一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法
【技术领域】
[0001] 本发明涉及旋转作动器故障检测、隔离与健康评估的技术领域，具体涉及一种飞 机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法。
【背景技术】
[0002] 旋转作动器具有大转速/质量比、简单紧凑的结构、快速动态响应的优点，已经广 泛应用于飞机、船舶和坦克中。驱动装置是旋转作动器的重要组成部分，飞机旋转作动器 驱动装置故障将影响整个飞机的安全稳定运行，造成巨大的经济损失甚至是不可预知的后 果。因此，保证飞机旋转作动器驱动装置的正常工作在实际应用中具有重要意义。
[0003] 目前，几乎没有关于飞机旋转作动器驱动装置故障检测、隔离和健康评估的相关 研宄，仅有的一些研宄往往又忽略了各种干扰的影响，难以应用到实际工程中。
[0004] 通常，故障检测、隔离和健康评估的方法可以分为基于物理模型的方法和基于数 据驱动的方法。基于物理模型的方法要求对研宄对象的结构机理有很清楚的认识，需要确 定准确的数学模型。由于飞机旋转作动器的结构非常复杂，而且往往具有非线性特性，很 难获取准确的物理模型。基于数据驱动的方法无需精确的系统模型，仅利用监测数据就可 以进行故障检测与评估，近年来在复杂系统中的应用很广泛。张昌凡等在分析感应电机定 子绕组和转子绕组故障特性的基础上进行了故障建模，并利用感应电机d-q坐标系的状态 空间数学模型提出了一种鲁棒观测器的设计方法，该方法对未知输入扰动具有较好的鲁棒 性，对绕组故障具有较高的灵敏度。吕琛等提出了一种基于混沌特性的评估轴承健康状态 的方法。2006年Jayakumar和Das提出了一种基于观测器的飞机控制系统故障检测、隔离 和重构方法。李晓雄等通过建立一套稳健的自适应观测器，提出了一种飞机控制系统故障 隔离和重构的方法。可见，观测器在复杂系统/装备中的得到了很好的应用。
[0005] 神经网络方法，作为一种基于数据驱动的方法，可以实现非线性和鲁棒性的故障 检测、隔离和健康评估。在神经网络方法中，RBF神经网络具有更好的逼近能力、更快的学 习能力、更好的鲁棒性，可以避免局部最小值，用于精确跟踪控制系统模型的改变，并能自 适应地改变自身神经网络参数，从而实现飞机旋转作动器驱动装置的故障检测、隔离和健 康评估。同时，由于飞机旋转作动器驱动装置工作环境多变，故障阈值将受到系统输入、随 机干扰、工况扰动、参数漂移、建模误差、随机噪声等的影响，传统的基于固定阈值的故障检 测、健康评估方法已无法满足实际工程应用的需求。因此，利用RBF神经网络良好的学习能 力和鲁棒性，产生故障的自适应阈值。SOM神经网络具有高度的自组织、自适应能力，能够对 样本进行自动聚类，因此应用SOM进行故障分类和健康评估。虽然基于神经网络的故障检 测、隔离和健康评估方法已经被成功地应用于工程实际，但是在飞机旋转作动器驱动装置 上的应用还没有研宄。
【发明内容】
[0006] 基于以上分析，为了解决飞机旋转作动器驱动装置故障检测、隔离和健康评估，本 发明提出了一套基于双极RBF神经网络观测器和SOM神经网络的自适应故障检测、隔离和 健康评估方法。
[0007] 本发明采用的技术方案为：一种飞机旋转作动器驱动装置自适应故障检测、隔离 与健康评估的方法，具体步骤如下：
[0008] 步骤1、通过分析飞机旋转作动器驱动装置的结构，建立飞机旋转作动器驱动装置 的仿真模型；
[0009] 步骤2、针对飞机旋转作动器驱动装置的故障检测方法，利用输入指令信号和输出 角位移信号，建立双级RBF神经网络残差生成器和自适应阈值生成器，实现飞机旋转作动 器驱动装置的故障检测；
[0010] 步骤3、针对飞机旋转作动器驱动装置的故障隔离方法，利用输入指令信号和输出 角位移信号，应用两套双级RBF神经网络建立故障观测器，实现飞机旋转作动器驱动装置 的故障定位；
[0011] 步骤4、针对飞机旋转作动器驱动装置的健康评估方法，利用一级RBF残差生成器 获取故障残差值，利用驱动装置正常工作状态下的残差值训练SOM神经网络，而后利用训 练好的SOM神经网络实现飞机旋转作动器驱动装置的健康评估。
[0012] 进一步的，所述的飞机旋转作动器驱动装置为闭环反馈系统，基本由控制模块、伺 服阀、液压马达、减速机构和执行机构组成；在控制回路中有两个角位移传感器用来反馈系 统信息，帮助执行结构获得最适当的角度；在实际应用中，伺服阀和液压马达的参数很难获 取，因而在仿真中，获取的数据是控制信号和减速机构的反馈信号即驱动装置前一时刻的 位移输出信号。
[0013] 进一步的，所述的针对飞机旋转作动器驱动装置的故障检测方法，包含双级RBF 神经网络，其中，一级RBF神经网络作为残差生成器，网络输入为控制指令和前一时刻系统 输出的位移信号，输出为驱动装置位移信号的估计值，该估计值与系统实际输出位移信号 的差值即为残差值；而二级RBF神经网络作为自适应阈值生成器，输入为系统控制指令和 驱动装置位移信号的估计值，输出为自适应的故障阈值；通过比较当前时刻的残差值和自 适应阈值的相对大小，判断当前时刻设备的健康状态，实现驱动装置的故障检测。
[0014] 进一步的，所述的针对飞机旋转作动器驱动装置的故障隔离方法，包含两个故障 观测器，每个观测器由一组双级RBF神经网络组成，其中一级RBF神经网络作为残差生成 器，网络输入为控制指令和前一时刻驱动装置输出的位移信号，输出为驱动装置位移信号 的估计值，该估计值与驱动装置实际输出位移信号的差值即为残差值；而二级RBF神经网 络作为自适应阈值生成器，输入为系统控制指令和驱动装置位移信号的估计值，输出为自 适应的故障阈值；两个观测器分别位于驱动装置闭环控制系统的内外两个回路中，根据两 个观测器的输出信息，判断内外回路是否故障，进而可以判断故障具体的发生位置，从而实 现驱动装置的故障隔离。
[0015] 进一步的，所述的针对飞机旋转作动器驱动装置的健康评估方法，包含一个一级 RBF神经网络和一个SOM神经网络，其中一级RBF神经网络作为残差生成器，网络输入为 控制指令和前一时刻驱动装置输出的位移信号，输出为驱动装置位移信号的估计值，该估 计值与驱动装置实际输出位移信号的差值即为残差值；利用驱动装置正常工作状态下一级 RBF神经网络产生的残差值训练SOM神经网络；之后，将从驱动装置实际运行时获取的残差 值作为训练好的S0M神经网络的输入，计算最小量化误差MQE值，并归一化得到0-1之间的 CV值，实现驱动装置的健康评估。
[0016] 本发明与现有技术相比的优点在于：
[0017] (1)针对飞机旋转作动器驱动装置故障检测、隔离与健康评估相关研宄匮乏，研 宄成果实际应用效果有待提高的现状，提出了一套完整的飞机旋转作动器驱动装置故障检 测、隔离与健康评估的有效方法；
[0018] (2)利用双级RBF神经网络，获取残差并得到了自适应的故障阈值，弥补了固定阈 值带来的问题，提高了故障检测的准确率，降低了检测虚警率。
[0019] (3)通过分析飞机旋转作动器驱动装置的结构，利用两组双级RBF神经网络构成 两个观测器对内外回路进行故障检测，实现了飞机旋转作动器驱动装置的故障定位和隔 离。
[0020] (4)应用一级RBF神经网络观测器和S0M神经网络结合，利用残差值进行性能评 估，实现了飞机旋转作动器驱动装置的健康评估。同时，应用S0M神经网络进行健康评估， 只需要驱动装置正常运行时的数据而无需故障数据，有效提高了性能评估的工程实用性。
【附图说明】
[0021] 图1为本发明方法的整体流程图；
[0022] 图2为飞机旋转作动器驱动装置基本结构；
[0023] 图3为典型的单隐含层前馈神经网络结构；
[0024] 图4为故障观测器的建立；
[0025] 图5为故障隔离的策略图；
[0026] 图6为S0M神经网络的结构图；
[0027] 图7为正常状态下1号观测器的残差值和故障阈值；