文摘
机电作动器(复合)越来越广泛用于驱动设备在飞机和直升机的飞行控制系统。复合的可靠性是至关重要的,因为它会导致严重的事故如果复合故障的发生,所以它是重要的检测和诊断故障的及时教育津贴。然而,复合经常在现实环境中,变量条件下运行和复合振动信号的非线性和非平稳的,很难有效地实现故障诊断。本文提出了一种故障诊断方法基于变分模态分解的机电作动器(VMD)多重分形去趋势波动分析(MFDFA)和概率神经网络(并)。首先,振动信号被VMD分解成一些固有模式函数(货币)。第二,多重分形特征提取隐藏在首先通过使用MFDFA,和广义赫斯特指数被选为特征向量。然后,介绍了主成分分析(PCA)提取的特征向量的实现降维。最后,概率神经网络(并)是利用故障模式分类。实验结果表明,该方法可以有效地实现故障诊断的复合即使在羞怯的工作条件。同时,本文提出方法的诊断性能的优势,EMD-MFDFA特征提取的方法。
1。介绍
尽管大多数飞机和直升机仍然采用液压驱动系统,机电作动器越来越多的被应用为飞行控制系统的关键执行机构近年来先进的飞机和直升机。主要原因是机电致动器(EMA)有更多的优势在可靠性方面,经济,和其他方面比传统的液压执行机构。然而,飞机和直升机经常执行的任务变量复杂的环境下,它将导致严重的后果,当复合故障的出现。因此,故障检测和诊断的复合在各种工作条件发挥了重要作用在飞机和直升机的正常运行。越来越多的研究已经完成的功能复合,但很少有故障。因此,是很有意义的进行故障诊断算法研究工作条件下的复合变量。
NASA艾姆斯研究中心的研究人员进行了失效模式和效应分析的复合通过广泛的文献调查,获得的和复合的主要故障模式(1]。研究人员建立了适航的机电致动器(跳蚤)试验台,所以EMA的正常数据和错误数据可以通过大量的实验2]。提出了一种基于神经网络的方法实现诊断关键失效模式复合的3]。纳史木汗等人实现退化趋势预测的复合使用高斯过程回归算法(4]。方法基于WPD-STFT时频熵和并提出了京et al .,达到准确诊断的复合(5]。目前,研究相对较少的故障诊断方法国内外工作条件下复合变量。
旋转机械的振动信号包含了丰富的关于设备的运行状态信息。并提取故障特征代表设备的故障信息是故障诊断最重要的一步。然而,振动信号通常具有非线性和非平稳的特点,也有外部干扰等噪声,因此从振动信号中提取特征研究的关键问题。常用的方法处理振动信号中提取故障特征包括短时傅里叶变换(STFT),小波变换(WT),经验模态分解(EMD)和地方意味着分解(LMD)。STFT可以描述信号在时域和频域同时可以反映时变信号的频谱特征。但STFT的窗函数是固定的,所以它不适合分析强时变和非平稳的信号6]。WT可实现信号的多分辨率分析,但其在频域分辨率不是在同一尺度可调,它需要预选基函数根据信号的特点7]。EMD信号分解为有限数量的单组分信号称为固有模式函数(货币)。它有巨大的潜力分析非线性、非平稳的信号。然而,EMD的一系列问题,如影响结束,模态混淆,over-envelope under-envelope,负频率,缺乏理论基础(8]。LMD是一种自适应时频分析方法的基础上提出了EMD。它可以将复杂信号分解成多个产品功能(PFs)。然而,LMD也有最终效果的问题,模态混淆,和大量的计算9]。此外,基于各种多学科算法的故障诊断方法研究了近年来。旋转机械故障诊断方法结合双频谱和图像处理算法,并证明了它的有效性实验的液压泵和离心泵10]。基于窄带解调方法和频移谱编辑被用来实现齿轮的故障诊断(11]。变分模态分解(VMD)是一种新的信号处理方法有不同的理论框架与EMD (12]。VMD变换信号分解成nonrecursive和变分模态分解问题的理论基础。它显示了更好的噪声鲁棒性,可以减少抽样效应和模态混淆。
不同于时频分析、分形分析可以用来揭示信号的分形特征,而分形特征可以描述一个复杂的系统的不同的操作状态。因此,可以利用分形特征作为故障诊断的故障特征。多重分形分析可以提取不同地方尺度的分形特性,应用经典多重分形理论和研究人员近年来故障诊断的特征提取。基于小波分析和多重分形谱的方法应用于提取的故障特征水力发电单元(13]。和多重分形谱结合PSO-SVM实现齿轮箱的故障诊断14]。然而,传统的多重分形理论可以很容易被信号波动的趋势,不能准确揭示隐藏在非平稳的信号的多重分形特征。因此,刘等人提出了一个叫做多重分形去趋势波动分析方法(MFDFA)结合多重分形(MF)去趋势波动分析(DFA),可有效地消除信号波动的影响,可以进一步提取的非平稳信号的多重分形特征。MFDFA已经应用到故障诊断领域的复杂的系统。方法基于MFDFA和地方characteristic-scale decomposition-Teager能量算子提出了实现滚动轴承的故障诊断15]。唐等人应用MFDFA非线性模拟电路的故障诊断(16]。
基于VMD-MFDFA EMA和故障诊断方法并提出了。首先,加速度计采集的振动信号。振动信号预处理后,获得了一系列货币VMD。然后,由MFDFA货币计算的多重分形特性,和故障特征向量是通过减少与PCA的维度。最后,并通过模型训练对故障模式进行分类。
2。基于VMD和MFDFA特征提取方法
教育津贴的振动信号具有非线性的特点,不稳定和强时变。本文由VMD振动信号进行分解,提取的特征向量是通过MFDFA EMA的操作状态的特点。
2.1。变分模态分解的描述(VMD)
VMD算法可以获得最优解的约束变分问题,通过迭代确定不同的中心频率和带宽。不同频率的固有模式函数(货币)通过nonrecursive分解(17]。VMD的实现分为两个部分:建设变分问题和变分问题的解18]。
第一部分是变分问题的建设。假设多组分信号时频分析方法由固有模态函数有限的带宽和中心频率的固有模式函数对应 。
分析信号的希尔伯特解调得到的固有模态函数如下公式:
一个中心频率估计为每个分析信号,每个国际货币基金组织(IMF)的频谱是基本频带调制:
广场规范上面的分析信号的梯度计算,每个国际货币基金组织(IMF)估计的带宽。然后,约束变分问题得到如下公式: 在哪里 代表一个通过分解和固有模态函数 代表每一个固有模态函数的中心频率。
第二部分是变分问题的解决方案。为了获得最优解的变分模型,拉格朗日乘法操作符和二次惩罚因子需要改变约束变分问题引入nonconstrained变分问题。转换后的拉格朗日表达式
公式的鞍点(4)是通过迭代更新 , ,和通过使用乘数的交替方向方法(小组ADMM)。
的更新方法是
的更新方法是
的更新方法是
的傅里叶变换后的实部结合公式(5)和公式(6)是固有模态函数 。
VMD的具体步骤描述如下(19]:(1)初始化 , , ,和 。(2)集 并开始循环。(3)更新和根据公式(5)和公式(6)。(4)集 ,重复步骤(3),直到 。(5)更新根据公式(7)。(6)(5)重复步骤(3)步骤,直到迭代停止条件 是达到了。
VMD在分解的过程中,每个国际货币基金组织(IMF)的中心频率和带宽的不断更新来实现自适应分解的信号。
2.2。的描述多重分形去趋势波动分析(MFDFA)
多重分形去趋势波动分析可以有效地消除信号波动的影响趋势,可以准确地提取隐含非线性信号的多重分形特征(20.]。
的台阶MFDFA可以描述如下21]:(1)对时间序列 ,构建累积偏差序列的均值: (2)新序列分为不重叠的子序列与一个固定的规模 :
然后,分为序列段由同一规模的反向顺序,和子序列。(3)适合每个子序列的多项式趋势通过使用最小二乘法,并计算方差如下: 在哪里的拟合多项式是吗子序列。(4)计算的平均值订单波动函数: 在不同的值代表不同程度的波动。当 ,DFA MFDFA退化。(5)子序列的长度变化重复步骤(2)和(4)。(6) 子序列的长度的功能吗和分形并与规模有以下幂律关系 : 在哪里的平均值订单波动函数和是广义的赫斯特指数。
如果是一个monofractal时间序列,是一个常数,如果是一个多重分形时间序列,订单的功能吗 。不同的顺序对应于不同的广义赫斯特指数。
广义的赫斯特指数的影响可以描述过去的时间序列在现在和以后的时间序列,和不同的系统状态下的影响是不同的。
因此,广义的赫斯特指数可以作为特征向量来描述系统的多重分形特征,可以描述系统的不同状态。
3所示。基于并通过故障分类
概率神经网络的理论基础(并通过贝叶斯最小风险准则。并通过直接考虑的概率特征样本空间的典型样本,样本空间作为隐层的节点。不需要培训了一旦确定,并通过和只需要附加样本根据实际问题(22]。并具有训练时间短和全局优化,大分类的性能。
对所测试的网络结构如图1,它由输入层,图案层,求和层和输出层(23]。
输入层接收的值向量网络训练数据和传输特性,和神经元的数量等于样本向量的维数。
模式层计算特征向量之间的匹配规则和训练数据的不同模式,和神经元的数量等于训练样本之和。这一层的每个单元的输出 在哪里输入层的重量模式层和是平滑因子。
的概率求和层增加了每个组神经元属于一个模式和计算估计概率密度函数的模式。一个故障模式只有一个求和层神经元。
输出层的模式以最大的概率求和层作为输出。神经元的输出以最大的概率是1,和其他神经元的输出是0。在输出层神经元的个数等于模式的数量。
4所示。基于VMD-MFDFA EMA的故障诊断方案,并通过
本文提出一种基于VMD-MFDFA故障诊断方法,并通过教育津贴,以及诊断的过程方案如图2。(1)教育津贴的振动信号分解为一系列的货币基金利用VMD。(2)计算广义货币的赫斯特指数利用MFDFA特征向量。(3)降低特征向量的维数来获得最终的故障特征,利用PCA。(4)通过使用并通过故障模式分类。
5。案例研究
为了验证本文提出的故障诊断方法的有效性,我们进行了实验通过使用来自NASA的跳蚤试验台的数据的数据库。跳蚤试验台数据所示3和4,EMA试验台如图5。故障诊断实验已经进行了以下五个州:正常状态,滚珠丝杆返回通道堵塞,螺杆表面碎裂,运动失败,和位置传感器故障。跳蚤试验台的振动信号是获得20 kHz的采样频率为30秒。和每个国家的数据分为29组(每组20000个采样点)分析方便。此外,为了验证该方法的适应性可变工作条件,实验已经在五个不同的条件下进行。
5.1。基于VMD和MFDFA故障特征提取
首先,收集到的原始振动信号预处理的正常化。
第二,VMD的预处理信号分解。VMD方法需要预先确定的模式在分解信号。然而,会有相同模式的中心频率分解模式的数量超过3。因此,预处理信号分解成三个货币使用VMD摘要。
然后,应用MFDFA提取分解货币基金的多重分形特征。广义的赫斯特指数作为故障特征选择的顺序 。为了提高故障诊断的准确性,能量广义赫斯特指数降至三维断层使用PCA特征向量。
最终的故障特征向量的聚类结果如图6特征向量收购,这表明,本文提出的方法可以描述EMA的状态。
5.1.1。故障特征提取在不同条件下
在实际应用中,通常EMA变量的工作条件下运行,所以在不同条件下准确地诊断具有重要意义。为了证明该方法的适应性,工作条件,实验在五个不同的条件下进行,如表所示1。
EMA的振动信号收集在五个工作条件下,和故障特征提取利用VMD-MFDFA-PCA方法。数据7- - - - - -10显示故障特征向量的聚类结果四个条件,除了条件下1。
从数据可以看出,该方法能够准确地提取EMA在不同条件下的故障特征,可以适应变量在实际环境中工作条件。
5.1.2中。比较该方法与EMD-MFDFA特征提取
为了验证性能优良的特征提取方法,该方法基于EMD-MFDFA应用于提取故障特征向量EMA的比较。该方法结合了广泛使用的经验模态分解的时频分析方法MFDFA EMA的提取故障特征。
首先,原始振动信号预处理,然后通过EMD分解成一系列频率从高到低的货币。其次,前三个货币包含的主要故障信息的选择。然后,能量广义赫斯特指数提取的利用MFDFA与参数 。最后,主成分分析应用于减少能量特征的维数获得三维广义赫斯特指数作为最终的故障特征向量。聚类结果如图11- - - - - -15。
可以看出,散射点的故障特征向量,利用基于EMD-MFDFA特征提取方法相对较近,这显然很难分类故障模式。这也可以证明,本文提出的方法具有更好的性能故障特征提取。
5.2。基于并通过故障分类
并通过分类器模型训练识别EMA在不同工作条件下的故障模式。在每个工况中,每个故障模式的三维断层特征向量作为输入,并通过和故障类别标签作为对所测试的输出。每个故障模式的头15组数据作为训练数据,并对所测试使用训练数据训练分类器。然后,过去14集的故障标签识别的测试数据对所测试训练分类器,并得到最终的故障诊断结果。
在训练并通过分类模型中,3在输入层节点根据特征向量的维数,确定模式中的75个节点层确定根据训练样本的数量,和5节点求和层和输出层,确定类别的故障模式的数量。的平滑系数,并通过设置为1.0。测试样品的失效模式对应于正常状态,滚珠丝杆返回通道堵塞,螺杆表面碎裂,位置传感器故障,和运动失败,分别时对所测试的输出是1,2,3,4,5。
从这些数据可以看出,诊断故障测试样本的标签与实际故障高协议标签。条件1的诊断准确率为100%,条件2的诊断准确率为100%,诊断的准确性条件3 98.67%,条件4 100%,诊断精度和诊断的准确性条件5 100%。诊断结果表明,本文提出的方法可以准确地诊断EMA和伟大的诊断性能。
6。结论
EMA越来越广泛应用于飞机和直升机的飞行控制系统,这是非常重要的诊断故障的EMA在飞机和直升机的安全。因此,它是很有意义的研究教育津贴的故障诊断。故障诊断方法基于VMD-MFDFA-PNN EMA提出了研究。首先,VMD应用于教育津贴的振动信号分解为包含故障信息的货币。其次,广义货币的赫斯特指数的计算方法是由MFDFA故障特性。然后,利用主成分分析降低维广义的赫斯特指数。最后,并通过模型训练对故障模式进行分类。结果表明,本文提出的方法可以提取故障特征敏感的教育津贴,可以进行准确的故障诊断在不同工作条件下。该方法的性能与EMD-MFDFA-PCA进一步验证比较。
然而,该算法的计算复杂度相对较大。因此,在有限的计算机资源的情况下,计算速度会稍慢。未来的工作将集中在两个方面。第一个是研究提高该方法的计算效率提出了实时要求高的场合。第二个是研究健康评估和EMA退化趋势预测。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究得到了国家自然科学基金(批准号51605014和51605014),国防技术基础项目(批准号Z132013B002),中央大学的基础研究基金(批准号YWF-16-BJ-J-18)和航空基础(批准号。20153351022,20163351018)。