崔建國，劉 瑤，鄭 蔚，蔣麗英，于明月

（1.沈陽航空航天大學(xué)自動(dòng)化學(xué)院，沈陽 110136；2.故障診斷與健康管理技術(shù)航空科技重點(diǎn)實(shí)驗(yàn)室，上海 201601）

DPCA和GRNN在燃?xì)廨啓C(jī)故障診斷的方法*

崔建國1，劉 瑤1，鄭 蔚2，蔣麗英1，于明月1

（1.沈陽航空航天大學(xué)自動(dòng)化學(xué)院，沈陽 110136；2.故障診斷與健康管理技術(shù)航空科技重點(diǎn)實(shí)驗(yàn)室，上海 201601）

選取其關(guān)鍵部件—噴口加力調(diào)節(jié)器作為故障診斷研究對(duì)象，提出了一種基于動(dòng)態(tài)主元分析（DPCA）和廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）相結(jié)合的噴口加力調(diào)節(jié)器故障診斷方法。在燃?xì)廨啓C(jī)專用試驗(yàn)平臺(tái)對(duì)其進(jìn)行試驗(yàn)，采集噴口加力調(diào)節(jié)器的高壓轉(zhuǎn)子轉(zhuǎn)速、低壓轉(zhuǎn)子轉(zhuǎn)速、燃油油量、燃油耗量等參數(shù)原始數(shù)據(jù)，對(duì)其進(jìn)行預(yù)處理，并采用DPCA方法對(duì)其進(jìn)行動(dòng)態(tài)主元分析，提取其不同健康狀態(tài)的主元，構(gòu)建特征向量，采用特征向量構(gòu)建GRNN神經(jīng)網(wǎng)絡(luò)故障診斷模型，并通過測試數(shù)據(jù)對(duì)該方法的有效性進(jìn)行試驗(yàn)驗(yàn)證。為表明該方法的有效性，采用了基于GRNN和基于DPCA-RBF的方法對(duì)噴口加力調(diào)節(jié)器不同健康狀態(tài)進(jìn)行了診斷技術(shù)研究，并對(duì)不同方法所得到的診斷結(jié)果進(jìn)行了對(duì)比分析。結(jié)果表明，采用DPCA和GRNN相結(jié)合的故障診斷方法能有效識(shí)別出噴口加力調(diào)節(jié)器不同的健康狀態(tài)，具有很好的實(shí)際應(yīng)用價(jià)值。

燃?xì)廨啓C(jī)，噴口加力調(diào)節(jié)器，動(dòng)態(tài)主元分析，廣義回歸神經(jīng)網(wǎng)絡(luò)，故障診斷

0 引言

燃?xì)廨啓C(jī)工作可靠性對(duì)工作安全和企業(yè)運(yùn)營成本的影響越來越突出，是一個(gè)國家科技、工業(yè)和國防實(shí)力的重要體現(xiàn)。隨著現(xiàn)代技術(shù)的發(fā)展，燃?xì)廨啓C(jī)性能不斷提高，對(duì)結(jié)構(gòu)強(qiáng)度和工作條件的要求日益增加，由燃?xì)廨啓C(jī)出現(xiàn)故障導(dǎo)致事故發(fā)生的事情日益增多［1-2］。噴口加力調(diào)節(jié)器作為燃?xì)廨啓C(jī)的重要部件，其主要用來執(zhí)行噴口、加力的控制。控制加力的正常工作使燃?xì)廨啓C(jī)的推力得以增大，改善機(jī)能。噴口加力調(diào)節(jié)器是一個(gè)構(gòu)造繁復(fù)、功能多的機(jī)械液壓器件，在燃?xì)廨啓C(jī)運(yùn)行中會(huì)有一些故障出現(xiàn)，會(huì)直接對(duì)飛行安全造成影響，甚至造成嚴(yán)重?fù)p失。因此，判斷其故障類型并采取相關(guān)措施是非常必要的。

在過去的幾十年里，故障診斷問題得到了國內(nèi)外學(xué)者的廣泛關(guān)注。現(xiàn)在國內(nèi)外提出了很多故障診斷的方法，基于RBF神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)故障診斷，由于燃?xì)廨啓C(jī)運(yùn)行環(huán)境的比較惡劣，樣本數(shù)據(jù)采集的不完全性，使得神經(jīng)網(wǎng)絡(luò)的適用性受到了限制。基于支持向量機(jī)的燃?xì)廨啓C(jī)故障診斷的研究，雖然能在小樣本的情況下能夠?qū)崿F(xiàn)比較準(zhǔn)確的故障診斷，但是對(duì)于故障的在線故障檢測存在著局限性。將主元分析法應(yīng)用于燃?xì)廨啓C(jī)故障障診斷，對(duì)于消除過程變量的互相關(guān)性有很好的效果，但對(duì)于消除過程變量的自相關(guān)性卻欠缺考慮。GRNN神經(jīng)網(wǎng)絡(luò)具有逼近能力強(qiáng)、分類能力好、學(xué)習(xí)速度快的優(yōu)點(diǎn)。因此，本文提出了基于DPCA-GRNN的故障狀態(tài)分類方法。

1 基本原理

1.1 DPCA原理

主元分析法（PCA）是多變量統(tǒng)計(jì)方法，其主要依據(jù)是基于原變量，運(yùn)用合理的技術(shù)手段構(gòu)造一組新變量，以便降低原變量的維數(shù)［3-4］。PCA特征提取方法是一種靜態(tài)方法，為了適應(yīng)動(dòng)態(tài)的多過程變量，本文采用DPCA技術(shù)，使過程變量之間既考慮到互相關(guān)性，又考慮到自相關(guān)性，DPCA是對(duì)動(dòng)態(tài)數(shù)據(jù)序列進(jìn)行PCA處理［5-6］。

假設(shè)所觀測的系統(tǒng)有m個(gè)過程變量，其中每個(gè)變量有n個(gè)測量值，則觀測數(shù)據(jù)集X如下：

其中，xi∈Rm（i=1，2，…，n）是一個(gè) m 維觀測向量。

把樣本數(shù)據(jù)X擴(kuò)展，即增加前h時(shí)刻的測量數(shù)據(jù)，可得如下增廣矩陣：

其中，xtT是t時(shí)刻的m維向量。

計(jì)算滯后因子h的方法為：首先處理h=0的靜態(tài)情況，數(shù)據(jù)矩陣中的靜態(tài)關(guān)系數(shù)等于變量數(shù)與主成分個(gè)數(shù)之差；然后令h=1，對(duì)新的數(shù)據(jù)矩陣進(jìn)行PCA處理，就有新的動(dòng)態(tài)關(guān)系數(shù)等于變量數(shù)減去主成分個(gè)數(shù)和之前計(jì)算出的靜態(tài)關(guān)系數(shù)，h逐漸增加，新關(guān)系函數(shù)rnew（h）按式（3）遞推計(jì)算：

一直到rnew（h）≤0。

采用DPCA故障檢測的具體步驟如下：

1）采集樣本數(shù)據(jù)。

2）根據(jù)式（3）求出滯后因子，并由式（2）構(gòu)造出動(dòng)態(tài)數(shù)據(jù)序列，并化成均值為0，方差為1的標(biāo)準(zhǔn)數(shù)據(jù)矩陣。

3）求出協(xié)方差矩陣，主元方差向量［λ1，λ2，…，λm］T和對(duì)應(yīng)負(fù)載矩陣［p1，p2，…，pm］。

4）對(duì)動(dòng)態(tài)數(shù)據(jù)序列進(jìn)行動(dòng)態(tài)主元分析并由此建立動(dòng)態(tài)主元模型。

5）確定主元個(gè)數(shù)

6）計(jì)算測試樣本的T2和SPE統(tǒng)計(jì)量，檢測是否發(fā)生故障。

1.2 GRNN神經(jīng)網(wǎng)絡(luò)原理

GRNN神經(jīng)網(wǎng)絡(luò)的全稱是廣義回歸神經(jīng)網(wǎng)絡(luò)，是徑向基網(wǎng)絡(luò)的一種變形形式。它是以徑向基網(wǎng)絡(luò)為基礎(chǔ)，因此，具有良好的非線性逼近性能，適于處理非線性問題。與BP、RBF等神經(jīng)網(wǎng)絡(luò)相比，具有訓(xùn)練速度快、逼近能力強(qiáng)、仿真精度高等優(yōu)點(diǎn)［7］。

GRNN神經(jīng)網(wǎng)絡(luò)由4層神經(jīng)元組成的，輸入層、模式層、求和層、輸出層。網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力和柔性網(wǎng)格結(jié)構(gòu)以及高度的容錯(cuò)性和魯棒性，適用于解決非線性問題。其神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如下頁圖1所示。

網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)目為DPCA提取主元的個(gè)數(shù)，輸出層的神經(jīng)元數(shù)目為3，表示3種狀態(tài)。廣義回歸神經(jīng)網(wǎng)絡(luò)無需對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練參數(shù)設(shè)置，可直接進(jìn)行測試。

高斯函數(shù)長被用于徑向基傳遞函數(shù)，GRNN網(wǎng)絡(luò)的性能與傳遞函數(shù)中的光滑因子取值有關(guān)，光滑因子越大，基函數(shù)越平滑，但取值太大太小都影響性能。因此，為了選取最佳值，一般采取循環(huán)訓(xùn)練的方法，從而達(dá)到最好的診斷效果。

2 故障診斷試驗(yàn)研究

2.1 故障診斷方案

本文以某型燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器為研究對(duì)象，通過DPCA和GRNN相結(jié)合的方法實(shí)現(xiàn)對(duì)燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器的故障狀態(tài)分類。首先，在燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器試驗(yàn)平臺(tái)上對(duì)其進(jìn)行試驗(yàn)，燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器運(yùn)行狀態(tài)可表示為集合{A1，A2，A3}，A1表示噴口加力調(diào)節(jié)器正常；A2表示噴調(diào)信號(hào)器故障；A3表示尾噴口位置異常擺動(dòng)。用傳感器網(wǎng)絡(luò)獲取表征燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器4個(gè)參數(shù)（高壓轉(zhuǎn)子轉(zhuǎn)速、低壓轉(zhuǎn)子轉(zhuǎn)速、燃油油量、燃油耗量）的數(shù)據(jù)，為了增強(qiáng)數(shù)據(jù)的有效性，先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后采用DPCA的方法對(duì)采集到的參數(shù)進(jìn)行動(dòng)態(tài)主元分析和在線故障檢測，并將處理后的數(shù)據(jù)樣本數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，如果出現(xiàn)故障則將待測樣本在DPCA中提取主元的訓(xùn)練數(shù)據(jù)送入到GRNN神經(jīng)網(wǎng)絡(luò)中，用GRNN進(jìn)行故障狀態(tài)分類，最終得到診斷結(jié)果。燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器故障狀態(tài)診斷方案如圖2所示。

2.2 DPCA主元模型的建立

用專業(yè)試驗(yàn)平臺(tái)獲取的燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器運(yùn)行狀態(tài)的4個(gè)參數(shù)的數(shù)據(jù)構(gòu)造動(dòng)態(tài)數(shù)據(jù)序列，求出滯后因子為1并由此得到8維的增廣矩陣，對(duì)增廣矩陣進(jìn)行DPCA處理。將采集到的40組正常狀態(tài)下的樣本數(shù)據(jù)，建立燃?xì)廨啓C(jī)噴口加力正常狀態(tài)下的DPCA主元模型。

通過方差累積貢獻(xiàn)率法選取主元個(gè)數(shù)，一般選擇主元累計(jì)貢獻(xiàn)率大于85%，而前5個(gè)主元的累積貢獻(xiàn)率為88.92%，主元貢獻(xiàn)率圖如圖3所示。因此，選擇前5個(gè)主元作為主元模型，并求得置信度為95%的閾值限 SPEα=5.271 0，Tα2=13.682 5。

2.3 基于DPCA故障診斷試驗(yàn)

為了測試建立模型的有效性，將采集到的120組數(shù)據(jù)3種故障模式（正常數(shù)據(jù)40組、噴調(diào)信號(hào)器故障數(shù)據(jù)40組、尾噴口位置異常擺動(dòng)數(shù)據(jù)40組）作為DPCA的輸入，進(jìn)行去特征提取和在線故障檢測。

讓噴口加力調(diào)節(jié)器運(yùn)行在正常狀態(tài)下，對(duì)采集的40個(gè)樣本進(jìn)行故障檢測，診斷結(jié)果如圖4、圖5所示，可知T2和SPE統(tǒng)計(jì)量均未超出建模時(shí)得出的閾值限，所以DPCA模型可以實(shí)現(xiàn)對(duì)測試樣本的故障診斷。

讓燃?xì)廨啓C(jī)運(yùn)行在故障模式下，將采集到的40個(gè)樣本進(jìn)行故障檢測，診斷結(jié)果如圖6、圖7所示，可知T2和SPE統(tǒng)計(jì)量均超出建模時(shí)得出的閾值限，說明燃?xì)廨啓C(jī)發(fā)生故障。檢驗(yàn)了DPCA模型的有效性。

2.4 基于DPCA-GRNN的故障診斷試驗(yàn)

將噴口加力調(diào)節(jié)器狀態(tài)的DPCA特征提取結(jié)果送入到GRNN神經(jīng)網(wǎng)絡(luò)中，狀態(tài)信息特征提取結(jié)果如表1所示。其中每種狀態(tài)有40組數(shù)據(jù)，共120組數(shù)據(jù)，每組數(shù)據(jù)有5個(gè)主元。

表1 噴口加力調(diào)節(jié)器DPCA提取的特征

用A1、A2、A3共3類樣本前20組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后20組數(shù)據(jù)作為測試數(shù)據(jù)。將后20組測試數(shù)據(jù)送入用訓(xùn)練數(shù)據(jù)訓(xùn)練好的GRNN神經(jīng)網(wǎng)絡(luò)模型中。用1表示正常，2表示噴調(diào)信號(hào)器故障、3表示尾噴口位置異常擺動(dòng)。得到的測試結(jié)果如圖8所示?？傻玫交贒PCA-GRNN方法故障診斷的準(zhǔn)確率高達(dá)97.6%。

2.5 基于DPCA-RBF和GRNN的故障診斷試驗(yàn)

此外，尚分別采用基于DPCA-RBF和GRNN方法設(shè)計(jì)了故障診斷模型，采用2.4節(jié)同樣的數(shù)據(jù)建模與測試。采用DPCA-RBF方法得到的診斷結(jié)果如圖9所示?？芍贒PCA-RBF方法的故障診斷準(zhǔn)確率為81.7%。采用GRNN方法得到的故障診斷準(zhǔn)確率為80%。

2.6 不同故障診斷方法比較與分析

對(duì)同樣的建模與測試數(shù)據(jù)，文中分別采用了DPCA-GRNN、DPCA-RBF和GRNN 3種故障診斷方法，得到了不同的診斷結(jié)果。具體如表2所示。

表2 3種不同方法診斷結(jié)果對(duì)比

根據(jù)上述試驗(yàn)結(jié)果，燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器主要參數(shù)經(jīng)過動(dòng)態(tài)主元分析特征提取后，再采用GRNN神經(jīng)網(wǎng)絡(luò)方法進(jìn)行故障診斷，其準(zhǔn)確率得到了大幅提高，表明該方法對(duì)燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器進(jìn)行故障診斷，取得了很好的效果，實(shí)現(xiàn)了燃?xì)廨啓C(jī)的診斷效能。

3 結(jié)論

本文以燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器為具體研究對(duì)象，采集噴口加力調(diào)節(jié)器的高壓轉(zhuǎn)子轉(zhuǎn)速、低壓轉(zhuǎn)子轉(zhuǎn)速、燃油油量、燃油耗量等參數(shù)原始數(shù)據(jù)，對(duì)其進(jìn)行預(yù)處理，采用DPCA方法對(duì)其進(jìn)行動(dòng)態(tài)主元分析，提取其不同健康狀態(tài)的主元，構(gòu)建特征向量，分別建立了DPCA-GRNN、DPCA-RBF和GRNN故障診斷模型，對(duì)燃?xì)廨啓C(jī)噴口加力調(diào)節(jié)器進(jìn)行了故障診斷技術(shù)研究。試驗(yàn)研究表明，所提出基于DPCA-GRNN的燃?xì)廨啓C(jī)故障診斷方法的正確診斷率為97.6%，明顯優(yōu)于其他兩種方法，從而驗(yàn)證了所提出方法的有效性，為故障診斷提供了新的思路，具有很好的應(yīng)用價(jià)值。

［1］陳光.燃?xì)廨啓C(jī)障分析［M］.北京：北京航空航天大學(xué)出版杜，2001.

［2］范作民，孫春林，白潔.燃?xì)廨啓C(jī)故障診斷導(dǎo)論［M］.北京：科學(xué)出版社，2004.

［3］劉永斌，何清波，孔凡讓，等.基于PCA和SVM的內(nèi)燃機(jī)故障診斷［J］.振動(dòng)、測試與診斷，2012，32（2）：250-255.

［4］崔建國，吳燦，董世梁，等.主元分析法和模糊積分的燃?xì)廨啓C(jī)氣路狀態(tài)監(jiān)測［J］.火力與指揮控制，2014，39（10）：130-134.

［5］龔志飛，郭迎清.基于主元分析法的燃?xì)廨啓C(jī)傳感器故障診 斷 研 究 ［J］. 計(jì) 算 機(jī) 測 量 與 控 制 ，2012，20（8）：2017-2019，2023.

［6］沈倩，劉育明，梁軍.基于DPCA方法的故障檢測與診斷分析［J］.制造業(yè)自動(dòng)化，2005，27（6）：51-53，56.

［7］李善，譚繼文.KPCA-GRNN網(wǎng)絡(luò)在數(shù)控機(jī)床復(fù)合故障診斷中的應(yīng)用［J］.煤礦機(jī)械，2016，37（3）：152-154.

［8］郭風(fēng)，王思遠(yuǎn)，崔紅軍.基于RBF神經(jīng)網(wǎng)絡(luò)的燃?xì)廨啓C(jī)故障診斷研究［J］.測控技術(shù)，2008，37（2）：23-25.

［9］LI X W，CHEN G L.Face recognition based on PCA and SVM ［J］.2012 International Symposium on Photonics and Optoelectronics.2012，21（5）：121-123.

［10］張瑩.數(shù)控機(jī)床機(jī)械故障診斷方法的研究及應(yīng)用［D］.大連：大連理工大學(xué)，2005.

［11］孫闖，何正嘉，張周鎖，等.基于狀態(tài)信息的燃?xì)廨啓C(jī)運(yùn)行可靠性評(píng)估［J］.機(jī)械工程學(xué)報(bào)，2013，49（6）：30-37.

［12］李華強(qiáng)，費(fèi)逸偉.燃?xì)廨啓C(jī)故障診斷技術(shù)及其發(fā)展［J］.航空維修與工程，2007，52（5）：41-42.

［13］石懷濤，劉建昌，丁曉迪，等.基于混合動(dòng)態(tài)主元分析的故障檢測方法［J］.控制工程，2012，19（1）：148-151.

［14］錢光興，崔東文.RBF與GRNN神經(jīng)網(wǎng)絡(luò)模型在城市需水預(yù)測中的應(yīng)用［J］.水資源與水工程學(xué)報(bào)，2012，23（5）：148-152.

［15］徐桂云.基于PCA_RBF神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合軸承故障診斷 ［J］. 中國礦業(yè)大學(xué)學(xué)報(bào)，2012，14（12）：964-971.

［16］宋輝，陸古兵，金傳喜.基于Labview的核動(dòng)力蒸汽發(fā)生器故障診斷系統(tǒng)研究［J］.四川兵工學(xué)報(bào)，2015，35（2）：80-83.

DPCA and GRNN in Gas Turbine Fault Diagnosis Method of Research

CUI Jian-guo1，LIU Yao1，ZHENG Wei2，JIANG Li-ying1，YU Ming-yue1
（1.School of Automation，Shenyang Aerospace University，Shenyang 110136，China；2.Aviation Key Laboratory of Science and Technology on Fault Diagnosis and Health Management，Shanghai 201601，China）

Its key components of nozzle strength regulator as the research object of fault diagnosis，this paper proposes a based on dynamic principal component analysis （DPCA）and generalized regression neural network （GRNN），combination of nozzle strength regulator fault diagnosis methods.First of all，the engine dedicated test platform to test.Collection nozzle torque controller of high pressure rotor speed，low pressure rotor speed，fuel oil，fuel oil consumption of parameters such as original data，the preprocessing，and dynamic principal component analysis，to extract the different health status of the yuan，build the GRNN neural network fault diagnosis model，and through the test data to test the effectiveness of the proposed method.To show the effectiveness of the proposed method，the article is adopted based on the GRNN and DPCA-based RBF method to vent torque controller different health status diagnosis technology research，and the diagnosis results obtained by different methods are analyzed in comparison.Results show that the combination of DPCA and GRNN based fault diagnosis method can effectively identify the nozzle torque controller different state of health，has the very good practical application value.

aircraft engine，Nozzle torque controller，dynamic principal component analysis，GRNN，F(xiàn)ault diagnosis

TP206.3

A

10.3969/j.issn.1002-0640.2017.11.40

1002-0640（2017）11-0186-05

2016-09-23

2016-11-20

國防基礎(chǔ)科研基金（Z052012B002）；遼寧省自然科學(xué)基金（2014024003）；航空科學(xué)基金資助項(xiàng)目（20153354005）

崔建國（1963- ），男，遼寧本溪人，博士后，教授。研究方向：飛行器健康診斷、預(yù)測與綜合健康管理、可視化仿真技術(shù)與應(yīng)用。