一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法

摘要

本发明公开了一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法。首先，根据旋转作动器驱动装置的结构，建立基于径向基函数(radial basis function,RBF)神经网络的双级观测器，其中一级RBF神经网络观测器用来估计系统的期望输出值并产生残差，二级RBF神经网络观测器用来产生自适应阈值。然后，依据观测器的输出信息进行故障隔离。利用正常状态下的残差训练自组织映射(self-organizing mapping,SOM)神经网络。最后，将待检测、评估状态的残差作为SOM神经网络的输入并进行归一化处理得到0-1之间的健康度(confidences values,CVs)指标。本发明具有很好的实际工程应用价值。

说明书

技术领域

本发明涉及旋转作动器故障检测、隔离与健康评估的技术领域，具体涉及一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法。

背景技术

旋转作动器具有大转速/质量比、简单紧凑的结构、快速动态响应的优点，已经广泛应用于飞机、船舶和坦克中。驱动装置是旋转作动器的重要组成部分，飞机旋转作动器驱动装置故障将影响整个飞机的安全稳定运行，造成巨大的经济损失甚至是不可预知的后果。因此，保证飞机旋转作动器驱动装置的正常工作在实际应用中具有重要意义。

目前，几乎没有关于飞机旋转作动器驱动装置故障检测、隔离和健康评估的相关研究，仅有的一些研究往往又忽略了各种干扰的影响，难以应用到实际工程中。

通常，故障检测、隔离和健康评估的方法可以分为基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法要求对研究对象的结构机理有很清楚的认识，需要确定准确的数学模型。由于飞机旋转作动器的结构非常复杂，而且往往具有非线性特性，很难获取准确的物理模型。基于数据驱动的方法无需精确的系统模型，仅利用监测数据就可以进行故障检测与评估，近年来在复杂系统中的应用很广泛。张昌凡等在分析感应电机定子绕组和转子绕组故障特性的基础上进行了故障建模，并利用感应电机d-q坐标系的状态空间数学模型提出了一种鲁棒观测器的设计方法，该方法对未知输入扰动具有较好的鲁棒性，对绕组故障具有较高的灵敏度。吕琛等提出了一种基于混沌特性的评估轴承健康状态的方法。2006年Jayakumar和Das提出了一种基于观测器的飞机控制系统故障检测、隔离和重构方法。李晓雄等通过建立一套稳健的自适应观测器，提出了一种飞机控制系统故障隔离和重构的方法。可见，观测器在复杂系统/装备中的得到了很好的应用。

神经网络方法，作为一种基于数据驱动的方法，可以实现非线性和鲁棒性的故障检测、隔离和健康评估。在神经网络方法中，RBF神经网络具有更好的逼近能力、更快的学习能力、更好的鲁棒性，可以避免局部最小值，用于精确跟踪控制系统模型的改变，并能自适应地改变自身神经网络参数，从而实现飞机旋转作动器驱动装置的故障检测、隔离和健康评估。同时，由于飞机旋转作动器驱动装置工作环境多变，故障阈值将受到系统输入、随机干扰、工况扰动、参数漂移、建模误差、随机噪声等的影响，传统的基于固定阈值的故障检测、健康评估方法已无法满足实际工程应用的需求。因此，利用RBF神经网络良好的学习能力和鲁棒性，产生故障的自适应阈值。SOM神经网络具有高度的自组织、自适应能力，能够对样本进行自动聚类，因此应用SOM进行故障分类和健康评估。虽然基于神经网络的故障检测、隔离和健康评估方法已经被成功地应用于工程实际，但是在飞机旋转作动器驱动装置上的应用还没有研究。

发明内容

基于以上分析，为了解决飞机旋转作动器驱动装置故障检测、隔离和健康评估，本发明提出了一套基于双极RBF神经网络观测器和SOM神经网络的自适应故障检测、隔离和健康评估方法。

本发明采用的技术方案为：一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法，具体步骤如下：

步骤1、通过分析飞机旋转作动器驱动装置的结构，建立飞机旋转作动器驱动装置的仿真模型；

步骤2、针对飞机旋转作动器驱动装置的故障检测方法，利用输入指令信号和输出角位移信号，建立双级RBF神经网络残差生成器和自适应阈值生成器，实现飞机旋转作动器驱动装置的故障检测；

步骤3、针对飞机旋转作动器驱动装置的故障隔离方法，利用输入指令信号和输出角位移信号，应用两套双级RBF神经网络建立故障观测器，实现飞机旋转作动器驱动装置的故障定位；

步骤4、针对飞机旋转作动器驱动装置的健康评估方法，利用一级RBF残差生成器获取故障残差值，利用驱动装置正常工作状态下的残差值训练SOM神经网络，而后利用训练好的SOM神经网络实现飞机旋转作动器驱动装置的健康评估。

进一步的，所述的飞机旋转作动器驱动装置为闭环反馈系统，基本由控制模块、伺服阀、液压马达、减速机构和执行机构组成；在控制回路中有两个角位移传感器用来反馈系统信息，帮助执行结构获得最适当的角度；在实际应用中，伺服阀和液压马达的参数很难获取，因而在仿真中，获取的数据是控制信号和减速机构的反馈信号即驱动装置前一时刻的位移输出信号。

进一步的，所述的针对飞机旋转作动器驱动装置的故障检测方法，包含双级RBF神经网络，其中，一级RBF神经网络作为残差生成器，网络输入为控制指令和前一时刻系统输出的位移信号，输出为驱动装置位移信号的估计值，该估计值与系统实际输出位移信号的差值即为残差值；而二级RBF神经网络作为自适应阈值生成器，输入为系统控制指令和驱动装置位移信号的估计值，输出为自适应的故障阈值；通过比较当前时刻的残差值和自适应阈值的相对大小，判断当前时刻设备的健康状态，实现驱动装置的故障检测。

进一步的，所述的针对飞机旋转作动器驱动装置的故障隔离方法，包含两个故障观测器，每个观测器由一组双级RBF神经网络组成，其中一级RBF神经网络作为残差生成器，网络输入为控制指令和前一时刻驱动装置输出的位移信号，输出为驱动装置位移信号的估计值，该估计值与驱动装置实际输出位移信号的差值即为残差值；而二级RBF神经网络作为自适应阈值生成器，输入为系统控制指令和驱动装置位移信号的估计值，输出为自适应的故障阈值；两个观测器分别位于驱动装置闭环控制系统的内外两个回路中，根据两个观测器的输出信息，判断内外回路是否故障，进而可以判断故障具体的发生位置，从而实现驱动装置的故障隔离。

进一步的，所述的针对飞机旋转作动器驱动装置的健康评估方法，包含一个一级RBF神经网络和一个SOM神经网络，其中一级RBF神经网络作为残差生成器，网络输入为控制指令和前一时刻驱动装置输出的位移信号，输出为驱动装置位移信号的估计值，该估计值与驱动装置实际输出位移信号的差值即为残差值；利用驱动装置正常工作状态下一级RBF神经网络产生的残差值训练SOM神经网络；之后，将从驱动装置实际运行时获取的残差值作为训练好的SOM神经网络的输入，计算最小量化误差MQE值，并归一化得到0-1之间的CV值，实现驱动装置的健康评估。

本发明与现有技术相比的优点在于：

(1)针对飞机旋转作动器驱动装置故障检测、隔离与健康评估相关研究匮乏，研究成果实际应用效果有待提高的现状，提出了一套完整的飞机旋转作动器驱动装置故障检测、隔离与健康评估的有效方法；

(2)利用双级RBF神经网络，获取残差并得到了自适应的故障阈值，弥补了固定阈值带来的问题，提高了故障检测的准确率，降低了检测虚警率。

(3)通过分析飞机旋转作动器驱动装置的结构，利用两组双级RBF神经网络构成两个观测器对内外回路进行故障检测，实现了飞机旋转作动器驱动装置的故障定位和隔离。

(4)应用一级RBF神经网络观测器和SOM神经网络结合，利用残差值进行性能评估，实现了飞机旋转作动器驱动装置的健康评估。同时，应用SOM神经网络进行健康评估，只需要驱动装置正常运行时的数据而无需故障数据，有效提高了性能评估的工程实用性。

附图说明

图1为本发明方法的整体流程图；

图2为飞机旋转作动器驱动装置基本结构；

图3为典型的单隐含层前馈神经网络结构；

图4为故障观测器的建立；

图5为故障隔离的策略图；

图6为SOM神经网络的结构图；

图7为正常状态下1号观测器的残差值和故障阈值；

图8为正常状态下2号观测器的残差值和故障阈值；

图9为伺服阀磁场强度降低状态下1号观测器的检测结果；

图10为伺服阀磁场强度降低状态下2号观测器的检测结果；

图11为液压马达内环泄露状态下1号观测器的检测结果；

图12为液压马达内环泄露状态下2号观测器的检测结果；

图13为传动轴刚度退化状态下1号观测器的检测结果；

图14为传动轴刚度退化状态下2号观测器的检测结果；

图15为2号角位移传感器输出精度超标状态下1号观测器的检测结果；

图16为2号角位移传感器输出精度超标状态下2号观测器的检测结果；

图17为正常状态下的性能评估结果；

图18为伺服阀磁场强度降低状态下的性能评估结果；

图19为传动轴刚度退化状态下的性能评估结果；

具体实施方式

下面结合附图以及具体实施例进一步说明本发明。

本发明一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法，方法流程如图1所示，具体步骤如下：

步骤一、建立飞机旋转作动器驱动装置的结构

飞机旋转作动器驱动装置基本由控制模块、伺服阀、液压马达、减速机构和执行机构组成，如图2所示。在控制回路中有两个角位移传感器用来反馈系统信息，帮助执行结构获得最适当的角度。当执行机构达到期望的角度时，系统将该角度信号反馈给控制模块，而后控制模块控制系统执行制动模式(如图2中的“控制模块至制动机构”以及“制动机构至液压马达”之间的线所示)使得液压马达制动以保持执行机构稳定在该预期角度状态。在实际应用中，伺服阀和液压马达的参数很难获取，因而在仿真中，我们获取的数据是控制信号和减速机构的反馈信号。

步骤二、飞机旋转作动器驱动装置的自适应故障检测：

1、RBF神经网络

神经网络具有逼近任意非线性函数的特性，可以用于非线性系统的状态识别，而无需基于系统的实际数学模型建立状态识别模型。

RBF神经网络是一种前馈网络，由输入层、隐含层和输出层组成，如图3所示，X＝[x1,x2,…,xn]是输入层神经元，F＝[f1,f2,…,fm]是隐含层映射函数，W＝[w1,w2,…,wm]是隐含层到输出层的权重。隐含层完成了输入层到输出层的非线性映射。

同传统的BP神经网络相比，RBF神经网络具有很多优点，如收敛速度很快、网络规模较小、计算量较小、具有鲁棒性和无局部极小等等。鉴于这些特点，RBF神经网络辨识器可以很快地逼近被控对象的模型，并实时精确跟踪模型的变化，这样基于RBF神经网络辨识器的神经网络观测器就能够及时跟踪飞机旋转作动器驱动装置的变化。考虑到飞机旋转作动器驱动装置本身的复杂特性以及RBF神经网络的优势，本发明选用RBF神经网络作为观测器。

2、建立观测器

残差是旋转作动器驱动装置实际输出值与期望输出值之间的差值，可以定义为：

$>{\gamma }_i=u_i-{\hat{u}}_i---\left(1\right)$>

其中，γ_i是残差值，u_i是实际输出值，是期望输出值。

从公式(1)可以看出，残差大小反映了实际输出值与期望输出值之间的差异，当旋转作动器驱动装置异常时，实际与期望输出之间的差异就会变大，即残差值变大。当驱动装置故障时，残差将会超过设定的残差阈值，也就是说，当残差超过预定的阈值时，可以判定系统出现了故障。因此，可以通过比较当前状态的残差与残差阈值的相对大小关系来判断系统是否发生了故障。

在实际应用中，系统的输出不仅受系统输入指令的影响，往往也会受到参数漂移、建模误差、随机噪声等一些不确定因素以及系统状态、工况条件等的影响。如果忽略这些非故障因素的影响，将造成高虚警率或低故障检测率。为了解决这个问题，本发明提出了基于自适应阈值的故障检测方法以消除非故障因素给残差带来的影响。

本发明中的每一个观测器都包含两个神经网络，其中一个RBF神经网络用于估计系统的期望输出以产生残差，另一个RBF神经网络用于产生自适应残差。

3、残差和阈值产生器

如图4所示，建立双级RBF神经网络观测器。

首先，建立一级RBF神经网络残差生成器。由于飞机旋转作动器驱动装置是闭环控制系统，很难获取内部组成部分的参数值，因此在RBF神经网络观测器输入端前增加Z^-1环节，以此来模拟真实控制组件输出滞后功能的迟滞环节；采集作动器驱动装置正常工作状态下的控制信号c_i(k)、前一时刻驱动装置的输出位移信号u_i(k-1)和当前时刻输出位移信号u_i(k)，k＝1,2,3,…,n。将获取的驱动装置控制信号c_i(k)和前一时刻驱动装置的输出信号u_i(k-1)合成一个向量作为RBF神经网络观测器的训练输入样本，将当前时刻驱动装置的输出信号u_i(k)作为观测器训练的输出样本；对用于网络训练的输入、输出样本进行归一化处理到[-1,1]之间，设置RBF神经网络的基本参数，对网络进行训练。训练完成后，保存训练好的RBF神经网络观测器。而后，将控制信号c_i(k)和前一时刻驱动装置的输出位移信号u_i(k-1)合成一个向量并归一化后作为上述训练好的RBF神经网络的输入向量，则可得到该时刻驱动装置输出位移的估计值k＝1,2,3,…,n；将RBF观测器输出的位移估计值与采集到的驱动装置真实输出位移值u_i(k)作差，则可得到驱动装置该时刻的残差信号r(k)，k＝1,2,3,…,n。

然后，建立二级RBF神经网络自适应阈值产生器。自适应阈值是指故障阈值随着系统输入指令和工况条件的变化而变化，可以通过训练好的RBF神经网络同步得到。首先，采集作动器驱动装置正常工作状态下的控制信号c_i(k)、前一时刻驱动装置的输出位移信号u_i(k-1)和驱动装置当前时刻输出位移信号u_i(k)；将控制信号c_i(k)和前一时刻驱动装置的输出位移信号u_i(k-1)合成一个向量并归一化后作为一级RBF残差生成器的输入向量，则可得到正常状态下系统输出的估计值将RBF观测器输出估计值与采集到的驱动装置真实输出位移值u_i(k)作差，得到驱动装置正常状态下的残差信号r(k)，k＝1,2,3,…,n，定义正常状态下获取的残差信号r(k)为基准残差th。然后，以驱动装置控制信号c_i(k)和正常状态下的残差r(k)为二级RBF自适应阈值生成器的训练输入向量，以期望的自适应阈值作为网络的输出向量。期望的自适应阈值定义为：

$>t\hat{h}=r\left(k\right)+b---\left(2\right)$>

其中，为期望阈值，r(k)为残差，b是修正因数。训练完成后，保存训练好的RBF自适应阈值产生器。

在完成残差生成器RBF网络的训练之后，就完成了双极观测器的建立，可以用于故障检测。首先，将测试数据输入到RBF残差生成器，获得此时的残差值；然后将该残差值和控制指令输入到二级RBF自适应阈值生成器，获得自适应的阈值。比较残差和自适应阈值的大小，如果残差值比阈值大，说明该飞机旋转作动器已经故障。图5中说明了自适应故障检测的整个过程。

步骤三、飞机旋转作动器驱动装置的故障隔离：

1、故障隔离

故障隔离，是指实时工作环境下，对系统或设备的分系统或组成部分分别判定其正常工作状态，缩小到最后判定有故障的分系统或部分的技术措施。故障隔离对于飞机旋转作动器驱动装置的维修管理非常重要。本发明在分析了飞机旋转作动器驱动装置结构的基础上，提出了一种基于观测器信息的故障隔离策略。

2、故障隔离策略

如图2所示，该控制回路包含两个子回路，有两个角位移传感器反馈角度信息到控制模块。第一个回路包含了伺服阀、液压马达和1号角位移传感器；第二个回路包含了伺服阀、液压马达和2号角位移传感器。由此，可以建立双级观测器来监测这两个回路。因为两个回路中包含的元件不同，所以可以根据观测器的输出来定位故障位置。图5给出了故障隔离的策略。

如果检测结果显示这两个观测器信号都是正常的，就意味着该旋转作动器驱动装置是正常的。当1号和2号观测器都检测到了故障，则表明伺服阀或者液压马达发生了故障。只有当1号观测器显示故障，而2号观测器显示正常时可以断定1号角位移传感器故障。当1号观测器显示正常而2号观测器显示故障时，可以判定2号角位移传感器故障或者减速机构故障。表1中汇总了故障隔离算法的结果。

表1 不同检测结果下的故障隔离结果

步骤四、飞机旋转作动器驱动装置的健康评估：

1、CV值和SOM神经网络

CV值是评价设备工作状态情况的一个指标参数，可以很好的表示旋转作动器驱动装置的性能评价结果。CV值是将旋转作动器驱动装置的性能归一化为0到1之间的数值，CV值越大，设备越接近健康状态。通过CV值大小，可以判断系统是处于健康状态、亚健康状态或者是故障状态。

自组织映射神经网络SOM，是一种特殊的竞争型人工神经网络，可以用来映射多变量数据、概率密度以及聚类。SOM神经网络中，某个输出结点能对某一类模式作出特别的反应以代表该模式类，输出层上相邻的结点能对实际模式分布中相近的模式类作出特别的反映，当某类数据模式输入时，对某一输出结点产生最大刺激(获胜结点)，同时对获胜结点周围的一些结点产生较大刺激。在训练的过程中，不断对获胜结点的连接权值作调整，同时对获胜结点的邻域结点的连接权值作调整；随着训练的进行，这个邻域范围不断缩小，直到最后只对获胜结点进行细微的连接权值调整。图6中给出了SOM神经网络的结构。

2、基于残差分析的健康评估

用一维的权值向量代表SOM神经网络的每一神经元，映射神经元通过一种邻域关系与相邻的神经元连接，形成了映射拓扑结构。以训练向量X的过程为例，应用距离测度计算这个向量与所有SOM权值向量之间的距离，距离X最近的向量就叫做最佳匹配单元(BMU)。BMU的权值向量以及它的邻域向量通过学习规则增大，学习规则如公式(3)所示。

w_i(t+1)＝w_i(t)+α(t)·h_BMU,i(t)(x(t)-w_i(t))  (3)

其中，w_i(t)是权值向量；α(t)是学习率，大小在0～1之间；h_BMU,i是邻域方程，由BMU和其邻域之间的距离决定。在用正常状态下的残差训练过SOM神经网络之后，用测试数据的残差训练SOM神经网络，得到MQE值，MQE定义为：

MQE＝||X_input-w_bmu||  (4)

其中，X_input是输入数据，w_bmu是BMU的权值向量。最后，归一化MQE值到0～1之间，归一化方程如下：

$>\mathrm{CV}=e^{-\sqrt{\mathrm{MQE}}/a}---\left(5\right)$>

其中，a是尺度参数，由正常状态下的MQE值和预先设定的CV值决定。

在实际应用中，首先利用作动器驱动装置正常工作状态下一级RBF残差生成器产生的残差值训练SOM神经网络；在训练好SOM神经网络之后，对于实际工作中的某一时刻，取实时数据作为一级RBF残差生成器的输入，得到实时数据的残差值，再以此残差值作为SOM神经网络的输入，通过计算当前残差值与最佳匹配单元之间的距离即MQE值的大小，可以定量得出实时数据与正常数据的偏离状况，即待评估设备运行状态与正常状态分别对应的特征空间的偏移度。最后，将得到的MQE值归一化为0-1之前的CV值，以此表征设备的健康状态。

为了验证本发明提出方法的有效性，实例分析如下：

1、故障注入

建立了一个仿真模型，并注入了4种典型故障，即伺服阀磁场强度降低、液压马达内漏、传动轴刚度退化以及2号角位移传感器输出精度超标。表2中给出了这4中故障的故障模式及其故障注入的具体方式。其中Q₀代表伺服阀的流量；C_tm和eta-V_m分别代表泄露系数和容积效率；ρ代表传动轴的刚度；α代表2号角位移传感器精度的系数。

表2 仿真模型注入的故障模式及具体的故障注入方式

2、训练神经网络

在正常状态下，以控制信号和前一时刻的输出作为输入训练RBF神经网络，训练效果如图7和图8所示，图中上面的线代表自适应阈值，下面的线代表残差，可以看出，当旋转作动器驱动装置处于正常状态下的时候，故障阈值始终高于故障残差值。

3、注入伺服阀磁场强度降低

在仿真模型中注入伺服阀磁场强度降低的故障。图9和图10给出了两个观测器的检测结果。从图中可以明显看出，两个观测器的检测结果都是故障状态，则可以根据表1定位故障元件到伺服阀或液压马达。

4、注入液压马达内漏故障

在仿真模型中注入液压马达内漏故障。图11和图12给出了两个观测器的检测结果。从图中可以明显看出，两个观测器的检测结果都是故障状态，则可以根据表1定位故障元件到伺服阀或液压马达。

5、注入传动轴刚度退化故障

在仿真模型中注入传动轴刚度退化故障。图13和图14给出了两个观测器的检测结果。从图中可以明显看出，1号观测器的检测结果是正常状态，而2号观测器的检测结果是故障状态，由此可以根据表1定位故障元件到2号角位移传感器或减速机构。

6、注入2号角位移传感器输出精度超标故障

在仿真模型中注入2号角位移传感器输出精度超标故障。图15和图16给出了两个观测器的检测结果。从图中可以看出，1号观测器检测结果为正常，2号观测器检测结果为故障，则根据表1可以定位故障元件到2号角位移传感器或减速机构。

本发明的性能评估结果为：首先应用正常状态下的残差值来训练SOM神经网络，然后将健康退化数据输入到训练好的神经网络中，则通过本发明提出的方法，可以得到如图17-19所示的CV值曲线。CV值代表了旋转作动器驱动装置的健康状态，这里我们设定当CV值低于0.6时，设备达到故障状态。

综上，本发明提供了一套完整的飞机旋转作动器驱动装置故障检测、隔离和性能评估的方法。通过建立双极RBF观测器，产生残差值和自适应阈值，根据飞机旋转作动器驱动装置的控制回路实现故障检测和故障隔离。以残差值作为性能评估的参数，训练SOM神经网络，并归一化性能指数CV值到0～1之间，以对旋转作动器驱动装置的性能进行评估。本发明中通过建立飞机旋转作动器驱动装置的仿真模型，并注入4中典型故障，对提出的方法进行了验证，结果证实了该套方法可以有效地进行飞机旋转作动器驱动装置的故障检测、隔离和性能评估。

本发明未详细阐述部分属于本领域技术人员的公知技术。