王力 孫賀

摘 要： 針對民航發(fā)動機傳感器非線性故障，研究基于小波變換與RBF神經(jīng)網(wǎng)絡結(jié)合的故障診斷方法。通過小波變換對數(shù)據(jù)樣本加以特征提取，根據(jù)非線性故障模型，以訓練后的RBF神經(jīng)網(wǎng)絡實施分類。通過實驗于Matlab中進行系統(tǒng)測試，結(jié)論證實此方法可以實現(xiàn)故障診斷要求，取得了較好效果。

關鍵詞： 民航發(fā)動機； 傳感器； 故障診斷； 小波變換； RBF神經(jīng)網(wǎng)絡； 特征提取

中圖分類號： TN949.6+4?34； TP277 文獻標識碼： A 文章編號： 1004?373X（2018）20?0137?04

Abstract： In allusion to the nonlinear fault for the sensor of the civil aircraft engine， a fault diagnosis method based on the combination of the wavelet transform and RBF neural network is studied. The wavelet transform is adopted to extract features of data samples. The trained RBF neural network is adopted to do classification according to the nonlinear fault model. A system testing experiment using the Matlab was carried out. The results show that this method can meet the fault diagnosis requirement and obtain a good result.

Keywords： civil aircraft engine； sensor； fault diagnosis； wavelet transform； RBF neural network； feature extraction

民用航空業(yè)是對設備安全要求非常高的行業(yè)之一，設備是否可靠會對飛機的飛行安全造成直接影響[1]。航空發(fā)動機傳感器是飛機上廣泛應用的一種重要設備，航空發(fā)動機傳感器一旦發(fā)生故障會給飛行員或飛機控制系統(tǒng)傳遞錯誤的信號或無法傳遞信號，這將對飛行安全產(chǎn)生威脅[2]。因此，如何快速查找到被測設備的故障點，已成為民航業(yè)一項重要研究課題。本文研究一種基于小波變換和RBF神經(jīng)網(wǎng)絡結(jié)合的民航發(fā)動機傳感器故障診斷方法。通過小波變換對采集數(shù)據(jù)加以預處理，用經(jīng)過學習的RBF神經(jīng)網(wǎng)絡分類器加以故障鑒定。經(jīng)過試驗驗證該方法能夠?qū)崿F(xiàn)預期目標，滿足故障診斷要求。

1 非線性故障模型

本文對于環(huán)境及其他因素對航空發(fā)動機傳感器產(chǎn)生影響不做研究，僅研究其非線性分析誤差。

由式（2）可看出，由于非線性因素的存在，使航空發(fā)動機傳感器輸入/輸出函數(shù)關系變得十分復雜。如不及時對非線性故障進行處理，會使測量結(jié)果產(chǎn)生較大誤差，尤其在復合測量系統(tǒng)中，多個航空發(fā)動機傳感器的誤差發(fā)生疊加會使綜合輸出結(jié)果產(chǎn)生更大偏差。民航發(fā)動機傳感器非線性故障[4]主要包括：完全失效故障、恒增益故障和精度下降。

2 非線性故障診斷方法

現(xiàn)代故障診斷方法主要分為基于信號處理的方法、基于解析模型的方法和基于知識的診斷方法三大類[5]。本文采用了第一種策略為指導思想，其過程主要是基于小波變換故障特征提取方法以及基于RBF神經(jīng)網(wǎng)絡故障分類策略。

2.1 基于小波變換的故障特征提取方法

小波變換是一種普遍應用于圖像處理、信號處理及多數(shù)非線性科學領域的變換分析方法，其中小波包變換是小波變換中的一種提高方法。相較于普通小波變換其分辨率更高，多層次劃分頻帶[6]。針對原本未處理的高頻數(shù)據(jù)區(qū)，小波包變換算法能夠?qū)ζ溥M行分解計算。然后依據(jù)數(shù)據(jù)所具特點，自適應選擇合適頻帶，有效提高時頻分辨率，使分解效果更好。

通過小波包變換可以實現(xiàn)對原始樣本的濾波預處理，并有效提取樣本中的特征向量，從而提高計算的準確率和計算速度。

2.2 基于RBF神經(jīng)網(wǎng)絡的故障分類方法

RBF神經(jīng)網(wǎng)絡是一種前饋型神經(jīng)網(wǎng)絡如圖1所示，其結(jié)構(gòu)由輸入層、隱含層和輸出層組成[9]。RBF神經(jīng)網(wǎng)絡是通過隱含層對輸入矢量加以變換，將低維輸入數(shù)據(jù)變換到高維空間內(nèi)，其隱含層空間是采用RBF為隱單元的“基”構(gòu)成； 隱含層空間到輸出層空間通過對隱單元輸出線性加權和，從而得到計算結(jié)果。

該算法學習著重通過計算得到函數(shù)中心ci、寬度參數(shù)σi，以及權值wik。由于和RBF神經(jīng)網(wǎng)絡輸出單元相連突觸權值與隱含層非線性激活函數(shù)是在一種相異“時間尺度”上更新，所以對隱含層與輸出層采取不同種類求取最優(yōu)策略是合理策略[10]。RBF神經(jīng)網(wǎng)絡的隱含層各節(jié)點的學習可經(jīng)過以下階段逐步實現(xiàn)。

1） 無監(jiān)督學習，主要目標為通過算法得到隱含層基函數(shù)ci與σi的值。此階段使用K?均值聚類算法，把所給樣本劃分為多種不同的部分，各部分中的數(shù)據(jù)盡可能具有相同的性質(zhì)，并將基函數(shù)中心置于輸入空間的重要參數(shù)范圍里。[cknm1k=1]即是基函數(shù)于n次計算中心點，其中m1為函數(shù)數(shù)目。

由此，可以根據(jù)所給標準樣本集訓練RBF神經(jīng)網(wǎng)絡，確定其各層節(jié)點數(shù)及拓撲結(jié)構(gòu)。經(jīng)過訓練把輸出全局最優(yōu)解作為RBF神經(jīng)網(wǎng)絡的最佳參數(shù)，從而在待測樣本中實現(xiàn)故障分類。

3 非線性故障診斷實現(xiàn)

3.1 故障診斷流程

為了驗證診斷方法有效性，設計實驗以空客A320所使用 CFM56?5發(fā)動機溫度傳感器作為研究對象。首先建立樣本庫，分別令溫度傳感器在正常狀態(tài)和3種非線性故障狀態(tài)下，通過熱電偶檢測裝置提供0～650 ℃溫度環(huán)境，以5 ℃的梯度加溫。對各狀態(tài)下輸出參數(shù)進行記錄，并以此作為系統(tǒng)原始數(shù)據(jù)。

1） 將溫度傳感器標準信號及故障狀態(tài)下獲取采樣記錄，運用小波變換將其施加預處理。由此得到特征向量來訓練RBF神經(jīng)網(wǎng)絡，使其具備識別被測設備故障類型功能。

2） 對待測溫度傳感器施加外部激勵，并進行樣本采樣。用小波變換算法向樣本實施預處理，獲得特征向量。

3） 把采集得到特征向量送給已訓練過RBF神經(jīng)網(wǎng)絡，實施故障辨識。

4） 輸出被測設備故障信息，并確定其所處狀態(tài)種類。

3.2 故障診斷理論

以工控機作為故障診斷的系統(tǒng)核心控制器，由直流電源和熱電偶檢測器提供航空發(fā)動機傳感器所需要的電源和溫度外部激勵，以萬用表作為航空發(fā)動機傳感器輸出量采集設備。前文已討論傳感器非線性故障的三種類型，在各狀態(tài)下，用熱電偶溫度讀取設備分別獲得130個測量數(shù)據(jù)，送入診斷系統(tǒng)中。首先用小波變換進行數(shù)據(jù)預處理，將數(shù)據(jù)代入式（8）、式（9）進行預處理，減少數(shù)據(jù)誤差。然后把經(jīng)過預處理的數(shù)據(jù)代入式（10），做歸一化處理。收集各狀態(tài)特征向量，分別取20組數(shù)據(jù)用以訓練RBF神經(jīng)網(wǎng)絡，經(jīng)小波變換濾波后提取到的4種狀態(tài)下特征向量平滑擬合曲線如圖2所示。表1為特征向量和傳感器狀態(tài)之間對應關系比較，有明顯的數(shù)據(jù)特征。

3.3 診斷結(jié)果分析

為了驗證本策略具有提升功能，把同樣樣本數(shù)據(jù)分別輸入本方法與BP神經(jīng)網(wǎng)絡的故障診斷方法進行分類結(jié)果對比，見表2。通過比較能夠得到，本方法相較BP神經(jīng)網(wǎng)絡方法在效果上有明顯提升，時長縮短0.03 s。所以此方法在民航發(fā)動機傳感器故障鑒別中可以提高正確率，并提升效率。

4 結(jié) 語

本文研究一種基于小波變換和RBF神經(jīng)網(wǎng)絡分類器的民航發(fā)動機傳感器的非線性故障診斷方法，經(jīng)實驗驗證本文方法能夠正確鑒定其故障類型，一定程度上提高其效率，滿足檢測需求。本理論方法實現(xiàn)對航空發(fā)動機傳感器的自動檢測，降低人力維修成本，為民航故障診斷理論提供新思路，為民用飛行提供安全保障。后續(xù)將開展故障診斷、隔離和信號重構(gòu)研究，進一步提升其功用。

參考文獻

[1] GUO S， HE L， GU Y， et al. Opportunistic flooding in low?duty?cycle wireless sensor networks with unreliable links [J]. IEEE transactions on computers， 2014， 63（11）： 2787?2802.

[2] HAN J， SHAO L， XU D， et al. Enhanced computer vision with Microsoft Kinect sensor： a review [J]. IEEE transactions on cybernetics， 2013， 43（5）： 1318?1334.

[3] 王婷，李國勇，呂世軒.基于HPSO?RBF神經(jīng)網(wǎng)絡的瓦斯傳感器故障診斷[J].儀表技術與傳感器，2015（3）：78?81.

WANG Ting， LI Guoyong， L? Shixuan. Gas sensor fault diagnosis based on HPSO?RBF neural network [J]. Instrument technique and sensor， 2015（3）： 78?81.

[4] 王濤，薛薇，呂淮北.航空發(fā)動機控制系統(tǒng)傳感器故障診斷仿真研究[J].計算機仿真，2016，33（2）：56?60.

WANG Tao， XUE Wei， L? Huaibei. Study on sensor fault diagnosis simulation for aircraft engine control system [J]. Computer simulation， 2016， 33（2）： 56?60.

[5] 姜潔，李秋紅，張高錢，等.基于NN?ELM的航空發(fā)動機燃油系統(tǒng)執(zhí)行機構(gòu)故障診斷[J].航空動力學報，2016，31（2）：484?492.

JIANG Jie， LI Qiuhong， ZHANG Gaoqian， et al. Fault diagnosis for actuators of aero?engine fuel system based on NN?ELM [J]. Journal of aerospace power， 2016， 31（2）： 484?492.

[6] 王立平，鄧芳明.基于小波包和GBDT的瓦斯傳感器故障診斷[J].測控技術，2016，35（12）：30?33.

WANG Liping， DENG Fangming. Fault diagnosis for gas sensor based on wavelet package and GBDT [J]. Measurement & control technology， 2016， 35（12）： 30?33.

[7] 胥永剛，孟志鵬，陸明.基于雙樹復小波包變換和SVM的滾動軸承故障診斷方法[J].航空動力學報，2014，29（1）：67?73.

XU Yonggang， MENG Zhipeng， LU Ming. Fault diagnosis method of rolling bearing based on dual?tree complex wavelet packet transform and SVM [J]. Journal of aerospace power， 2014， 29（1）： 67?73.

[8] 楊保海，陳棟，鄭冬喜，等.基于小波包分解和EMD?SVM的軸承故障診斷方法[J].計算機測量與控制，2015，23（4）：1118?1120.

YANG Baohai， CHEN Dong， ZHENG Dongxi， et al. Fault diagnosis method for bearing based on wavelet packet decomposition and EMD?SVM [J]. Computer measurement & control， 2015， 23（4）： 1118?1120.

[9] 臧川，江冰，薛心怡，等.基于小波優(yōu)化神經(jīng)網(wǎng)絡的故障定位算法研究[J].電子技術應用，2014，40（6）：55?58.

ZANG Chuan， JIANG Bing， XUE Xinyi， et al. Fault location algorithm based on wavelet optimizing neural network [J]. Application of electronic technique， 2014， 40（6）： 55?58.

[10] 張坤，郁湧.一種小波神經(jīng)網(wǎng)絡的混沌加密算法研究[J].電子技術應用，2011，37（1）：132?134.

ZHANG Kun， YU Yong. The research of a chaotic encryption algorithm based on wavelet neural network [J]. Application of electronic technique， 2011， 37（1）： 132?134.

[11] 丁慶喜，田福慶，羅榮.基于小波包和改進BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷方法[J].現(xiàn)代電子技術，2013，36（8）：13?16.

DING Qingxi， TIAN Fuqing， LUO Rong. Method for rolling bearing fault diagnosis based on wavelet packet and improved BP neural network [J]. Modern electronics technique， 2013， 36（8）： 13?16.