基于神經(jīng)網(wǎng)絡(luò)的機(jī)電作動(dòng)系統(tǒng)傳感器故障分類研究

楊建忠，白玉軒，孫曉哲

(1.中國民航大學(xué) 適航學(xué)院，天津 300300；2.中國民航大學(xué) 天津市民用航空器適航與維修重點(diǎn)實(shí)驗(yàn)室，天津300300)

0 引 言

目前多電/全電飛機(jī)是現(xiàn)代民用客機(jī)的發(fā)展趨勢，飛控機(jī)電作動(dòng)系統(tǒng)(Electromechanical Actuation System, EMA)作為新型高效的作動(dòng)裝置已逐漸應(yīng)用于現(xiàn)代民用客機(jī)的飛控舵面控制。作為機(jī)電一體化、多變量-強(qiáng)耦合的復(fù)雜系統(tǒng)，機(jī)電作動(dòng)伺服系統(tǒng)中包含了多種傳感器，傳感器將飛控EMA偏轉(zhuǎn)位移及轉(zhuǎn)速等信號轉(zhuǎn)化為電信號并傳遞給控制器，控制器基于反饋信號調(diào)節(jié)系統(tǒng)跟蹤指令作動(dòng)，因此傳感器輸出的正確性影響了整個(gè)系統(tǒng)的正常運(yùn)轉(zhuǎn)[1]。

在飛機(jī)健康監(jiān)控與管理方面，故障的檢測與分類是主要內(nèi)容和重要前提。當(dāng)前工業(yè)上對傳感器故障是通過冗余傳感器的表決監(jiān)控及隔離進(jìn)行的，系統(tǒng)架構(gòu)較復(fù)雜。由于飛機(jī)對于系統(tǒng)的基本可靠性具有高要求，因此這種檢測方法阻礙了健康管理系統(tǒng)的發(fā)展，以及潛在技術(shù)的進(jìn)步。除了增加重量之外，考慮到成本、空間限制、電氣/功率限制以及復(fù)雜性的提高，冗余傳感器的增加也不總是可行。因此，了解傳感器發(fā)生故障的類型以減輕其影響非常重要。 盡管檢測和診斷傳感器故障的問題在學(xué)術(shù)中已經(jīng)很好地解決了，但是在傳感器故障的分類上還沒有達(dá)成共識[2]。

目前所研究的飛控EMA傳感器故障檢測方法，主要集中于數(shù)學(xué)方法的應(yīng)用，并與計(jì)算機(jī)技術(shù)進(jìn)行結(jié)合，多以濾波器觀測器，小波分析方式進(jìn)行，這些方法基于信號處理或解析冗余關(guān)系，考慮傳感器的信號特征，以及實(shí)際傳感器余度設(shè)計(jì)進(jìn)行故障檢測方案的設(shè)計(jì)，易受到建模不確定性的限制，且難以保證故障場景的保真性。隨著計(jì)算機(jī)技術(shù)進(jìn)步，人工神經(jīng)網(wǎng)絡(luò)具備了大規(guī)模并行處理，聯(lián)想存儲(chǔ)等特性。德國航空中心DLR使用了先進(jìn)的零空間技術(shù)研究一種基于殘差濾波器的綜合算法，設(shè)計(jì)了故障檢測和隔離方法，增強(qiáng)了濾波器對模型不確定性的魯棒性，增強(qiáng)了機(jī)電作動(dòng)系統(tǒng)在發(fā)生故障時(shí)的適應(yīng)性，重點(diǎn)考慮了對于傳感器故障后的隔離[3]。NASA AMES研究中心采用了基于神經(jīng)網(wǎng)絡(luò)的故障參數(shù)提取方法進(jìn)行了EMA系統(tǒng)故障檢測[4]，采用局部冗余傳感器故障模式矯正模塊，具備擴(kuò)大故障檢測范圍的優(yōu)點(diǎn)。本研究將故障檢測中常用的BP神經(jīng)網(wǎng)絡(luò)觀測器同EMA半物理仿真平臺(tái)進(jìn)行結(jié)合，利用了神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的特性對傳感器各種工作模式狀態(tài)進(jìn)行學(xué)習(xí)，并通過精確的EMA模型進(jìn)行了數(shù)據(jù)獲取，實(shí)現(xiàn)了對傳感器的故障檢測和分類。利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特性，通過進(jìn)行數(shù)據(jù)樣本的學(xué)習(xí)，有效解決建模不確定因素。

健康管理系統(tǒng)作為目前現(xiàn)代飛機(jī)中的重要環(huán)節(jié)，依賴于傳感器的正常工作。傳感器是健康管理中的重要一環(huán)，對傳感器進(jìn)行故障檢測和識別非常必要。本研究重點(diǎn)考慮所發(fā)生故障類型的檢測與識別。神經(jīng)網(wǎng)絡(luò)觀測器通過對故障進(jìn)行檢測與分類，并統(tǒng)計(jì)分析，目的在于研究發(fā)生故障類型的規(guī)律特征，考慮傳感器如何發(fā)生故障。本研究為故障確認(rèn)和分類提供了思路，支持了傳感器健康管理。

本文對機(jī)電作動(dòng)系統(tǒng)中傳感器的故障模式進(jìn)行了分析，基于本作者所在實(shí)驗(yàn)室EMA半物理仿真平臺(tái)開展的傳感器故障注入實(shí)驗(yàn)，設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)觀測器方案，對EMA傳感器故障進(jìn)行檢測，且能夠檢測出傳感器的具體故障模式，并在實(shí)驗(yàn)室平臺(tái)上進(jìn)行了驗(yàn)證，本論文研究成果可以為機(jī)電作動(dòng)系統(tǒng)傳感器健康管理提供支持。

1 EMA傳感器故障分析

對飛控EMA系統(tǒng)中常見的傳感器類型，即溫度、加速度、應(yīng)變、電流和位移測量傳感器進(jìn)行分析。

1.1 傳感器類型

以穆格(Moog)公司開發(fā)的MaxForce880系列機(jī)電作動(dòng)系統(tǒng)中883-023型號作動(dòng)器為例，包括下列傳感器：熱偶傳感器、壓電傳感器、壓阻傳感器、霍爾傳感器、以及線性差動(dòng)變壓器(LVDT)等。本文以基于LVDT的位移傳感器為例，進(jìn)行了BP網(wǎng)絡(luò)的故障檢測設(shè)計(jì)。

LVDT是一種位置信號轉(zhuǎn)化為電信號的傳感器。鐵心在變壓器內(nèi)部線性運(yùn)動(dòng)，移動(dòng)鐵心會(huì)導(dǎo)致二次線圈之間的電壓差，這與鐵心的位置[5]成線性關(guān)系。LVDT可以與彈簧質(zhì)量系統(tǒng)耦合，以檢測彈簧的位移并測量加速度或力[5]。其故障模式包括：線圈短路導(dǎo)致傳感器偏置或完全失效；次級線圈之間的磁場泄漏會(huì)導(dǎo)致偏差[5--6]；一級電壓的變化導(dǎo)致二級線圈中產(chǎn)生較小的感應(yīng)電壓，導(dǎo)致增益失效。

1.2 傳感器故障模式

本研究關(guān)注下列傳感器故障模式：

偏置：表示傳感器與正常輸出值之間產(chǎn)生常值偏差，即傳感器0輸入時(shí)的輸出值。偏置可由傳感器錯(cuò)誤的校正或者傳感器系統(tǒng)的變化導(dǎo)致。其表達(dá)式為

y=f(t)+C

(1)

式中，C為偏差量。

噪聲：一種捕獲到的隨機(jī)時(shí)間序列，通常認(rèn)為噪聲在時(shí)間尺度上是零均值的，除非其他特定情況。其表達(dá)式為

y=f(t)+Noise

(2)

式中，Noise即為噪聲量。

硬失效：傳感器在特定水平的輸出維持不變。其表達(dá)式為

(3)

式中，tf為故障時(shí)刻。

本研究考慮傳感器斷開:傳感器信號的完全丟失，即從某一時(shí)刻開始傳感器輸出為0[7]。

2 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)名字源于網(wǎng)絡(luò)權(quán)值的調(diào)整規(guī)則，采用的是后向傳播學(xué)習(xí)算法，即BP學(xué)習(xí)算法。BP網(wǎng)絡(luò)是一種多層前饋、全局逼近神經(jīng)網(wǎng)絡(luò)，可以從輸入到輸出的任意非線性映射。BP 神經(jīng)網(wǎng)絡(luò)具有出色的自學(xué)習(xí)能力，通過對樣本的訓(xùn)練和學(xué)習(xí)修正網(wǎng)絡(luò)內(nèi)部的權(quán)值，能有效擬合各種未知函數(shù)[8]。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分為信號的正向傳播和誤差的反向傳播兩個(gè)過程[9]。其基本結(jié)構(gòu)主要有輸入層， 隱含層和輸出層,如圖1所示。層與層之間采用全連接的方式，同一層的神經(jīng)元之間不存在相互連接[10]。

圖1 BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP網(wǎng)絡(luò)是有監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)。網(wǎng)絡(luò)根據(jù)系統(tǒng)實(shí)際輸出與期望輸出之間的誤差來調(diào)整各權(quán)重和閾值，直至誤差小于規(guī)定值。網(wǎng)絡(luò)學(xué)習(xí)結(jié)束后，將待識別的樣本作為輸入，網(wǎng)絡(luò)會(huì)產(chǎn)生相應(yīng)的輸出，作為模式識別的結(jié)果。

為確定最佳的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)思路，選取不同的神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并使用實(shí)驗(yàn)所得數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)模型驗(yàn)證。受限于機(jī)能限制，本研究考慮采用常見的自適應(yīng)學(xué)習(xí)率算法以及萊溫伯格-馬夸特(Levenberg-Marquardt，LM)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)，其中自適應(yīng)學(xué)習(xí)率方法包括自適應(yīng)學(xué)習(xí)率梯度下降法以及自適應(yīng)學(xué)習(xí)率動(dòng)量梯度下降法。LM 算法是介于高斯-牛頓法與梯度下降法之間的一種非線性優(yōu)化方法，能夠有效抑制神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)[11]。附加動(dòng)量使 BP 算法可以找到全局最優(yōu)解，避免陷入局部最小， 采用自適應(yīng)學(xué)習(xí)速率使 BP 算法可以縮短訓(xùn)練時(shí)間。 采用這兩種方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)可以有效改進(jìn)BP 算法的缺陷[12]。

3 BP神經(jīng)網(wǎng)絡(luò)觀測器故障檢測

3.1 實(shí)驗(yàn)設(shè)置與網(wǎng)絡(luò)訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)具有一條重要性質(zhì)，即一個(gè)三層的神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性映射，這使得使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障檢測成為了可能[13]。故障檢測需要首先采集傳感器故障信號，在機(jī)電作動(dòng)系統(tǒng)實(shí)驗(yàn)平臺(tái)對傳感器數(shù)據(jù)進(jìn)行采集，模型如2所示。

圖2 機(jī)電作動(dòng)控制系統(tǒng)結(jié)構(gòu)圖

實(shí)驗(yàn)基于圖3實(shí)驗(yàn)平臺(tái)，根據(jù)文獻(xiàn)[2]對機(jī)電作動(dòng)系統(tǒng)模型進(jìn)行了驗(yàn)證。對位移傳感器正常工作，位移傳感器偏置，位移傳感器噪聲，位移傳感器斷開4種狀態(tài)進(jìn)行故障注入模擬，考慮到數(shù)據(jù)采集的數(shù)據(jù)質(zhì)量問題，每種故障采集4組數(shù)據(jù)，其中3組用于BP神經(jīng)網(wǎng)絡(luò)觀測器的訓(xùn)練，1組用于所設(shè)計(jì)觀測器的檢驗(yàn)，其中輸入信號為幅值0.1，頻率0.1 Hz的三角波。圖4至圖7分別為傳感器正常、傳感器偏置故障、傳感器噪聲故障以及傳感器斷開故障的系統(tǒng)輸出曲線。

圖3 機(jī)電作動(dòng)系統(tǒng)實(shí)驗(yàn)平臺(tái)

圖4 傳感器信號正常

圖5 傳感器偏置故障

圖6 傳感器噪聲故障

圖7 傳感器斷開故障

從機(jī)電作動(dòng)系統(tǒng)結(jié)構(gòu)可知，系統(tǒng)得到的位置反饋信號并非準(zhǔn)確值，而是由于傳感器故障，得到受到干擾的反饋信號?？稍谖恢脗鞲衅餍盘柗答佁幵黾右粋€(gè)誤差信號來注入此故障。其中位移傳感器噪聲故障中注入白噪聲干擾，該干擾信號假設(shè)為原信號5%的高斯白噪聲。

如圖8所示，所設(shè)計(jì)的BP網(wǎng)絡(luò)采用三層結(jié)構(gòu)，其中輸入層選取故障注入時(shí)刻前后1秒的數(shù)據(jù)量，通過神經(jīng)網(wǎng)絡(luò)對于故障前后狀態(tài)的學(xué)習(xí)，可以有效的辨識故障特征，在故障發(fā)生后1 s可以確認(rèn)故障，選取1 s內(nèi)傳感器的采樣點(diǎn)數(shù)據(jù)，從而確定輸入層節(jié)點(diǎn)為96個(gè)，包含了故障發(fā)生時(shí)刻前后的傳感器數(shù)據(jù)，隱含層神經(jīng)元個(gè)數(shù)遵循Kolmogorov定律選取為193[14]，輸出層為對應(yīng)的故障類別，包括正常，偏置，漂移，斷開共4種，網(wǎng)絡(luò)模型如圖8所示。第一層傳遞函數(shù)選取為tansig，輸出層傳遞函數(shù)經(jīng)實(shí)驗(yàn)誤差分析選取為logsig。為了獲得較好的學(xué)習(xí)效果，訓(xùn)練次數(shù)上限選取為100000。所采用的訓(xùn)練數(shù)據(jù)如表1所示(此處僅展示部分)。

表1 訓(xùn)練用到的實(shí)驗(yàn)數(shù)據(jù)

圖8 BP神經(jīng)網(wǎng)絡(luò)觀測器模型

BP網(wǎng)絡(luò)按照如圖9所示步驟進(jìn)行訓(xùn)練，包含隱含層與輸出層、誤差計(jì)算，以及權(quán)值閾值的更新。

圖9 BP訓(xùn)練步驟

3.2 網(wǎng)絡(luò)訓(xùn)練結(jié)果

實(shí)驗(yàn)結(jié)果包括網(wǎng)絡(luò)測試結(jié)果(按順序注入正常，偏置，噪聲，斷開各一組，并分別給出判據(jù)值)。對于三種不同學(xué)習(xí)方法，可以得到如下結(jié)論：

(1)不同訓(xùn)練方法內(nèi)存占用

圖10給出了3種算法的內(nèi)存占用比較。

圖10 不同訓(xùn)練方法內(nèi)存占用比較

由圖可得，結(jié)合算法本身的不同，Levenberg-Marquardt算法對于計(jì)算機(jī)的內(nèi)存占用較大。

(2)網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖11中給出了3種算法的網(wǎng)絡(luò)訓(xùn)練結(jié)果圖，圖中包含訓(xùn)練次數(shù)、訓(xùn)練時(shí)間、性能、梯度等結(jié)果。從網(wǎng)絡(luò)訓(xùn)練結(jié)果圖可得，自適應(yīng)學(xué)習(xí)率動(dòng)量梯度下降法的訓(xùn)練時(shí)間最短，而Levenberg-Marquardt算法的訓(xùn)練時(shí)間最長。與此同時(shí)，Levenberg-Marquardt算法進(jìn)行了最少次數(shù)的迭代，表明對于單次的訓(xùn)練，Levenberg-Marquardt算法花費(fèi)的時(shí)間遠(yuǎn)長于上述兩種算法。而兩種自適應(yīng)學(xué)習(xí)率的算法對比來看，動(dòng)量梯度下降法具備了更短的時(shí)間以及更少的迭代次數(shù)。

圖11 網(wǎng)絡(luò)訓(xùn)練結(jié)果對比圖

(3)網(wǎng)絡(luò)性能

圖12中給出了網(wǎng)絡(luò)性能結(jié)果對比，圖中train表示網(wǎng)絡(luò)實(shí)際的性能狀態(tài)，BEST表示網(wǎng)絡(luò)實(shí)際達(dá)到的性能，Goal表示網(wǎng)絡(luò)訓(xùn)練的設(shè)定目標(biāo)，用網(wǎng)絡(luò)的均方誤差衡量網(wǎng)絡(luò)的性能。表明網(wǎng)絡(luò)性能隨次數(shù)的改善效果。從網(wǎng)絡(luò)性能圖可得，兩種自適應(yīng)學(xué)習(xí)率方法的性能呈穩(wěn)定狀態(tài)的改善，而對于Levenberg-Marquardt算法，該方法在前幾次訓(xùn)練中，網(wǎng)絡(luò)性能改善較為明顯，在7次之后網(wǎng)絡(luò)性能改善幅度減小。

圖12 網(wǎng)絡(luò)性能圖

(4)網(wǎng)絡(luò)訓(xùn)練狀態(tài)

圖13為3種算法的網(wǎng)絡(luò)訓(xùn)練狀態(tài)圖包含梯度、學(xué)習(xí)率等參數(shù)，從網(wǎng)絡(luò)訓(xùn)練狀態(tài)來看，兩種自適應(yīng)學(xué)習(xí)率的方法都呈現(xiàn)了學(xué)習(xí)速率先快后慢的狀態(tài)。結(jié)合上述訓(xùn)練結(jié)果圖示，可以得出自適應(yīng)學(xué)習(xí)率動(dòng)量梯度下降法具備最快的學(xué)習(xí)速率，總趨勢高于自適應(yīng)學(xué)習(xí)率梯度下降法。Gradient是誤差曲面的梯度，當(dāng)梯度達(dá)到某一個(gè)值時(shí)，可以結(jié)束訓(xùn)練。Mu表示Levenberg-Marquardt算法中的一個(gè)參數(shù)，該算法會(huì)自動(dòng)控制，當(dāng)mu太大時(shí)訓(xùn)練會(huì)自動(dòng)停止。

圖13 網(wǎng)絡(luò)訓(xùn)練狀態(tài)圖

(5)網(wǎng)絡(luò)線性回歸

圖14為3種算法的網(wǎng)絡(luò)線性回歸圖，用相關(guān)系數(shù)表明網(wǎng)絡(luò)的訓(xùn)練效果。從網(wǎng)絡(luò)線性回歸圖示來看，自適應(yīng)學(xué)習(xí)率動(dòng)量梯度下降法的相關(guān)系數(shù)R值較自適應(yīng)學(xué)習(xí)率梯度下降法更高，而Levenberg-Marquardt算法具備了最大的R值并最接近1，表明該訓(xùn)練方法下，網(wǎng)絡(luò)的相關(guān)系數(shù)最高，即網(wǎng)絡(luò)具備最好的訓(xùn)練結(jié)果。

圖14 網(wǎng)絡(luò)線性回歸圖

接下來將4種傳感器信號輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到神經(jīng)網(wǎng)絡(luò)的不同輸出，并比較三種學(xué)習(xí)方法的不同：

(1)自適應(yīng)學(xué)習(xí)率梯度下降法

在故障檢測方面，按順序采用傳感器正常工作，傳感器偏置故障，傳感器噪聲故障以及傳感器斷開故障進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的測試。結(jié)果如表2所示，其中數(shù)據(jù)越接近于1表示該組數(shù)據(jù)更符合對應(yīng)情況。測試結(jié)果顯示，偏置和斷開故障取得了良好的檢測效果，分別為0.9787和0.9974，表明所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以有效確認(rèn)和斷開故障。在注入傳感器正常情況下，得到傳感器判據(jù)值為0.6965，傳感器噪聲判據(jù)值為0.2814。該結(jié)果表明用于訓(xùn)練的樣本中，傳感器正常與傳感器噪聲具有形式上的相似之處，即根據(jù)實(shí)際情況選取的噪聲量較小，網(wǎng)絡(luò)難以細(xì)分兩種情況，輸入正常狀態(tài)，該網(wǎng)絡(luò)輸出為該網(wǎng)絡(luò)較大概率為正常狀態(tài)。傳感器噪聲故障同理。由此可以得出，該方法下對于傳感器偏置以及傳感器斷開故障有良好的檢測效果，對于傳感器正常以及傳感器噪聲故障的檢測結(jié)果也可做為參考。

表2 自適應(yīng)學(xué)習(xí)率梯度下降法檢測結(jié)果

其中數(shù)據(jù)表示網(wǎng)絡(luò)對于各個(gè)情況的估計(jì)值，越接近1越符合該狀態(tài)。

檢測結(jié)果：

樣本序號實(shí)際類別判斷類別1正常正常2偏置偏置3噪聲噪聲4斷開斷開

(2)自適應(yīng)學(xué)習(xí)率動(dòng)量梯度下降法

故障檢測結(jié)果表明，該訓(xùn)練方法結(jié)果較自適應(yīng)學(xué)習(xí)率梯度下降法接近，對于傳感器偏置故障以及傳感器斷開故障有良好的檢測效果。而該網(wǎng)絡(luò)在辨識傳感器噪聲故障的效果方面小幅優(yōu)于自適應(yīng)學(xué)習(xí)率梯度下降法。如表3所示。

表3 自適應(yīng)學(xué)習(xí)率動(dòng)量梯度下降法檢測結(jié)果

檢測結(jié)果：

樣本序號實(shí)際類別判斷類別1正常正常2偏置偏置3噪聲噪聲4斷開斷開

(3)Levenberg-Marquardt算法

故障檢測結(jié)果表明，該訓(xùn)練方法取得了最好的學(xué)習(xí)效果。對于傳感器偏置故障以及傳感器斷開故障取得了良好的訓(xùn)練結(jié)果，而對于傳感器正常狀態(tài)，該網(wǎng)絡(luò)對其正常狀態(tài)判據(jù)值為0.7300，對于其噪聲狀態(tài)的判據(jù)值為0.1827，此訓(xùn)練結(jié)果較另外兩種方法更為優(yōu)異，而對于正常情況判據(jù)值較低的原因可能是由于訓(xùn)練樣本較少導(dǎo)致。如表4所示。

表4 Levenberg-Marquardt算法檢測結(jié)果

檢測結(jié)果：

樣本序號實(shí)際類別判斷類別1正常正常2偏置偏置3噪聲噪聲4斷開斷開

對于正常和噪聲難以區(qū)分的情況，進(jìn)行了額外的驗(yàn)證，根據(jù)上述結(jié)果使用Levenberg-Marquardt算法，注入6組傳感器正常與6組傳感器噪聲故障數(shù)據(jù)，并分別使用1組數(shù)據(jù)進(jìn)行驗(yàn)證，其他設(shè)定同上述實(shí)驗(yàn)，即本次實(shí)驗(yàn)對于正常和噪聲兩種難以區(qū)分的情況進(jìn)行了前文實(shí)驗(yàn)中3倍的訓(xùn)練量。結(jié)果顯示，在增加了訓(xùn)練樣本之后，神經(jīng)網(wǎng)絡(luò)對于正常和噪聲故障有了較明顯的判據(jù)值。表明對于傳感器正常以及傳感器噪聲兩種情況需要更多的訓(xùn)練樣本以加以細(xì)致的區(qū)分。如表5所示。

表5 增加訓(xùn)練樣本后LM算法輸出

檢測結(jié)果：

樣本序號實(shí)際類別判斷類別1正常正常2噪聲噪聲

可以得出結(jié)論，通過比較分析，LM算法具備了最好的故障檢測結(jié)果，同時(shí)在訓(xùn)練樣本數(shù)量增加之后，該方法對于正常和噪聲情況取得了良好的故障檢測效果，其訓(xùn)練時(shí)間較長的缺點(diǎn)對于其訓(xùn)練完畢之后的在線應(yīng)用沒有影響，檢測結(jié)果表明了BP網(wǎng)絡(luò)應(yīng)用于故障檢測的可行性。

3.3 BP網(wǎng)絡(luò)在機(jī)電作動(dòng)系統(tǒng)模型的應(yīng)用

綜合上述結(jié)論，將上述方法與機(jī)電作動(dòng)系統(tǒng)模型進(jìn)行結(jié)合，如圖15所示，以位置傳感器為例，在傳感器處增加故障檢測模塊。并通過該模塊對位置傳感器進(jìn)行觀測。將此算法放置于圖3實(shí)驗(yàn)平臺(tái)的機(jī)電作動(dòng)系統(tǒng)實(shí)時(shí)全數(shù)字仿真軟件位置進(jìn)行實(shí)時(shí)在線故障檢測。

圖15 EMA系統(tǒng)故障檢測模塊位置圖示

在與已經(jīng)完成訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)結(jié)合后，該模型可對故障信號進(jìn)行檢測，并實(shí)時(shí)給出故障檢測結(jié)果。系統(tǒng)在三角波或正弦指令下工作，并在其正常工作狀態(tài)下注入上述訓(xùn)練中的斷開、偏置與噪聲故障，并將算法計(jì)算處理結(jié)果進(jìn)行顯示，記錄故障觀測結(jié)果，并以圖示形式展示。以本EMA試驗(yàn)平臺(tái)位置傳感器為例，進(jìn)行上述故障模式100次注入，并對故障檢測結(jié)果進(jìn)行記錄。結(jié)果如圖16所示，所采用的BP網(wǎng)絡(luò)能夠?qū)ζ煤蛿嚅_進(jìn)行有效識別，狀態(tài)識別正確率均為99%，而考慮噪聲量較小以及噪聲本身的隨機(jī)性，對于正常和噪聲的檢測率低于斷開及偏置，其中正常狀態(tài)識別正確率為90%，噪聲狀態(tài)識別正確率為89%，表明該兩種情況需要進(jìn)行更多的訓(xùn)練以達(dá)到更高的檢測水平。

圖16 EMA系統(tǒng)位置傳感器故障觀測記錄

本方案目的在于，通過對于傳感器故障的監(jiān)控，可對傳感器狀態(tài)進(jìn)行統(tǒng)計(jì)分析，從而確定傳感器的常見故障類型并進(jìn)而找出發(fā)生原因。本方案通過對傳感器的實(shí)時(shí)監(jiān)控，完成對于故障信息的統(tǒng)計(jì)，支持系統(tǒng)健康管理。

4 結(jié) 語

本文分析了飛控EMA傳感器類型和故障模式，設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)觀測器進(jìn)行飛控EMA傳感器的故障檢測，并針對偏置、噪聲、斷開三類故障進(jìn)行了不同神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式的對比?；诒緦?shí)驗(yàn)室的機(jī)電作動(dòng)系統(tǒng)聯(lián)合仿真實(shí)驗(yàn)平臺(tái)驗(yàn)證了本論文方法可以有效地對傳感器故障進(jìn)行故障類型識別，從而可以對EMA健康管理提供支持。

后續(xù)的工作應(yīng)集中于改善網(wǎng)絡(luò)性能，對于傳感器正常以及傳感器噪聲信號做更多的訓(xùn)練，考慮多傳感器檢測的網(wǎng)絡(luò)聯(lián)合，并考慮傳感器信號故障后的信號重構(gòu)方案。