基于神经网络的飞机故障诊断.pdf

诊断计算
输出结果
状态变量 ! （# ）是 / 维变量)输出变量 , （# ） 是 0 维变量， 控制变量 *（# ）是 % 维 变量) 状态和输出测量噪声为 + （# ） 和 . （# ）， 并假设 + !#" 和 . （# ） 是独立的高斯 白噪声向量， 且具有如下统计特性： 1（. （#$%））’1（+ （#$%））’2 1（. （# ）. 3（# ））’. δ#4 1（+ （# ）+3 （# ）’+ δ#4 1（. （# ）+3 （# ））’2 其中 . 为对称非负定阵) 正定阵。 根据 !"# 神经网络的性质$它是一个 两层前馈网络$只有一层隐含层$其结构如 图 % 所示。 隐含层单元的基函数采用径向基函 数： *’ $ &! 4<+ 64’２
4+ 为飞机控 机控制系统正常模态，
节点计算 输入样本数据
制系统的故障模态。 根椐 !"# 神经网络实现对飞 机控制系统故障诊断的算法推导 结果， 其表达式可以通过程序来实 现。 我们采用 !"# 神经网络实现飞 机故障诊断的算法， 编制实现 !"# 神经网络故障诊断学习与诊断程 序， 其程序流程图见图 7 所示。
! 唐永哲 *西北工业大学
人
工神经网络具有许多优异的性能。 它的可塑性， 自适应性和自组织性
某些缓慢变化， 例如控制系统参数变化或 电路偏置变化、 漂移等， 这些故障是比较 难以解决的， 也是本文研究的重点。 目前，对飞机的故障诊断的方法有： 特性跟踪法、 数学模型分析法、 专家系统 和神经网络分析法四种。 神经网络分析法 是在研究人的生物神经的基础上提出来 的， 它是由大量的简单元件（神经元模拟电 子器件）相互联接而形成的一种复杂网络， 是大规模非线性动力系统工程。 由于它有 非线性大规模并行处理能力强的特点， 以 及其鲁棒性、 容错性及自学习能力， 在许多 领域都得到了广泛的应用， 当然也可以用 于飞机控制系统的故障诊断及信号恢复。
基于神经网络的飞机故障诊断 技术
神经网络用于飞机控制系统的故障 诊断，主要是充分利用神经网络的容错 性、 抗干扰性、 鲁棒性及大规模并行处理 能力、 自学习能力。它在模式识别、 信号处 理、 故障诊断、 图像处理领域表现出独有 的优越性是其他技术难以实现的。 从神经 网络所特有的信息检测和 处理机理上来看， 它是与现 有技术完全不同的新方 法。 !#" 神 经网络故障诊断
参考输入 控制器
使它具有很强的学习能力； 它的并行处理 机制使它求解问题的时间很短，具有满足 实时性要求的潜力； 它的分布存储方式使 它的鲁棒性和容错性都相当良好。 人工神 经网络可以作为补偿环节直接起控制作 用， 也可以作为系统参数估计器和自适应 机构通过控制器间接参与对象的控制。 当前， 智能控制技术已进入故障诊断 领域， 形成了全新的另一种方法。由于传 统故障诊断方法建立在系统数学模型的 基础上， 数学模型依赖于被诊断系统的结 构， 而很多故障会造成结构的变化， 致使 现场数据缺乏，况且复杂系统的多故障 源、 多变量耦合情况使数学模型的建立十 分困难。 采用在线辨识也难以满足在线诊 断的快速性。 而人工智能控制法的基本思 想是：不完全依靠检测到的信号进行诊断， 而是运用神经网络的综合运算、逻辑推 理、识别进行判断， 这样可以简化检测电 路， 使诊断更加可靠。所谓 “ 故障诊断” 是 指 “ 何处有故障 （ 故障定位） ” 和 “ 何种故 障 （ 故障定性） ” 。 更先进的故障诊断系统 还可以进行故障处理决策 （ 对某些类型的 故障进行自动处理） 。
这一技术难以在复杂的、时变非线性的、 信噪比低的系统中应用。而神经网络具有 非线性映射、 自学习能力、 容错能力、 抗干 扰能力等优点， 能够解决存在的问题。 运用 ＲＢＰ 神经网络代替数学模型分 析技术中的系统建模， 只需根据被控对象 飞机的输入状态向量、输出状态向量和 权系数向量， 就能训练神经网络， 然后根 据系统输出与神经网络输出之间的差值 来检测飞机的故障， 其原理如图 １ 所示。 本文后面的研究， 采用实际系统的输 入、 输出信号作为训练样本， 无需系统的经 验知识即可建立神经网络模型， 并能给出 系统的估计值， 同时能满足实时的要求。 $#% 飞 机的神经网络故障诊断模型 神经网络用于系统飞机非线性辨识 时， 人们关心的是网络逼近非线性映射的 能力、 收敛能力等。对于非线性系统的故 障检测， 一般有自适应非线性观测法、 扩展 卡尔曼滤波器法、 自适应扩展卡尔曼滤波 器法、 强跟踪滤波器等， 这些方法都要求模 型已知， 且能用解析表达式描述， 并能计算 其一阶导数。然而在实际应用中存在不能
4’１ #
输出结果 Ｙ
Ｙ
结论
继续？ Ｎ
&+’ 在飞机故障诊断系统中， !"# 神经网络相当于完成一个数
结束
#$ % 神经网络故障诊 图 !""
断程序流程图
中心)σ6 是第 6 个节点的归一化参数$ 是隐含层单元个数。 + 为对称
8
学映射， 由于被检测的飞机控制系 9 "# ’ 残差序列较多 $ 则 统工况较复杂， !"#88 完成的映射关系也较复杂，但是 只要选取适当的 88 结构$ 就可以实现任 意复杂的非线性映射。!"#88 工作时$信 息的存贮与处理是同时进行的$ 经过处理 后$ 信息的隐含特征和规则分布于神经元 之间的联结强度上$ 通常具有一定的冗余 性。 这样$当不完全信息或含噪声信息输入 时$ 88 就可以根据这些分布式的记忆对 输入信息进行处理$恢复全部信息。 &%’ 由于神经元之间的高维、 高密度 的并列计算结构$ 神经网络具有很强的并 行计算能力$ 完全可以实现对飞机故障的 实时诊断。 但在调试过程中$如何选择合适 的 !"#88 结构、权值及学习算法以缩短 学习时间并提高飞机故障诊断准确性$是 一个关键问题。 &7’ !"#88 故障诊断检测方法只适 用于故障检测$不能用于故障分离$这是它 的缺陷。但是 !"#88 方法对飞机系统故 障敏感， 是一种较好的快速故障诊断检测 方法，且这种方法适用于非线性系统， 具 # 有较大的适用范围。
航空工程与维修 !""# $ %
!"
飞机故障 （ 输出诊 断结果）
图 !"" 飞机的神经网络Baidu Nhomakorabea障诊断原理图
45
航空工程与维修 !""# $ %
完全确知的非线性系统， 并不一定能用解 析表达式描述， 当系统的模型不匹配时， 其 一阶偏导数的误差将很大， 会影响其观测 器、 滤波器的性能。根据径向基函数（ＲＢＦ ） 神经网络的特点， 采用输入线性项的 ＲＢＦ 神经网络来辨识非线性系统模型， 然后根 据此模型建立一个滤波器， 以产生系统残 ， 差 用作故障诊断检测。 由于飞机控制系统是一个非线性系 统， 其非线性系统的模型结构较难获得，人 工神经网络方法为它提供了一种有效的 非参数辨识方法。 若考虑一个飞机的非线性离散系统： !"#$%&’("!"#&)*"#&&$+"#& ,"#$%&’-"!"#$%&&$."#& （１）
Ｎ 选代数结果否 权值调整计算
开
始
制系统正常运行时$; &# ’ 的数值较 小； 当系统发生突变故障时$ ;&# ’的
Ｄ
Ｌ
ξ&# ’将不在满足白噪声 数值较大， 特性， 即得到如下的飞机故障诊断 方法： 45 4+
学习 ／诊断
网络结构参数设定 设定网络参数及权值
6&# ’!α
输入样本数据
6&# ’"α 或者 α 其中 为某一阈值。45 为飞
原理
输入 执行器
飞机故障诊断技术
飞机的故障一般分为 “ 硬故障” 和 “ 软故障” 两种类型。硬故障是指飞机突 然发生某部分的损坏或者完全停止工作， 这种飞机故障是容易识别的。 软故障是指
动态系统
飞
机
以往数学模型分析技 术的实现大多依赖于飞机 控制系统的实时建模， 使得
权值调整
神经网络 估计输出
诊断故障
航空维修
!"#!$#%& ’!#&$(&!&)(
叙述了神经网络应用于飞机控制系统的故障诊断技术， 阐 明了飞机故障诊断的方法。采用 ＲＢＦ 神经网络实现飞机控制 系统故障诊断的算法和程序设计。
基于神经网络的飞机故障诊断
!"#$%&’( )&"%*#( +"&,’-.". /."’, 0(*#&% 0(12-#3
根据飞机故障诊断的要求$ 我们采用 系统正常运行时和系统故障时的输出信 号的检测策略。 当系统正常运行时$残差近 似为高斯白噪声序列$其均值近似为零$协 方差阵为 *&# ’’1&9&# ’93&# ’ &(’
其中 9&# ’为系统的残差序列。 当状态估计协方差阵 *&# ’是时变的$ &7’ 随 # 的变化具有不同的统计特性。 为此$定 ξ & # ’) * *+ ／ %& # ’,& # ’$ 义另一随机变量： 则ξ &# ’近似为一零均值高斯白噪声随机向量。 由于 -*+.%&/’计算较不便$重新定义一随机 变量： ξ3&# ’ξ&# ’’9 3&# ’**+ &# ’9&# ’ &0’
56’7=>?9 $ &!4<764 ’%／ &<@σ6%’:
4’１
#
56 是隐含层第 6 个节 神经元函数为： 点的输出)! 6 是输入模式)764 是节点的高斯
上式中 ξ1&# ’ξ&# ’近似服从 2%3*+ 分布$因此可得如下残差加权平方和 的检测方法$令 # １ $ ξ3 &4 ’ξ &4 ’ ｄ &# ’ ’ : 4’#<:＋１ # １ $ 93&4 ’*<１&4 ’9&4 ’ ’ &;’ : 4’#<:＋１ 当飞机控 其中 : 为数据窗长度。