基于神經(jīng)網(wǎng)絡(luò)的飛機供水系統(tǒng)故障預測研究

吳 梅,陳思遠,李超群

(1. 西北工業(yè)大學自動化學院,陜西 西安 710072;2. 航空工業(yè)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(shù)(Prognosis and Health Management,PHM)是指利用傳感器提取系統(tǒng)信息,借助信號處理技術(shù)來評估系統(tǒng)的健康狀態(tài),并對故障進行診斷、預測,為系統(tǒng)的運行、維護、保障等提出建議。對系統(tǒng)進行健康管理必須建立在狀態(tài)數(shù)據(jù)采集、信息融合和特征提取的基礎(chǔ)上,并以故障診斷、預測和修復為主要手段。

目前PHM技術(shù)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(lǐng)域,包括航空發(fā)動機健康管理、飛行控制系統(tǒng)作動器的故障診斷和壽命預測、飛行器推力系統(tǒng)、供油系統(tǒng)和供電系統(tǒng)的健康管理、航空器的結(jié)構(gòu)健康監(jiān)測、軸承的壽命預測、航空電子系統(tǒng)的故障診斷和預測等。

國內(nèi)在PHM技術(shù)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(yè)大學、哈爾濱工業(yè)大學、空軍工程大學等研究機構(gòu)從設(shè)備健康衰退規(guī)律、故障預測模型、健康管理技術(shù)等方面對國外PHM技術(shù)進行了跟蹤研究,而應用方面的工作主要體現(xiàn)在民航飛機或發(fā)動機的性能狀態(tài)監(jiān)控的軟件系統(tǒng)上,在飛機機載水/廢水系統(tǒng)健康管理方面尚沒有相關(guān)文獻報道。

故障預測方法分為基于失效物理模型、基于數(shù)據(jù)驅(qū)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(chǎn)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(shù)據(jù)驅(qū)動的預測方法不需要精確的物理或數(shù)學模型,開發(fā)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(jīng)網(wǎng)絡(luò)方法更是當前使用最普遍的數(shù)據(jù)驅(qū)動方法。

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

2 數(shù)據(jù)來源及特征提取

2.1 空氣壓縮機仿真數(shù)據(jù)

飛機水/廢水系統(tǒng)在飛行過程中的各項運行參數(shù)、性能參數(shù)、環(huán)境參數(shù)(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(shù)據(jù)等與系統(tǒng)健康特征密切相關(guān),但是系統(tǒng)實際故障數(shù)據(jù)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(shù)據(jù)的獲取。因此,在進行飛機機載設(shè)備故障預測研究時,有必要應用仿真手段模擬系統(tǒng)故障下運行情況,以獲取系統(tǒng)故障數(shù)據(jù)。

如圖1所示,本文基于AMESim仿真軟件建立飛機供水系統(tǒng)仿真模型,并通過故障注入方式(通過設(shè)置空氣壓縮機內(nèi)轉(zhuǎn)子轉(zhuǎn)速以模擬改變壓縮效率),選取空氣壓縮機排氣口處氣壓數(shù)據(jù)作為壓縮機效率的故障預測數(shù)據(jù)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(tǒng)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(zhuǎn)子標準轉(zhuǎn)速應為3600±200r/s,現(xiàn)以3600r/s作為標準,設(shè)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(shù)據(jù),如表1所示。

表1 供水系統(tǒng)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(shù)據(jù)預處理基礎(chǔ)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?shù)奶卣髡髡准?用來表征故障特征,為后續(xù)的健康預測提供數(shù)據(jù)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(guān)性的n維變量轉(zhuǎn)換為一組線性不相關(guān)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(shù)據(jù)集X

可按以下步驟進行降維:

1) 將數(shù)據(jù)集X中的每個樣本作為列向量,按列排列構(gòu)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(shù)據(jù)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(zhuǎn)換矩陣P,并按PY計算出主成分矩陣,該矩陣即是原數(shù)據(jù)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(tǒng)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(shù)據(jù)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(shù)據(jù)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(tǒng)處于健康態(tài)時,預測其故障發(fā)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(tǒng)或元部件從健康狀態(tài)到性能下降態(tài)、再到完全故障態(tài)是一個過程,當目前監(jiān)測點在 A 點(正常態(tài))或 B 點(早期故障態(tài))時,故障預測就是估計系統(tǒng)狀態(tài)何時會演化到 C 點(故障態(tài))或 D 點(失效態(tài)),其中早期故障態(tài)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(shù)據(jù)(此為由傳感器測得并已經(jīng)過數(shù)據(jù)預處理、特征提取的系統(tǒng)仿真數(shù)據(jù))進行基于神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的故障預測實現(xiàn)

徑向基神經(jīng)網(wǎng)絡(luò)(Radial-Basis Function,RBF)具有結(jié)構(gòu)簡單、運算速度快等特點,由于其網(wǎng)絡(luò)連接權(quán)值與輸出呈線性關(guān)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(yōu)點,因此RBF網(wǎng)絡(luò)在模式識別、函數(shù)逼近、自適應濾波與控制領(lǐng)域取得了廣泛的應用。

RBF網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示,由輸入層、輸出層和一個隱層構(gòu)成(假定各層節(jié)點數(shù)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(jié)點,每個隱節(jié)點函數(shù)均徑向?qū)ΨQ,各個隱節(jié)點函數(shù)可取高斯型函數(shù):

圖4 RBF網(wǎng)絡(luò)結(jié)構(gòu)圖

(1)

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

當x取值遠離中心向量μi時,基函數(shù)zi(x)值逐漸減小;只有當x在μi附近時,zi(x)值較大,這一區(qū)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(wǎng)絡(luò)輸出y=[y1,y1,…,yl]T由下式確定

(2)

每個隱節(jié)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(wǎng)絡(luò)的逼近能力影響不大,而中心向量的選擇對網(wǎng)絡(luò)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(jīng)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(wǎng)絡(luò)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(nèi)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(shù)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(shù);

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

RBF神經(jīng)網(wǎng)絡(luò)故障預測流程如圖5所示。

圖5 神經(jīng)網(wǎng)絡(luò)故障預測實現(xiàn)流程

在采用MATLAB自帶庫函數(shù)實現(xiàn)故障預測算法仿真時,其徑向基函數(shù)擴展系數(shù)SPREAD的選擇很重要,該值應足夠大,使徑向基神經(jīng)元能夠?qū)斎胂蛄克采w的區(qū)間都產(chǎn)生響應,但也不要求大到所有的徑向基神經(jīng)元都如此,只要部分徑向基神經(jīng)元能夠?qū)斎胂蛄克采w的區(qū)間產(chǎn)生響應就足夠。SPREAD的值越大,其輸出結(jié)果越光滑,但太大的SPREAD值會導致數(shù)值計算上的困難,若在涉及網(wǎng)絡(luò)時,出現(xiàn)“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(shù)據(jù),通過時域特征計算、PCA降維,將數(shù)據(jù)分為15組訓練數(shù)據(jù)和5組測試數(shù)據(jù)。訓練數(shù)據(jù)用于訓練神經(jīng)網(wǎng)絡(luò),并將預測信息存儲在網(wǎng)絡(luò)權(quán)值和閾值中。測試數(shù)據(jù)用于檢驗網(wǎng)絡(luò)預測的正確性以及檢驗網(wǎng)絡(luò)的泛化能力,即對未知數(shù)據(jù)的預測能力。針對RBF網(wǎng)絡(luò),可通過調(diào)整徑向基函數(shù)的擴展系數(shù)SPREAD,使其故障預測正確率達100%。

圖6所示為RBF網(wǎng)絡(luò)故障預測網(wǎng)絡(luò)訓練結(jié)果,圖7所示為測試結(jié)果。由圖可知,5組測試數(shù)據(jù)的故障預測達到100%的正確率,可滿足水/廢水系統(tǒng)故障預測需求。

圖6 RBF網(wǎng)絡(luò)訓練結(jié)果及誤差圖

圖7 RBF網(wǎng)絡(luò)測試組輸出結(jié)果

5 結(jié)束語

本文針對飛機機載水/廢水系統(tǒng)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(jīng)網(wǎng)絡(luò)權(quán)值訓練、故障預測等過程,快速準確地得到了系統(tǒng)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(shù)據(jù)維數(shù)、提取數(shù)據(jù)主要信息以提高神經(jīng)網(wǎng)絡(luò)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(xiàn)的神經(jīng)網(wǎng)絡(luò)故障預測算法,以應用于國產(chǎn)某型飛機水/廢水系統(tǒng)的健康管理體系中,通過實時更新故障數(shù)據(jù)及神經(jīng)網(wǎng)絡(luò)權(quán)值,可實現(xiàn)飛機水/廢水系統(tǒng)在線故障預測,便于后期維護保養(yǎng),保證系統(tǒng)可靠性和安全性。