李时奇，赵东标，申珂楠，丰嬴政

(南京航空航天大学 机电学院,江苏 南京 210016)

0 引言

智能故障诊断是未来飞机液压系统故障诊断发展的趋势之一[1-2]。国内通常采用小波包分解或者信息熵等方法对复杂的液压系统压力信号进行特征提取,然后输入BP神经网络或者支持向量机等学习器进行故障诊断分类[3-5]。这些特征提取的方法对人的经验要求比较高：不具备通用性；对于多传感器压力信号难以有效融合；单一模型有较大过拟合风险。

针对上述问题，提出了一种卷积神经网络(CNN)特征提取加多模型融合的故障诊断方法。使用一维多通道CNN可以直接接收多传感器一维压力时间序列，从而实现多传感器融合。选取少量数据对CNN进行有监督训练提取特征。再用提取出的特征训练如线性多分类、决策树、支持向量分类、k邻近等学习器分别对其进行故障诊断。最后使用Stacking技术对这些模型进行融合。使用Amesim软件对典型飞机液压系统建模并进行故障仿真，验证了算法效果。结果表明，本文算法在准确率和训练用时上更优。

1 算法理论介绍

1.1 一维多通道CNN

由于飞机液压系统的压力信号是一维时间序列曲线，而且不同位置的多个传感器可以采集多条曲线,为同时将多个传感器的一维时间序列输入CNN，采用一维多通道CNN。网络中的所有卷积层、池化层均使用一维结构。

设Hl为第l层的输入特征图，S为卷积操作的结果,Hl+1为卷积层的输出特征图，K为卷积核，i代表特征图上……