基于多分类器融合的飞机机电系统故障诊断研究

基于多分类器融合的飞机机电系统故障诊断研究

李晓飞

海装沈阳局驻沈阳地区某军事代表室 辽宁省沈阳市 110850

摘要：在飞机运行过程中，为了保证飞机的稳定性与安全，要加大对机电系统的重视。机电系统故障是导致飞机故障的主要原因之一，其传感器信号状态复杂，使用传统基于单分类器的诊断方法无法取得理想的效果，诊断准确率难以得到进一步提升，虚警率和漏判率较高。本文在充分分析飞机机电系统常见故障信号的基础上，探究数据融合技术在故障诊断中的应用，深入研究多分类器融合诊断算法。

关键词：多分类器融合；飞机机电系统；故障诊断

引言

随着复杂的高精密伺服控制系统广泛应用于三代机、四代机等新机，飞机附件检修已不再是机、电、液相互独立的专业，而是逐步发展为一门综合机电液等相关技术的综合性应用专业，因此，建设综合机电液于一体的飞机机电液系统检修科研与实训平台成为适应这一发展的必然趋势，这也是目前航空维修领域研究的热点和难点之一。

1研究背景

现代飞机的制造价值和科技含量越来越高，同时也对飞机的安全性能提出了更高的要求。飞机机电系统是保障飞机各项工作正常运行的重要组成部分，在飞机机电设备综合管理、载荷管理和控制、系统防护、电力能源、非电力能源及燃料管理、生命保障等方面扮演着至关重要的角色。飞机机电系统故障是导致飞机安全事故的重要因素之一，其故障诊断受到了相关领域极大的重视。飞机机电系统是典型的复杂非线性系统，其中包含有十三个独立子系统。各子系统之间分工明确，分别负责实现飞机的不同功能。环控子系统、液压子系统与起落架子系统是飞机机电系统中最具有代表性的三个子系统。环控子系统主要负责飞机环境控制的工作，为飞机运行的安全性、舒适性、可靠性提供了重要的保障。随着时代的发展，人们对于飞机运行提出了更高的要求，对环控子系统进行及时有效的故障诊断成为了航空航天领域中十分热门的研究方向。环控子系统中分布有许多附属分系统，例如负责调节舱内温度的加温和制冷分系统，负责舱内气压平衡和湿度平衡的调节控制分系统等。

2飞机机电系统故障诊断技术

2.1电机故障

电机是飞机的动力来源，在飞机传动中起到了至关重要的作用。电机运行时，转子高速旋转，电机轴承承载着强大的载荷，在长时间的运行过程中轴承很有可能会发生故障，根据相关研究统计有接近四成的电机故障是由电机轴承故障导致的。电机轴承是飞机电机的重要元件，飞机运行中电机轴承受到交变力的作用非常容易发生故障，在实际中发生频率最高的故障形式有腐蚀、断裂、剥落等几种。其中疲劳剥落是轴承最为常见的失效形式之一，轴承剥落失效包括有内圈故障、外圈故障和滚动体故障三类。

2.2渐变性故障信号

渐变性故障信号是一种比较难以鉴别的故障信号，因为此类信号在故障发生早期变化十分微弱，一般诊断方法难以快速准确识别，给飞机机电系统的平稳安全运行埋下了严重的安全隐患。渐变性故障信号的特点是故障发生前期变换微弱且缓慢，在元件将要失效的时候才发生明显变化，例如轴承磨损引起的信号变化在前期十分微弱，在磨损严重至轴承失效时信号才会剧烈变化。进行故障诊断过程中，此类信号数据也变化十分缓慢，难以准确估计元件失效的时间。在飞机机电综合系统中，特别是在起落架作动系统中设计有大量材质不同的机械器件，如轴承、齿轮等。机械器件在实际工程中必然会面对因为磨损而带来的失效，器件在磨损初期时传感器信号变化缓慢不易察觉，而在磨损达到一定程度后失效曲线斜率会变化剧烈，最终导致轴承变形甚至断裂等严重的故障。

3机电系统多分类器融合故障诊断方法研究

3.1模块方案设计及关键技术分析

基于卷积神经网络的故障诊断模块卷积神经网络出现于1980年以后，是一类典型的端到端前馈神经网络，信号做为输入进入网络后无需特征提取的步骤便可以得到输出。CNN在图像识别领域应用广泛，善于从高维数据中直接提取出敏感数据，在复杂非线性系统的故障诊断有着广泛的应用。卷积神经网络的基本组成有：输入层、卷积层、激活层、池化层、全连接层、输出层。卷积层的功能为通过卷积运算增强特征，降低原始信号中噪音的影响；激活层目的是增加系统非线性因素，增强网络的表达能力；池化层主要工作是降低数据的尺寸，目的是减少神经网络的参数，提高运算效率，同时提高模型的抗干扰能力；全连接层与所有特征相连接，将样本从特征空间映射到标签然后进行分类和输出结果。其中，卷积层和池化层交替堆叠出现。以往的神经网络的神经元全部连接到了上一层的每一个神经元，这种连接方式称作全连接；局部连接方式是前后两层神经元非全部相连，全连接神经网络会使用更多的网络参数，网络训练难度较大，局部连接方式可以有效减少网络训练需要的参数，简化网络结构。CNN使用采用局部连接方式，使用小于输入尺寸的滤波器提取局部特征，显著降低了网络训练难度。在卷积层上CNN使用了共享权值的连接方式。权值共享的含义是以不变的步长使用同一个卷积核遍历一次输入，这种方式可以降低训练复杂度，简化训练参数，防止过拟合的发生。

3.2基于循环神经网络的故障诊断模块

飞机机电系统传感器信号数据具有很强的时域相关性，但是CNN没有记忆功能，在处理传感器时间序列时不能有效利用信号的时序信息，因此在诊断渐变性故障信号和间歇性故障信号时效果并不理想，容易发生误判和漏判。因此本文提出的多分类器融合诊断方案中加入了循环神经网络分类器，用来提高与历史数据关系密切的渐变性故障信号和间歇性故障信号的诊断准确率。传统的神经网络，也称为前馈神经网络，依赖于建立信号特征与分类标签之间的关系进行分类，此类方式忽略了过去信号与当前信号之间的联系。对于复杂系统的故障信号来说，前序的故障信号与当前信号之间有着密切联系，例如飞机机电系统中轴承的渐变性故障信号，数据有很强的时序特征，包含许多时间相关信息，前序信号和当前信号以及后序信号之间关系密切，这种信号前期变化十分缓慢，直到接近轴承发生失效时才会剧烈变化，因此渐变性故障信号的诊断难点在于如何在故障信号变化前期便进行准确诊断。而前馈神经网络缺乏对过去前后信号之间的分析，难以对渐变性故障信号进行及时的诊断。循环神经网络(RecurrentNeuralNetwork，RNN)的神经元在某时刻的输出可以作为输入再次输入到神经元，RNN能够对过去数据产生记忆状态，充分利用输入信号的时序信息，利用串联的特殊结构保持输入中的依赖关系，对序列数据处理存在明显的优势。上述特点非常适合用作复杂非线性系统的故障诊断过程，可以充分利用信号中包含的时序信息，使过去信号的特征参与到对当前信号的诊断中。RNN主要的组成部分有输入层、隐含层和输出层并加入了内部反馈连接。在RNN隐藏层中当前时刻信号和前序隐藏层输出同时存在，这种特征使得RNN具备有记忆特性，也表示了当前时刻的信号受到过去时刻信号的影响。

结束语

随着时代的进步和科技的发展，我国航空航天事业取得了飞速的进步，现代飞机的制造价值和科技含量越来越高，如何确保飞机飞行的安全性成了当下值为重要的研究话题之一。飞机机电系统是保障飞机各项工作正常运行的重要组成部分，在飞机系统里面扮演着至关重要的角色，对飞机机电系统进行科学、合理的故障诊断变得比以往任何时候都更加重要。

参考文献

[1]任杰.飞机机电综合管理系统研究与应用[D].电子科技大学,2018:2-14

[2]万鹏.基于征兆分析的飞控地面故障诊断系统研究与实现[D].电子科技大学,2018：33-65

[3]柳新民.机电系统BIT间歇性故障虚警抑制技术研究.国防科学技术大学,2005:36-40

[4]吕文龙,王甲峰.机内自检测BIT对安全和维修的影响[C].航空安全与装备维修技术学术研讨会,2014(1),352-355