王玉兵 孫程斌 徐 雷 高贊軍 王 炬

基于BP神經(jīng)網(wǎng)絡(luò)的小型民機蒸發(fā)循環(huán)制冷系統(tǒng)故障診斷研究

王玉兵1孫程斌2徐 雷3高贊軍1王 炬1

（1.中國航空工業(yè)集團公司金城南京機電液壓工程研究中心 南京 210006；2.南京航空航天大學(xué)航空學(xué)院 南京 210016；3.金陵科技學(xué)院 南京 211169）

針對B787蒸發(fā)制冷循環(huán)系統(tǒng)中常見的9種典型故障進行實驗?zāi)M，建立BP神經(jīng)網(wǎng)絡(luò)故障診斷推理模型對故障進行在線診斷，診斷準(zhǔn)確率到達90%以上。同時，為滿足健康管理對“時效性”和“準(zhǔn)確性”的故障檢測本質(zhì)要求，對幾種BP尋優(yōu)算法及其他相關(guān)參數(shù)進行了對比分析，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并采用主元分析法前處理故障數(shù)據(jù)，滿足泛化誤差要求的同時，從整體上降低了網(wǎng)絡(luò)計算時間，為故障在線診斷的“時效性”提供良好保障。

民機蒸發(fā)循環(huán)；故障診斷；神經(jīng)網(wǎng)絡(luò)；優(yōu)化

0 引言

隨著民用航空技術(shù)的發(fā)展，民用小型飛行器的安全性、可靠性及安全保障體系的經(jīng)濟有效性等已經(jīng)成為發(fā)展民用航空技術(shù)中至關(guān)重要的關(guān)鍵問 題[1]。小型蒸發(fā)循環(huán)制冷系統(tǒng)是民用飛行器環(huán)控系統(tǒng)中的重要組成部分，小型蒸發(fā)循環(huán)制冷系統(tǒng)健康管理技術(shù)則是目前主要集中在系統(tǒng)部件、子系統(tǒng)的故障診斷與預(yù)測上，以故障診斷與預(yù)測為技術(shù)核心，發(fā)展出基于診斷模型、預(yù)測規(guī)則、關(guān)鍵參數(shù)測量等方法，但仍有故障診斷不全面、故障產(chǎn)生與傳播不清晰、誤報率高、系統(tǒng)級故障相關(guān)性不明顯、預(yù)測準(zhǔn)精度低、生命周期成本利用率低等問題[2]。

研究民機蒸發(fā)循環(huán)制冷系統(tǒng)中的故障產(chǎn)生、發(fā)展和傳播的機制，并建立診斷和預(yù)測的模型構(gòu) 架[3]，選擇并集成合理的系統(tǒng)診斷與預(yù)測方法，提高監(jiān)測、監(jiān)測系統(tǒng)的信息利用率，實現(xiàn)對系統(tǒng)故障的多角度、多參數(shù)診斷與預(yù)測[4]，完善和提高民機蒸發(fā)循環(huán)制冷系統(tǒng)診斷和預(yù)測水平。

1 BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型

1.1 故障診斷模型

利用神經(jīng)網(wǎng)絡(luò)智能診斷方法對民機蒸發(fā)循環(huán)制冷系統(tǒng)進行故障診斷，首先要從數(shù)據(jù)庫中獲取先驗信息，建立系統(tǒng)正常工作狀態(tài)以及不同故障模式的樣本數(shù)據(jù)，形成系統(tǒng)故障數(shù)據(jù)庫，并進行樣本的學(xué)習(xí)和訓(xùn)練。在訓(xùn)練之后，在特征參數(shù)偏離健康閾值的狀態(tài)下，執(zhí)行對相應(yīng)子系統(tǒng)的故障診斷與預(yù)測，判斷子系統(tǒng)是否會發(fā)生故障，并確定故障模 式[5]。訓(xùn)練及故障診斷流程如圖1所示。

圖1 民機蒸發(fā)循環(huán)制冷系統(tǒng)故障診斷流程

1.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

創(chuàng)建一個具有20個隱含層神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)，隱含層和輸出層均使用弓形傳遞函數(shù)：

預(yù)處理輸入數(shù)據(jù)和輸出數(shù)據(jù)不僅加速了網(wǎng)絡(luò)的訓(xùn)練，同時促進了網(wǎng)絡(luò)的計算收斂，使不同量綱之間的元素具有一定的可比性。網(wǎng)絡(luò)的初始權(quán)值和閾值的元素隨機設(shè)置在[0,1]范圍內(nèi)，用近似平均方差作為性能指標(biāo)函數(shù)，采用最陡梯度下降法更新權(quán)值和閾值。建立的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

使用不同的故障類型數(shù)據(jù)和正常工況數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，通過系統(tǒng)實際參數(shù)輸出與網(wǎng)絡(luò)期望輸出的迭代更新來獲得最佳的BP神經(jīng)網(wǎng)絡(luò)權(quán)重和閾值[6]，從而獲得BP神經(jīng)網(wǎng)絡(luò)推理模型。

2 蒸發(fā)循環(huán)制冷故障模擬實驗系統(tǒng)

2.1 實驗系統(tǒng)組成

圖3 噴氣增焓式蒸發(fā)循環(huán)制冷系統(tǒng)實驗臺

為獲得系統(tǒng)不同故障類型的數(shù)據(jù)及正常運行工況數(shù)據(jù)，設(shè)計搭建了一套噴氣增焓式蒸發(fā)循環(huán)制冷系統(tǒng)實驗臺，如圖3所示。對機載蒸發(fā)循環(huán)制冷系統(tǒng)的常見故障進行模擬，建立故障診斷程序所需的訓(xùn)練樣本，并分析機組運行參數(shù)和故障之間的關(guān)系。

實驗系統(tǒng)由三部分組成：制冷系統(tǒng)、循環(huán)/載冷水系統(tǒng)及電控系統(tǒng)。數(shù)據(jù)采集系統(tǒng)由西門子200模塊、Pt100溫度傳感器和壓力傳感器組成，系統(tǒng)采集的信號通過西門子200數(shù)據(jù)采集設(shè)備與PC機通訊，實現(xiàn)數(shù)據(jù)的連續(xù)采樣和記錄。軟件采用組態(tài)軟件將數(shù)據(jù)存儲在PC機樣本數(shù)據(jù)庫中。

2.2 測量系統(tǒng)設(shè)計

系統(tǒng)關(guān)鍵位置狀態(tài)點測量是實現(xiàn)故障檢測和診斷功能的基礎(chǔ)。機載條件下，制冷系統(tǒng)具有多種故障特征、系統(tǒng)的各種物理參數(shù)互相關(guān)聯(lián)、部分系統(tǒng)參數(shù)難以測量等特點[7]，因此在實驗中，監(jiān)測測點的選擇應(yīng)考慮以下原則：

（1）測量集的完備性。所選取的制冷系統(tǒng)物理參數(shù)測量集為制冷系統(tǒng)物理參數(shù)的一個子集。以常見的正常工況和故障構(gòu)成描述對象空間，測量集相對于該描述空間具有完備性；

（2）測量的可擴充性?？紤]實驗預(yù)選的測量集可能不具有完備性，需要在實驗系統(tǒng)中增加富余測量安裝位置，便于對測量集進行擴充；

（3）測量的精簡性。在基于模式識別的故障診斷系統(tǒng)中，參數(shù)集的冗余性會增加故障檢測與診斷的傳感器數(shù)目，增加系統(tǒng)的成本，增加診斷運算量與運算時間。

圖4 實驗系統(tǒng)測點布置

如存在一組參數(shù)，在正常工況下滿足一定函數(shù)關(guān)系，但在故障工況下呈現(xiàn)不同的變化趨勢，則該組參數(shù)對測量集不構(gòu)成冗余，需要保證參數(shù)的完備性[8]。實驗臺設(shè)計的測點布置如圖4所示，包括：蒸發(fā)器供/出水溫度T1/T2，冷凝器供/出水溫度T3/T4，冷凝器制冷劑進/出口溫度T5/T6，膨脹閥進口溫度T7，蒸發(fā)器制冷劑進/出口溫度T8/T9，閃發(fā)溫度T10，補氣溫度T11，冷凝器制冷劑進/出口壓力P1/P2，膨脹閥進口壓力P3，蒸發(fā)器制冷劑進/出口壓力P4/P5，閃發(fā)壓力P6，補氣壓力P7，共計18個測量點。

2.3 實驗?zāi)M故障設(shè)計

機載蒸發(fā)循環(huán)制冷系統(tǒng)中的部件形式多樣、選擇繁多，系統(tǒng)故障的部件與原因種類復(fù)雜[9]。根據(jù)故障影響系統(tǒng)的方式，分為突發(fā)性故障和漸變性故障。突發(fā)性故障指某一部件短時間內(nèi)完全停止工作，導(dǎo)致系統(tǒng)無法運行或者嚴(yán)重偏離正常工況的故障，如：壓縮機停機、閥門堵死、風(fēng)機停轉(zhuǎn)等。突發(fā)性故障影響嚴(yán)重，但癥狀明顯、易察覺，便于及時采取維護措施。漸變性故障指系統(tǒng)偏離逐漸積累產(chǎn)生的、短時間內(nèi)系統(tǒng)運行無顯著影響的故障，如：冷凝器結(jié)垢、制冷劑泄漏、冷凍水量不足等。漸變性故障發(fā)作周期長、不易察覺，當(dāng)故障征兆明顯時，系統(tǒng)已帶障運行較長時間，系統(tǒng)部件易產(chǎn)生損害，能耗增大。

針對機載蒸發(fā)循環(huán)制冷系統(tǒng)的運行特點，對9種典型的漸變故障工況進行了模擬，包括：補氣管路堵塞、不凝性氣體、冷凝器堵塞、冷卻水不足、載冷水不足、蒸發(fā)器堵塞、冷卻不足、制冷劑欠充、制冷劑過充。實驗數(shù)據(jù)經(jīng)過處理形成機載蒸發(fā)循環(huán)制冷系統(tǒng)漸變故障數(shù)據(jù)庫，使用BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練仿真。

3 診斷模型驗證與優(yōu)化

3.1 BP診斷模型驗證

在MATLAB中建立BP神經(jīng)網(wǎng)絡(luò)模型，設(shè)置隱含層神經(jīng)元個數(shù)和基本參數(shù)，網(wǎng)絡(luò)通過58次迭代，用時14s，學(xué)習(xí)目標(biāo)為均方根誤差MSE小于設(shè)定值10-4，迭代結(jié)束，權(quán)值和閾值更新完畢，圖5、6所示為誤差迭代曲線與歷史誤差分布。誤差迭代曲線中顯示神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差降到1e-4，檢驗樣本的誤差降到1e-3，而測試樣本的誤差降到1e-3以下，說明學(xué)習(xí)目標(biāo)已經(jīng)達到。訓(xùn)練誤差集中于0附近，網(wǎng)絡(luò)訓(xùn)練精度較高。

圖5 誤差迭代曲線

圖6 歷史誤差柱狀圖

對實驗所得400個不同訓(xùn)練樣本的故障集進行推理模型驗證，驗證結(jié)果如圖7所示。

圖7 故障診斷結(jié)果

設(shè)計的BP神經(jīng)網(wǎng)絡(luò)對系統(tǒng)的故障診斷綜合準(zhǔn)確率為95%，對于前8種系統(tǒng)運行狀態(tài)能準(zhǔn)確判斷，準(zhǔn)確率接近100%，但對制冷劑過充故障的診斷率僅為50%，原因可能是儲液罐或者閃發(fā)罐等設(shè)備過充時，系統(tǒng)參數(shù)和正常狀態(tài)時很接近，另一方面，該故障在實際情況中發(fā)生概率較小，且對于擁有儲液罐或閃發(fā)罐的系統(tǒng)影響較小。

3.2 BP診斷模型參數(shù)優(yōu)化

通過對學(xué)習(xí)算法、學(xué)習(xí)目標(biāo)與隱含層節(jié)點數(shù)三個參數(shù)的選擇，根據(jù)參數(shù)構(gòu)建正交表16（45），如表1所示。

表1 正交實驗分析表

從訓(xùn)練時間和泛化誤差兩個優(yōu)化參數(shù)來看，學(xué)習(xí)算法可以選擇trainbr或者trainlm，學(xué)習(xí)目標(biāo)至少設(shè)為1e-4，隱含層神經(jīng)元個數(shù)在10～20左右較優(yōu)。

在完成BP模型參數(shù)優(yōu)化后，使用主元分析法進行診斷輸入?yún)?shù)精簡，對多變量進行降維處理和信息提取。通過線性變換將原始數(shù)據(jù)變換為一組各維線性無關(guān)的表示，用于提取數(shù)據(jù)的主要特征分量[10]。主元矩陣對應(yīng)著最大特征值的個主元代表著系統(tǒng)的特征變化。最佳值的選取通過主元矩陣的協(xié)方差矩陣的累計貢獻率來獲得[11]。

其中，λi(i∈[1,n])是協(xié)方差的非負特征值，且λ1>λ2>?>λn>0。當(dāng)累計貢獻率超過85%所對應(yīng)的k值即為較優(yōu)值。經(jīng)過處理后得出的特征值和累計貢獻率如圖7、8所示。

圖9 不同主元貢獻率與累計貢獻率

從上圖可知，=4的時候，累計貢獻率CV=86.28%。網(wǎng)絡(luò)輸入神經(jīng)元可以從原始數(shù)據(jù)對應(yīng)的18個變成主元空間對應(yīng)下的4個，大大減少了輸入神經(jīng)元，降低了內(nèi)存的占用。

應(yīng)用主元分析后的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果如表2所示。

表2 PCA處理前后的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

應(yīng)用主元調(diào)整后的BP神經(jīng)網(wǎng)絡(luò)降低了故障推理模型的運行時間，泛化誤差變化不明顯，在實時在線檢測民機蒸發(fā)循環(huán)制冷系統(tǒng)時，由于處理數(shù)據(jù)量大，主元優(yōu)化將發(fā)揮重要的作用。

4 結(jié)論

為建立民機蒸發(fā)循環(huán)制冷系統(tǒng)的故障診斷模型，對系統(tǒng)9種典型故障進行了實驗?zāi)M，在故障數(shù)據(jù)庫基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)算法進行了故障診斷推理模型開發(fā)，對存在或潛在的故障進行定位和判斷，獲得了合理有效的故障推理模型，模型準(zhǔn)確率到達90%以上。

在此基礎(chǔ)上，對模型的參數(shù)進行優(yōu)化，提高了泛化準(zhǔn)確率以及計算時間，為在線診斷的及時性提供良好的保障。同時，利用主元分析法對輸入變量進行處理，降低了輸入變量的維度，提高了計算速度。

[1] 姜學(xué)鵬,洪貝,崔嘉,等.綜合飛行器故障預(yù)測與健康管理系統(tǒng)研究[J].工程與技術(shù),2008,(5):14-17.

[2] 常琦,袁慎芳.飛行器綜合健康管理(IVHM)系統(tǒng)技術(shù)現(xiàn)狀及發(fā)展[J].系統(tǒng)工程與電子技術(shù),2009,31(11):2652- 2657.

[3] 洪晟,陶文輝,路君里,等.基于綜合PHM方法的導(dǎo)彈維修保障綜述[J].計算機測量與控制,2012,20(4):862-864, 868.

[4] 劉志偉,劉銳,徐勁松,等.復(fù)雜系統(tǒng)故障預(yù)測與健康管理(PHM)技術(shù)研究[J].計算機測量與控制,2010,18(12): 2687-2689,2751.

[5] 全佳,王旭.飛機燃油系統(tǒng)健康管理體系研究[J].航空維修與工程,2013,(6):90-92.

[6] 謝春麗,張繼洲.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的電控發(fā)動機故障診斷研究[J].湖北汽車工業(yè)學(xué)院學(xué)報,2016,30(2): 18-22,27

[7] 任能.制冷系統(tǒng)故障檢測、診斷及預(yù)測研究[D].上海:上海交通大學(xué),2008.

[8] 曹志坤.制冷陳列柜性能仿真SVM方法的研究及應(yīng)用[D].上海:上海交通大學(xué),2009.

[9] 周觀民,王東霞.基于人工神經(jīng)網(wǎng)絡(luò)的制冷系統(tǒng)工況模擬[J].計算機測量與控制,2015,23(7):2350-2353.

[10] 張新榮.基于PCA的連續(xù)過程性能監(jiān)控與故障診斷研究[D].無錫:江南大學(xué),2008.

[11] [HuaHan, ZhikunCao, BoGu, et al. PCA-SVM-Based Automated Fault Detection and Diagnosis (AFDD) for Vapor-Compression Refrigeration Systems[J]. HVAC&R Research, 2010,16(3):19.

Research on Fault Diagnosis of Small Civil Aircraft Evaporative Circulation Refrigeration System Based on BP Neural Network

Wang Yubing1Sun Chengbin2Xu Lei3Gao Zanjun1Wang Ju1

( 1.Aviation Key Laboratory of Science and Technology on Aero Electromechanical System Integration, Nanjing, 211106;2.Nanjing University of Aeronautics and Astronautics, Nanjing, 210006;3.JinLing Institute of Technology, Nanjing, 211106 )

9 typical faults in the B787 evaporative refrigeration cycle system was simulated by experiment, and the BP neural network was established to diagnose the fault online using the data acquired from experiment, the results showed that diagnostic accuracy reached more than 90%. At the same time, in order to meet the essential requirements of health management for "timeliness" and "accuracy", several BP optimization algorithms and other related parameters were compared, which optimizing the BP neural network structure, and principal component analysis was used to pre-processing fault data. It revealed that the approach met the generalization error requirements and reduced the network computing time as a whole, providing a good guarantee for the "timeliness" of fault online diagnosis.

civil aircraft evaporation cycle; fault diagnosis; neural network; optimization

V245

A

1671-6612（2020）03-316-05

王玉兵（1980.2-），男，碩士，研究員，E-mail：wangyb@neias.cn

孫程斌（1992-），男，在讀博士研究生，E-mail：346945396@qq.com

2019-06-27