(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110047086.3 (22)申请日 2021.01.14 (65)同一申请的已公布的文献号 申请公布号 CN 112668105 A (43)申请公布日 2021.04.16 (73)专利权人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 程玉杰　祁缨茜　苏铉元　宋登巍　 陶来发　马剑　吕琛　 (74)专利代理 机构 北京京万通知识产权代理有 限公司 1 1440 代理人 万学堂 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 119/02(2020.01)(56)对比文件 CN 111652461 A,2020.09.1 1 CN 110567722 A,2019.12.13 CN 110222765 A,2019.09.10 CUI Jianguo 等.An Ef fective Fault Diagnosis Method for Aero Engi nes Based on GSA‑SAE. 《Transacti ons of Nanji ng University of Aero nautics and Astronautics》 .2020,第37 卷(第5期),第75 0- 757页. Pengfei L in等.A Novel Beari ng Health Indicator Co nstructi on Method Based o n Ensemble Stacked Autoencoder. 《2019 IE EE Internati onal Conference o n Prognostics and Health Mana gement (ICPH M)》 .2019,第1-9 页. 审查员 韩胜男 (54)发明名称 一种基于SAE与马氏距离的直升机传动轴异 常判定方法 (57)摘要 一种基于SAE与马氏距离的直升机传动轴异 常判定方法， 该方法利用直升机传动轴的监测振 动数据， 实现直升机传动轴健康基线构建、 阈值 生成与异常判定。 首先， 利用直升机传动轴监测 振动数据， 通过FFT频谱变换与RMS压缩变 换处理 得到输入向量， 并使用SAE模型构建传动轴的健 康基线， 健康基线包括训练完成的SAE模型及其 输出的健康表征集。 第二， 基于健康表征集的整 体分布均值向量与协方差方阵， 通过计算其与健 康表征集中各健康向量之间的马氏距离， 生成直 升机传动轴基线统计阈值， 实现正常、 异常状态 量化区分标准的自适应表征。 第三， 基于健康表 征集和基线统计阈值， 对实时测试数据样本进行 阈值异常判定， 实现直升机传动轴状态实时检 测。 权利要求书2页 说明书9页 附图17页 CN 112668105 B 2022.05.03 CN 112668105 B 1.一种基于SAE与马氏距离的直升 机传动轴异常判定方法， 包括如下步骤： 第一步： 利用训练数据构 建健康基线,首先对训练数据开展FFT频谱变换， 然后进行RMS 压缩变换处 理构建输入向量， 最后利用训练数据的输入向量完成健康基线构建； 第二步： 利用训练数据生成基线统计阈值,训练数据仅包含正常数据， 或包含大量正常 数据与少量异常数据训练数据， 包括分布 ‑样本马氏距离度量与阈值自适应生成， 其中， 分 布‑样本马氏距离度量通过计算健康状态表征集总体分布与各训练样本健康向量间的马氏 距离， 实现个体差异的量化度量； 进而， 对上述生成的马氏距离序列进行统计分布计算， 结 合统计原则实现基线阈值自适应生成； 第三步： 针对测试数据开展实时异常判定， 测试数据包含正常数据和异常数， 首先对测 试数据开展FFT频谱变换， 然后进行RMS压缩变换处理构建输入向量， 基于健康基线获取测 试数据输入向量的实时马氏距离， 若实时马氏距离超过基线统计阈值， 则判定直升机传动 轴当前状态为异常， 反 之为正常。 2.根据权利要求1所述的一种基于SAE与马氏距离的直升机传动轴异常判定方法， 其特 征在于： 第一步所述的健康基线构建与第 二步所述的生成基线统计 阈值所用训练数据， 仅 为正 常数据， 或在正常数据的基础上引入少量异常数据， 从而进一步优化健康基线模 型、 提升异 常判定准度； 第三 步所述的实时异常判定采用的测试 数据， 包含正常数据和异常数据。 3.根据权利要求1所述的一种基于SAE与马氏距离的直升机传动轴异常判定方法， 其特 征在于： 所述的健康基线包括SAE模型及健康状态表征集， 其中， 利用训练数据训练SAE模型， 训 练完成的SAE模型可以实现高维输入向量的非线性、 自适应变换， 并生成健康向量， 进而将 全部训练数据中由正常数据得到的健康向量构成健康状态表征集， 形成健康状态的自适应 量化表征。 4.根据权利要求1所述的一种基于SAE与马氏距离的直升机传动轴异常判定方法， 其特 征在于： 第二步所述基线统计阈值 生成方法， 具体为： 利用所述的健康状态表征集， 计算其整体分布均值向量与协方差方阵， 记为U和C； 其 中， 向量U与方阵C的维度与健康向量的维度一 致； 利用分布均值向量U与分布协方差方阵C， 依次计算其与健康状态表征集中各健康向量 之间的马氏距离， 得到M个基线的马氏距离， 形成距离集合， 上述距离集合描述了正常状态 下距离结果的波动情况； 基于上述M个基线马氏距离， 利用统计6σ 原则， 生成直升机传动轴基线统计阈值； 其计 算方法如下 所示： T＝ μ+6σ 其中， μ为基线马氏距离的均 值， σ 为基线马氏距离的标准差值， T为基线 统计阈值； 基线 统计阈值T即为区分直升 机正常/异常状态的判定标准。 5.根据权利要求1所述的一种基于SAE与马氏距离的直升机传动轴异常判定方法， 其特 征在于， 第三 步所述实时异常判定方法具体为： 针对测试数据获得的输入向量， 送入到训练完成的SAE模型， 获取经过SAE模型变换后权　利　要　求　书 1/2 页 2 CN 112668105 B 2的实时状态向量， 该实时状态向量是直升 机传动轴实时状态的量 化表征； 基于健康状态表征集， 以及基线统计阈值， 对实时状态向量进行阈值异常判定， 实现直 升机传动轴状态实时检测； 其关键环 节包括： 马氏距离度量， 利用健康状态表征集的分布均值向量U和分布协方阵C， 计算健康状态 表征集与实时状态向量间的马氏距离， 实现实时状态与历史健康状态间的量 化差异度量； 阈值异常判定， 基于基线统计 阈值， 判断实时状态向量的马氏距离是否超过阈值， 若超 出则判定实时状态为异常， 反 之则为正常。 6.根据权利要求5所述的一种基于SAE与马氏距离的直升机传动轴异常判定方法， 其特 征在于： 所述的基于健康基线获取测试数据输入向量的实时马氏距离， 其健康基线包括训练完 成的SAE模型及健康状态表征集， 首先将测试数据输入向量送入SAE模型， 得到实时状态向 量； 进而计算实时状态向量与健康状态 表征集间的马氏距离， 从而获取实时马氏距离 。权　利　要　求　书 2/2 页 3 CN 112668105 B 3