文献标识码:A
DOI:10.16157/j.issn.0258-7998.2015.09.038
中文引用格式:郭晓静,宋胜博,张杨. 基于可测信息源的APU故障智能诊断方法研究[J].电子技术应用,2015,41(9):139-141,145.
英文引用格式:Guo Xiaojing,Song Shengbo,Zhang Yang. Study on the APU fault intelligent diagnosis based on measurable information[J].Application of Electronic Technique,2015,41(9):139-141,145.
0 引言
APU(Auxiliary Power Units)即辅助动力装置,其核心部件是一个安装在飞机尾部的小型燃气涡轮发动机。APU除了无法为飞机提供推力外,它几乎可以代替飞机引擎的所有功能,可以为飞机引擎的启动、空调等提供气源,在紧急情况下为飞机提供电源等。因此,APU成为现代飞机上面一个不可或缺的设备。国内、外对飞机主引擎的运行状况十分重视并已取得了很大成功。而对APU的性能监控与可靠性研究基本上处于空白阶段,仍然依靠事后定点维修的方法,这使得APU常常工作在亚健康状态,直至出现重大故障才会对其进行维修,这不仅增大了航空公司的运营成本,也对飞机的飞行安全产生严重影响。
针对以上状况,本文在借鉴对飞机引擎故障智能诊断方面经验的基础上,提出了利用数字滤波算法和BP神经网络来建立APU故障智能诊断系统,该系统通过分析处理APU上面监控传感器输出的数据,以期可以尽早发现APU潜在的前期故障,进而提醒机务维修人员及早对APU进行维修。利用本实验室与南航沈阳维修基地相关项目采集的数据,建立了基于可测信息源的APU智能故障诊断系统;并利用APS3200型APU的数据样本进行分析诊断,结果表明该系统可以实现APU潜在故障的诊断,且诊断正确率较高,满足项目预期要求[1-2]。
1 APU故障智能诊断系统
如果APU在运行时发生故障,相应的监测传感器输出参数会发生变化,故障不同,传感器输出参数也会发生相应的变化。因此,可以通过分析和处理这些传感器输出参数的变化情况,进而智能化地诊断出APU的故障(种类、严重程度及发生部位),这便是APU故障智能诊断系统。
1.1 APU传感器信号获取与分析
APU性能监控参数(即传感器输出数据)通过进入MCDU(Main Centralized Display Unit)中的数据记忆模块DMM获得,在DMM中关于APU的性能监控参数多达一百多个。本文在进行故障智能诊断时根据一线APU机务维修人员经验、厂家建议以及实际诊断需求分析,选取了其中几个重要的参数作为APU性能监控参数。本文主要选取了NPA(峰值转速)、EGTP(峰值温度)、STA(APU启动时间)、EGT(排气温度)、PT(引气压力)、WB(引气流量)、OT(滑油温度)等作为APU故障监控数据源。
APU监控传感器输出的信号中含有丰富的、能够反映APU实时运行状态的有用信息,但由于APU工作时会产生高温、高压、强震动等恶劣环境参数,传感器输出的信号中会混有大量噪声以及干扰成分。为了消除和降低噪声及干扰的影响,在提取信号后对信号进行分析处理时,首先需要将APU监控传感器输出的信号进行数字滤波处理,将信号中的野点和坏值剔除,滤掉信号中的随机干扰噪声。在滤波算法上,主要采用小波分析和巴特沃斯数字滤波器。之后需要将采集到的数据进行消除趋势项、归一化等处理[2-4]。
1.2 APU故障智能诊断分析
APU故障智能诊断,就是根据APU运行过程中产生的可测信息源数据,对其性能状态信息进行监测、识别和预测其运行状态变化情况。根据对传感器输出数据的处理,在APU发生事故之前,及时作出智能化的诊断,确保机务维修人员可以尽快查明APU故障发生的原因和可能发生的部位,以便机务维修人员可以及时采取相应决策排出故障,消除故障,减少故障保留,提高APU运行的可靠性和安全性。
故障智能诊断的关键在于找到传感器参数变化状况与APU故障特征参数之间的对应关系。根据机务维修人员实际维修中的经验,APU常见的故障有:(1)整机性能衰减(1,0,0,0,0);(2)转轴机械卡阻(0,1,0,0,
0);(3)起动机故障(0,0,1,0,0);(4)滑油冷却器故障(0,0,0,1,0);(5)燃油组件故障(0, 0, 0, 0, 1)。
2 BP神经网络理论
人工神经网络是由大量模仿人脑细胞处理单元组成的非线性、大规模、自适应学习系统,具有学习、记忆、并行计算以及智能处理功能,其可以在不同程度和不同层次上模仿人脑神经系统并进行信息处理、存储以及检索功能等功能。它具有非线性、非局域性、非定常性和非凸性等特点[3-4]。
本文的故障智能诊断模型中用到的是BP神经网络。三层BP神经网络的典型结构如图1所示。网络的学习过程包括网络内部的前向计算和误差的反向传播计算。在前向计算中,输入信息从输入层经隐含层逐层处理并传向输出层,每一层神经元的状态仅影响下一层的神经元状态。如果在输入层得不到期望的输出,则转入误差反向传播,通过修改各层神经元的连接权值,从而使得误差最小。
取前向网络神经元的激励函数为S型函数,任一节点的输出为Oj,输入为netj,则为节点j与上一层节点i的连接权值,j为节点的门限值。
使用均方型误差函数为目标函数,即:
3 APU故障智能诊断的BP神经网络模型
3.1 APU故障诊断建模方法
设备故障智能诊断的实质是实现设备征兆空间到设备故障空间的映射。设xkn(k=1,2,…,j)对应APU运行状态的第n个观测样本的第j个特征参数,ypn(p=1,2,…,i)对应第n个样本的i种故障模式。共有N个样本,xkn∈RN,ypn∈RN(n=1,2,…,N),则设备故障模式与设备特征参数之间有一定的内在关系,该映射关系可以表示为函数F,则有X=F(Y)。当N→∞时,函数F的逆函数F存在,有Y=F(X)。故设备故障智能诊断的实质就是根据有限的样本集,确定函数F(X)的一个等价映射关系P(X),使得对于任意的>0,均有:
||F(X)-P(X)||=||Y-Q||(8)
式中:Q=P(X)为模型输出,Y=F(X)为标准输出,||·||为定义在样本空间R上的范数[7-10]。
3.2 BP神经网络参数的选择
根据前面对APU典型故障特征的分析,选择APS3200型APU可测信息源中的7个参数作为BP神经网络的输入参数,选择APU比较典型的5种故障模式作为BP神经网络的输出层节点。
为了使系统诊断的正确率较高,将权重设置为较小的随机数,从而避免激活函数在开始时就进入饱和区。在BP网络进行运算时,如果学习速率?琢取值不合适,则BP网络达不到理想的收敛效果;而动量因子取值过大时将会造成网络发散,取值过小时则会使网络收敛速度变慢。根据以往积累的经验,本文将将学习速率设置为?琢=0.36,动量因子设置为?姿=0.56。
由于网络的输入节点物理量纲各不相同,造成各个传感器输出数据大小相差很大,各指标训练样本之间不具备可比性,无法进行综合评估。故在将数据源导入BP神经网络进行分析训练诊断之前,需要对数据进行归一化处理[11-15]。
4 APU故障智能诊断实例
选择APS3200型APU的7个传感器的输出数据作为测试(诊断)数据,这7个信息源如表1所示。故障诊断系统如图2所示。
将采集到的相关传感器检测输出数据经过数字滤波处理,并对其进行归一化处理后,作为系统输入样本数据,经基于改进BP神经网络的故障诊断系统处理后,将APU的健康状况打印输出出来,供机务维修人员使用。部分故障样本数据以及模型诊断结果如表2、表3所示。
根据系统诊断计算,得出的结果是该型APU出现“滑油冷却器故障”故障,在机务人员进行检修时,确实出现该故障。在实际使用中诊断结果的正确性充分证明了该故障智能诊断模型的实用性和可行性。
5 实验结果分析
根据以上系统诊断结果输出可以看出,该智能故障诊断系统诊断结果准确,可以满足实际机务维修需求。同时系统实际应用表明,该智能故障诊断系统可以实现APU故障特征与APU故障的较好映射,可以用于解决APU这种复杂系统的故障诊断问题。该智能故障诊断系统具有重要的工程实践意义与推广价值,对于提高我国民航机务自动化维修水平具有重要意义,同时对提供航空公司经济效益也有重要帮助。
参考文献
[1] 聂继锋.基于故障树分析法的APU故障诊断研究[J].长沙航空职业技术学院学报,2012,12(3):42-46.
[2] 马洪涛.基于神经网络的APU故障智能诊断研究[J].航空维修与工程,2014(3):76-78.
[3] 张金玉,张炜.装备智能故障诊断与预测[M].北京:国防工业出版社,2013.
[4] 傅荟璇,赵红.MATLAB神经网络应用设计[M].北京:机械工业出版社,2010.
[5] 张超.基于自适应振动信号处理的旋转机械故障诊断研究[D].西安:西安电子科技大学,2012.
[6] 李晗,萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策,2011,26(1):1-8.
[7] 李恺钦.基于改进遗传算法的航空发动机故障诊断专家系统[D].南昌:南昌航空大学,2012.
[8] 宋汉.基于信息融合技术的航空发动机故障诊断研究[D].长沙:中南大学,2013.
[9] 陈维兴,王雷,孙毅刚,等.民航发动机状态监测点故障检测方法研究[J].自动化仪表,2014,35(9):65-78.
[10] 王志,艾延延,沙云东.基于BP神经网络的航空发动机整机震动故障诊断技术研究[J].仪器仪表学报,2007,28(4):168-171.
[11] 卓刚.航空发动机智能建模与故障诊断研究[D].南京:南京航空航天大学,2004.
[12] 姜彩虹,孙志岩,王曦.航空发动机预测健康管理系统设计的关键技术[J].航空动力学报,2009,24(11):2589-2594.
[13] 鲁峰.航空发动机故障诊断的融合技术研究[D].南京:南京航空航天大学,2009.
[14] 姚华,单贵平,孙健国.基于卡尔曼滤波器及神经网络的发动机故障诊断[J].航空动力学报,2008,23(6):1111-1117.
[15] BARABIUK R G.Compressive sensing[J].IEEE Signal Processing Magazine,2007,24(4):118-121.