Un método de diagnóstico de fallas bajo desequilibrio de datos basado en redes generativas antagónicas y algoritmos de memoria a largo y corto plazo para el sistema hidráulico de aeronaves
Autores: Shen, Kenan; Zhao, Dongbiao
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un método de diagnóstico de fallas bajo desequilibrio de datos basado en redes generativas antagónicas y algoritmos de memoria a largo y corto plazo para el sistema hidráulico de aeronaves
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Sistema hidráulico de aeronaves
Diagnóstico de fallas
Desequilibrio de datos
Algoritmo GAN-LSTM
Muestras de fallas
Métodos de diagnóstico de fallas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 16
Citaciones: Sin citaciones
La operación segura y estable del sistema hidráulico de la aeronave es de gran importancia para la seguridad del vuelo de una aeronave. Cualquier falla puede ser una amenaza para la seguridad del vuelo y puede llevar a enormes pérdidas económicas e incluso a víctimas humanas. Por lo tanto, el estado normal del sistema hidráulico de la aeronave es amplio, pero muy pocas muestras de datos se relacionan con el estado de falla. Esto causa un desequilibrio de datos en el diagnóstico de fallas del sistema hidráulico de la aeronave, lo que afecta directamente la precisión del diagnóstico de fallas de la aeronave. Para resolver el problema del desequilibrio de datos en el diagnóstico de fallas del sistema hidráulico de la aeronave, este documento propone un algoritmo mejorado GAN-LSTM utilizando el método GAN mejorado, que puede generar de manera estable y precisa muestras de fallas simuladas de alta calidad utilizando un pequeño número de datos de fallas. Primero, se construyó el modelo del sistema hidráulico de la aeronave utilizando el software AMESim, y se adquirieron los datos de fallas desequilibrados y los datos de estado normal. Luego, se utilizaron los datos desequilibrados para entrenar el modelo GAN hasta que el sistema alcanzó un equilibrio de Nash. Al comparar la señal en el dominio del tiempo y la frecuencia, se encontró que la calidad de la muestra generada era muy similar a la muestra real. Además, se utilizaron LSTM (memoria a largo y corto plazo) y otros métodos de diagnóstico de fallas inteligentes impulsados por datos como clasificadores. La precisión de estos métodos de diagnóstico de fallas aumentó de manera constante cuando el número de muestras de fallas se incrementó gradualmente hasta que alcanzó un equilibrio con la muestra normal. Mientras tanto, se compararon y analizaron tres métodos diferentes de generación de muestras para encontrar el método con la mejor capacidad de generación de datos. Finalmente, se analizó el rendimiento anti-ruido del método LSTM-GAN; este modelo tiene una inmunidad al ruido superior.
Descripción
La operación segura y estable del sistema hidráulico de la aeronave es de gran importancia para la seguridad del vuelo de una aeronave. Cualquier falla puede ser una amenaza para la seguridad del vuelo y puede llevar a enormes pérdidas económicas e incluso a víctimas humanas. Por lo tanto, el estado normal del sistema hidráulico de la aeronave es amplio, pero muy pocas muestras de datos se relacionan con el estado de falla. Esto causa un desequilibrio de datos en el diagnóstico de fallas del sistema hidráulico de la aeronave, lo que afecta directamente la precisión del diagnóstico de fallas de la aeronave. Para resolver el problema del desequilibrio de datos en el diagnóstico de fallas del sistema hidráulico de la aeronave, este documento propone un algoritmo mejorado GAN-LSTM utilizando el método GAN mejorado, que puede generar de manera estable y precisa muestras de fallas simuladas de alta calidad utilizando un pequeño número de datos de fallas. Primero, se construyó el modelo del sistema hidráulico de la aeronave utilizando el software AMESim, y se adquirieron los datos de fallas desequilibrados y los datos de estado normal. Luego, se utilizaron los datos desequilibrados para entrenar el modelo GAN hasta que el sistema alcanzó un equilibrio de Nash. Al comparar la señal en el dominio del tiempo y la frecuencia, se encontró que la calidad de la muestra generada era muy similar a la muestra real. Además, se utilizaron LSTM (memoria a largo y corto plazo) y otros métodos de diagnóstico de fallas inteligentes impulsados por datos como clasificadores. La precisión de estos métodos de diagnóstico de fallas aumentó de manera constante cuando el número de muestras de fallas se incrementó gradualmente hasta que alcanzó un equilibrio con la muestra normal. Mientras tanto, se compararon y analizaron tres métodos diferentes de generación de muestras para encontrar el método con la mejor capacidad de generación de datos. Finalmente, se analizó el rendimiento anti-ruido del método LSTM-GAN; este modelo tiene una inmunidad al ruido superior.