本发明属于航空电源智能化管理领域，涉及智能化管理技术，具体是一种基于航空电源的故障预测方法。
背景技术：
1、通过实时监测航空电源系统的状态，预测并预防潜在故障的发生，可以有效避免由于电源系统故障导致的航空事故，从而保障乘客和机组人员的安全；当预测到故障即将发生时，系统可以及时向机组人员发出警告，使其有足够的时间采取应对措施，如调整飞行计划、寻找备降机场等，以确保飞机的安全着陆；基于故障预测的方法能够提前发现潜在问题，从而避免电源系统因突发故障而导致的非计划性维修，减少因停飞维修带来的经济损失；通过对电源系统健康状态的持续监测和数据分析，可以更加精确地制定维修计划，实现按需维修，避免过度维修或维修不足的情况，从而降低维修成本；基于大数据和机器学习的故障预测方法能够提供更准确、更全面的数据支持，使维修决策更加科学、合理；未来的故障预测方法将趋向于多模型融合，通过结合多种预测模型的优势，提高故障预测的准确性和可靠性，从而进一步优化维修策略。
2、现有技术(公开号为cn109615003a的发明专利申请)公开了一种基于elm-chmm的电源故障预测方法；现有技术通过将电压信号数据分为训练和测试数据集，对训练数据集进行预处理，得到重构后的电压信号矩阵；建立elm模型；把测试数据集输入elm模型中，输出经过elm模型预测的电压信号；提取训练数据集的特征参数；建立chmm状态预测模型；提取经过elm模型预测的电压信号数据的特征参数，分别输入到chmm模型中；得到elm-chmm模型，得到待测电源故障的状态，从而对电源可能出现的故障进行预测；现有技术通过elm-chmm模型对电源进行故障预测，该elm-chmm模型对电源中电压信号方面出现的故障类型识别效果较好，但是实际电源故障类型多样，elm-chmm模型难以对电源故障进行全面识别，导致电源故障预测的准确性降低的问题。
3、本发明提供了一种基于航空电源的故障预测方法，以解决以上技术问题。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于航空电源的故障预测方法，用于现有技术通过elm-chmm模型对电源进行故障预测，该elm-chmm模型对电源中电压信号方面出现的故障类型识别效果较好，但是实际电源故障类型多样，elm-chmm模型难以对电源故障进行全面识别，导致电源故障预测的准确性降低的技术问题；本发明通过从数据库中获取若干类型的故障特征向量，通过故障特征向量构建数据集；使用数据集对svm模型进行训练得到故障预测模型的方案解决了上述技术问题。
2、为实现上述目的，本发明的第一方面提供了一种基于航空电源的故障预测方法，包括：
3、s1：设置多路传感器采集测量值；通过递推平均滤波法对测量值进行拟合处理；其中，测量值包括：电压、电流、温度；
4、s2：从数据库中获取若干类型的故障特征向量，对故障特征向量进行预处理；其中，预处理包括：归一化、降维、滤波；
5、s3：调取故障特征向量构建数据集，使用数据集对svm模型进行训练得到故障预测模型；
6、s4：从数据库中获取电源中若干元件的使用信息以及电源日志；根据使用信息判断对应元件是否出现故障，是，则安排技术人员进行维修；否，则调取故障预测模型，根据故障预测模型预测对应元件可能出现的故障类型。
7、优选的，所述通过递推平均滤波法对测量值进行拟合处理，包括：
8、调取测量值，将测量值整合成队列，并将队列长度标记为n，将采集的新数据放入队列尾部，并剔除相同数量队列首部的测量值；
9、将噪声标记为n(i)，将实际值标记为s(i)；其中，i表示测量值在队列中的位置，i＝1，2，...，n；n为正整数；
10、通过公式y(i)＝s(i)+n(i)计算获得一个采样周期内的各测量值；
11、通过公式计算得到测量值的平均值；
12、通过公式计算得到误差；
13、通过公式计算得到误差平方和的最小值；
14、通过公式计算得到极值；
15、取n次测量值的平均值，将测量值的平均值利用最小二乘法进行数据归并，并拟合数据曲线。
16、需要说明的是，求解平均值时，n越大，对信号平滑程度越好。
17、本发明通过取n次测量值平均值，可以有效地减少甚至去除随机干扰，将测量值利用最小二乘法进行数据归并，并拟合数据曲线，逐步逼近真实状态；使用递推平均滤波法通过计算一段时间内测量值的平均值，可以有效地去除信号中的随机噪声和短暂波动，使得信号更加平滑，对于提高信号的信噪比和后续处理的准确性至关重要；在去除噪声的同时，递推平均滤波法还能够保留信号的主要特征和趋势，避免了信号失真。
18、优选的，所述将测量值的平均值利用最小二乘法进行数据归并，包括：
19、调取n次测量值平均值并标记为x，将实测值标记为yi，将误差值平方和函数标记为φ，将试验样本数目标记为m；
20、通过公式y＝a0+a1x计算得到真值；其中a0、a1为任意实数；
21、通过公式e＝yi-y计算得到误差值；
22、通过公式φ＝∑(yi-a0-a1x)2计算得到误差值平方和函数；
23、将误差值的平方和作为最小优化判据；
24、通过公式计算得到函数φ对a0的偏导数；
25、通过公式计算得到函数φ对a1的偏导数；
26、求解可得：
27、
28、其中m为大于0的整数，xi和yi是任意一组实验值。
29、本发明通过最小二乘法是一种通过使误差的平方和最小来获得数据最佳匹配函数的优化方法；通过取n次测量值的平均值，可以显著减少由于随机误差引起的测量误差，因为随机误差在多次测量中通常会相互抵消，而系统误差则保持不变，所以平均值更接近真实值；使用平均值作为后续处理的基础，可以确保输入到最小二乘法中的数据质量更高，从而提高了整个数据处理流程的可靠性和准确性。
30、优选的，所述使用数据集对svm模型进行训练得到故障预测模型，包括：
31、调取数据集，将数据集进行分类并标记标签；通过机器学习分类算法进行分类模型训练；将新采集的故障特征向量作为分类模型的输入，输出的预测结果为具体的故障类别；通过支持向量机分类器得到故障预测模型。
32、本发明通过使用数据集对svm模型进行训练得到故障预测模型，svm在处理高维数据和复杂分类问题时表现出色，能够有效区分不同类别的故障特征，从而实现精确的故障识别；准确的故障预测模型可以帮助系统及时发现并处理潜在的故障问题，从而避免故障扩大化对系统造成更严重的损害，有助于提升系统的整体可靠性和稳定性。
33、优选的，所述根据使用信息判断对应元件是否出现故障，包括：
34、通过收集专家知识构建规则库；调取使用信息，通过将使用信息与规则库中的规则信息进行匹配，判断使用信息是否符合规则信息；是，则对应元件不存在故障；否，则对应元件存在故障。
35、本发明通过收集专家知识构建规则库，可以根据需要轻松地进行修改和扩展，随着新的专家知识被发现或旧知识被淘汰，可以相应地更新规则库，以适应不断变化的需求和环境，这种灵活性使得系统能够持续改进并保持其有效性；由于规则库是基于专家知识构建的，因此它在处理已知和可预测类型的故障时通常具有较高的可靠性。
36、优选的，所述根据故障预测模型预测对应元件可能出现的故障类型，包括：
37、调取故障预测模型，通过故障预测模型对电源日志进行分析，将对应元件电源日志中测量的波峰值标记为hi，将与波峰值相邻的波谷值标记为li；从数据库中获取波动阈值；
38、通过公式hi-li＝bi计算得到对应元件电源日志中的波动值；
39、判断对应元件电源日志中的波动值是否大于波动阈值；是，则判定为异常波动现象；否，则继续监测；根据测量值出现的异常波动现象预测电容器件剩余寿命。
40、需要说明的是，电容器件的寿命与电流、温度以及电压值有关。
41、本发明通过实时监测电源日志中的波动值，并设定波动阈值来判断电源是否处于正常工作状态，可以及时发现并解决潜在的电源问题；通过对电源和元件状态的实时监控和预测，企业可以更加合理地分配维护资源；预测电容器件剩余寿命，可以提前安排维护人员和技术支持，确保在元件失效前完成替换工作，这样不仅可以减少因设备故障导致的生产中断，还能提高维护工作的效率和质量。
42、与现有技术相比，本发明的有益效果是：
43、1.本发明通过递推平均滤波法对测量值进行拟合处理，并将测量值的平均值利用最小二乘法进行数据归并；由于递推平均滤波法的计算相对简单，只需要进行算术平均运算，计算量较小，适用于实时性要求较高的系统；而且递推平均滤波法通过连续取n个采样值进行算术平均，可以显著减少信号中的随机噪声和短暂波动，使信号更加平滑，可以进一步确保数据的拟合精度和一致性，对于提高信号的信噪比和后续处理的准确性至关重要。
44、2.本发明通过使用数据集对svm模型进行训练得到故障预测模型，svm在处理高维数据和复杂分类问题时表现出色，能够有效区分不同类别的故障特征，从而实现精确的故障识别；通过收集专家知识构建规则库，可以根据需要轻松地进行修改和扩展，随着新的专家知识被发现或旧知识被淘汰，可以相应地更新规则库，以适应不断变化的需求和环境；通过实时监测电源日志中的波动值，并设定波动阈值来判断电源是否处于正常工作状态，可以及时发现并解决潜在的电源问题。
1.一种基于航空电源的故障预测方法，其特征在于，
2.根据权利要求1所述的一种基于航空电源的故障预测方法，其特征在于，所述通过递推平均滤波法对测量值进行拟合处理，包括：
3.根据权利要求2所述的一种基于航空电源的故障预测方法，其特征在于，所述将测量值的平均值利用最小二乘法进行数据归并，包括：
4.根据权利要求1所述的一种基于航空电源的故障预测方法，其特征在于，所述使用数据集对svm模型进行训练得到故障预测模型，包括：
5.根据权利要求1所述的一种基于航空电源的故障预测方法，其特征在于，所述根据使用信息判断对应元件是否出现故障，包括：
6.根据权利要求1所述的一种基于航空电源的故障预测方法，其特征在于，所述根据故障预测模型预测对应元件可能出现的故障类型，包括：
