一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法
【技术领域】
[0001] 本发明设及一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健 康评估方法。
【背景技术】
[0002] 随着科学技术的发展，飞机的液压作动系统越来越复杂，自动化水平越来越高，飞 机运行中发生的任何故障或失效不仅会造成重大的经济损失，而且很可能会导致机毁人 亡。通过对飞机运行状况进行检测，对故障发展趋势进行早期诊断，找出故障原因，采取措 施避免设备的突然损坏。因此故障检测可用于及时发现系统是否存在故障，在发生故障后 及时改变任务或为事后维修提供支持。而在故障诊断与健康管理领域，除了故障检测运一 范畴，健康评估具有更实用的指导意义。一般认为事物乃至复杂系统从完好到故障需要经 历=个大阶段，即"健康-亚健康-故障"。在故障诊断与健康管理受到越来越多专家学者 重视的今天，如何能对系统的健康状态进行评估已经成为一个研究热点。准确地评估系统 当前的健康状态，不仅有助于提升对系统的了解和根据系统状态制定适宜的任务，更重要 的是，利用系统的健康评估结果可W执行相应的预防性维修，从而使系统尽可能的转向健 康状态。此外，系统健康状态的评定对于人力人员、备件使用等维修保障资源及相应的维修 保障决策的制定都具有非常大的支持作用。目前对于飞机副翼作动器系统的健康评估方面 的研究较少。目前，常用的系统健康状态评估方法是在故障特征识别的基础上对当前状态 进行评估。运种方法通过对提取的特征向量进行模式识别，根据特征向量匹配系统的健康 状态实现健康评估。因此，它极度依赖历史数据和故障数据，需要保存不同故障程度的数据 和其对应的特征向量。对飞机副翼作动器系统而言，一方面因其具有重要作用必须要评估 其健康状态，另一方面其故障数据又很难获取，因此基于特征识别的方法在实际应用中受 到了一定的限制。由于飞机副翼作动器系统结构紧凑、中间难W加装任何传感器，通常只有 作动器系统输入端的指令信号与输出端的位移信号较容易获取；另外，作动器系统属于精 密反馈控制系统，即使系统发生故障，其输出位移信号也因存在反馈修正环节使得输出信 号包含的故障信息少之又少。因此，评估其健康状态受到了限制。
【发明内容】
[0003] 本发明技术解决问题：克服现有技术的不足，提供一种基于多重分形理论和自组 织映射网络的副翼作动器系统健康评估方法，解决副翼作动器系统的健康评估运一问题。
[0004] 本发明技术解决方案：一种基于多重分形理论和自组织映射网络的飞机副翼作动 器系统健康评估方法，实现步骤如下：
[0005] 第一步，由飞机副翼作动器系统在输入指令作用下的系统输出和故障观测器的输 出构造残差信号；
[0006] 第二步，利用多重分形理论对所述残差信号进行特征提取，获取表征飞机副翼作 动器系统健康状态的特征向量； 阳007] 第立步，将获得的特征向量输入由自组织映射网络（SOM)构成的健康评估模型进 行训练；
[000引第四步，将第二步，获取的特征向量并输入至第S步训练好的健康评估模型中，得 到飞机副翼作动器系统当前状态下的健康度。
[0009] 所述第一步将飞机副翼作动器系统正常工作时获取的输入指令和输出输送至故 障观测器获取残差信号的具体过程如下：
[0010] (11)将输入指令输送到副翼作动器系统W获取系统实际输出； W11](。）将输入指令输送到故障观测器W获取观测器输出；
[0012] (13)由副翼作动器的系统输出和故障观测器的输出得到残差信号。
[0013] 所述第二步，利用多重分形理论对所述残差信号进行特征提取，获取表征飞机副 翼作动器系统健康状态的特征向量的具体过程如下：
[0014] (21)由残差信号通过"支集"计算、子序列划分和多项式拟合方法得到q阶波动函 数。通过对每个子序列进行m阶的多项式拟合，可W有效去除每个子序列中存在的趋势，从 而有利于辨识局部分形特征；所述支集为依照残差信号时间序列定义的一种绝对值时间序 列；
[0015] (22)为了确定波动函数的标度性，对每一个q分析log(Fq(S))和Iog(S)之间的 关系，波动函数的平均值Fq(S)和尺度S之间存在幕律关系。因此由q阶波动函数得到广 义化rst指数，其即为特征向量。
[0016] 所述第S步，将获得的特征向量输入由自组织映射网络（SOM)构成的健康评估模 型进行训练的具体过程如下：
[0017] (31)设定变量和初始化。将残差信号作为输入样本，输入样本直接与输入层相连 并一一对应，起初权值会采用较小的随机值，之后需要对输入向量和权值进行基于欧几里 得范数的归一化处理；
[0018] (32)将样本与权值向量做内积，其内积值可作为判别函数的值，获得最大判别函 数值的输出神经元赢得竞争。接下来对SOM网络进行权值、学习率和拓补领域的迭代更新。
[0019] 所述第四步，将获得的实时特征向量输入由自组织映射网络（SOM)构成的健康评 估模型进行健康状态评估的具体过程如下：
[0020] (41)SOM网络经过训练后会产生与其相匹配的一个最佳匹配单元度MU)，训练完 成后SOM网络会保存该最佳匹配单元的相关参数。在运里我们计算实时特征数据与最佳匹 配单元度MU)之间的距离，即最小量化误差MQE。最小量化误差（MQ巧可定量得出实时数据 与正常数据的偏离状况，即作动器系统当前运行状态与正常状态分别对应的特征空间的偏 移度；
[0021] (42)由于M犯表示的是运行状态与正常状态对应特征空间的偏移度，其直观上并 没有反映出系统的健康程度。因此，尚需要进一步将M犯转化为可W表征健康状态的量值 (0~1)。通过一定的归一化方法，将所得M犯转化为健康度（CV值）。CV值在0到1之间， 此时的CV值就能表征作动器系统当前的健康状态，CV值接近于1表明作动器系统健康状 态良好，CV值的下降表明作动器系统健康状态处于退化阶段。
[0022] 本发明与现有技术相比的优点在于：
[0023] (I) 一般的残差特征提取采用时域分析和频域分析，对于非线性、非平稳的作动器 系统，运两种方法均有一定的局限性。基于分形理论对残差信号进行化rst指数的提取并 计算当前状态的特征向量偏移度，可W实现作动器系统准确的健康状态的评估。
[0024] (2)S0M网络具有无教师、自组织、自学习的特点。此外，该网络的另一个特点是其 内部的所有神经元相互连接，其内部的神经元各自具有不同的分工。与其它网络不同的是， 自组织特征映射网络在学习数据特征的同时也在对数据的拓扑结构进行学习，类似于大脑 神经的特征映射过程。因此，可W实现健康状态的有效评估。
[0025] (3)基于多重分形的作动器健康评估方法利用多重分形去趋势波动分析对残差信 号的广义化rst指数进行提取，利用不同尺度下的化rst指数表征作动器系统的健康状态， 并将广义化rst指数作为基于SOM网络的健康评估模型的输入。通过实例分析结果可知，基 于多重分形的特征提取方法提取的残差广义化rst指数具