飞控系统故障诊断方法研究与实现

摘要

飞控系统是飞机的控制核心，在飞机执行任务时起到至关重要的作用，一旦发生故障而未及时检测和正确诊断，飞机装备价值和机载人员安全就会受到致命打击，故对飞控系统进行及时检测和正确诊断极为重要。随着航空领域技术的日益发展，飞控系统在承担更多、更重要任务的同时，其结构组成更为复杂、内部系统更为庞大，这也对飞控系统故障诊断技术提出了更高的要求，故研究更为有效的飞控系统故障诊断方法来适应快速发展的飞控系统具有重要意义。 本文正是基于这种背景，以某机型为对象，分析研究了飞控系统故障诊断相关机理，重点研究和改进了RBF神经网络相关算法以提高飞控系统故障诊断准确率，并设计实现了飞控系统故障诊断软件来辅助维护人员进行日常排故检修。本文的主要研究内容和工作如下： 首先，以某机型为对象，研究了飞控系统的工作原理、结构组成、余度配置和故障检测机制；基于飞控系统结构复杂、系统庞大的特点，分析了飞控系统故障的来源、表征与原因对应关系、性质；以及研究了故障信息获取方式、故障初步诊断方法。 然后，进一步研究了飞控系统故障诊断方法，对于复杂飞控系统模块故障，分析了需要对其采用神经网络方法进行诊断分类的原因；以及对在诊断分类方面常用的BP神经网络和RBF神经网络进行了研究和比较，并选择了RBF神经网络作为飞控系统故障训练和诊断分类的模型；对RBF神经网络的几种常用训练算法在飞控系统故障上诊断分类能力作出了实例比较，确定了对其中的K均值聚类法深入研究以提高诊断分类能力；分析研究了K均值聚类法的优化思路以及基于数据密度方向上的优化选择，并对其进行了改进，形成了本文算法；采用基于本文算法的RBF神经网络对公开数据集和飞控系统故障数据集进行了训练和诊断分类比较，验证了本文算法能在一定程度上提高飞控系统故障诊断分类能力。 最后，根据实际需求，设计实现了具有后台故障信息获取模块、故障信息数据库模块、图形化故障树模块和故障诊断模块的飞控系统故障诊断软件。本软件具有建立图形化故障树、以及使用图形化故障树和神经网络对飞控系统故障诊断分类的能力，并通过了相关应用测试。目前，本软件已经成功应用于某机型的飞控系统日常排故检修中。

目录

声明

第一章 绪 论

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究历史与现状

（1）故障诊断技术兴起与发展

（2）故障诊断方法

（3）飞控系统故障诊断方法国内外研究现状

1.3.1 研究目标

1.3.2 主要工作

1.4 本文的结构安排

第二章 基于故障诊断的神经网络研究

2.1.1 结构组成

2.1.2 故障诊断思想

2.2 故障诊断常用的神经网络分析研究

（1）网络拓扑结构与相关参数计算

（2）激励函数

（3）学习规则

（4）特点与应用场景

2.3 本章小结

第三章 飞控系统故障诊断相关机理研究

3.1.1 工作原理

3.1.2 结构组成

3.1.3 余度配置

3.1.4 故障检测机制

3.2 飞控系统故障分析研究

3.2.1 故障来源

3.2.2 故障表征及原因

3.2.3 故障性质

3.3 飞控系统故障信息获取与初步诊断方法研究

3.3.1 故障信息获取方式

3.3.2 故障初步诊断方法

3.3.3 故障树建立实例化分析

3.4 本章小结

第四章 基于神经网络的飞控系统故障诊断方法研究与改进

4.1.1 神经网络诊断原因分析

4.1.2 神经网络模型比较与选取分析

4.2 基于飞控系统故障的RBF神经网络常规算法诊断分类性能研究

4.3 基于RBF神经网络的K均值聚类法研究与改进

4.3.1 K均值聚类法优化思路分析研究

4.3.2 基于数据密度的K均值聚类法优化研究

4.3.3 基于本文算法的RBF神经网络学习规则研究与实现

4.4 基于本文算法的RBF神经网络诊断性能训练测试验证

4.4.1 训练测试相关学习算法

4.4.2 基于公开数据集的诊断分类性能训练测试

4.4.3 基于飞控系统故障的诊断分类性能训练测试

4.4.4 基于飞控系统故障实例的诊断分类测试验证

4.5 本章小结

第五章 飞控系统故障诊断软件的设计实现与应用测试

5.1 某机型飞控系统故障诊断需求分析

5.2.1 总体架构设计

5.2.2 开发工具说明

5.3.1 后台故障信息获取模块

5.3.2 故障信息数据库模块

5.3.3 图形化故障树模块

5.3.4 故障诊断模块

5.4 软件应用测试

5.4.1 软件的发布安装与测试平台

5.4.2 软件测试步骤与结果

5.4.3 总体测试结果

5.5 本章小结

第六章 全文总结与展望

6.1 全文总结

6.2 后续工作展望

致谢

参考文献