文摘
副翼执行机构关键零部件为飞机飞行控制系统。因此,副翼执行器的故障诊断是至关重要的增强的可靠性和容错能力。本文提出一个副翼执行机构故障诊断方法结合主成分分析(PCA),网格搜索(GS), 10倍交叉验证(CV)和one-versus-one支持向量机(SVM)。这种方法被称为PGC-SVM和利用直接驱动阀输入,执行电动机电流、位移反馈信号实现故障检测和位置。首先,副翼执行器常见的几种故障,包括执行电动机线圈断裂,传感器线圈,缸渗漏、放大器增益降低,从断层象限图中提取;相应的故障机制进行了分析。第二,数据进行特征提取与使用PCA降维。最后,GS和简历算法用于训练one-versus-one支持向量机故障分类,从而获得最优的模型参数和保证泛化训练支持向量机,分别。验证该方法的有效性,介绍了四种类型的错误为AMESim建立的仿真模型和仿真软件。结果显示其理想的诊断性能,优于传统的SVM相比之下。
1。介绍
副翼致动器,用于控制飞机的滚运动,是一个关键的组件在飞机的飞行控制系统1]。副翼致动器的缺点,其中包括执行电动机线圈,线圈传感器,执行机构油缸泄漏、放大器增益降低,可能导致一系列的后果从控制系统性能下降到无法挽回经济损失和人身伤亡。因此,至关重要的是要研究副翼致动器的故障检测。
很多故障诊断方法已经被使用,提出了分类系统健康监测数据,如决策树归纳、Bayesian-based分类、神经网络、遗传算法和模糊集分类器(2]。赵和苏3)提出了一个新颖的电力变压器绝缘故障诊断方法基于决策树。Ozev et al。4)提出了一个模拟/射频电路参数故障诊断方法基于贝叶斯框架。藏和Imregun5通过人工神经网络进行结构损伤检测。他等。6)免疫遗传算法建立数学模型用于现代电力系统的故障诊断。Altunok et al。7)提出了一个基于模糊集合理论的损伤模式识别方法。然而,大多数这些方法需要大量的计算和分类精度是高度依赖于样本容量。除了这些方法,一些缺点如液压泵故障和外部泄漏故障难以诊断。
基于模型的故障检测和诊断(FDD)计划是FDD副翼致动器的另一个重要方式。亨利et al。8)建立了一个副翼伺服回路模型,并提供了一个的解决方案配备空客在职监测系统的结构。Vanek et al。9)建立了一个可靠的线性变参数(LPV)的模型飞机和执行两种本质上不同的故障检测和隔离设计副翼和电梯。乔戈et al。10)提出了一个简单的基于模型的故障检测方法在失控的情况下和干扰情况下,产生了一个超过良好的性能在实际飞行测试。Goupil和马科斯11)建立了一个通用飞机模型和代表故障场景,把光在两个传统和先进的基于模型的FDD方法。Efimov et al。12)提出了一个混合观察者与在职A380决策规则相关的解决方案来解决飞机系统的振荡失败案例。
支持向量机(svm),最初是由Vapnik引入已经成功解决分类和函数估计问题。特点是凸优化问题(通常是二次规划),支持向量机模型能够获得全球最低,避免局部最小值的陷阱带来的贪婪算法在其他方法。和最终确定支持向量机的决策函数,而不是整个样本,几个支持向量,计算复杂度降低,回避维度的诅咒。此外,支持向量机处理非线性系统的优势而副翼致动器是一个典型的非线性系统。支持向量机是一个经典的二元分类器,以解决multiclassification问题,这在故障诊断中很常见,因为通常有两个以上的失效模式,提出了许多支持向量机算法来构造multiclassification分类器。实际应用中采用的算法可以分为两种类型(13):(第一种是一次性解决方法;()结合许多二进制实现multiclassification支持向量机SVM subclassifiers,第二种类型包括one-versus-rest one-versus-one, DDAGSVM和二叉树支持向量机。相关的研究表明,one-versus-one支持向量机更适合实际应用,因为它相对训练速度快和良好的分类精度13- - - - - -16]。
本文采用multiclassification one-versus-one算法支持向量机的分类器设计副翼驱动器故障诊断。此外,本文使用网格搜索优化的两个重要参数和one-versus-one支持向量机和主成分分析(PCA)减少维度。在传统的支持向量机中,通常使用以下过程:)转换数据格式的支持向量机包;()随机尝试一些内核和参数;()测试模型。由于可怜的参数选择和原始数据的复杂性,训练速度和分类精度相对不满意有时是无法忍受的。然而,最大的问题是,会有不可归类的地区传统的支持向量机。one-versus-one SVM能够避免这个问题,借助主成分分析和网格搜索、数据复杂性和参数选择问题得到解决。因此,与传统的支持向量机相比,提出的方法,通过案例研究,收益率更高的分类精度和更快的训练速度,而外部泄漏故障可以有效地诊断的方法。一般来说,航空工程中最重要的事情是执行一个早期故障检测开关尽快冗余驱动器。一旦良好的训练在地面使用历史数据,该算法可以实现故障分类每次0.1 ~ 1 s一样快。飞行控制计算机(FCC),发展其约束如低计算负载和限制符号库将不会在未来的问题相对复杂的算法。在此基础上,将故障分类精度高奖金,因为相应的维修准备可以在飞机着陆之前完成,从而提高效率。
本文的其余部分组织如下。节2联合仿真模型基于AMESim的副翼致动器和仿真软件设置。节3副翼致动器的故障进行了分析和注入模型。节4,该方法的详细描述。节5,演示了该方法的有效性,并给出了实验结果和讨论。最后,将研究的结论。
2。副翼致动器的设置
副翼致动器由液压泵、电液伺服阀,缸,一个PID控制器,两个电子放大器,和两个位移传感器。控制回路包括两位feedbacks-direct驱动阀位移致动器缸位移,如图1。在这个图中,用于故障检测的信号都标有红色的球。
副翼致动器的仿真模型建立与MATLAB仿真软件和AMESim [17]。通过MathWorks开发的仿真软件,在MATLAB可视化的仿真环境。由于其方便的图形模型模块,如线性/非线性模块,连续/离散模块,和先进控制工具箱,它非常适合控制回路的建模。然而,它不能处理水力建模缺乏相应的模块。AMESim,想象,开发的是一个液压/机械系统建模、仿真和分析软件。丰富的参数化液压模块,液压副翼致动器可以很容易地建立的一部分。然而,有控制模块在AMESim相对较少。仿真软件和AMESim的组合,这两个的优点可以充分利用,从而相对好的模型的副翼致动器是光明的。副翼控制部分的执行机构成立于仿真软件环境如图2;机械副翼致动器如图的一部分3。副翼传动装置的机械部分建立在AMESim转换为仿真软件函数,函数可以被导入仿真软件。介绍了关键部件的物理参数表1- - - - - -9。
一个泄漏/粘滞摩擦模块,用于缸内部泄漏故障注入(18,两个活塞模块构成的仿真模型副翼执行机构的液压缸。
摘要副翼致动器在正常工作温度,40°C所示,作为基本水力特性的一部分,在桌子上1。当温度上升和运动粘度会降低。
在正常条件下,泵的压力如表所示2是210条。
在正常状态下,压力降和流量最大的阀门开度如表所示3是20条和150 L / min。
在正常状态下,间隙直径如表所示4被设置为毫米。它将会增加,以注入内部泄漏故障。
长度为零位移、杆直径和活塞直径如表所示5150毫米,30毫米和90毫米。
获得的信号输出如表所示6设置为1。
质量和位移模块的参数如表所示7,采用限制液压缸的运动范围。
弹簧阻尼器的参数如表所示8,采用模拟潮湿的空气动力载荷。
在表9,流量控制阀的参数列表。
3所示。故障分析和注射
维修根据统计数据,主要断层的副翼执行机构包括放大器故障、传感器故障,泄漏故障,外部泄漏故障,泵的错,和阀门的错,如表所示10。
故障模式、影响和临界分析(FMECA)是一种自下而上的归纳分析方法进行故障分析。根据FMECAs液压系统由李等。19)和Balaban et al。20.),这些缺陷大致可以分为四个象限取决于临界频率。如图4第一象限的缺点是高频和high-criticality通常被认为是在设计阶段。第二象限的缺点,目前处理视觉检查,高频但低危险性。第三象限的缺点是低频和低危险性,从而认为考虑到成本。第四象限的缺点,这需要不断监控、低频但high-criticality。
证明本文提出的方法,介绍了四种故障包括电子故障和机械故障仿真模型,列在表中11。
在表中列出的缺点10和11被引入到仿真模型通过改变一些特定参数的故障组件,这些组件和数据都标有红色的盒子吗2和3。故障注入是列在表的细节12。迫使电动机故障的参数设置为0,表示执行电动机线圈打破;传感器故障的参数设置为0,表示传感器线圈打破;泄漏故障的参数被设置为5而不是默认的正常价值5.56%,表明泄漏由于阀的直径是90毫米;放大器故障的参数被设置为15而不是默认的正常价值50,表明信号传输损失70%。所有的错误都引入到仿真模型的刺激。
4所示。方法
该方法在论文中由两个主要部分组成,模型训练使用历史数据和实时诊断使用实时数据。在模型训练部分,三个步骤进行。首先,历史数据,包括DDV输入,执行电动机电流、DDV位移,执行机构油缸位移与限幅被白噪声比例在MATLAB 20分贝。然后,损坏数据截断成大量的数据段根据数据时期。和均值、均方根(RMS),峰价值(ppV),这些数据段和峰度计算和归一化,分别。因此16-dimensional原始输入,表所示13获得的。值得一提的是,原始输入的尺寸没有特别选择自关键故障信息将自动利用主成分分析法(PCA)提取。的流程图如图的第一步5。其次,利用主成分分析进行降维,噪声降低,从而降低了支持向量机的输入模型。第三,减少输入输入到支持向量机模型参数优化使用网格搜索。一旦搜索最优参数的支持向量机模型,训练模型准备实时诊断。实时诊断、实时数据通过传感器部署在飞机上。相同的数据预处理模型训练进行部分和分类结果返回的训练支持向量机模型。故障报告将生成的飞行员和地面控制站如果分类结果满足一定的故障判据。该方法的流程图如图6。
4.1。主成分分析
卡尔·皮尔森发明的主成分分析采用正交映射到一组可能相关的变量映射到主成分线性不相关的。最大方差位于第一主成分,第二大方差在第二主成分,等等。
这是一个数据矩阵,,他的行不同的实验的重复列是不同的参数:,。新的主成分向量的分数,,在那里序数的行,通过数学变换给出定义的维向量的权重,,在那里是主成分的序数。方程如下所示: 在哪里是th组成部分,从而最大程度的方差是遗传的与每个向量的重量作为一个单位向量约束。
第一个组件的数据向量可以给出一个分数吗在转换后的坐标必须满足 和组件可以通过减去第一个发现主要组件: 然后发现权向量中提取最大方差从这个新数据矩阵 的组件的数据向量可以给出一个分数吗在转换后的坐标。
完整的主成分分解因此可以给出吗 在哪里是一个——- - - - - -矩阵的列是特征向量。
4.2。网格搜索和简历
网格搜索详尽的搜索通过人为选择参数组执行特定的学习算法。一个典型的soft-margin SVM分类器配备一个RBF核函数有两个参数需要调整:正规化常数和一个内核超参数。网格搜索的目标是确定好的(),这样的分类器可以准确地预测未知数据。指数增长的序列和(例如,,建议由徐et al。21]。
相比与其他优化算法,如遗传算法和粒子群算法,网格搜索很简单但看起来天真。然而,有两个动机为什么我更喜欢简单的网格搜索方法。一个是,在心理上,我们可能不会感到安全使用方法,避免做一个详尽的参数近似或启发式搜索。的另一个原因是,找到好的参数网格搜索所需计算时间是没有比这更先进的方法,因为在这种情况下只有两个参数。此外,网格搜索很容易并行,因为每个()是独立的。许多先进的方法是迭代的过程,例如,沿着一条路径,可以并行化。
和对的性能评估通过交叉验证训练集划分为训练集大小相同的子集在倍交叉验证。在适当的序列,每个子集用于测试而其他用于分类器训练子集。因此,预测结果得到的百分比数据正确分类是最后的交叉验证的准确性。罗德里格斯et al。22)对交叉验证进行了敏感性分析,发现10倍交叉验证是一个实用的方法。
4.3。One-versus-One支持向量机
One-versus-one SVM内尔等人提出的。23),将分类问题转化为two-classification问题。One-versus-one SVM采用投票的方法,分别的选票数量样品属于每一个分类。最后,属于的分类的票数是最大的。许和林24]one-versus-one支持向量机相比,one-versus-all SVM, DAG-SVM和结果表明,one-versus-one SVM可能更适合实际应用。
为了构建subclassifier类和类的示例和类从原始样本作为训练样本two-classification问题;最优问题如下所示: 相应的决定性的飞机 在哪里类之间的超平面系数和,类之间的超平面的拦截吗和,样品的地图吗在高维空间中,是误差惩罚因子,反映了样本异常值和调整的重视程度令人难以置信的范围之间的比例和实证支持向量机网络模型的风险,然后呢是拟合误差变量。
4.4。报警判据
FCC的不断发展,FCC的限制将会继续推动。一旦计算限制被打破和复杂算法实际上也可以实现快速故障检测,然后以减少误警率最大,号准则可以尝试下面列出。
标准1(连续两个分类结果一致)。如果连续两个分类结果一致,那么分类结果和相应的故障可以报告进行验证。
标准2(三分之二的连续分类结果一致)。如果第一个连续两次分类结果不同,但三分之二的连续分类结果一致,然后分类结果进行验证和相应的故障用两个相同的分类结果可以报道。
标准3(没有连续三分类结果一致)。如果连续三次分类结果不同,那么诊断失败和diagnosis-fail报告将提交。
5。故障诊断和结果分析
在这个模拟的案例中,系统输入的振幅是2毫米,系统的输入是0.5赫兹的频率,采样率为200 S / S,采样时间是20多岁。因此,特征,其中包括的意思是,RMS, ppV和峰度,提取每一个200分。获得的数据被认为是作为历史数据训练模型。训练后,模型可以用于检测故障每200点(少于1 s根据实时采样率)进行实时诊断。提取的特征在不同工作条件图中列出7,很明显,不同的工作条件导致不同的振幅特性,这样的错分类使用这些特性是站得住脚的。
16-dimensional原始输入的主成分分析的结果如表所示14和图8,很明显看到,前三个主成分占据累积贡献率100%,输入尺寸甚至可能减少到仅仅1维根据最终测试的速度训练模型。
如表所示15,仅使用第一个主成分来训练模型,训练模型的交叉验证率是76.73%,测试率是76.75%,这意味着overreduction和信息损失。使用前五个主成分来训练模型,训练模型的交叉验证率增加和测试率高达98.88%至99.01%,接近于1,这是多好的减少输入可以确定三维。
有两个参数,惩罚因子和内核参数,在one-versus-one优化支持向量机使用RBF核函数如下所示: 指数增长的参数序列对()采用网格搜索和参数对如图的轮廓9。最好的一对,),其交叉确认准确率高达98.87%,。
最后的结果,见表16指出,PGC-SVM在本文提出比传统的支持向量机在时间成本(奔腾(R)双核CPU T4500 @ 2.30 GHz)和分类精度。
6。结论
本文提出一个副翼执行机构故障诊断方法结合主成分分析(PCA),网格搜索(GS), 10倍交叉验证(CV)和one-versus-one支持向量机(SVM)。分类精度是足够的诊断副翼致动器的主要缺点包括执行电动机线圈断裂,传感器线圈,致动器缸泄漏,减少放大器增益。与传统的支持向量机相比,PGC-SVM要求更少的时间参数优化和模型训练。算法的性能对故障检测是足够快尽快切换冗余驱动器。执行机构故障给出了算法的分类精度高的奖金维修效率可以提升自维修准备可以在飞机着陆之前完成。因此,本文提出的算法显示了巨大的潜力一旦真正FCC的通过了严格的测试。
显然,未来的工作在于字段的验证算法。并在实践中,数据通常是由各种数据噪声严重损坏,可能会影响算法的性能,因此该算法的噪声免疫力也应该被考虑。除此之外,该方法仍有一些余地进步奖,计算资源消耗可以进一步被压缩和检测延迟可以最小化。
利益冲突
作者宣称没有利益冲突有关的出版。
作者的贡献
魏利秦和陈陆起草论文;魏利秦和陈陆获得数据;魏利秦分析和解释数据;魏利秦和陈陆极度修改论文;陈路和Wen-Jin张计划和监督研究。
确认
这项研究得到了国家自然科学基金(授予号。61074083,61074083,51105019)和国防技术基础项目(批准号Z132013B002)。