文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.2015.09.038
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.
0 引言
APU(Auxiliary Power Units)即輔助動力裝置,,其核心部件是一個安裝在飛機尾部的小型燃氣渦輪發(fā)動機,。APU除了無法為飛機提供推力外,它幾乎可以代替飛機引擎的所有功能,,可以為飛機引擎的啟動,、空調(diào)等提供氣源,在緊急情況下為飛機提供電源等,。因此,,APU成為現(xiàn)代飛機上面一個不可或缺的設(shè)備。國內(nèi),、外對飛機主引擎的運行狀況十分重視并已取得了很大成功,。而對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)重大故障才會對其進行維修,這不僅增大了航空公司的運營成本,,也對飛機的飛行安全產(chǎn)生嚴重影響,。
針對以上狀況,本文在借鑒對飛機引擎故障智能診斷方面經(jīng)驗的基礎(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,,進而提醒機務(wù)維修人員及早對APU進行維修,。利用本實驗室與南航沈陽維修基地相關(guān)項目采集的數(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)樣本進行分析診斷,,結(jié)果表明該系統(tǒng)可以實現(xiàn)APU潛在故障的診斷,且診斷正確率較高,,滿足項目預(yù)期要求[1-2],。
1 APU故障智能診斷系統(tǒng)
如果APU在運行時發(fā)生故障,相應(yīng)的監(jiān)測傳感器輸出參數(shù)會發(fā)生變化,,故障不同,,傳感器輸出參數(shù)也會發(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,,進而智能化地診斷出APU的故障(種類、嚴重程度及發(fā)生部位),,這便是APU故障智能診斷系統(tǒng),。
1.1 APU傳感器信號獲取與分析
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)多達一百多個,。本文在進行故障智能診斷時根據(jù)一線APU機務(wù)維修人員經(jīng)驗,、廠家建議以及實際診斷需求分析,選取了其中幾個重要的參數(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啟動時間),、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)控數(shù)據(jù)源,。
APU監(jiān)控傳感器輸出的信號中含有豐富的,、能夠反映APU實時運行狀態(tài)的有用信息,但由于APU工作時會產(chǎn)生高溫,、高壓,、強震動等惡劣環(huán)境參數(shù),傳感器輸出的信號中會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,,在提取信號后對信號進行分析處理時,首先需要將APU監(jiān)控傳感器輸出的信號進行數(shù)字濾波處理,,將信號中的野點和壞值剔除,,濾掉信號中的隨機干擾噪聲。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)進行消除趨勢項、歸一化等處理[2-4],。
1.2 APU故障智能診斷分析
APU故障智能診斷,,就是根據(jù)APU運行過程中產(chǎn)生的可測信息源數(shù)據(jù),對其性能狀態(tài)信息進行監(jiān)測,、識別和預(yù)測其運行狀態(tài)變化情況,。根據(jù)對傳感器輸出數(shù)據(jù)的處理,在APU發(fā)生事故之前,,及時作出智能化的診斷,,確保機務(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,以便機務(wù)維修人員可以及時采取相應(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)之間的對應(yīng)關(guān)系,。根據(jù)機務(wù)維修人員實際維修中的經(jīng)驗,APU常見的故障有:(1)整機性能衰減(1,,0,,0,0,,0),;(2)轉(zhuǎn)軸機械卡阻(0,1,,0,,0,,
0);(3)起動機故障(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)并進行信息處理,、存儲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[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)部的前向計算和誤差的反向傳播計算,。在前向計算中,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。
取前向網(wǎng)絡(luò)神經(jīng)元的激勵函數(shù)為S型函數(shù),,任一節(jié)點的輸出為Oj,,輸入為netj,則為節(jié)點j與上一層節(jié)點i的連接權(quán)值,,j為節(jié)點的門限值,。
使用均方型誤差函數(shù)為目標函數(shù),,即:
3 APU故障智能診斷的BP神經(jīng)網(wǎng)絡(luò)模型
3.1 APU故障診斷建模方法
設(shè)備故障智能診斷的實質(zhì)是實現(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)對應(yīng)APU運行狀態(tài)的第n個觀測樣本的第j個特征參數(shù),,ypn(p=1,,2,…,,i)對應(yīng)第n個樣本的i種故障模式,。共有N個樣本,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,函數(shù)F的逆函數(shù)F存在,,有Y=F(X),。故設(shè)備故障智能診斷的實質(zhì)就是根據(jù)有限的樣本集,確定函數(shù)F(X)的一個等價映射關(guān)系P(X),,使得對于任意的>0,,均有:
||F(X)-P(X)||=||Y-Q||(8)
式中:Q=P(X)為模型輸出,Y=F(X)為標準輸出,,||·||為定義在樣本空間R上的范數(shù)[7-10],。
3.2 BP神經(jīng)網(wǎng)絡(luò)參數(shù)的選擇
根據(jù)前面對APU典型故障特征的分析,選擇APS3200型APU可測信息源中的7個參數(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,。
為了使系統(tǒng)診斷的正確率較高,將權(quán)重設(shè)置為較小的隨機數(shù),,從而避免激活函數(shù)在開始時就進入飽和區(qū),。在BP網(wǎng)絡(luò)進行運算時,如果學(xué)習(xí)速率?琢取值不合適,,則BP網(wǎng)絡(luò)達不到理想的收斂效果,;而動量因子取值過大時將會造成網(wǎng)絡(luò)發(fā)散,取值過小時則會使網(wǎng)絡(luò)收斂速度變慢,。根據(jù)以往積累的經(jīng)驗,,本文將將學(xué)習(xí)速率設(shè)置為?琢=0.36,,動量因子設(shè)置為?姿=0.56。
由于網(wǎng)絡(luò)的輸入節(jié)點物理量綱各不相同,,造成各個傳感器輸出數(shù)據(jù)大小相差很大,,各指標訓(xùn)練樣本之間不具備可比性,無法進行綜合評估,。故在將數(shù)據(jù)源導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)進行分析訓(xùn)練診斷之前,,需要對數(shù)據(jù)進行歸一化處理[11-15]。
4 APU故障智能診斷實例
選擇APS3200型APU的7個傳感器的輸出數(shù)據(jù)作為測試(診斷)數(shù)據(jù),,這7個信息源如表1所示,。故障診斷系統(tǒng)如圖2所示。
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,,并對其進行歸一化處理后,,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。
根據(jù)系統(tǒng)診斷計算,,得出的結(jié)果是該型APU出現(xiàn)“滑油冷卻器故障”故障,,在機務(wù)人員進行檢修時,確實出現(xiàn)該故障,。在實際使用中診斷結(jié)果的正確性充分證明了該故障智能診斷模型的實用性和可行性,。
5 實驗結(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)果準確,,可以滿足實際機務(wù)維修需求,。同時系統(tǒng)實際應(yīng)用表明,該智能故障診斷系統(tǒng)可以實現(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)具有重要的工程實踐意義與推廣價值,對于提高我國民航機務(wù)自動化維修水平具有重要意義,,同時對提供航空公司經(jīng)濟效益也有重要幫助,。
參考文獻
[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,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[M].北京:機械工業(yè)出版社,,2010.
[5] 張超.基于自適應(yīng)振動信號處理的旋轉(zhuǎn)機械故障診斷研究[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.基于改進遺傳算法的航空發(fā)動機故障診斷專家系統(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)動機故障診斷研究[D].長沙:中南大學(xué),,2013.
[9] 陳維興,王雷,,孫毅剛,,等.民航發(fā)動機狀態(tài)監(jiān)測點故障檢測方法研究[J].自動化儀表,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)動機整機震動故障診斷技術(shù)研究[J].儀器儀表學(xué)報,,2007,,28(4):168-171.
[11] 卓剛.航空發(fā)動機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)動機預(yù)測健康管理系統(tǒng)設(shè)計的關(guān)鍵技術(shù)[J].航空動力學(xué)報,2009,,24(11):2589-2594.
[13] 魯峰.航空發(fā)動機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)動機故障診斷[J].航空動力學(xué)報,,2008,23(6):1111-1117.
[15] BARABIUK R G.Compressive sensing[J].IEEE Signal Processing Magazine,,2007,,24(4):118-121.