一种民航发动机传感器非线性故障诊断方法

摘 要： 针对民航发动机传感器非线性故障，研究基于小波变换与RBF神经网络结合的故障诊断方法。通过小波变换对数据样本加以特征提取，根据非线性故障模型，以训练后的RBF神经网络实施分类。通过实验于Matlab中进行系统测试，结论证实此方法可以实现故障诊断要求，取得了较好效果。

关键词： 民航发动机； 传感器； 故障诊断； 小波变换； RBF神经网络； 特征提取

中图分类号： TN949.6+4⁃34； TP277 文献标识码： A 文章编号： 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

民用航空業是对设备安全要求非常高的行业之一，设备是否可靠会对飞机的飞行安全造成直接影响[1]。航空发动机传感器是飞机上广泛应用的一种重要设备，航空发动机传感器一旦发生故障会给飞行员或飞机控制系统传递错误的信号或无法传递信号，这将对飞行安全产生威胁[2]。因此，如何快速查找到被测设备的故障点，已成为民航业一项重要研究课题。本文研究一种基于小波变换和RBF神经网络结合的民航发动机传感器故障诊断方法。通过小波变换对采集数据加以预处理，用经过学习的RBF神经网络分类器加以故障鉴定。经过试验验证该方法能够实现预期目标，满足故障诊断要求。

1 非线性故障模型

本文对于环境及其他因素对航空发动机传感器产生影响不做研究，仅研究其非线性分析误差。

由式（2）可看出，由于非线性因素的存在，使航空发动机传感器输入/输出函数关系变得十分复杂。如不及时对非线性故障进行处理，会使测量结果产生较大误差，尤其在复合测量系统中，多个航空发动机传感器的误差发生叠加会使综合输出结果产生更大偏差。民航发动机传感器非线性故障[4]主要包括：完全失效故障、恒增益故障和精度下降。

2 非线性故障诊断方法

现代故障诊断方法主要分为基于信号处理的方法、基于解析模型的方法和基于知识的诊断方法三大类[5]。本文采用了第一种策略为指导思想，其过程主要是基于小波变换故障特征提取方法以及基于RBF神经网络故障分类策略。

2.1 基于小波变换的故障特征提取方法

小波变换是一种普遍应用于图像处理、信号处理及多数非线性科学领域的变换分析方法，其中小波包变换是小波变换中的一种提高方法。相较于普通小波变换其分辨率更高，多层次划分频带[6]。针对原本未处理的高频数据区，小波包变换算法能够对其进行分解计算。然后依据数据所具特点，自适应选择合适频带，有效提高时频分辨率，使分解效果更好。

通过小波包变换可以实现对原始样本的滤波预处理，并有效提取样本中的特征向量，从而提高计算的准确率和计算速度。

2.2 基于RBF神经网络的故障分类方法

RBF神经网络是一种前馈型神经网络如图1所示，其结构由输入层、隐含层和输出层组成[9]。RBF神经网络是通过隐含层对输入矢量加以变换，将低维输入数据变换到高维空间内，其隐含层空间是采用RBF为隐单元的“基”构成； 隐含层空间到输出层空间通过对隐单元输出线性加权和，从而得到计算结果。

该算法学习着重通过计算得到函数中心ci、宽度参数σi，以及权值wik。由于和RBF神经网络输出单元相连突触权值与隐含层非线性激活函数是在一种相异“时间尺度”上更新，所以对隐含层与输出层采取不同种类求取最优策略是合理策略[10]。RBF神经网络的隐含层各节点的学习可经过以下阶段逐步实现。

1） 无监督学习，主要目标为通过算法得到隐含层基函数ci与σi的值。此阶段使用K⁃均值聚类算法，把所给样本划分为多种不同的部分，各部分中的数据尽可能具有相同的性质，并将基函数中心置于输入空间的重要参数范围里。[cknm1k=1]即是基函数于n次计算中心点，其中m1为函数数目。

由此，可以根据所给标准样本集训练RBF神经网络，确定其各层节点数及拓扑结构。经过训练把输出全局最优解作为RBF神经网络的最佳参数，从而在待测样本中实现故障分类。

3 非线性故障诊断实现

3.1 故障诊断流程

为了验证诊断方法有效性，设计实验以空客A320所使用 CFM56⁃5发动机温度传感器作为研究对象。首先建立样本库，分别令温度传感器在正常状态和3种非线性故障状态下，通过热电偶检测装置提供0～650 ℃温度环境，以5 ℃的梯度加温。对各状态下输出参数进行记录，并以此作为系统原始数据。

1） 将温度传感器标准信号及故障状态下获取采样记录，运用小波变换将其施加预处理。由此得到特征向量来训练RBF神经网络，使其具备识别被测设备故障类型功能。

2） 对待测温度传感器施加外部激励，并进行样本采样。用小波变换算法向样本实施预处理，获得特征向量。

3） 把采集得到特征向量送给已训练过RBF神经网络，实施故障辨识。

4） 输出被测设备故障信息，并确定其所处状态种类。

3.2 故障诊断理论

以工控机作为故障诊断的系统核心控制器，由直流电源和热电偶檢测器提供航空发动机传感器所需要的电源和温度外部激励，以万用表作为航空发动机传感器输出量采集设备。前文已讨论传感器非线性故障的三种类型，在各状态下，用热电偶温度读取设备分别获得130个测量数据，送入诊断系统中。首先用小波变换进行数据预处理，将数据代入式（8）、式（9）进行预处理，减少数据误差。然后把经过预处理的数据代入式（10），做归一化处理。收集各状态特征向量，分别取20组数据用以训练RBF神经网络，经小波变换滤波后提取到的4种状态下特征向量平滑拟合曲线如图2所示。表1为特征向量和传感器状态之间对应关系比较，有明显的数据特征。

3.3 诊断结果分析

为了验证本策略具有提升功能，把同样样本数据分别输入本方法与BP神经网络的故障诊断方法进行分类结果对比，见表2。通过比较能够得到，本方法相较BP神经网络方法在效果上有明显提升，时长缩短0.03 s。所以此方法在民航发动机传感器故障鉴别中可以提高正确率，并提升效率。

4 结 语

本文研究一种基于小波变换和RBF神经网络分类器的民航发动机传感器的非线性故障诊断方法，经实验验证本文方法能够正确鉴定其故障类型，一定程度上提高其效率，满足检测需求。本理论方法实现对航空发动机传感器的自动检测，降低人力维修成本，为民航故障诊断理论提供新思路，为民用飞行提供安全保障。后续将开展故障诊断、隔离和信号重构研究，进一步提升其功用。

参考文献

[1] GUO S， HE L， GU Y， et al. Opportunistic flooding in low⁃duty⁃cycle wireless sensor networks with ueliable 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，李国勇，吕世轩.基于HPSO⁃RBF神经网络的瓦斯传感器故障诊断[J].仪表技术与传感器，2015（3）：78⁃81.

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

[4] 王涛，薛薇，吕淮北.航空发动机控制系统传感器故障诊断仿真研究[J].计算机仿真，2016，33（2）：56⁃60.

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

[5] 姜洁，李秋红，张高钱，等.基于NN⁃ELM的航空发动机燃油系统执行机构故障诊断[J].航空动力学报，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，邓芳明.基于小波包和GBDT的瓦斯传感器故障诊断[J].测控技术，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] 胥永刚，孟志鹏，陆明.基于双树复小波包变换和SVM的滚动轴承故障诊断方法[J].航空動力学报，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] 杨保海，陈栋，郑冬喜，等.基于小波包分解和EMD⁃SVM的轴承故障诊断方法[J].计算机测量与控制，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.基于小波优化神经网络的故障定位算法研究[J].电子技术应用，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] 张坤，郁湧.一种小波神经网络的混沌加密算法研究[J].电子技术应用，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] 丁庆喜，田福庆，罗荣.基于小波包和改进BP神经网络的滚动轴承故障诊断方法[J].现代电子技术，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.

推荐访问:民航 传感器 发动机 故障诊断 方法