(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 202110195845.0 (22)申请日 2021.02.2 2 (65)同一申请的已公布的文献号 申请公布号 CN 112861437 A (43)申请公布日 2021.05.28 (73)专利权人 四川大学 地址 610000 四川省成 都市一环路南 一段 24号 (72)发明人 苗强　王剑宇　苗建国　罗冲　 张恒　钟杰　 (74)专利代理 机构 北京劲创知识产权代理事务 所(普通合伙) 11589 代理人 李康 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 1043907 76 A,2015.0 3.04 CN 109795713 A,2019.0 5.24 CN 109376413 A,2019.02.2 2 CN 108363896 A,2018.08.0 3 CN 111596604 A,2020.08.28 审查员 尹川 (54)发明名称 基于AMESim模型的副翼作动器故障诊断方 法和装置 (57)摘要 本申请实施例提供了一种基于AMESim模型 的副翼作动器故障诊断方法和装置， 涉及飞行器 技术领域。 通过对预先构建的深度神经网络模型 进行训练得到故障诊断模型， 利用故障诊断模型 对副翼作动器的工况数据进行故障分析， 以确定 副翼作动器是否存在故障， 能够实现对副翼作动 器多源融合监测信息中时间序列信号的特征提 取的同时避免了梯度弥散的情况， 提高了故障诊 断识别准确率。 权利要求书2页 说明书13页 附图10页 CN 112861437 B 2022.05.03 CN 112861437 B 1.一种基于AMESim模型的副翼作动 器故障诊断方法， 其特征在于， 应用于电子设备， 所 述电子设备包括预 先构建的深度神经网络模型， 所述方法包括： 根据电动静液式副翼作动器的结构功能、 失效严酷度及失效发生频率确定 需要诊断的 至少一个故障失效模式； 基于所述电动静液式副翼作动 器的工作结构信息及所述故障失效模式， 搭建AMESim仿 真模型， 其中， 所述工作结构信息包括所述电动静液式副翼作动器的工作 原理、 组件构成和 结构功能； 将指令控制信号及每个所述故障失效模式植入所述AMESim仿真模型， 以利用所述 AMESim仿 真模型进行仿真， 并基于所述电动静液式副翼作动器包括的传感器类型的监测信 号， 采集得到与每 个所述故障失效模式对应的仿真故障数据； 对全部所述仿真故障数据进行 预处理， 得到一维化仿真故障数据； 将所述一维化仿真故障数据作为训练样本， 利用所述训练样本训练所述深度神经网络 模型， 得到故障诊断模型； 获取副翼作动器发送的工况 数据； 将所述工况数据输入所述故障诊断模型， 利用所述故障诊断模型进行故障诊断， 得到 故障诊断结果； 将所述一维化仿真故障数据作为训练样本， 利用所述训练样本训练所述深度神经网络 模型， 得到故障诊断模型的步骤 包括： 将所述训练样本输入所述深度神经网络模型包括的特征提取层， 利用所述特征提取层 对所述训练样本进行 特征提取， 得到故障特 征数据； 将所述故障特征数据输入所述深度神经网络模型包括的全连接层， 利用所述全连接层 将所述故障特 征数据与预设标签进行映射处 理， 输出初步故障诊断结果； 基于所述初步故障诊断结果， 利用梯度下降算法对所述深度神经网络模型的参数进行 迭代更新， 直至 输出的初步故障结果满足预设优化目标， 得到训练好的故障诊断模型。 2.根据权利 要求1所述的基于AMESim模型的副翼作动 器故障诊断方法， 其特征在于， 所 述预先构建深度神经网络模型包括， 依 次连接的特征提取层及全连接层， 所述特征提取层 包括依次连接的三个卷积层、 批归一 化层及池化层。 3.根据权利 要求2所述的基于AMESim模型的副翼作动 器故障诊断方法， 其特征在于， 将 所述训练样本输入所述深度神经网络模型包括的特征提取层中， 利用所述特征提取层 对所 述训练样本进行 特征提取， 得到故障特 征数据的步骤 包括： 将所述训练样本输入所述特征提取层包括的卷积层， 利用所述卷积层对所述训练样本 进行特征提取与挖掘映射， 得到所述训练样本的初始故障特 征数据； 将所述初始故障特征数据输入所述批归一化层， 利用所述批归一化层对所述初始故障 特征数据进行归一 化处理， 得到归一 化特征数据； 将所述归一化特征数据输入所述池化层， 利用所述池化层对所述归一化特征数据进行 下采样处 理， 得到故障特 征数据。 4.根据权利 要求1所述的基于AMESim模型的副翼作动 器故障诊断方法， 其特征在于， 对 所述仿真故障数据进行 预处理， 得到一维化仿真故障数据的步骤 包括： 基于预设大小的滑窗对所述仿真故障数据进行 数据截取， 得到目标仿真故障数据；权　利　要　求　书 1/2 页 2 CN 112861437 B 2对所述目标仿真故障数据进行样本 重构， 得到一维化仿真故障数据。 5.根据权利 要求1所述的基于AMESim模型的副翼作动 器故障诊断方法， 其特征在于， 所 述指令控制信号包括多个预设频率及预设幅度的正弦信号。 6.根据权利 要求1所述的基于AMESim模型的副翼作动 器故障诊断方法， 其特征在于， 电 动静液式副翼作动器包括的传感器类型的监测信号包括力马达线圈电流信号、 直接驱动阀 位移传感器信号和作动筒位移传感器信号。 7.一种基于AMESim模型的副翼作动 器故障诊断装置， 其特征在于， 应用于电子设备， 所 述电子设备包括预 先构建的深度神经网络模型， 所述装置包括： 模式确定模块， 用于根据电动静液式副翼作动器的结构功能、 失效严酷度及失效发生 频率确定需要 诊断的至少一个故障失效模式； 构建模块， 用于基于所述电动静液式副翼作动器的工作结构信息及所述故障失效模 式， 搭建AMESim仿 真模型， 其中， 所述工作结构信息包括所述电动静液式副翼作动器的工作 原理、 组件构成和结构功能； 采集模块， 用于将指令控制信号及每个所述故障失效模式植入所述AMESim仿真模型， 以利用所述AMESim仿 真模型进行仿真， 并基于所述电动静液式副翼作动器包括的传感器类 型的监测信号， 采集得到与每 个所述故障失效模式对应的仿真故障数据； 预处理模块， 用于对 全部所述仿真故障数据进行 预处理， 得到一维化仿真故障数据； 训练模块， 用于将所述一维化仿真故障数据作为训练样本， 利用所述训练样本训练所 述深度神经网络模型， 得到故障诊断模型； 将所述一维化仿真故障数据作为训练样本， 利用所述训练样本训练所述深度神经网络 模型， 得到故障诊断模型的步骤 包括： 将所述训练样本输入所述深度神经网络模型包括的特征提取层， 利用所述特征提取层 对所述训练样本进行 特征提取， 得到故障特 征数据； 将所述故障特征数据输入所述深度神经网络模型包括的全连接层， 利用所述全连接层 将所述故障特 征数据与预设标签进行映射处 理， 输出初步故障诊断结果； 基于所述初步故障诊断结果， 利用梯度下降算法对所述深度神经网络模型的参数进行 迭代更新， 直至 输出的初步故障结果满足预设优化目标， 得到训练好的故障诊断模型； 获取模块， 用于获取副翼作动器发送的工况 数据； 诊断模块， 用于将所述工况数据输入所述故障诊断模型， 利用所述故障诊断模型进行 故障诊断， 得到故障诊断结果。 8.一种电子设备， 其特征在于， 所述电子设备包括处理器、 存储器及总线， 所述存储器 存储有所述处理器可执行 的机器可读指令， 当电子设备运行时， 所述处理器及所述存储器 之间通过总线通信， 所述处理器执行所述机器可读指 令， 以执行权利要求 1‑6任意一项 所述 的基于AM ESim模型的副翼作动器故障诊断方法的步骤。 9.一种可读存储介质， 其特征在于， 所述可读存储介质中存储有计算机程序， 所述计算 机程序被执行时实现权利要求1 ‑6任意一项 所述的基于AMESim模 型的副翼作动器故障诊断 方法。权　利　要　求　书 2/2 页 3 CN 112861437 B 3