基于飛參數(shù)據的大氣數(shù)據計算機系統(tǒng)故障診斷*

邸亞洲 姚凌虹

(海軍航空工程學院青島校區(qū) 青島 266041)

基于飛參數(shù)據的大氣數(shù)據計算機系統(tǒng)故障診斷*

邸亞洲 姚凌虹

(海軍航空工程學院青島校區(qū) 青島 266041)

針對大氣數(shù)據計算機系統(tǒng)的輸出記錄通道故障診斷具有復雜性的特點以及人工診斷存在耗時耗力的問題,論文采用LS-SVR方法,充分利用飛參數(shù)據,實現(xiàn)輸出記錄通道的性能監(jiān)測、故障診斷。仿真結果表明該方法的有效性,可以推廣到飛參系統(tǒng)交聯(lián)設備的性能監(jiān)測、故障診斷。

飛參數(shù)據; 最小二乘支持向量; 故障診斷

Class Number TP391

1 引言

大氣數(shù)據計算機系統(tǒng)是現(xiàn)代飛機不可缺少的機載設備,它為機載火控系統(tǒng)、導航系統(tǒng)、飛行控制系統(tǒng)以及綜合顯示系統(tǒng)等提供所需的大氣數(shù)據信息,其性能的好壞不僅直接關系到對大氣數(shù)據的準確檢測和指示,而且還影響飛行任務的完成及飛行的安全[1～5]。大氣數(shù)據計算機系統(tǒng)是與飛參系統(tǒng)相交聯(lián)的主要機載設備[6～7]。飛參系統(tǒng)記錄記錄著與其相交聯(lián)的所有設備的信息,包括大氣數(shù)據計算機系統(tǒng)、發(fā)動機、機載設備等信息,這些信息被稱為飛參數(shù)據。因此,利用飛參數(shù)據對交聯(lián)設備及系統(tǒng)進行性能監(jiān)測、故障診斷和預報具有重要的意義,可以輔助機務維修。

LS-SVR函數(shù)擬合性能優(yōu)秀,且泛化能力好[8～10],

因此被廣泛應用于設備的故障診斷。本文采用LS-SVR方法,利用飛參數(shù)據對大氣數(shù)據計算機系統(tǒng)的輸出記錄通道進行了故障診斷

2 最小二乘支持向量回歸機LS-SVR算法

考慮一個訓練集{xi,yi},i=1,…,n,xi∈Rd,yi∈R支持向量機的目標是構造一個判別函數(shù)

f(x)=wTφ(x)+b

(1)

式中非線性映射φ(x)將輸入數(shù)據映射到高維空間,該判別函數(shù)使得f(x)以精度ε逼近樣本x對應的函數(shù)值y。即

(2)

(3)

最小二乘支持向量機回歸算法目的是求解優(yōu)化問題:

(4)

滿足約束條件

yk=wTφ(xk)+b+ξk,k=1,2,…,N

(5)

其對偶問題的拉格朗日函數(shù)可定義為

+b+ξk-yk}

(6)

其中,拉格朗日乘子αk∈R。最優(yōu)解的條件為L對w,b,ξk,αk的偏導數(shù)等于0,消去變量w,ξ,可得到下列矩陣方程:

(7)

(8)

3 基于LS-SVR的大氣數(shù)據參數(shù)擬合算法

某型飛參系統(tǒng)記錄了來自于大氣數(shù)據計算機系統(tǒng)的氣壓高度(H)、指示空速(Vi)和馬赫數(shù)(M)三個大氣數(shù)據參數(shù),這三個大氣參數(shù)與樣本靜壓(Ps)、樣本動壓(Pt)之間的數(shù)學表達式是明確的,可以通過基于解析模型的方法進行故障診斷。但是利用公式進行計算工作量大,面對每天多架次飛行記錄大量的飛參數(shù)據,需要很長的計算、判斷時間,影響飛行訓練任務完成。支持向量機函數(shù)擬合性能優(yōu)秀,且泛化能力好,經過訓練后可用于大氣數(shù)據計算機系統(tǒng)輸出記錄通道的性能監(jiān)測和故障診斷。

利用三個大氣參數(shù)的數(shù)學表達式產生訓練樣本和測試樣本,樣本靜壓(Ps)范圍:6000Pa～106000Pa;動壓(qc)范圍:0Pa～50000Pa,計算生成的氣壓高度(H)范圍:-382m～19420m,指示空速(Vi):0km/h～955km/h,能夠滿足某型飛機大氣數(shù)據參數(shù)測試、診斷的需要。其中部分訓練樣本數(shù)據如表1所示。將氣壓高度(H)和指示空速(Vi)作為輸入,馬赫數(shù)(M)作為輸出,分別利用LS-SVR和BP-NN在Matlab環(huán)境下進行仿真。LS-SVR選用高斯核作為核函數(shù),采用交叉驗證法對參數(shù)進行優(yōu)化處理,優(yōu)化后核函數(shù)參數(shù)σ2=9.855,系數(shù)C=9818.5。隨機選用測試樣本進行測試,圖1、2是一組數(shù)據的仿真測試結果。其中,圖1是馬赫數(shù)預測與理論值對比關系三維仿真圖,圖2是馬赫數(shù)預測誤差曲線圖,其殘差最大值為0.0033,殘差的平均值為6.6019×10-4,標準差為9.1583×10-7,重復性好,具有很好的泛化能力。BP-NN采用三層網絡,隱層的神經元數(shù)為5,變換函數(shù)為tansig,輸出層的神經元數(shù)為1,采用purelin型線性神經元,目標函數(shù)采用誤差平方和的均值,網絡訓練后,選用與LS-SVR相同的測試樣本進行測試,測試結果具有不穩(wěn)定性。選用一組較為理想的測試結果:殘差最大值為0.0058;殘差的平均值為8.4353×10-4;標準差為2.1962×10-6,擬合效果較好,但各項指標均低于LS-SVR,特別是重復性、泛化能力較差。

表1 部分訓練樣本數(shù)據

4 基于LS-SVR的大氣數(shù)據參數(shù)通道的故障診斷

圖1 基于LS-SVR馬赫數(shù)預測與理論值對比關系三維圖

圖2 基于LS-SVR馬赫數(shù)預測誤差曲線圖

在該組數(shù)據的第5、10、15、20、25、30位上分別插入異常值(M=1.5)并進行測試,其殘差明顯大于正常值,如表2所示。說明利用LS-SVR可以有效判斷異常數(shù)據,進而判斷相關通道的干擾噪聲誤差或故障。

假設殘差error(i)≥0.01為超差,說明通道干擾噪聲誤差過大;殘差error(i)≥0.05為異常值,可能存在瞬間強干擾、記錄介質損壞、連接電纜故障或設備故障等。因此,當0.01≤error(i)≤0.05時,應進行通道電纜、接插件檢查,特別注意線路的屏蔽性檢查;當error(i)≥0.05時,若異常值連續(xù)存在時間短(如1秒鐘),則瞬間強干擾或記錄器誤碼的概率較高,可以視情在數(shù)據預處理時剔除、補正,若異常值連續(xù)出現(xiàn),則連接電纜或設備故障的概率較高,應結合飛行員在空中發(fā)現(xiàn)情況綜合處置,有針對性地進行設備性能檢查和連接電纜檢查。以此為依據可以判斷前面加入異常值的測試數(shù)據在第5、10、15、20、25、30位存在異常值。

表2 部分測試數(shù)據殘差

利用訓練好的LS-SVR預測模型對某型飛機飛參系統(tǒng)記錄的飛參數(shù)據的三個通道數(shù)據進行測試,分別選取三個架次的飛參數(shù)據作為測試對象。圖3、4分別是第一組飛參數(shù)據中馬赫數(shù)與預測結果對比關系和誤差曲線圖;圖5是第二組飛參數(shù)據中氣壓高度、指示空速、馬赫數(shù)曲線圖;圖6是第二組飛參數(shù)據中馬赫數(shù)與預測結果對比關系和誤差曲線圖;圖7是第三組飛參數(shù)據中氣壓高度、指示空速、馬赫數(shù)曲線圖;圖8是第三組飛參數(shù)據中馬赫數(shù)與與預測結果對比關系和誤差曲線圖。

第一組飛參數(shù)據是某架次正常飛行數(shù)據,從圖3和圖4可以看出,來自大氣數(shù)據計算機系統(tǒng)的高度、指示空速、馬赫數(shù)三個參數(shù)基本上與預測值是吻合的。統(tǒng)計其殘差最大值為0.0089(<0.01);殘差的平均值為0.0024;標準差為8.0010×10-6。精度比理想輸出稍差,誤差主要來自于馬赫數(shù)的傳輸、記錄精度,從圖中局部放大圖可以看出馬赫數(shù)在幅值上的最小間隔為0.01,誤差絕大部分集中在±0.005之間。

第二組飛參數(shù)據為受環(huán)境噪聲污染的飛行數(shù)據,若單獨從氣壓高度曲線(圖5(a))、指示空速曲線(圖5(b))和馬赫數(shù)曲線(圖5(c))進行分析,很難判斷出飛行數(shù)據受到了環(huán)境噪聲污染,從而失去進行故障診斷和排除的機會,但從圖6所示的飛參數(shù)據中記錄的馬赫數(shù)與預測結果對比關系和誤差曲線圖很容易判斷出飛參數(shù)據的異常情況,統(tǒng)計其殘差最大值為0.0192;殘差的平均值為0.0028;標準差為1.2034×10-5,遠比正常情況下偏大,且0.01<[max(error(i))=0.0192]<0.05,部分超差如表3所示,根據統(tǒng)計結果可以有針對性地進行連接電纜、接插件的檢查,從而避免情況進一步惡化。

第三組飛參數(shù)據選自大氣數(shù)據計算機系統(tǒng)空中短時間報故的飛行數(shù)據,從氣壓高度曲線(圖7(a))、指示空速曲線(圖7(b))和馬赫數(shù)曲線(圖7(c))可以明顯看出該組飛參數(shù)據的三個通道在655s～659s同時存在異常值,與飛行員反映情況基本吻合。從圖8所示的飛參數(shù)據中記錄的馬赫數(shù)與預測結果對比關系和誤差曲線圖也很容易判斷出飛參數(shù)據的異常情況,統(tǒng)計其殘差最大值為0.3375;殘差的平均值為0.0032;標準差為2.4908×10-4,且[max(error(i))=0.3375]>0.1,說明飛參數(shù)據中存在反映通道故障的異常值,統(tǒng)計異常值連續(xù)5s(區(qū)間為655s～659s),殘差均為0.3375。結合圖7中大氣數(shù)據三個通道同時出現(xiàn)連續(xù)5s的異常值以及飛行員反映的空中情況可以判斷大氣數(shù)據計算機設備曾經出現(xiàn)過異常,并及時地進行設備性能檢查。

圖3 馬赫數(shù)預測與記錄值比較關系圖

表3 第二組飛參數(shù)據部分超差值

圖4 馬赫數(shù)誤差曲線圖

圖5 第二組飛參數(shù)據氣壓高度、指示空速、馬赫數(shù)曲線圖

圖6 第二組飛參數(shù)據馬赫數(shù)與預測結果比較關系和誤差

圖7 第三組飛參數(shù)據氣壓高度、指示空速、馬赫數(shù)曲線圖

圖8 第三組飛參數(shù)據馬赫數(shù)與預測結果比較關系和誤差曲線

5 結語

本文利用飛參數(shù)據對與飛參系統(tǒng)相交聯(lián)的大氣數(shù)據計算機系統(tǒng)的輸出記錄通道進行了故障診斷。在故障診斷的時候采用了最小二乘支持向量機,仿真結果表明在較少故障樣本的前提下,LS-SVR方法在機載設備故障診斷與預報中的有效性。同時本文的思路也可以推廣到飛參系統(tǒng)交聯(lián)設備的性能監(jiān)測、故障診斷和預報中。

[1] 邸亞洲,秦永元,尚希良,等.基于多項式回歸算法的飛參記錄數(shù)據預處理研究[J].測控技術,2008,27(4):21-22. DI Yazhou, QIN Yongyuan, SHANG Xiliang, et al. Research on Data Pre-Processing of Flight Data Recorder System Based on Polynomial Regression[J]. Measurement & Control Technology,2008,27(4):21-22.

[2] 曲建嶺,唐昌盛,李萬泉.飛參數(shù)據的應用研究現(xiàn)狀及發(fā)展趨勢[J].計測技術,2007,27(6):1-4. QU Jianling, TANG Changsheng, LI Wanquan. The Status and Development Trends of the Application of the Flight Data[J]. Metrology & Measurement Technology,2007,27(6):1-4.

[3] 鄭凱儀.我國飛行數(shù)據記錄設備概況[J].測控技術,1995,14(2):19-23. ZHENG Kaiyi. A Survey of Chinese Aircraft Flight Data Recording Equipment[J]. Measurement & Control Technology,1995,14(2):19-23.

[4] 曲建嶺,孫文柱,邸亞洲,等.基于飛參數(shù)據的某型航空發(fā)動機DEGT估算方法[J].測控技術,2013,32(10):48-51. QU Jianling, SUN Wenzhu, DI Yazhou, et al. Estimation Method on Delta Exhausted Gas Temperature of a Certain Aero-Engine Based on Flight Data[J]. Measurement & Control Technology,2013,32(10):48-51.

[5] 邸亞洲,尚希良,殷磊.樣條插值在飛參數(shù)據時間標校中的應用[J].測控技術,2009,28(10):44-45. DI Yazhou, SHANG Xiliang, YIN Lei. Application of Spline Interpolation on Time Calibration of Flight Data[J]. Measurement & Control Technology,2009,28(10):44-45.

[6] 馬存寶,劉桂榮,周建民,等.大氣數(shù)據計算機系統(tǒng)故障診斷研究[J].機械與電子,2011,2:3-6. MA Cunbao, LIU Guirong, ZHOU Jianmin, et al. Research on the Fault Diagnosis of Model to the Air Data Computer System[J]. Machinery & Electronics,2011,2:3-6.

[7] 肖建德.大氣數(shù)據計算機系統(tǒng)[M].北京:國防工業(yè)出版社,2002. XIAO Jiande. Air Data Computer System[M]. Beijing: National Defence Industry Press,2002.

[8] HSU C W, LIN C J. A comparison of methods for multi 2 class support vector machines[J]. IEEE Transactions on NeuralNetworks,2002,13(3):415-425.

[9] Suykens JAK, Lukas L. Least squares support vector machine classifiers: a large scale algorithm[C]//Proc. of the European Conference on Circuit Theory and Design(ECCTD99). Stresa, Italy,1999:839-842.

[10] 孫超英,劉魯,劉傳武,等.基于Boosting-SVM算法的航空發(fā)動機故障診斷[J].航空動力學報,2010,25(11):84-88. SUN Chaoying, LIU Lu, LIU Chuanwu, et al. Aero-engine Fault Diagnosis Based on Boosting-SVM[J]. Journal of Aerospace Power,2010,25(11):84-88.

Fault Diagnosis for Air Data Computer System Based on Flight Data

DI Yazhou YAO Linghong

(Qingdao Branch, Naval Aeronautical Engineering Academy, Qingdao 266041)

According to the complexity of fault diagnosis of the output-record channel of air data computer system and the time-consuming problem of artificial diagnosis, this paper presents LS-SVR method based on flight data. The performance monitoring and fault diagnosis of output-record channel can be achived. The simulation results show that the presented method is effective and it can be adopted to the performance monitoring and fault diagnosis of other devices related to flight data system.

flight data, least squares support vector, fault diagnosis

2016年9月9日,

2016年10月10日

邸亞洲,男,碩士,副教授,研究方向:飛參數(shù)據的應用、儀器儀表技術。姚凌虹,女,碩士,講師,研究方向:飛參數(shù)據的應用、儀器儀表技術。

TP391

10.3969/j.issn.1672-9722.2017.03.009