解决方案:【美图网自动采集】2020

　　解决方案:【美图网自动采集】2020

　　【美图自动采集

　　】2020.07最新升级+美颜写真手机壁纸+全PHP自动采集网站源码

　　

" />

　　源代码介绍及安装说明：

　　正则表达式：获取美图壁纸、网站标题、*敏*感*词*、站点网址等信息 在 /core/core 中设置文件头.php

　　文件

　　

" />

　　【美图自动采集

　　】2020.07最新升级+美颜写真手机壁纸+全PHP自动采集网站源码

　　解决方案:航空发动机数据采集和监测方法、装置和系统、存储介质与流程

　　1.本公开涉及航空发动机领域，特别涉及一种航空发动机数据采集和监测方法、装置和系统、存储介质。

　　背景技术：

　　2.由于航空发动机构件复杂，试验、试车阶段及发动机运营阶段所需的信号测点较多，发动机从开始服役到寿命终止的数据采集

历时也较长。“长期、多测点、高频”的采样将产生海量的监测数据，给数据的传输、存储及数据分析带来了巨大的压力。

　　3.同时，相关技术的数据采集系统受香农采样定理的限制，采集到的测试数据通常收录

大量的冗余成分，干扰故障特征的提取，大大增加了排故难度。

　　技术实现要素：

　　4.相关技术的数采监测系统存在如下的一些技术问题：采集监测数据巨大，数据传输及存储压力较大；受冗余成分干扰，故障特征提取难度较大的难题。

　　5.鉴于以上技术问题中的至少一项，本公开提供了一种航空发动机数据采集和监测方法、装置和系统、存储介质，能够在数据采集时完成对数据规模的压缩，可以有效提升数据传输、分析及处理的效率。

　　6.根据本公开的一个方面，提供一种航空发动机数据采集和监测方法，包括：

　　7.基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典；

　　8.基于特征字典域对原创

采集信号进行稀疏化处理，同时进行压缩采样，以获取仅收录

故障特征的稀疏信号；

　　9.对仅收录

故障特征的稀疏信号进行传输和存储。

　　10.在本公开的一些实施例中，所述航空发动机数据采集和监测方法还包括：

　　11.建立航空发动机故障特征数据库，其中，数据库内收录

不同故障类别的特征信息。

　　12.在本公开的一些实施例中，所述基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典包括：

　　13.采用智能算法学习数据中的特征信息形成字典原子，其中，特征信息收录

时间、相位、幅值和频率等特征信息；

　　14.基于矩阵运算原理对字典原子进行组合，构建收录

不同故障类别的特征字典，其中，每一类故障特征对应一种字典原子。

　　15.在本公开的一些实施例中，所述基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典包括：

　　16.对不同种类的数据库信息采用标记模式进行智能化学习，通过模块标记实现不同故障区域化字典的建立。

　　17.在本公开的一些实施例中，所述基于特征字典域，对原创

采集信号进行稀疏化处理，同时进行压缩采样，以获取仅收录

故障特征的稀疏信号包括：

　　18.通过传感器完成指定工况下原创

采集信号的信号采集；

　　19.借助特征字典，对原创

采集信号进行稀疏处理，获取稀疏信号；

　　20.通过压缩感知算法，对稀疏信号进行压缩采样，提取出稀疏信号中的特征成分，以获取仅收录

故障特征的稀疏信号。

　　21.根据本公开的另一方面，提供一种航空发动机数据采集和监测方法，包括：

　　22.接收并存储数据采集端发送的仅收录

故障特征的稀疏信号，其中，数据采集端基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典，并基于特征字典域对原创

采集信号进行稀疏化处理，同时进行压缩采样，以获取仅收录

故障特征的稀疏信号。

　　23.在本公开的一些实施例中，所述航空发动机数据采集和监测方法，还包括：

　　24.基于特征字典与优化重构算法，对仅收录

故障特征的信号进行优化重构；

　　25.基于重构信号完成故障诊断。

　　26.在本公开的一些实施例中，所述基于特征字典与优化重构算法，对仅收录

故障特征的信号进行优化重构包括：

　　27.对仅收录

故障特征的稀疏信号进行智能化重构，采用优化算法匹配与特征字典相关的信号成分。

　　28.在本公开的一些实施例中，所述采用优化算法匹配与特征字典相关的信号成分包括：

　　29.对仅收录

故障特征的稀疏信号的非零值与特征字典中相同的故障特征成分匹配，以完成故障信号的重构，其中，重构的故障信号收录

了故障特征频率、相位、幅值等特征信息。

　　30.在本公开的一些实施例中，所述基于重构信号完成故障诊断包括：

　　31.基于重构信号完成故障特征提取、故障模式识别、故障的分类及定位中的至少一项。

　　32.在本公开的一些实施例中，所述基于重构信号完成故障的分类及定位包括：

　　33.将重构信号中幅值高于预定值的故障类别，作为待测故障的故障类别，实现故障定位。

　　34.根据本公开的另一方面，提供一种数据采集端，包括：

　　35.特征字典构建单元，用于基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典；

　　36.稀疏信号获取单元，用于基于特征字典域，对原创

采集信号进行稀疏化处理，同时进行压缩采样，以获取仅收录

故障特征的稀疏信号；

　　37.传输存储单元，用于对仅收录

故障特征的稀疏信号进行传输和存储。

　　38.在本公开的一些实施例中，所述数据采集端用于执行实现如上述任一实施例所述的航空发动机数据采集和监测方法的操作。

　　39.根据本公开的另一方面，提供一种数据分析终端，包括：

　　40.稀疏信号接收单元，用于接收并存储数据采集端发送的仅收录

故障特征的稀疏信号，其中，数据采集端基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典，并基于特征字典域对原创

采集信号进行稀疏化处理，同时进行压缩采样，以获取仅收录

故障特征的稀疏信号。

　　41.在本公开的一些实施例中，所述数据采集端用于执行实现如上述任一实施例所述的航空发动机数据采集和监测方法的操作。

　　42.根据本公开的另一方面，提供一种计算机装置，包括：

　　43.存储器，用于存储指令；

　　44.处理器，用于执行所述指令，使得所述计算机装置执行实现如上述任一实施例所述的航空发动机数据采集和监测方法的操作。

　　45.根据本公开的另一方面，提供一种航空发动机数据采集和监测系统，包括如上述任一实施例所述的数据采集端、和如上述任一实施例所述的数据分析终端。

　　46.根据本公开的另一方面，提供一种非瞬时性计算机可读存储介质，其中，所述非瞬时性计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的航空发动机数据采集和监测方法。

　　47.本公开能够在数据采集时完成对数据规模的压缩，可以有效提升数据传输、分析及处理的效率。

　　附图说明

　　48.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

　　49.图1为本公开航空发动机数据采集和监测方法一些实施例的*敏*感*词*。

　　50.图2为本公开航空发动机数据采集和监测方法另一些实施例的*敏*感*词*。

　　51.图3为本公开航空发动机数据采集和监测方法又一些实施例的*敏*感*词*。

　　52.图4为本公开航空发动机数据采集和监测方法又一些实施例的*敏*感*词*。

　　53.图5为本公开一些实施例中故障定位方法的*敏*感*词*。

　　54.图6为本公开数据采集端一些实施例的*敏*感*词*。

　　55.图7为本公开数据分析终端一些实施例的*敏*感*词*。

　　56.图8为本公开航空发动机数据采集和监测系统一些实施例的*敏*感*词*。

　　57.图9为本公开计算机装置一些实施例的结构*敏*感*词*。

　　

" />

　　具体实施方式

　　58.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

　　59.除非另*敏*感*词*。

　　60.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

　　61.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

　　62.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

　　63.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

　　64.图1为本公开航空发动机数据采集和监测方法一些实施例的*敏*感*词*。优选的，本实施例可由本公开航空发动机数据采集和监测系统或本公开数据采集端执行。该方法包括以下步骤：

　　65.步骤11，基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典。

　　66.在本公开的一些实施例中，在步骤11之前，所述航空发动机数据采集和监测方法还可以包括：建立航空发动机故障特征数据库，其中数据库内收录

不同故障类别的特征信息。

　　67.在本公开的一些实施例中，所述建立航空发动机故障特征数据库可以包括通过智能化算法学习运营及试验过程中的各类故障数据，建立航空发动机故障特征数据库，随着运营数据的增多，数据库不断更新。

　　68.在本公开的一些实施例中，步骤11可以包括：采用智能算法学习数据中的特征信息形成字典原子，其中，特征信息收录

时间、相位、幅值和频率等特征信息；基于矩阵运算原理对字典原子进行组合，构建收录

不同故障类别的特征字典，其中，每一类故障特征对应一种字典原子。

　　69.在本公开的一些实施例中，步骤11可以包括：对不同种类的数据库信息采用标记模式进行智能化学习，通过模块标记实现不同故障区域化字典的建立。

　　70.步骤12，基于特征字典域对原创

采集信号进行稀疏化处理，同时进行压缩采样，以获取仅收录

故障特征的稀疏信号。

　　71.在本公开的一些实施例中，步骤12可以包括：通过传感器完成指定工况下原创

采集信号的信号采集；借助特征字典，对原创

采集信号进行稀疏处理，获取稀疏信号；通过压缩感知算法，对稀疏信号进行压缩采样，提取出稀疏信号中的特征成分，以获取仅收录

故障特征的稀疏信号。

　　72.在本公开的一些实施例中，所述指定工况可以为发动机运营、发发动机试验过程、试车阶段的各种工况。

　　73.步骤13，对仅收录

故障特征的稀疏信号进行传输和存储。

　　74.基于本公开上述实施例提供的航空发动机数据采集和监测方法，采用机器学习算法构建特征数据库，构建收录

不同故障类别的特征字典；通过智能化、稀疏化算法的嵌入，实现了发动机监测信号、故障信号的压缩采样与稀疏表示，使得发动机数据在传输过程中仅传输收录

特征信息的数据。

　　75.本公开上述实施例基于故障数据库，采用智能算法学习各类故障特征信息，形成特征数据，借助矩阵运算构建特征字典，以该字典域下对信号进行稀疏化处理。

　　76.本公开上述实施例通过对数据的压缩采样与稀疏表示，有效去除冗余、降低数据干扰成分、缓解数据传输及存储的压力，降低了数据分析与管理的成本。

　　77.图2为本公开航空发动机数据采集和监测方法另一些实施例的*敏*感*词*。优选的，本实施例可由本公开航空发动机数据采集和监测系统或本公开数据分析终端执行。该方法包括以下步骤：

　　78.步骤21，接收并存储数据采集端发送的仅收录

故障特征的稀疏信号，其中，数据采集端基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典，并基于特征字典域对原创

采集信号进行稀疏化处理，同时进行压缩采样，以获取仅收录

故障特征的稀疏信号。

　　79.步骤22，基于特征字典与优化重构算法，对仅收录

故障特征的信号进行优化重构。

　　80.在本公开的一些实施例中，步骤22可以包括：对仅收录

故障特征的稀疏信号进行智能化重构，采用优化算法匹配与特征字典相关的信号成分。

　　81.在本公开的一些实施例中，所述采用优化算法匹配与特征字典相关的信号成分的步骤可以包括：对仅收录

故障特征的稀疏信号的非零值与特征字典中相同的故障特征成分匹配，以完成故障信号的重构，其中，重构的故障信号收录

相位、特征频率、幅值等信息。

　　82.步骤23，基于重构信号完成故障诊断。

　　83.在本公开的一些实施例中，步骤23可以包括：基于重构信号完成故障特征提取、故障模式识别、故障的分类及定位中的至少一项。

　　84.在本公开的一些实施例中，所述基于重构信号完成故障的分类及定位的步骤可以包括：将重构信号中幅值高于预定值的故障类别，作为待测故障的故障类别，实现故障定位。

　　85.基于本公开上述实施例提供的航空发动机数据采集和监测方法，取代了以“原创

数据”开展故障诊断的模式，通过智能化的特征学习与优化重构，以重构后的特征信号开展故障诊断，从而有效降低了信号中噪声等冗余成分、提升了故障诊断效率。

　　86.本公开上述实施例降低了多种故障同时发生时“故障定位与分类”的难度，通过智能化特征学习，可同时匹配不同类别故障，实现故障模式的自动识别，有效提升故障诊断效率。

　　87.图3为本公开航空发动机数据采集和监测方法又一些实施例的*敏*感*词*。优选的，本实施例可由本公开航空发动机数据采集和监测系统执行。该方法包括以下步骤：

　　88.步骤31，建立特征数据库。

　　89.在本公开的一些实施例中，步骤31可以包括：通过智能化算法学习运营及试验过程中的各类故障数据，建立航空发动机故障特征数据库，随着运营数据的增多，数据库不断更新。

　　90.在本公开的一些实施例中，步骤31可以包括：基于故障数据库，采用智能算法(如机器学习、k-svd、神经网络等)学习各类故障特征信息，形成特征数据库。

　　91.步骤32，建立特征字典。

　　92.在本公开的一些实施例中，步骤32可以包括：基于故障特征数据库，采用智能算法学习数据中的特征信息，信息收录

：时间、相位、幅值、频率等，形成字典原子，基于矩阵运算原理对字典原子进行组合(每一类故障特征对应一种字典原子)，构建收录

不同故障类别的特征字典，字典中仅收录

典型故障特征。

　　93.步骤33，压缩采样。

　　94.在本公开的一些实施例中，步骤33可以包括：针对发动机试验、运营或其它工况条件，在数据采集端，搭建压缩采样模型：首先将发动机故障特征数据库、智能化稀疏表示、压缩采样算法嵌入至数采系统中；然后传感器完成信号采集，采集的同时借助特征字典，对信号进行稀疏处理，获取稀疏的信号；最后对稀疏的信号进行压缩采样，提取出稀疏信号中的特征成分，即非零值(收录

非零值时序、相位、幅值、频率等信息)，在传输过程中仅传输收录

故障特征的稀疏成分。

　　95.步骤34，数据传输。

　　96.在本公开的一些实施例中，步骤34可以包括：对压缩数据进行传输与存储，即时序、相位、幅值、频率等故障特征信息的传输与存储。

　　97.步骤35，信号优化重构。

　　98.在本公开的一些实施例中，步骤35可以包括：在数据分析终端对信号进行分析处理，由于传输的稀疏信号是在第32步的故障特征域下表示的结果(原理等同于傅里叶域、傅里叶变换与逆变换)，因此，基于特征字典与优化重构算法，对信号进行优化重构，获得时域序列的信号，该信号重构回原创

数据的特征成分，其它冗余成分仅收录

相位信息即幅值为零。

　　99.步骤36，故障诊断。

　　100.在本公开的一些实施例中，步骤36可以包括：基于重构信号完成故障诊断，如故障特征提取、故障模式的识别，故障的分类及定位等，以此实现高效、智能化诊断。

　　101.基于本公开上述实施例提供的航空发动机数据采集和监测方法，通过对数据的压缩采样与稀疏表示，有效去除冗余、降低数据干扰成分、缓解数据传输及存储的压力，降低了数据分析与管理的成本。

　　102.本公开上述实施例通过智能化重构稀疏信号，有效增强故障特征信息，提升故障诊断效率，降低排故成本。

　　103.本公开上述实施例通过对多种故障的智能化特征学习，可实现不同类别故障模式的自动识别，提高故障诊断精度，降低排故成本。

　　104.图4为本公开航空发动机数据采集和监测方法又一些实施例的*敏*感*词*。优选的，本实施例可由本公开航空发动机数据采集和监测系统执行。该方法包括以下步骤：

　　105.步骤41，基于故障数据库，采用智能算法(如机器学习、k-svd、神经网络等)学习各类故障特征信息，形成特征数据，借助矩阵运算构建特征字典，以该字典域下对信号进行稀疏化处理。

　　106.步骤42，在数据采集端，将步骤41的字典域、压缩采样、稀疏表示等智能化算法嵌入至数采系统中，在数据采集端，基于特征字典域，对原创

信号进行稀疏化表示，同时利用压缩感知理论进行压缩采样，以获得仅收录

故障特征的稀疏信号，该稀疏信号仅在故障特征点有较高的幅值能量，其余干扰成分置零。传输及存储的过程仅传输非零值成分(幅值、相位等信息)，可有效缓解数据传输与存储的压力。

　　107.步骤43，在数据处理终端，接收到稀疏信号，基于步骤41构建的特征字典，对稀疏信号进行智能化重构，采用优化算法匹配与特征字典相关的信号成分，即稀疏信号的非零值与特征字典中相同的故障特征成分匹配，以此完成故障信号的重构。重构后信号收录

各类时域特征信息(幅值、相位)，同时，稀疏化处理后冗余成分大幅度降低，使得重构后信号

　　故障特征显著增强，对信号进行时频域分析，可提取故障特征频率，获取故障状态。

　　108.步骤44，关于故障分类、故障定位模块的建立，步骤41构建特征字典时，对不同种类的数据库信息采用标记模式进行智能化学习。图5为本公开一些实施例中故障定位方法的*敏*感*词*。如图5所示，通过模块标记实现不同故障区域化字典的建立，在该字典下稀疏表示与优化重构，对应得到的待测故障(i类故障和ii类故障)匹配的幅值高于其它类故障，由此可判断出故障类别，实现故障定位。

　　109.本公开上述实施例提供了一种基于压缩采样与特征学习的智能压缩数据采集、监测方法，可实现测试、监测数据的压缩与智能化诊断，主要用于航空发动机全生命周期的测试信号采集与监测，属于航空发动机数据采集、故障诊断领域。

　　110.图6为本公开数据采集端一些实施例的*敏*感*词*。如图6所示，本公开数据采集端可以包括特征字典构建单元61、稀疏信号获取单元62和传输存储单元63，其中：

　　111.特征字典构建单元61，用于基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典。

　　112.在本公开的一些实施例中，特征字典构建单元61可以用于采用智能算法学习数据中的特征信息形成字典原子，其中，特征信息收录

时间、相位、幅值和频率等特征信息中的至少一种；基于矩阵运算原理对字典原子进行组合，构建收录

不同故障类别的特征字典，其中，每一类故障特征对应一种字典原子。

　　113.在本公开的一些实施例中，特征字典构建单元61可以用于对不同种类的数据库信息采用标记模式进行智能化学习，通过模块标记实现不同故障区域化字典的建立。

　　114.稀疏信号获取单元62，用于基于特征字典域，对原创

采集信号进行稀疏化处理，同时进行压缩采样，以获取仅收录

故障特征的稀疏信号。

　　115.在本公开的一些实施例中，稀疏信号获取单元62可以用于通过传感器完成指定工况下原创

采集信号的信号采集；借助特征字典，对原创

采集信号进行稀疏处理，获取稀疏信号；通过压缩感知算法，对稀疏信号进行压缩采样，提取出稀疏信号中的特征成分，以获取仅收录

故障特征的稀疏信号。

　　116.传输存储单元63，用于对仅收录

故障特征的稀疏信号进行传输和存储。

　　117.在本公开的一些实施例中，本公开数据采集端还可以用于建立航空发动机故障特征数据库，其中，数据库内收录

不同故障类别的特征信息。

　　

" />

　　118.在本公开的一些实施例中，所述数据采集端可以用于执行实现如上述任一实施例(例如图1实施例)所述的航空发动机数据采集和监测方法的操作。

　　119.在本公开的一些实施例中，所述数据采集端可以为智能压缩数据采集器。

　　120.本公开智能压缩数据采集器是一种集“数据压缩”与“特征增强”为一体的智能化数采监测系统，可用于航空发动机测试及监测数据的采集与监测。该系统通过压缩采样与稀疏表示，在数据采集时降低数据中的冗余成分，完成海量监测数据的实时压缩，有效缓解数据存储与传输的压力；同时，该系统可实现对故障特征的智能化学习，有效增强故障特征，提升数据的敏感性，规避监测数据的干扰信息。

　　121.图7为本公开数据分析终端一些实施例的*敏*感*词*。如图7所示，本公开数据分析终端可以包括稀疏信号接收单元71、信号重构单元72和故障诊断单元73，其中：

　　122.稀疏信号接收单元71，用于接收并存储数据采集端发送的仅收录

故障特征的稀疏

　　信号，其中，数据采集端基于航空发动机故障特征数据库，构建收录

不同故障类别的特征字典，并基于特征字典域对原创

采集信号进行稀疏化处理，同时进行压缩采样，以获取仅收录

故障特征的稀疏信号。

　　123.信号重构单元72，用于基于特征字典与优化重构算法，对仅收录

故障特征的信号进行优化重构。

　　124.在本公开的一些实施例中，信号重构单元72可以用于对仅收录

故障特征的稀疏信号进行智能化重构，采用优化算法匹配与特征字典相关的信号成分。

　　125.在本公开的一些实施例中，信号重构单元72可以用于对仅收录

故障特征的稀疏信号的非零值与特征字典中相同的故障特征成分匹配，以完成故障信号的重构，其中，重构的故障信号仅收录

了故障特征频率、相位和幅值等特征信息中至少一种。

　　126.故障诊断单元73，用于基于重构信号完成故障诊断。

　　127.在本公开的一些实施例中，故障诊断单元73可以用于基于重构信号完成故障特征提取、故障模式识别、故障的分类及定位中的至少一项。

　　128.在本公开的一些实施例中，故障诊断单元73可以用于将重构信号中幅值高于预定值的故障类别，作为待测故障的故障类别，实现故障定位。

　　129.本公开上述实施例数据分析终端取代了以“原创

数据”开展故障诊断的模式，通过智能化的特征学习与优化重构，以重构后的特征信号开展故障诊断，有效降低了信号中噪声等冗余成分、提升故障诊断效率。

　　130.本公开上述实施例数据分析终端降低了多种故障同时发生时“故障定位与分类”的难度，通过智能化特征学习，可同时匹配不同类别故障，实现故障模式的自动识别，有效提升故障诊断效率。

　　131.图8为本公开航空发动机数据采集和监测系统一些实施例的*敏*感*词*。如图8所示，本公开航空发动机数据采集和监测系统可以包括数据采集端81和数据分析终端82，其中：

　　132.在本公开的一些实施例中，数据采集端81可以实现为本公开如上述任一实施例(例如图6实施例)所述的数据采集端。

　　133.在本公开的一些实施例中，数据分析终端82可以实现为本公开如上述任一实施例(例如图7实施例)所述的数据分析终端。

　　134.在本公开的一些实施例中，如图8所示，本公开数据采集端81可以包括数采硬件811和智能化采集模块812，其中：

　　135.数采硬件811，可以包括传感器和数据采集芯片。

　　136.智能化采集模块812，可以实现为本公开图6实施例中特征字典构建单元61、稀疏信号获取单元62和传输存储单元63的结构和功能。

　　137.在本公开的一些实施例中，智能化采集模块812，可以用于将字典域、压缩采样、稀疏表示等智能化算法嵌入至智能化采集模块中；基于特征字典域，对原创

信号进行稀疏化表示，同时利用压缩感知理论进行压缩采样，以此得仅收录

故障特征的稀疏信号，该稀疏信号仅在故障特征点有较高的幅值能量，其余干扰成分置零。

　　138.本公开上述实施例传输及存储的过程仅传输非零值成分(幅值、相位等信息)，可有效缓解数据传输与存储的压力。

　　139.在本公开的一些实施例中，如图8所示，本公开数据采集端82可以包括数据监测、

　　分析硬件821、智能化分析模块822和智能化诊断模块823，其中：

　　140.数据监测、分析硬件821，可以是实现为本公开计算机装置。

　　141.智能化分析模块822，可以实现为本公开图7实施例中稀疏信号接收单元71和信号重构单元72的结构和功能。

　　142.在本公开的一些实施例中，智能化分析模块822，可以用于接收到稀疏信号，基于构建的特征字典，对稀疏信号进行智能化重构，采用优化算法匹配与特征字典相关的信号成分，即稀疏信号的非零值与特征字典中相同的故障特征成分匹配，以此完成故障信号的重构；重构后信号收录

各类时域特征信息(幅值、相位)，同时，稀疏化处理后冗余成分大幅度降低，使得重构后信号故障特征显著增强，对信号进行时频域分析，可提取故障特征频率，获取故障状态。

　　143.智能化诊断模块823，可以实现为本公开图7实施例中故障诊断单元73的结构和功能。

　　144.在本公开的一些实施例中，智能化诊断模块823，可以用于基于重构信号完成故障特征提取、故障模式识别、故障的分类及定位中的至少一项。

　　145.在本公开的一些实施例中，智能化诊断模块，可以用于在构建特征字典时，对不同种类的数据库信息采用标记模式进行智能化学习；通过模块标记实现不同故障区域化字典的建立；在该字典下稀疏表示与优化重构，对应得到的待测故障匹配的幅值高于其它类故障，由此可判断出故障类别，实现故障定位。

　　146.本公开上述实施例的航空发动机数据采集和监测系统通过数据压缩与特征增强的方式，搭建了集“压缩采样”、“特征学习”，“智能诊断”为一体的智能压缩数据采集监测系统。本系统能够在数据采集时完成对数据规模的压缩，可以有效提升数据传输、分析及处理的效率；同时，冗余成分的降低显著增强了数据特征，可以有效提升发动机监测系统的工作效率与准确率，实现故障特征信息的自动、准确、高效识别。

　　.本公开上述实施例的航空发动机数据采集和监测系统打破了传统数采系统对数据传输的限制，通过智能化、稀疏化算法的嵌入，实现了发动机监测信号、故障信号的压缩采样与稀疏表示，使得发动机数据在传输过程中仅传输收录

特征信息的数据，有效缓解了数据传输与存储的压力。

　　148.本公开上述实施例的航空发动机数据采集和监测系统取代了以“原创

数据”开展故障诊断的模式，通过智能化的特征学习与优化重构，以重构后的特征信号开展故障诊断，有效降低了信号中噪声等冗余成分、提升故障诊断效率。

　　149.本公开上述实施例的航空发动机数据采集和监测系统降低了多种故障同时发生时“故障定位与分类”的难度，通过智能化特征学习，可同时匹配不同类别故障，实现故障模式的自动识别，有效提升故障诊断效率。

　　150.本公开上述实施例可以在保留故障信息的前提下，减少测试数据或发动机监测数据的数据规模，降低数据传输及存储的压力。

　　151.本公开上述实施例可以从海量的试验测试数据或者发动机监测数据中自动识别出故障特征信息，降低数据分析及处理的干扰成分。

　　152.本公开上述实施例可以从多种故障特征数据中自动识别故障失效模式，实现故障的分类、定位与诊断。

　　153.本公开上述实施例数采监测系统采用机器学习算法构建特征数据库，构建收录

不同故障类别的特征字典；通过智能化、稀疏化算法的嵌入，实现了发动机监测信号、故障信号的压缩采样与稀疏表示，使得发动机数据在传输过程中仅传输收录

特征信息的数据。

　　154.本公开上述实施例数采监测系统通过智能化的特征学习与优化重构，基于特征字典与优化重构算法，对信号进行优化重构，以重构后的特征信号开展故障诊断。

　　155.本公开上述实施例数采系统通过智能化特征学习，可同时匹配不同类别故障，实现故障模式的自动识别。

　　156.图9为本公开计算机装置一些实施例的结构*敏*感*词*。如图9所示，计算机装置包括存储器91和处理器92。

　　157.存储器91用于存储指令，处理器92耦合到存储器91，处理器92被配置为基于存储器存储的指令执行实现如上述任一实施例(例如图1-图4任一实施例)所述的航空发动机数据采集和监测方法。

　　158.在本公开的一些实施例中，在处理器92执行实现如图1实施例所述的航空发动机数据采集和监测方法的情况下，所述计算机装置可以实现为数据采集端。

　　159.在本公开的一些实施例中，在处理器92执行实现如图2实施例所述的航空发动机数据采集和监测方法的情况下，所述计算机装置可以实现为数据分析终端。

　　160.如图9所示，该计算机装置还包括通信接口93，用于与其它设备进行信息交互。同时，该计算机装置还包括总线94，处理器92、通信接口93、以及存储器91通过总线94完成相互间的通信。

　　161.存储器91可以收录

高速ram存储器，也可还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器91也可以是存储器阵列。存储器91还可能被分块，并且块可按一定的规则组合成虚拟卷。

　　162.此外，处理器92可以是一个中央处理器cpu，或者可以是专用集成电路asic，或是被配置成实施本公开实施例的一个或多个集成电路。

　　163.基于本公开上述实施例提供的计算机装置，打破了传统数采系统对数据传输的限制，通过智能化、稀疏化算法的嵌入，实现了发动机监测信号、故障信号的压缩采样与稀疏表示，使得发动机数据在传输过程中仅传输收录

特征信息的数据，有效缓解了数据传输与存储的压力。

　　164.本公开上述实施例取代了以“原创

数据”开展故障诊断的模式，通过智能化的特征学习与优化重构，以重构后的特征信号开展故障诊断，有效降低了信号中噪声等冗余成分、提升故障诊断效率。

　　165.本公开上述实施例降低了多种故障同时发生时“故障定位与分类”的难度，通过智能化特征学习，可同时匹配不同类别故障，实现故障模式的自动识别，有效提升故障诊断效率。

　　166.根据本公开的另一方面，提供一种非瞬时性计算机可读存储介质，其中，所述非瞬时性计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例(例如图1-图4任一实施例)所述的航空发动机数据采集和监测方法。

　　167.基于本公开上述实施例提供的非瞬时性计算机可读存储介质，通过对数据的压缩采样与稀疏表示，有效去除冗余、降低数据干扰成分、缓解数据传输及存储的压力，降低了

　　数据分析与管理的成本。

　　168.本公开上述实施例通过智能化重构稀疏信号，有效增强故障特征信息，提升故障诊断效率，降低排故成本。

　　169.本公开上述实施例通过对多种故障的智能化特征学习，可实现不同类别故障模式的自动识别，提高故障诊断精度，降低排故成本。

　　170.本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中收录

有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

　　171.本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

　　172.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

　　173.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

　　174.在上面所描述的数据采集端和数据分析终端可以实现为用于执行本技术所描述功能的通用处理器、可编程逻辑控制器(plc)、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。

　　175.至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

　　176.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种非瞬时性计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

　　177.本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。