基于可測信息源的APU故障智能診斷方法研究

郭曉靜，宋勝博，張　楊

（中國民航大學(xué) 航空自動(dòng)化學(xué)院，天津300300）

基于可測信息源的APU故障智能診斷方法研究

郭曉靜，宋勝博，張楊

（中國民航大學(xué) 航空自動(dòng)化學(xué)院，天津300300）

針對(duì)APU維修智能化水平較低問題，提出了一種基于可測信息源的APU故障智能診斷方法，利用BP神經(jīng)網(wǎng)絡(luò)建立智能故障診斷模型，詳細(xì)闡述了該方法的數(shù)學(xué)原理及其實(shí)現(xiàn)算法。在數(shù)據(jù)處理中采用小波分析及巴特沃斯數(shù)字濾波器，對(duì)所采集數(shù)據(jù)中的噪聲和干擾進(jìn)行濾除。利用 APS3200型APU的相關(guān)數(shù)據(jù)作為樣本，建立了基于BP神經(jīng)網(wǎng)絡(luò)的APU故障智能診斷模型。利用MATLAB進(jìn)行建模計(jì)算，結(jié)果表明，該智能診斷模型具有學(xué)習(xí)速度快、噪聲干擾抑制能力強(qiáng)等特點(diǎn)，且診斷結(jié)果準(zhǔn)確，提高了維修單位維修效率，對(duì)提高航空公司機(jī)務(wù)維修自動(dòng)化水平具有重要意義。

APU；故障智能診斷；BP神經(jīng)網(wǎng)絡(luò)；數(shù)字濾波；巴特沃斯數(shù)字濾波

0　引言

APU（Auxiliary Power Units）即輔助動(dòng)力裝置，其核心部件是一個(gè)安裝在飛機(jī)尾部的小型燃?xì)鉁u輪發(fā)動(dòng)機(jī)。APU除了無法為飛機(jī)提供推力外，它幾乎可以代替飛機(jī)引擎的所有功能，可以為飛機(jī)引擎的啟動(dòng)、空調(diào)等提供氣源，在緊急情況下為飛機(jī)提供電源等。因此，APU成為現(xiàn)代飛機(jī)上面一個(gè)不可或缺的設(shè)備。國內(nèi)、外對(duì)飛機(jī)主引擎的運(yùn)行狀況十分重視并已取得了很大成功。而對(duì)APU的性能監(jiān)控與可靠性研究基本上處于空白階段，仍然依靠事后定點(diǎn)維修的方法，這使得APU常常工作在亞健康狀態(tài)，直至出現(xiàn)重大故障才會(huì)對(duì)其進(jìn)行維修，這不僅增大了航空公司的運(yùn)營成本，也對(duì)飛機(jī)的飛行安全產(chǎn)生嚴(yán)重影響。

針對(duì)以上狀況，本文在借鑒對(duì)飛機(jī)引擎故障智能診斷方面經(jīng)驗(yàn)的基礎(chǔ)上，提出了利用數(shù)字濾波算法和BP神經(jīng)網(wǎng)絡(luò)來建立APU故障智能診斷系統(tǒng)，該系統(tǒng)通過分析處理APU上面監(jiān)控傳感器輸出的數(shù)據(jù)，以期可以盡早發(fā)現(xiàn)APU潛在的前期故障，進(jìn)而提醒機(jī)務(wù)維修人員及早對(duì)APU進(jìn)行維修。利用本實(shí)驗(yàn)室與南航沈陽維修基地相關(guān)項(xiàng)目采集的數(shù)據(jù)，建立了基于可測信息源的APU智能故障診斷系統(tǒng)；并利用APS3200型APU的數(shù)據(jù)樣本進(jìn)行分析診斷，結(jié)果表明該系統(tǒng)可以實(shí)現(xiàn)APU潛在故障的診斷，且診斷正確率較高，滿足項(xiàng)目預(yù)期要求[1-2]。

1　APU故障智能診斷系統(tǒng)

如果APU在運(yùn)行時(shí)發(fā)生故障，相應(yīng)的監(jiān)測傳感器輸出參數(shù)會(huì)發(fā)生變化，故障不同，傳感器輸出參數(shù)也會(huì)發(fā)生相應(yīng)的變化。因此，可以通過分析和處理這些傳感器輸出參數(shù)的變化情況，進(jìn)而智能化地診斷出APU的故障（種類、嚴(yán)重程度及發(fā)生部位），這便是 APU故障智能診斷系統(tǒng)。

1.1APU傳感器信號(hào)獲取與分析

APU性能監(jiān)控參數(shù)（即傳感器輸出數(shù)據(jù)）通過進(jìn)入MCDU（Main Centralized Display Unit）中的數(shù)據(jù)記憶模塊DMM獲得，在DMM中關(guān)于APU的性能監(jiān)控參數(shù)多達(dá)一百多個(gè)。本文在進(jìn)行故障智能診斷時(shí)根據(jù)一線APU機(jī)務(wù)維修人員經(jīng)驗(yàn)、廠家建議以及實(shí)際診斷需求分析，選取了其中幾個(gè)重要的參數(shù)作為APU性能監(jiān)控參數(shù)。本文主要選取了NPA（峰值轉(zhuǎn)速）、EGTP（峰值溫度）、STA（APU啟動(dòng)時(shí)間）、EGT（排氣溫度）、PT（引氣壓力）、WB（引氣流量）、OT（滑油溫度）等作為APU故障監(jiān)控?cái)?shù)據(jù)源。

APU監(jiān)控傳感器輸出的信號(hào)中含有豐富的、能夠反映APU實(shí)時(shí)運(yùn)行狀態(tài)的有用信息，但由于APU工作時(shí)會(huì)產(chǎn)生高溫、高壓、強(qiáng)震動(dòng)等惡劣環(huán)境參數(shù)，傳感器輸出的信號(hào)中會(huì)混有大量噪聲以及干擾成分。為了消除和降低噪聲及干擾的影響，在提取信號(hào)后對(duì)信號(hào)進(jìn)行分析處理時(shí)，首先需要將APU監(jiān)控傳感器輸出的信號(hào)進(jìn)行數(shù)字濾波處理，將信號(hào)中的野點(diǎn)和壞值剔除，濾掉信號(hào)中的隨機(jī)干擾噪聲。在濾波算法上，主要采用小波分析和巴特沃斯數(shù)字濾波器。之后需要將采集到的數(shù)據(jù)進(jìn)行消除趨勢(shì)項(xiàng)、歸一化等處理[2－4]。

1.2APU故障智能診斷分析

APU故障智能診斷，就是根據(jù)APU運(yùn)行過程中產(chǎn)生的可測信息源數(shù)據(jù)，對(duì)其性能狀態(tài)信息進(jìn)行監(jiān)測、識(shí)別和預(yù)測其運(yùn)行狀態(tài)變化情況。根據(jù)對(duì)傳感器輸出數(shù)據(jù)的處理，在APU發(fā)生事故之前，及時(shí)作出智能化的診斷，確保機(jī)務(wù)維修人員可以盡快查明APU故障發(fā)生的原因和可能發(fā)生的部位，以便機(jī)務(wù)維修人員可以及時(shí)采取相應(yīng)決策排出故障，消除故障，減少故障保留，提高APU運(yùn)行的可靠性和安全性。

故障智能診斷的關(guān)鍵在于找到傳感器參數(shù)變化狀況與APU故障特征參數(shù)之間的對(duì)應(yīng)關(guān)系。根據(jù)機(jī)務(wù)維修人員實(shí)際維修中的經(jīng)驗(yàn)，APU常見的故障有：（1）整機(jī)性能衰減（1，0，0，0，0）；（2）轉(zhuǎn)軸機(jī)械卡阻（0，1，0，0，0）；（3）起動(dòng)機(jī)故障（0，0，1，0，0）；（4）滑油冷卻器故障（0，0，0，1，0）；（5）燃油組件故障（0,0,0,0,1）。

2　BP神經(jīng)網(wǎng)絡(luò)理論

人工神經(jīng)網(wǎng)絡(luò)是由大量模仿人腦細(xì)胞處理單元組成的非線性、大規(guī)模、自適應(yīng)學(xué)習(xí)系統(tǒng)，具有學(xué)習(xí)、記憶、并行計(jì)算以及智能處理功能，其可以在不同程度和不同層次上模仿人腦神經(jīng)系統(tǒng)并進(jìn)行信息處理、存儲(chǔ)以及檢索功能等功能。它具有非線性、非局域性、非定常性和非凸性等特點(diǎn)[3－4]。

本文的故障智能診斷模型中用到的是BP神經(jīng)網(wǎng)絡(luò)。三層BP神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)的學(xué)習(xí)過程包括網(wǎng)絡(luò)內(nèi)部的前向計(jì)算和誤差的反向傳播計(jì)算。在前向計(jì)算中，輸入信息從輸入層經(jīng)隱含層逐層處理并傳向輸出層，每一層神經(jīng)元的狀態(tài)僅影響下一層的神經(jīng)元狀態(tài)。如果在輸入層得不到期望的輸出，則轉(zhuǎn)入誤差反向傳播，通過修改各層神經(jīng)元的連接權(quán)值，從而使得誤差最小。

圖1　BP神經(jīng)網(wǎng)絡(luò)

取前向網(wǎng)絡(luò)神經(jīng)元的激勵(lì)函數(shù)為S型函數(shù)，任一節(jié)點(diǎn)的輸出為 Oj，輸入為 netj，則為節(jié)點(diǎn)j與上一層節(jié)點(diǎn)i的連接權(quán)值，θj為節(jié)點(diǎn)的門限值。

使用均方型誤差函數(shù)為目標(biāo)函數(shù)，即：

式中，E為系統(tǒng)的平均誤差；Ep為單個(gè)樣本 p的誤差；p為樣本數(shù)；tpl、ypl為 p樣本輸出單元的目標(biāo)輸出和實(shí)際輸出。由梯度算法知，權(quán)值的變化量為：

當(dāng)激勵(lì)函數(shù)為S型函數(shù)時(shí)，對(duì)于輸出層，有：

為了改善網(wǎng)絡(luò)的收斂性能，對(duì)式(2)加一沖量項(xiàng)，即：

式中：k為迭代次數(shù)，α(0＜α＜1)為學(xué)習(xí)率，η(0＜η＜1)為慣性因子常數(shù)[4－6]。

3　APU故障智能診斷的BP神經(jīng)網(wǎng)絡(luò)模型

3.1APU故障診斷建模方法

設(shè)備故障智能診斷的實(shí)質(zhì)是實(shí)現(xiàn)設(shè)備征兆空間到設(shè)備故障空間的映射。設(shè)xkn(k=1，2，…，j)對(duì)應(yīng) APU運(yùn)行狀態(tài)的第 n個(gè)觀測樣本的第j個(gè)特征參數(shù)，ypn(p=1，2，…，i)對(duì)應(yīng)第n個(gè)樣本的i種故障模式。共有N個(gè)樣本，xkn∈RN，ypn∈RN(n=1，2，…，N)，則設(shè)備故障模式與設(shè)備特征參數(shù)之間有一定的內(nèi)在關(guān)系，該映射關(guān)系可以表示為函數(shù)F，則有X=F(Y)。當(dāng)N→∞時(shí)，函數(shù)F的逆函數(shù)存在，有Y=(X)。故設(shè)備故障智能診斷的實(shí)質(zhì)就是根據(jù)有限的樣本集，確定函數(shù)(X)的一個(gè)等價(jià)映射關(guān)系P(X)，使得對(duì)于任意的ε＞0，均有：

3.2BP神經(jīng)網(wǎng)絡(luò)參數(shù)的選擇

根據(jù)前面對(duì)APU典型故障特征的分析，選擇APS3200型APU可測信息源中的7個(gè)參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，選擇APU比較典型的5種故障模式作為BP神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)。

為了使系統(tǒng)診斷的正確率較高，將權(quán)重設(shè)置為較小的隨機(jī)數(shù)，從而避免激活函數(shù)在開始時(shí)就進(jìn)入飽和區(qū)。在BP網(wǎng)絡(luò)進(jìn)行運(yùn)算時(shí)，如果學(xué)習(xí)速率琢取值不合適，則BP網(wǎng)絡(luò)達(dá)不到理想的收斂效果；而動(dòng)量因子姿取值過大時(shí)將會(huì)造成網(wǎng)絡(luò)發(fā)散，取值過小時(shí)則會(huì)使網(wǎng)絡(luò)收斂速度變慢。根據(jù)以往積累的經(jīng)驗(yàn)，本文將將學(xué)習(xí)速率設(shè)置為琢=0.36，動(dòng)量因子設(shè)置為姿=0.56。

由于網(wǎng)絡(luò)的輸入節(jié)點(diǎn)物理量綱各不相同，造成各個(gè)傳感器輸出數(shù)據(jù)大小相差很大，各指標(biāo)訓(xùn)練樣本之間不具備可比性，無法進(jìn)行綜合評(píng)估。故在將數(shù)據(jù)源導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析訓(xùn)練診斷之前，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理[11-15]。

4　APU故障智能診斷實(shí)例

選擇APS3200型APU的7個(gè)傳感器的輸出數(shù)據(jù)作為測試（診斷）數(shù)據(jù)，這7個(gè)信息源如表1所示。故障診斷系統(tǒng)如圖2所示。

表1　APU監(jiān)測信息源

圖2　故障診斷系統(tǒng)框圖

將采集到的相關(guān)傳感器檢測輸出數(shù)據(jù)經(jīng)過數(shù)字濾波處理，并對(duì)其進(jìn)行歸一化處理后，作為系統(tǒng)輸入樣本數(shù)據(jù)，經(jīng)基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)處理后，將APU的健康狀況打印輸出出來，供機(jī)務(wù)維修人員使用。部分故障樣本數(shù)據(jù)以及模型診斷結(jié)果如表2、表3所示。

表2　系統(tǒng)輸入樣本數(shù)據(jù)

表3　系統(tǒng)診斷結(jié)果

根據(jù)系統(tǒng)診斷計(jì)算，得出的結(jié)果是該型APU出現(xiàn)“滑油冷卻器故障”故障，在機(jī)務(wù)人員進(jìn)行檢修時(shí)，確實(shí)出現(xiàn)該故障。在實(shí)際使用中診斷結(jié)果的正確性充分證明了該故障智能診斷模型的實(shí)用性和可行性。

5　實(shí)驗(yàn)結(jié)果分析

根據(jù)以上系統(tǒng)診斷結(jié)果輸出可以看出，該智能故障診斷系統(tǒng)診斷結(jié)果準(zhǔn)確，可以滿足實(shí)際機(jī)務(wù)維修需求。同時(shí)系統(tǒng)實(shí)際應(yīng)用表明，該智能故障診斷系統(tǒng)可以實(shí)現(xiàn)APU故障特征與APU故障的較好映射，可以用于解決APU這種復(fù)雜系統(tǒng)的故障診斷問題。該智能故障診斷系統(tǒng)具有重要的工程實(shí)踐意義與推廣價(jià)值，對(duì)于提高我國民航機(jī)務(wù)自動(dòng)化維修水平具有重要意義，同時(shí)對(duì)提供航空公司經(jīng)濟(jì)效益也有重要幫助。

[1]聶繼鋒.基于故障樹分析法的APU故障診斷研究[J].長沙航空職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2012，12(3)：42-46.

[2]馬洪濤.基于神經(jīng)網(wǎng)絡(luò)的APU故障智能診斷研究[J].航空維修與工程，2014(3)：76-78.

[3]張金玉，張煒.裝備智能故障診斷與預(yù)測[M].北京：國防工業(yè)出版社，2013.

[4]傅薈璇，趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2010.

[5]張超.基于自適應(yīng)振動(dòng)信號(hào)處理的旋轉(zhuǎn)機(jī)械故障診斷研究[D].西安：西安電子科技大學(xué)，2012.

[6]李晗，蕭德云.基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J].控制與決策，2011，26(1)：1-8.

[7]李愷欽.基于改進(jìn)遺傳算法的航空發(fā)動(dòng)機(jī)故障診斷專家系統(tǒng)[D].南昌：南昌航空大學(xué)，2012.

[8]宋漢.基于信息融合技術(shù)的航空發(fā)動(dòng)機(jī)故障診斷研究[D].長沙：中南大學(xué)，2013.

[9]陳維興，王雷，孫毅剛，等.民航發(fā)動(dòng)機(jī)狀態(tài)監(jiān)測點(diǎn)故障檢測方法研究[J].自動(dòng)化儀表，2014，35(9)：65-78.

[10]王志，艾延延，沙云東.基于BP神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)整機(jī)震動(dòng)故障診斷技術(shù)研究[J].儀器儀表學(xué)報(bào)，2007，28(4)：168-171.

[11]卓剛.航空發(fā)動(dòng)機(jī)智能建模與故障診斷研究[D].南京：南京航空航天大學(xué)，2004.

[12]姜彩虹，孫志巖，王曦.航空發(fā)動(dòng)機(jī)預(yù)測健康管理系統(tǒng)設(shè)計(jì)的關(guān)鍵技術(shù)[J].航空動(dòng)力學(xué)報(bào)，2009，24(11)：2589-2594.

[13]魯峰.航空發(fā)動(dòng)機(jī)故障診斷的融合技術(shù)研究[D].南京：南京航空航天大學(xué)，2009.

[14]姚華，單貴平，孫健國.基于卡爾曼濾波器及神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷[J].航空動(dòng)力學(xué)報(bào)，2008，23(6)： 1111-1117.

[15]BARABIUK R G.Compressive sensing[J].IEEE Signal Processing Magazine，2007，24(4)：118-121.

Study on the APU fault intelligent diagnosis based on measurable information

Guo Xiaojing，Song Shengbo，Zhang Yang
(College of Aeronautical Automation，Civil Aviation University of China，Tianjin 300300，China)

For the intelligent maintenance of Auxiliary power unit is lower，auxiliary power unit fault intelligent diagnosis method based on BP neural network is put forward,and the mathematic principles and arithmetic are also expounded in this paper.Wavelet analysis and Butterworth digital filter are used in data processing,noise and interference are filter out by this digital filter.Furthermore,using the data of a certain auxiliary power unit as the sample data,a fault intelligent diagnosis model of the auxiliary power unit is built up based on BP neural network.Modeling and calculation are done with MATLAB，the results indicate that the fault intelligent diagnosis model not only has advantages of fast processing,noise suppression capability and so on,but also diagnoses accurately.This will improve the efficiency and the automation maintenance level of airlines.

APU；fault intelligent diagnosis；BP neural network；digital filtering；Butterworth digital filter

TP391+.5

A

10.16157/j.issn.0258-7998.2015.09.038

2015-05-19)

郭曉靜（1980-），女，副教授，主要研究方向：機(jī)載設(shè)備故障智能診斷技術(shù)、智能檢測技術(shù)等。

宋勝博（1990-），通信作者，男，碩士研究生，主要研究方向：機(jī)載設(shè)備故障智能診斷、嵌入式硬件設(shè)計(jì)等，E-mail：ghn545@sina.com。

張楊（1989-），女，碩士研究生，主要研究方向：機(jī)載設(shè)備故障診斷、無損檢測、紅外圖像處理技術(shù)。

中文引用格式：郭曉靜，宋勝博，張楊.基于可測信息源的 APU故障智能診斷方法研究[J].電子技術(shù)應(yīng)用，2015，41 (9)：139-141，145.

英文引用格式：Guo Xiaojing，Song Shengbo，Zhang Yang.Study on the APU fault intelligent diagnosis based on measurable information[J].Application of Electronic Technique，2015，41(9)：139-141，145.