估指标， 将多个在地面训练好的算法模型 运行于原理样机中， 得到模型评估表； 步骤2.2， 模型决策阶段， 根据指定的任务要求制定模型决策规则， 并结合得到的模型权　利　要　求　书 1/2 页 2 CN 114417501 A 2评估表， 对 模型进行最终决策， 选择 出对于该 具体任务的 “最优模型”。 6.根据权利要求5所述的面向机载部署的健康管理预测性建模方法， 其特征在于， 所述 步骤3包括： 在模型部署阶段， 将选出的 “最优模型 ”采用机载硬件支持的语言进行封装， 并将封装 后的“最优模型”部署于机载端。 7.根据权利要求1～6中任一项所述的面向机载部署的健康管理预测性建模方法， 其特 征在于， 还 包括： 构建机载PH M算子库， 包括： 根据步骤1到步骤3中的各阶段， 梳理得到PH M算子库； 其中， 所述机载PH M算子库按照数据处 理流程分类， 包 含： 流程模块和支撑性模块； 所述机载PHM算子库按照算子功能分类， 包含： 数据处理通用算子、 PHM任务专用算子和 集成化模块 化的飞机 部件级/系统级/全机级PH M算子。 8.根据权利要求7 所述的面向机载部署的健康管理预测性建模方法， 其特 征在于， 所述数据处理通用算子， 包括： 数据导入算子单元、 数据基本操作算子单元、 数据预处 理算子单元、 数据探索分析算子单元、 特征工程算子单元、 机器学习算子单元和超参数优化 算子单元； 所述PHM任务专用算子， 包括： 专家系统算子单元、 异常监测算子单元、 故障诊断算子单 元、 寿命预测算子单元等P HM任务专用算子； 其中， 专家系统算子单元包含专家知识， 基于经 验的模型， 基于物理失效机制的模型等。 所述集成化模块化的飞机部件级/系统级/全机级PHM算子， 为针对飞机特定部件、 特定 系统或全机的高集成化状态监测、 故障诊断及寿命预测算子； 所述飞机部件级/系统级/全 机级PHM算子为根据全流程机载P HM算法处理策略， 在 对应的各功能算子中选择特定的数据 处理通用算子和PH M专用算子， 搭建而成的部件或系统的模块 化算子。 9.根据权利要求7 所述的面向机载部署的健康管理预测性建模方法， 其特 征在于， 所述流程模块包括： 数据导入算子单元， 数据探索分析算子单元， 数据预处理算子单 元， 特征工程算子单元， 模 型训练算子单元， 模 型评估算子单元， 模型决策算子单元， 模型部 署算子单 元； 所述支撑性模块包括： 数据基本操作算子单元、 机器学习算子单元、 专家系统算子单元 和超参数优化 算子单元； 其中， 数据基本操作算子单元作为支撑整个流程模块的基础算子； 机器学习算子单元、 专家系统算子单 元和超参数优化 算子单元作为支撑模型训练算子单 元的支撑性 算子。权　利　要　求　书 2/2 页 3 CN 114417501 A 3