基于神經網絡的飛機供水系統故障預測研究

吳 梅,陳思遠,李超群

(1. 西北工業大學自動化學院,陜西 西安 710072;2. 航空工業航宇救生裝備有限公司,湖北 襄陽 441000)

1 引言[1-8]

預測與健康管理技術(Prognosis and Health Management,PHM)是指利用傳感器提取系統信息,借助信號處理技術來評估系統的健康狀態,并對故障進行診斷、預測,為系統的運行、維護、保障等提出建議。對系統進行健康管理必須建立在狀態數據采集、信息融合和特征提取的基礎上,并以故障診斷、預測和修復為主要手段。

目前PHM技術已廣泛應用于英、美、加拿大和以色列等國大、中型民用和軍用飛機領域,包括航空發動機健康管理、飛行控制系統作動器的故障診斷和壽命預測、飛行器推力系統、供油系統和供電系統的健康管理、航空器的結構健康監測、軸承的壽命預測、航空電子系統的故障診斷和預測等。

國內在PHM技術研究方面起步較晚,主要研究工作在理論方面,例如北京航空航天大學可靠性工程研究所、航空634所、西北工業大學、哈爾濱工業大學、空軍工程大學等研究機構從設備健康衰退規律、故障預測模型、健康管理技術等方面對國外PHM技術進行了跟蹤研究,而應用方面的工作主要體現在民航飛機或發動機的性能狀態監控的軟件系統上,在飛機機載水/廢水系統健康管理方面尚沒有相關文獻報道。

故障預測方法分為基于失效物理模型、基于數據驅動和基于可靠性理論三類,其中基于可靠性理論的預測方法具有廣泛的應用性,但只能用于描述某一類產品的總體情況;基于失效物理模型的預測方法需要深入研究對象的物理特性和故障機理,其預測難度和成本最高;而基于數據驅動的預測方法不需要精確的物理或數學模型,開發費用、算法運行要求相對較低,是目前研究應用的熱點,其中的神經網絡方法更是當前使用最普遍的數據驅動方法。

因此,本文針對國產某型飛機水/廢水系統健康管理課題開展神經網絡故障預測算法研究。根據水/廢水系統當前使用狀況和歷史數據,通過對其重要特征參數的統計分析得到系統健康度曲線(或可靠度曲線、浴盆曲線),據此預測系統或部件的剩余壽命以及未來某時刻的工作狀態,以采取視情維修和適時維修。

2 數據來源及特征提取

2.1 空氣壓縮機仿真數據

飛機水/廢水系統在飛行過程中的各項運行參數、性能參數、環境參數(例如振動、壓力、濕度、電流、電壓、噪聲等)以及地面維護時的維修數據等與系統健康特征密切相關,但是系統實際故障數據很難得到。通過查閱近幾年文獻資料可知[9-14],只有鄭亞飛[10]提到用實際電液伺服閥來驗證AMESIM故障模型的測試驗證問題,但是需要在實驗中將實際伺服閥拆解開進行分析;靳小波[11]通過替換真實損壞或人工處理的零件進行故障模式注入的方式,完成了故障數據的獲取。因此,在進行飛機機載設備故障預測研究時,有必要應用仿真手段模擬系統故障下運行情況,以獲取系統故障數據。

如圖1所示,本文基于AMESim仿真軟件建立飛機供水系統仿真模型,并通過故障注入方式(通過設置空氣壓縮機內轉子轉速以模擬改變壓縮效率),選取空氣壓縮機排氣口處氣壓數據作為壓縮機效率的故障預測數據來源,由此展開如圖2所示的故障預測算法及仿真研究工作。

圖1 基于AMESim的供水系統仿真模型

圖2 空氣壓縮機故障預測流程

按照要求,壓縮機轉子標準轉速應為3600±200r/s,現以3600r/s作為標準,設置不同百分比進行仿真,獲取20組空氣壓縮機出口處壓力值數據,如表1所示。

表1 供水系統空氣壓縮機出口處壓力

2.2 基于主成分分析法的特征提取

特征提取是在數據預處理基礎上,進一步提取出傳感器采集信號中的特征信息,以獲得適當的特征征兆集,用來表征故障特征,為后續的健康預測提供數據支持。在此采用主成分分析法(Principal Components Analysis,PCA)完成特征提取,這是一種降維特征提取方法,主要通過正交變換將一組可能存在相關性的n維變量轉換為一組線性不相關的k維變量(k

針對一份有m個樣本、每個樣本由n個特征(變量)來描述的數據集X

可按以下步驟進行降維:

1) 將數據集X中的每個樣本作為列向量,按列排列構成一個n行m列的矩陣;

2) 將矩陣的每一個行向量(每個變量)都減去該行向量的均值,從而使得新行向量的均值為0,得到新的數據集矩陣Y;

4) 按照特征值從大到小的順序,將單位特征向量作為行向量排列成矩陣,得到轉換矩陣P,并按PY計算出主成分矩陣,該矩陣即是原數據集在主成分空間中的表示;

5) 用特征值計算方差貢獻率和方差累計貢獻率,取方差累計貢獻率較高的前k個主成分,或者想降至特定的k維,直接取前k個主成分。

對于飛機供水系統故障仿真模型,需提取均值、方差、標準差、均方根、最大值、最小值、峰峰值、整流平均值、峭度、偏度、波形因子、峰值因子、脈沖因子和信息熵共14種時域特征,因此取20組時域特征數據X(20*14維)?？紤]到需要保留盡可能多的信息量,在新空間中選取4維數據用于故障預測測試(k=4,20*4維,信息量保存約100%)。

3 故障預測

3.1 預測原理

故障預測是在系統處于健康態時,預測其故障發展趨勢,以便事先采取合理的補救和維修措施。如圖3所示,系統或元部件從健康狀態到性能下降態、再到完全故障態是一個過程,當目前監測點在 A 點(正常態)或 B 點(早期故障態)時,故障預測就是估計系統狀態何時會演化到 C 點(故障態)或 D 點(失效態),其中早期故障態是工作效率降低的過程,可細分出多個性能衰退程度,如表1所示。具體來說,本文故障預測方法就是將圖中A點到D點的曲線縱坐標數據(此為由傳感器測得并已經過數據預處理、特征提取的系統仿真數據)進行基于神經網絡的模式分類及擬合,從而獲得如圖3所示的故障趨勢曲線。

圖3 故障趨勢曲線

3.2 基于徑向基神經網絡的故障預測實現

徑向基神經網絡(Radial-Basis Function,RBF)具有結構簡單、運算速度快等特點,由于其網絡連接權值與輸出呈線性關系,可由線性方程直接解出,從而可加快學習速度并避免局部極小問題,達到全局最優點,因此RBF網絡在模式識別、函數逼近、自適應濾波與控制領域取得了廣泛的應用。

RBF網絡結構如圖4所示,由輸入層、輸出層和一個隱層構成(假定各層節點數分別用n,l,m表示),其中從輸入層到隱層,輸入向量的各個分量被毫無改變地傳送到每一個隱節點,每個隱節點函數均徑向對稱,各個隱節點函數可取高斯型函數:

圖4 RBF網絡結構圖

(1)

其中x=[x1,x1,…,xn]T為輸入向量,μi為隱層第i個神經元的“中心向量”,σi為隱層第i個神經元的“尺度因子”。

當x取值遠離中心向量μi時,基函數zi(x)值逐漸減小;只有當x在μi附近時,zi(x)值較大,這一區域稱為“接受域”,曲線的形狀主要由σi確定,σi越小,接受域越小,反之,接受域越大。

網絡輸出y=[y1,y1,…,yl]T由下式確定

(2)

每個隱節點的中心向量和尺度因子各不相同,分別代表著不同的典型樣本和其接受域,計算表明:取相同的尺度因子對網絡的逼近能力影響不大,而中心向量的選擇對網絡的逼近能力有很大影響。只要其中心向量選擇得當,只需要很少的神經元就能達到滿意的逼近效果;如果中心向量選擇不當,就會造成中心向量不能充分反應輸入樣本的分布特點,網絡逼近能力變壞。

在確定中心向量時,一般采用K均值聚類算法。按輸入進行均值聚類算法分為批處理方式和遞推方式,其批處理方式步驟如下:

1) 第一次隨機從輸入樣本中選擇K個聚類中心:μi(1),μ2(1),…,μk(1),括號內的序號為迭代序號;

2) 逐個計算每個輸入樣本與K個聚類中心的距離di(i=1,2,…,k),并按最小距離原則確定其屬于那一個聚類中心,例如,若

(3)

則x屬于第i個聚類中心μi,上式中K為聚類中心的數目;

3) 計算各個聚類中心新的向量值:

(4)

其中,Ni為第i個聚類域中所包含的樣本個數;

4) 如果|μi(k+1)-μi(k)|>ε,(ε為設定誤差),i=1,2,…,k,則返回步驟2),否則,聚類計算結束。

在進行批處理算法的過程中,初始中心μi(0)(i=1,2,…,k)可從輸入樣本中選取,也可隨機選取,只要和輸入樣本有相同維數即可。

RBF神經網絡故障預測流程如圖5所示。

圖5 神經網絡故障預測實現流程

在采用MATLAB自帶庫函數實現故障預測算法仿真時,其徑向基函數擴展系數SPREAD的選擇很重要,該值應足夠大,使徑向基神經元能夠對輸入向量所覆蓋的區間都產生響應,但也不要求大到所有的徑向基神經元都如此,只要部分徑向基神經元能夠對輸入向量所覆蓋的區間產生響應就足夠。SPREAD的值越大,其輸出結果越光滑,但太大的SPREAD值會導致數值計算上的困難,若在涉及網絡時,出現“Rank Deficient”警告,應考慮減小SPREAD的取值。

4 仿真分析

針對前述20組空氣壓縮機故障仿真數據,通過時域特征計算、PCA降維,將數據分為15組訓練數據和5組測試數據。訓練數據用于訓練神經網絡,并將預測信息存儲在網絡權值和閾值中。測試數據用于檢驗網絡預測的正確性以及檢驗網絡的泛化能力,即對未知數據的預測能力。針對RBF網絡,可通過調整徑向基函數的擴展系數SPREAD,使其故障預測正確率達100%。

圖6所示為RBF網絡故障預測網絡訓練結果,圖7所示為測試結果。由圖可知,5組測試數據的故障預測達到100%的正確率,可滿足水/廢水系統故障預測需求。

圖6 RBF網絡訓練結果及誤差圖

圖7 RBF網絡測試組輸出結果

5 結束語

本文針對飛機機載水/廢水系統進行了故障預測算法研究及仿真驗證,通過故障注入、特征提取、神經網絡權值訓練、故障預測等過程,快速準確地得到了系統的故障衰退曲線,所采用的主成分分析法可以有效降低原始數據維數、提取數據主要信息以提高神經網絡實時訓練速度。

在實際工程應用中,也已編寫了相應的基于C語言實現的神經網絡故障預測算法,以應用于國產某型飛機水/廢水系統的健康管理體系中,通過實時更新故障數據及神經網絡權值,可實現飛機水/廢水系統在線故障預測,便于后期維護保養,保證系統可靠性和安全性。