基于粒子群算法的SVM飛機空調(diào)系統(tǒng)狀態(tài)評估

李義勇，時建平，張靈杰

(1.北京博維航空設(shè)施管理有限公司，北京 100621; 2.電子科技大學(xué)，成都 611731;3.成都航空有限公司，成都 610200)

0 引言

空調(diào)系統(tǒng)在現(xiàn)代民用航空器的設(shè)計理念中是極其重要的系統(tǒng)。在A320系列飛機中，空調(diào)系統(tǒng)是通過對飛機機艙內(nèi)外的空氣進(jìn)行循環(huán)，以實現(xiàn)維持機艙內(nèi)部正確的壓力、合適的溫度、適宜的空氣新鮮度、保障電子電氣設(shè)備工作環(huán)境正常等目的。由此保證乘客和機組的飛行舒適性、安全性，以及電子電氣設(shè)備工作的穩(wěn)定性。為提高航空器的飛行速度、節(jié)省燃油消耗，民用航空器正常情況下都是在萬米高空中穿梭，在該高度層飛行將會面臨著十分惡劣的外界環(huán)境，低溫、低壓、極度缺氧等環(huán)境因素迫使航空器制造商對空調(diào)系統(tǒng)進(jìn)行了非常嚴(yán)苛的設(shè)計，以保障空調(diào)系統(tǒng)的可靠性。然而，隨著近年來民用航空器日利用率的不斷提升、民航市場的不斷增大，導(dǎo)致空調(diào)系統(tǒng)的相關(guān)故障率依舊長期處于高位。與此同時，近年來民用航空領(lǐng)域與空調(diào)系統(tǒng)相關(guān)的不正常事件也層出不窮。2015年3月，東方航空一架客機在執(zhí)行航班過程中因異常顛簸導(dǎo)致疑似客艙釋壓，期間多名旅客受傷。2018年7月，中國國際航空一架飛機執(zhí)行香港到大連的航班，空中由于空調(diào)故障導(dǎo)致客艙釋壓，10分鐘內(nèi)飛行高度緊急下降25 000英尺。

故障頻發(fā)和各類不正常事件的時有發(fā)生，讓大家對空調(diào)系統(tǒng)更為重視。在航空公司內(nèi)部，機務(wù)工程師面對空調(diào)系統(tǒng)故障時故障處置也是格外小心謹(jǐn)慎的。通過分析可知，A320飛機空調(diào)系統(tǒng)部件工作區(qū)域環(huán)境惡劣(高溫高振動區(qū)域)、長時間工作、部分航線空氣質(zhì)量不佳等，是造成空調(diào)系統(tǒng)故障頻發(fā)的主要原因。而A320飛機空調(diào)系統(tǒng)內(nèi)部結(jié)構(gòu)復(fù)雜，系統(tǒng)內(nèi)部各子系統(tǒng)數(shù)據(jù)相互交聯(lián)，難以快速準(zhǔn)確的進(jìn)行故障診斷和隔離。機務(wù)工程師面對空調(diào)故障時需要結(jié)合空客的故障處置手冊(TSM)和自身的工作經(jīng)驗來進(jìn)行綜合判斷，導(dǎo)致對空調(diào)系統(tǒng)的故障處置不僅需要機務(wù)工程師具備極高的綜合能力和專業(yè)素養(yǎng)，還需要花費航空公司大量的財力和物力。此外，空調(diào)系統(tǒng)故障大多為突發(fā)性故障，其故障時間大多在飛行過程中，在萬米高空之上發(fā)生的故障難以做到明確當(dāng)時的系統(tǒng)的相關(guān)參數(shù)和子系統(tǒng)狀態(tài)，也難以在地面實現(xiàn)故障重現(xiàn)，從而難以實現(xiàn)對故障的準(zhǔn)確處置，這也是長期困擾航空公司機務(wù)工程師的一個難點問題。

為了徹底解決航空公司對空調(diào)系統(tǒng)故障難以快速隔離準(zhǔn)確處置的問題，國內(nèi)部分航司開始了利用各類飛行數(shù)據(jù)對空調(diào)系統(tǒng)進(jìn)行相關(guān)分析，但大多數(shù)還是停留在人工分析和手動數(shù)據(jù)篩選層面。

基于上述空調(diào)系統(tǒng)故障處置方面遇到的問題，本文結(jié)合QAR系統(tǒng)收集到的空調(diào)系統(tǒng)飛行參數(shù)，提出了一種基于粒子群算法的SVM空調(diào)狀態(tài)評估方法，并通過實驗進(jìn)行預(yù)測分析，驗證了提出的方法能夠有效評估空調(diào)系統(tǒng)狀態(tài)，以此協(xié)助航空公司機務(wù)工程師進(jìn)行故障隔離及診斷和故障趨勢預(yù)警的預(yù)測及分析，為機務(wù)工程師快速準(zhǔn)確的對空調(diào)故障進(jìn)行處置提供相關(guān)的技術(shù)支持。

1 飛機空調(diào)系統(tǒng)

空調(diào)系統(tǒng)對于現(xiàn)代的民用航空器來說是一個非常重要的系統(tǒng)。該系統(tǒng)通過空氣循環(huán)技術(shù)，將引氣系統(tǒng)接收的熱空氣轉(zhuǎn)化為溫度適宜的空調(diào)氣，以此來維持飛機機艙的座艙高度、內(nèi)部壓力、客艙溫度、電子電氣設(shè)備工作環(huán)境、貨艙通風(fēng)和溫度控制等相關(guān)功能。根據(jù)空客飛機空調(diào)系統(tǒng)的設(shè)計原理[1]，該系統(tǒng)通過飛機引氣系統(tǒng)接收外界空氣，通過PACK組件實現(xiàn)對引氣熱空氣的冷卻，冷卻后的空氣主要提供至區(qū)域溫度控制、壓力控制、電子電氣設(shè)備通風(fēng)、貨艙通風(fēng)和加溫4個子系統(tǒng)，最終由壓力控制系統(tǒng)的外流活門將空氣排出機外。A320飛機空調(diào)系統(tǒng)如圖1所示。

圖1 A320飛機空調(diào)系統(tǒng)功用圖

正常情況下，空調(diào)系統(tǒng)所需要的空氣是由A320飛機的動力裝置(發(fā)動機、APU)通過引氣系統(tǒng)提供的。動力裝置運轉(zhuǎn)后，外界空氣經(jīng)過發(fā)動機的高壓壓氣機或輔助動力裝置(APU)的負(fù)載壓氣機進(jìn)行增壓升溫成為高溫高壓的熱空氣，進(jìn)而通過引氣系統(tǒng)將熱空氣傳遞至空調(diào)系統(tǒng)。因此通過傳遞進(jìn)入空調(diào)系統(tǒng)的熱空氣首先需要PACK組件的冷卻調(diào)節(jié)，進(jìn)而被轉(zhuǎn)化為溫度適宜的空調(diào)氣。被調(diào)節(jié)的空調(diào)氣可供向飛機機身部分，經(jīng)飛機后部的外流活門釋放到機外，以實現(xiàn)飛機內(nèi)外的空氣循環(huán)。由此可見空調(diào)系統(tǒng)中最核心的部件就是PACK組件?？照{(diào)系統(tǒng)內(nèi)部設(shè)計有兩套用于冷卻調(diào)節(jié)的PACK組件。正常情況下，PACK1組件用于飛機內(nèi)部駕駛艙區(qū)域的冷卻調(diào)節(jié)，PACK2組件則用于飛機內(nèi)部前、后客艙區(qū)域的冷卻調(diào)節(jié)。當(dāng)某個PACK組件由于故障導(dǎo)致組件整體失效，或者機組操作關(guān)閉該組件后，另一處于工作狀態(tài)的PACK組件將同時保障駕駛艙、前客艙、后客艙區(qū)域的空調(diào)氣供給。而在PACK內(nèi)部，其主要的部件有流量控制活門(FCV)、熱交換器、空氣循環(huán)機(ACM)、冷凝器、再加熱器、水分離器、旁通活門等。這些部件相互協(xié)調(diào)，在空調(diào)系統(tǒng)控制計算機(ACSC)的整體控制下，保障PACK出口溫度滿足下游用戶的需求。

圖2 A320飛機空調(diào)氣路流程圖

當(dāng)前在工程應(yīng)用方面，大部分航空公司對空調(diào)系統(tǒng)的狀態(tài)研究僅僅局限于重要參數(shù)可視化呈現(xiàn)，設(shè)置邏輯預(yù)警值進(jìn)行邏輯預(yù)警等方面，并未將其使用相關(guān)統(tǒng)計學(xué)、機器學(xué)習(xí)、深度學(xué)習(xí)等方面的理論進(jìn)行深入研究和數(shù)據(jù)挖掘。而在理論研究方面，許多專家和學(xué)者對民用航空器的空調(diào)系統(tǒng)進(jìn)行了較深層次的研究和分析。2011年杜喬等人利用RBF神經(jīng)網(wǎng)絡(luò)對飛機空調(diào)系統(tǒng)進(jìn)行故障診斷和預(yù)測，并通過優(yōu)化提高了故障隔離率和故障診斷率[2]。2011年Jie He等人使用遞歸擴展最小二乘(RELS)方法對空調(diào)系統(tǒng)內(nèi)部的熱交換器這一部件進(jìn)行故障檢測和故障隔離[3]。2015年，吳成云使用MATLAB的simulink工具箱利用數(shù)學(xué)公式搭建空調(diào)系統(tǒng)仿真模型，并以此實現(xiàn)空調(diào)系統(tǒng)的故障診斷[4]。2015年，王真寅利用故障樹法對空調(diào)系統(tǒng)子部件系統(tǒng)進(jìn)行了相關(guān)分析[5]。2016年李冰月等人采用故障樹方法實現(xiàn)對飛機空調(diào)系統(tǒng)故障的診斷歸類[6]。2018年孫見忠、李超役等人利用多元狀態(tài)估計技術(shù)(MSET)和貝葉斯網(wǎng)絡(luò)對空調(diào)系統(tǒng)的監(jiān)測方法和故障診斷方法進(jìn)行研究[7-10]。2019年徐曉等人通過失效模式效應(yīng)和臨界性分析(FMECA)對飛機空調(diào)系統(tǒng)進(jìn)行了故障診斷和故障隔離方法的研究[11]。

總的來說，隨著對民用航空器空調(diào)系統(tǒng)研究的不斷深入，對空調(diào)系統(tǒng)的研究方法也越來越多。這些研究方法雖然還未真正應(yīng)用于民用航空器的維修領(lǐng)域，但在實驗驗證階段已有較為全面的研究成果，并為民用航空器空調(diào)系統(tǒng)的監(jiān)測和故障管理等工程應(yīng)用提供一些新思路。

2 提出的方法

2.1 A320飛機空調(diào)狀態(tài)系統(tǒng)的SVM算法設(shè)計

在A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控這一實際的工程應(yīng)用中，大多樣本數(shù)據(jù)為非線性的，因此無法直接通過線性可分支持向量機實現(xiàn)數(shù)據(jù)的分類問題。對于非線性問題，引入映射函數(shù)，將原始的樣本數(shù)據(jù)轉(zhuǎn)化為線性關(guān)系的變量，即可使用線性支持向量機實現(xiàn)對原始樣本數(shù)據(jù)的分離求解。圖3為A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控SVM部分的算法流程圖。在樣本數(shù)據(jù)的讀入和預(yù)處理完成后，整個算法流程主要包括主成分分析實現(xiàn)數(shù)據(jù)降維和SVM算法實現(xiàn)兩個部分。

圖3 支持向量機算法流程圖

由本文對A320飛機空調(diào)系統(tǒng)相關(guān)QAR數(shù)據(jù)的搜集、處理等方面的討論可知，原始的樣本數(shù)據(jù)量較大，共有3 000多組數(shù)據(jù)，且每組數(shù)據(jù)中包含12個維度的相關(guān)信息。這和支持向量機設(shè)計要求樣本數(shù)據(jù)較小的思想矛盾。如果直接使用原始數(shù)據(jù)進(jìn)行SVM算法實現(xiàn)，勢必會嚴(yán)重影響算法的運行速度和SVM模型的整體性能。因此將原始數(shù)據(jù)讀入和數(shù)據(jù)預(yù)處理完成后，使用主成分分析方法，對原始的樣本數(shù)據(jù)進(jìn)行降維處理，能有效的減少樣本數(shù)據(jù)容量，為建立有效的SVM模型提供先決條件。

主成分分析法(PCA)[12-14]，顧名思義，就是通過對原始數(shù)據(jù)轉(zhuǎn)化，提取其中能表征主要特征成分的維度數(shù)據(jù)，從而實現(xiàn)對高維數(shù)據(jù)降維、提高數(shù)據(jù)處理效率的目的。該算法的其核心思想是將原始樣本數(shù)據(jù)的n維特征維度的數(shù)據(jù)映射到全新的k維坐標(biāo)中，其k維坐標(biāo)中兩兩互為正交，同時k維的正交特征即是最終求解的主成分。

根據(jù)主成分分析法的核心思想可知，PCA得到的主成分和原始數(shù)據(jù)的變量之間存在以下關(guān)系：

1) 主成分是由原始數(shù)據(jù)通過正交變化而得到的。

2) 主成分的個數(shù)應(yīng)當(dāng)少于原始數(shù)據(jù)中的變量個數(shù)。

3) 在主成分分析中，可根據(jù)設(shè)計者需求，保留原始數(shù)據(jù)一定量的數(shù)據(jù)信息，因此主成分中包含了大部分的原始數(shù)據(jù)中的相關(guān)信息，在一定程度上可以使用含有主成分的數(shù)據(jù)代表原始樣本數(shù)據(jù)。

4) 從空間上看各主成分之間是兩兩互為正交的，因此可以推斷，各主成分之間也是互不相關(guān)的。

對原始數(shù)據(jù)進(jìn)行主成分分析，最常用的計算方法包括特征值分解法和奇異值分解法兩種。如圖4所示，兩種方法的主體計算思想都一致，均是首先構(gòu)造原始數(shù)據(jù)的協(xié)方差矩陣，再通過特征值分解或奇異值分解的方法，計算出協(xié)方差矩陣對應(yīng)的特征值和特征向量，并將特征值按照從大到小進(jìn)行排序，設(shè)計者可從中選擇貢獻(xiàn)率滿足需求的前幾個向量。被選出的特征向量按照行向量的形式排列重組，即可構(gòu)造出主成分分析中的特征向量矩陣，該矩陣就是主成分分析中的轉(zhuǎn)移矩陣。

圖4 主成分分析流程圖

本文基于Matlab平臺對空調(diào)系統(tǒng)原始的QAR樣本數(shù)據(jù)進(jìn)行主成分分析，在算法設(shè)計中，設(shè)定主成分分析處理后的數(shù)據(jù)需要占用原始樣本數(shù)據(jù)的累積貢獻(xiàn)率的95%以上。分析結(jié)果如圖5所示，圖中柱狀圖表示單一主成分對原始樣本數(shù)據(jù)的貢獻(xiàn)率，折線表示前幾組主成分的累積貢獻(xiàn)率。由該圖可知，前三組數(shù)據(jù)的累積貢獻(xiàn)率達(dá)到97.95%，即使用主成分分析法PCA處理后產(chǎn)生的三組數(shù)據(jù)即可以涵蓋原始數(shù)據(jù)中約98%的信息量。故在A320飛機空調(diào)系統(tǒng)狀態(tài)評估的SVM模型設(shè)計中，將使用主成分分析處理后得到的三組數(shù)據(jù)作為模型的數(shù)據(jù)輸入。

圖5 樣本數(shù)據(jù)主成分分析結(jié)果

對SVM來說，核函數(shù)的合理選擇是能否建立有效合適的SVM模型最重要的條件。本文采用高斯徑向基(RBF)函數(shù)作為SVM算法的核函數(shù)，主要原因有以下幾點：一是A320飛機空調(diào)系統(tǒng)是一個典型的非線性系統(tǒng)，而高斯徑向基函數(shù)能夠較好的實現(xiàn)非線性映射；二是高斯徑向基核函數(shù)和多項式核函數(shù)相比所需要調(diào)節(jié)的參數(shù)少，可有效降低SVM模型建立的難度以及模型內(nèi)部的復(fù)雜度；三是高斯徑向基核函數(shù)在數(shù)值計算上便于實現(xiàn)，沒有比較困難的數(shù)值計算過程，能有效的規(guī)避計算機因內(nèi)部數(shù)值計算的問題帶來的計算效率低下，從而加快系統(tǒng)的計算效率和模型的建立過程；四是通過對高斯徑向基核函數(shù)的深入學(xué)習(xí)，發(fā)現(xiàn)其不需要依賴先驗知識，在任意分布下都具有良好的泛化能力。

在確定使用高斯徑向基(RBF)函數(shù)作為SVM算法的核函數(shù)后，懲罰因子C以及該核函數(shù)的參數(shù)g的確定則是SVM模型建立的下一工作難點。不同的參數(shù)選擇會對A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控SVM模型的預(yù)測結(jié)果和精度、預(yù)測速度等產(chǎn)生嚴(yán)重的影響。目前在SVM模型設(shè)計中，網(wǎng)格搜索和交叉驗證方法是一種常見的參數(shù)確定方法。

2.2 基于粒子群的SVM算法的優(yōu)化和改進(jìn)

懲罰因子C和核函數(shù)參數(shù)g的選取會對依據(jù)SVM算法設(shè)計的A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控的預(yù)測結(jié)果和精度、預(yù)測速度等會有一定影響。雖然網(wǎng)格搜索和交叉驗證法為懲罰因子和核函數(shù)參數(shù) 的參數(shù)尋優(yōu)提供的一個可行的便捷途徑，但由于網(wǎng)格搜索是在一定分辨率下進(jìn)行的遍歷搜索，可能由于步長的原因?qū)е滤阉鲿r跨過最優(yōu)參數(shù)對應(yīng)的搜索點，從而導(dǎo)致無法實現(xiàn)最優(yōu)搜索。因此本節(jié)嘗試使用智能算法領(lǐng)域廣泛應(yīng)用的粒子群搜索算法[15-18]對傳統(tǒng)的SVM模型進(jìn)行改進(jìn)優(yōu)化，力求通過粒子群優(yōu)化算法，尋找懲罰因子C和核函數(shù)參數(shù)g的全局最優(yōu)解，以此來提高SVM算法模型的預(yù)測結(jié)果和精度。

基于SVM算法對A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控模型建立的主要難點是對懲罰因子C和核函數(shù)參數(shù)g的合理選取。而粒子群算法作為一種智能優(yōu)化算法，可通過對種群的不斷迭代，尋找種群中的全局最優(yōu)解[19]。因此考慮在實驗過程中，使用粒子群算法對SVM的懲罰因子C、核函數(shù)參數(shù)g這一組合參數(shù)隊進(jìn)行優(yōu)化，尋找全局最優(yōu)解，從而有效的提高SVM對空調(diào)系統(tǒng)狀態(tài)監(jiān)控各輸出維度的預(yù)測準(zhǔn)確率。圖6為使用粒子群搜索算法對A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控SVM模型優(yōu)化的流程圖，優(yōu)化算法中主要步驟如下：

圖6 PSO-SVM模型流程圖

1) 讀取搜集和整理的A320飛機空調(diào)系統(tǒng)樣本數(shù)據(jù)S，并隨機產(chǎn)生一組懲罰因子、核函數(shù)參數(shù)的參數(shù)隊(C,g)作為粒子的初始位置。設(shè)定粒子種群為10，最大迭代次數(shù)為100，終止迭代的誤差為0.1。

2) 將步驟1中的數(shù)據(jù)樣本S進(jìn)行v等分，得到互不包含的樣本子集S1,S2,…,Sv，其中每一份子集合數(shù)據(jù)數(shù)量相同，以用于最終交叉驗證獲取準(zhǔn)確率。

3) 將步驟2中得到的v份數(shù)據(jù)子集，劃分為1份作為測試級和其余v-1份組成的訓(xùn)練集，并根據(jù)當(dāng)前的參數(shù)隊(C,g)，訓(xùn)練相應(yīng)的SVM模型，并計算相應(yīng)的預(yù)測準(zhǔn)確率。隨后再從v個子集中，選取另一份數(shù)據(jù)集合作為測試集，剩余的v-1個作為訓(xùn)練集重復(fù)上述操作，得到當(dāng)前的預(yù)測準(zhǔn)確率。最后經(jīng)過v次相同的操作后即可得到該參數(shù)隊(C,g)下的平均準(zhǔn)確率，即交叉驗證的平均準(zhǔn)確率。在交叉驗證中，使用平均預(yù)測準(zhǔn)確率來作為驗證SVM模型優(yōu)劣的標(biāo)準(zhǔn)。

4) 將各參數(shù)隊(C,g)下的交叉驗證預(yù)測準(zhǔn)確率作為適應(yīng)度值，并由此計算和更新當(dāng)前參數(shù)隊(C,g)下的個體極值gbest和全局極值Gbest，同時根據(jù)獲取的兩類極值，按照粒子群搜索算法中的速度更新公式和位置更新公式即可完成粒子速度和位置信息更新。

5) 定義極值誤差為δ=abs(gbest-Gbest)，當(dāng)個體極值和全局極值的相對誤差δ滿足終止迭代誤差時，輸出此時的(C,g)值作為全局最優(yōu)的參數(shù)隊。即在當(dāng)前的懲罰因子C和核函數(shù)參數(shù)g下，能建立最佳的SVM模型。

3 實驗結(jié)果與性能評價指標(biāo)

3.1 實驗結(jié)果

在Matlab平臺使用LIBSVM工具箱[20]建立A320空調(diào)系統(tǒng)狀態(tài)監(jiān)控的SVM模型，模型中使用高斯徑向基(RBF)函數(shù)作為SVM模型的核函數(shù)，進(jìn)行樣本數(shù)據(jù)的分類預(yù)測和分析。本實驗的樣本數(shù)據(jù)為搜集和處理的空調(diào)系統(tǒng)QAR數(shù)據(jù)，數(shù)據(jù)容量為3 500組，其中原始數(shù)據(jù)的輸入維度為12，使用主成分分析后的數(shù)據(jù)輸入維度為3，預(yù)測輸出的數(shù)據(jù)維度分為故障趨勢預(yù)警和故障隔離及診斷兩部分。為使實驗結(jié)果便于觀察，在劃分測試集和訓(xùn)練集時將訓(xùn)練集樣本數(shù)據(jù)設(shè)定為3 400組，測試集樣本數(shù)據(jù)設(shè)定為100組。同時建立粒子群優(yōu)化的SVM模型，粒子群優(yōu)化算法的相關(guān)參數(shù)如下：粒子種群為10，最大迭代次數(shù)為100，終止迭代的誤差為0.1。其對比實驗結(jié)果如下：

1)飛機空調(diào)狀態(tài)監(jiān)控系統(tǒng)故障趨勢預(yù)警部分的實驗結(jié)果：

空調(diào)系統(tǒng)故障趨勢預(yù)警部分共有3個維度的數(shù)據(jù)輸出，分別為壓氣機出口溫度(COT)異常、組件流量(PF)異常、組件出口溫度(TP)異常。分別用于監(jiān)控上述三組參數(shù)是否處于潛在故障階段。本小節(jié)以壓氣機出口溫度(COT)異常進(jìn)行實驗結(jié)果的展示。

圖7～8分別為使用網(wǎng)格搜索和交叉驗證法，對SVM參數(shù)隊(C,g)選取的實驗結(jié)果的等高線展示和3D視圖展示。通過實驗結(jié)果可知，對于壓氣機出口溫度異常，使用網(wǎng)格搜索和交叉驗證方法得到的最佳參數(shù)組合為懲罰因子C=147.033 4，核函數(shù)參數(shù)g=27.857 6，此時訓(xùn)練集的交叉驗證準(zhǔn)確率為99.4%。

圖7 COT異常SVM參數(shù)選擇等高線圖

圖8 COT異常SVM參數(shù)選擇3D圖

當(dāng)懲罰因子C=147.033 4，核函數(shù)參數(shù)g=27.857 6時，建立A320飛機空調(diào)系統(tǒng)COT參數(shù)異常的支持向量機模型。預(yù)測結(jié)果如圖9所示。由圖可知，使用該方法建立的SVM模型基本滿足對COT參數(shù)異常的預(yù)測，其中預(yù)測的準(zhǔn)確率為98%。

圖9 COT異常SVM預(yù)測結(jié)果

圖10為使用粒子群搜索算法對上述SVM模型優(yōu)化改進(jìn)后的適應(yīng)度變化曲線，對于A320飛機空調(diào)系統(tǒng)故障趨勢預(yù)警部分中壓氣機出口溫度異常這一維度的輸出，使用粒子群算法進(jìn)行全局尋優(yōu)，搜索的最佳參數(shù)組合為懲罰因子C=157.478 5，核函數(shù)參數(shù)g=10.428 4。而粒子群搜索算法優(yōu)化的SVM模型其交叉驗證準(zhǔn)確率為99.6%，相對于網(wǎng)格搜索法略有提高。

圖10 粒子群優(yōu)化的SVM適應(yīng)度曲線(COT異常)

當(dāng)懲罰因子C=157.478 5，核函數(shù)參數(shù)g=10.428 4時，針對A320飛機空調(diào)系統(tǒng)壓氣機溫度異常這一維度的輸出數(shù)據(jù)建立粒子群優(yōu)化的支持向量機模型。預(yù)測結(jié)果如圖11所示。由圖可知，使用該方法建立的模型預(yù)測的準(zhǔn)確率為99%，相對于網(wǎng)格搜索法建立的SVM模型準(zhǔn)確率更高。

綜上所述，無論是交叉驗證準(zhǔn)確率還是實驗預(yù)測結(jié)果，使用粒子群搜索算法優(yōu)化的支持向量機模型的準(zhǔn)確率均高于網(wǎng)格搜索法。故在A320飛機空調(diào)系統(tǒng)故障趨勢預(yù)警的實際預(yù)測中，采用粒子群優(yōu)化的支持向量機模型對壓氣機溫度異常進(jìn)行預(yù)測更加準(zhǔn)確。

圖11 COT異常PSO-SVM預(yù)測結(jié)果

2)飛機空調(diào)狀態(tài)監(jiān)控系統(tǒng)故障診斷及隔離部分的實驗結(jié)果：

空調(diào)系統(tǒng)故障診斷及隔離部分共有4個維度的數(shù)據(jù)輸出，分別為組件關(guān)閉(PACK OFF)、流量控制活門故障(FCV Failure)、組件過熱(PACK OVHT)、組件調(diào)節(jié)故障。分別用于飛機空調(diào)可能出現(xiàn)的常見故障的診斷和隔離。本小節(jié)以組件過熱為例進(jìn)行實驗結(jié)果的展示。

圖12、13分別為使用網(wǎng)格搜索和交叉驗證法，對SVM參數(shù)隊(C,g)選取的實驗結(jié)果的等高線展示和3D視圖展示。通過實驗結(jié)果可知，對于PACK組件過熱，使用網(wǎng)格搜索和交叉驗證方法得到的最佳參數(shù)組合為懲罰因子C=9.944，核函數(shù)參數(shù)g=256，此時訓(xùn)練集交叉驗證準(zhǔn)確率為99.59%。

圖12 PACK組件過熱警告SVM參數(shù)選擇等高線圖

圖13 PACK組件過熱警告SVM參數(shù)選擇3D圖

當(dāng)懲罰因子C=9.944，核函數(shù)參數(shù)g=256時，建立A320飛機空調(diào)系統(tǒng)PACK過熱的支持向量機模型。預(yù)測結(jié)果如圖14所示。由圖可知，使用該方法建立的SVM模型基本滿足對PACK組件過熱的預(yù)測，其中預(yù)測的準(zhǔn)確率為98%。

圖14 PACK組件過熱警告SVM預(yù)測結(jié)果

圖15為使用粒子群搜索算法對上述SVM模型優(yōu)化改進(jìn)后的適應(yīng)度變化曲線，對于A320飛機空調(diào)故障診斷和隔離部分中PACK過熱這一維度的輸出，使用粒子群算法，進(jìn)行全局尋優(yōu)，搜索得到的最佳參數(shù)組合為懲罰因子C=9.944，核函數(shù)參數(shù)g=256，此時的交叉驗證的準(zhǔn)確率為99.61%，相對于網(wǎng)格搜索法有小幅度提高。

圖15 粒子群優(yōu)化的SVM適應(yīng)度曲線(PACK組件過熱警告)

當(dāng)懲罰因子C=9.944，核函數(shù)參數(shù)g=256時，針對A320飛機空調(diào)系統(tǒng)PACK過熱這一維度的輸出數(shù)據(jù)建立粒子群優(yōu)化的支持向量機模型。預(yù)測結(jié)果如圖16所示。由圖可知，使用該方法建立的模型預(yù)測的準(zhǔn)確率為99%，相對于網(wǎng)格搜索法建立的SVM模型準(zhǔn)確率略有提高。

綜上所述，無論是交叉驗證準(zhǔn)確率還是測試集數(shù)據(jù)預(yù)測準(zhǔn)確率的結(jié)果，使用粒子群搜索算法優(yōu)化的支持向量機模型的準(zhǔn)確率均高于網(wǎng)格搜索法。故在A320飛機空調(diào)系統(tǒng)故障診斷和隔離的實際預(yù)測中，采用粒子群優(yōu)化的支持向量機模型對PACK組件過熱進(jìn)行預(yù)測更為準(zhǔn)確。

圖16 PACK組件過熱警告PSO-SVM預(yù)測結(jié)果

3)預(yù)測準(zhǔn)確度展示：

將上述對空調(diào)系統(tǒng)壓氣機出口溫度異常和PACK組件超溫的實驗方法和結(jié)果分析分別用于故障趨勢預(yù)警部分、故障診斷和隔離部分剩余的5個維度輸出，即可得到各輸出的支持向量機模型預(yù)測準(zhǔn)確度，如表1所示。

表1 支持向量機模型預(yù)測準(zhǔn)確度

3.2 性能評價指標(biāo)

表2為根據(jù)100組測試數(shù)據(jù)集使用兩種方法預(yù)測后得到的評價指標(biāo)。由于在機器學(xué)習(xí)理論中對于分類問題的性能指標(biāo)計算主要針對二分類問題。因此對于故障趨勢預(yù)警部分的指標(biāo)計算中，將輸出為監(jiān)控和故障的數(shù)據(jù)視為一類數(shù)據(jù)。由該表可知，粒子群優(yōu)化后的支持向量機模型對于A320空調(diào)系統(tǒng)故障趨勢預(yù)警和故障診斷及隔離部分7個維度輸出的預(yù)測準(zhǔn)確率、召回率、F1值都較普通的SVM模型有一定的提高。因此粒子群優(yōu)化的SVM模型網(wǎng)絡(luò)能更好的預(yù)測A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控中的各項狀態(tài)。

表2 SVM模型與PSO-SVM模型性能指標(biāo)比較

4 結(jié)束語

通過收集和整理的A320飛機空調(diào)系統(tǒng)的樣本數(shù)據(jù)，本文重點使用支持向量機分類算法對故障趨勢預(yù)警和故障診斷及隔離兩部分進(jìn)行分析和研究。為避免樣本數(shù)據(jù)量過大對SVM算法實現(xiàn)帶來的低時效性，首先采用主成分分析方法對原始的樣本數(shù)據(jù)進(jìn)行處理，保證其原始數(shù)據(jù)信息量的條件下，對樣本數(shù)據(jù)進(jìn)行合理的降維，減少數(shù)據(jù)容量。然后基于MATLAB平臺，通過LIBSVM工具箱對主成分分析處理后的數(shù)據(jù)，進(jìn)行A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控SVM模型的建立：選定高斯徑向基(RBF)函數(shù)作為該SVM模型的核函數(shù)，通過網(wǎng)格搜索和交叉驗證方法得到模型中懲罰因子和核函數(shù)參數(shù)參數(shù)隊(C,g)的最佳取值。但網(wǎng)格搜索法受到網(wǎng)格分辨率等因素的影響，可能無法獲取全局最優(yōu)的參數(shù)隊(C,g)，導(dǎo)致分類精度和預(yù)測準(zhǔn)確度相對不高。為提高A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控SVM模型的分類精度、預(yù)測的準(zhǔn)確度，采用粒子群搜索算法(PSO)進(jìn)行原始SVM模型進(jìn)行優(yōu)化和改進(jìn)，得到全局最優(yōu)的參數(shù)隊(C,g)。最后，通過實驗結(jié)果對比可知，使用A320飛機空調(diào)系統(tǒng)狀態(tài)監(jiān)控收集的樣本數(shù)據(jù)進(jìn)行預(yù)測分析，無論對于故障趨勢預(yù)警部分的三分類問題，還是故障診斷與隔離部分的二分類問題，粒子群搜索算法優(yōu)化的SVM模型的各項性能指標(biāo)均略高于普通的SVM模型。

此外，粒子群搜索優(yōu)化的SVM模型在A320飛機空調(diào)系統(tǒng)的應(yīng)用能為航空公司機務(wù)工程師在飛機空調(diào)系統(tǒng)狀態(tài)評價時提供一種新思路，也能輔助工程師在故障診斷和隔離時進(jìn)行快速準(zhǔn)確的處置相關(guān)故障。