張 鑫

（商洛學(xué)院電子信息與電氣工程學(xué)院 商洛 726000）

1 引言

隨著現(xiàn)代科學(xué)技術(shù)的不斷發(fā)展，飛機(jī)上的各種設(shè)備變得越來越先進(jìn)和復(fù)雜，使得故障診斷技術(shù)的應(yīng)用在航空領(lǐng)域顯得愈發(fā)重要［1～3］。在線故障診斷是無人機(jī)機(jī)電系統(tǒng)仿真平臺(tái)需要實(shí)現(xiàn)的基本功能之一。在仿真平臺(tái)下，由于采取用Simulink 模型代替實(shí)物模型作為仿真對(duì)象，因此實(shí)質(zhì)上是對(duì)建立的仿真模型進(jìn)行故障模擬和故障診斷。這要求平臺(tái)能夠?qū)崟r(shí)獲取仿真模型的輸出信號(hào)，結(jié)合機(jī)電系統(tǒng)的相關(guān)故障特征，利用相關(guān)故障診斷方法對(duì)系統(tǒng)進(jìn)行故障診斷。本文結(jié)合某型無人機(jī)機(jī)電系統(tǒng)的故障特點(diǎn)，利用基于粒子群的神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)實(shí)現(xiàn)對(duì)該無人機(jī)的燃油子系統(tǒng)及液冷裝置的故障診斷。

2 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）的簡(jiǎn)稱［4］，是一種具有糾錯(cuò)學(xué)習(xí)功能的多層前饋神經(jīng)網(wǎng)絡(luò)，在目前的模式識(shí)別、故障診斷等領(lǐng)域中的應(yīng)用比較成熟。

BP 神經(jīng)網(wǎng)絡(luò)可以把目標(biāo)與訓(xùn)練樣本輸出的問題轉(zhuǎn)換為非線性的優(yōu)化問題［5］，利用梯度下降法不斷迭代以得到神經(jīng)元間的權(quán)值，最終通過權(quán)值反映輸入輸出間的映射關(guān)系，相當(dāng)于利用訓(xùn)練神經(jīng)網(wǎng)絡(luò)模擬出一個(gè)故障的模式識(shí)別系統(tǒng)，該系統(tǒng)能夠?qū)崟r(shí)接收來自模型反饋回的故障特征數(shù)據(jù)，這樣就可以利用已有的知識(shí)來根據(jù)不同的輸入模式診斷出相應(yīng)的輸出結(jié)果，同時(shí)可根據(jù)需要對(duì)輸入模式再學(xué)習(xí)，以識(shí)別各種需鑒別的模式。

3 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

式中，t 為當(dāng)前迭代步數(shù)，tmax為最大迭代步數(shù)。

用粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)其實(shí)質(zhì)是通過粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值與閾值進(jìn)行尋優(yōu)。選擇神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出與理想輸出間的均方差作為粒子群優(yōu)化時(shí)的適應(yīng)函數(shù)。即適應(yīng)度值函數(shù)可以表示為

式中，N 為訓(xùn)練集的樣本數(shù)，C 為輸出層的神經(jīng)元的個(gè)數(shù)，ydj，i為用第i 個(gè)樣本進(jìn)行訓(xùn)練時(shí)輸出層第j 個(gè)節(jié)點(diǎn)的理想輸出值，yj，i為用第i 個(gè)樣本進(jìn)行訓(xùn)練時(shí)輸出層第j 個(gè)節(jié)點(diǎn)的實(shí)際輸出值。

優(yōu)化后的具體流程如下：

1）進(jìn)行初始化。設(shè)定ω，初始c1和c2，最大迭代次數(shù)tmax，粒子速度和位置的取值范圍，以及初始位置和速度（初始位置為每個(gè)粒子的個(gè)體最優(yōu)位置pid）；

2）根據(jù)式（6）計(jì)算每個(gè)粒子在每一維空間的適應(yīng)度值J ；

3）將當(dāng)前J 與pid進(jìn)行比較，如果J 更好，則用J 代替pid，并將個(gè)體最優(yōu)位置設(shè)置為當(dāng)前位置，否則不變；

4）將J 與pgd進(jìn)行對(duì)比，如果J 更好，則將J設(shè)為pgd，并將群體最優(yōu)位置設(shè)置為當(dāng)前位置，否則不變；

5）根據(jù)式（3）更新ω，式（4）和式（5）更新c1和c2，同時(shí)更新vi和xi；

6）若滿足精度要求或t=tmax，則結(jié)束，否則返回2）繼續(xù)。

優(yōu)化后的的流程圖如圖1所示。

圖1 流程圖

4 機(jī)電系統(tǒng)故障診斷

本文主要對(duì)無人機(jī)的燃油系統(tǒng)及液冷裝置進(jìn)行故障診斷。

1）燃油系統(tǒng)故障診斷

對(duì)燃油系統(tǒng)，主要考慮比較常見的燃油增壓泵故障以及供油管道故障［10～12］。利用建立的模型，分別對(duì)各故障進(jìn)行模擬，包括：（1）左增壓泵故障FF1；（2）右增壓泵故障FF2；（3）供油總管道泄漏故障FF3；（4）供油總管道阻塞故障FF4；（5）供油左管道泄漏故障FF5；（6）供油左管道阻塞故障FF6；（7）供油右管道泄漏故障FF7；（8）供油右管道阻塞故障FF8。

同時(shí)選取左增壓泵流量LQo，左增壓泵出口壓力LPo，右增壓泵流量RQo，右增壓泵出口壓力RPo，左發(fā)入口流量LQE、左發(fā)入口壓力LPE，右發(fā)入口流量RQE、右發(fā)入口壓力RPE作為神經(jīng)網(wǎng)絡(luò)的輸入，以發(fā)動(dòng)機(jī)處于最大耗油狀態(tài)的情況為例，可以得到供油管路故障的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本如表1 所示。

表1 燃油系統(tǒng)輸入樣本

表1中流量單位為m3∕h，壓力單位為105pa。

利用式（7）歸一化處理數(shù)據(jù)：

其中，x'為歸一化后的數(shù)據(jù)，x 為原始數(shù)據(jù)，xmax以及xmin分別為x 的最大值和最小值。由于表中數(shù)據(jù)的數(shù)值大小均分布在0～1.5 之間，歸一化后的輸入矩陣P為

從以上測(cè)試結(jié)果可得，該網(wǎng)絡(luò)對(duì)各種故障模式的 誤 差 依 次 為0.0006，0.0005，0.0148，0.0006，0.0006，0.0923，0.0014，0.0235。該網(wǎng)絡(luò)能夠較好地識(shí)別各種故障。

2）液冷裝置故障診斷

對(duì)液冷裝置，主要考慮較為常見的液冷組件電動(dòng)泵泵故障、液冷管道堵塞故障、液冷管道泄漏故障以及設(shè)備冷板的結(jié)垢故障［13］。利用建立的模型，分別對(duì)各故障進(jìn)行模擬，包括：（1）液冷組件電動(dòng)泵故障EF1；（2）液冷管道堵塞故障EF2；（3）液冷管道泄漏故障EF3；（4）設(shè)備冷板的結(jié)垢故障EF4。

同時(shí)選取液冷組件電動(dòng)泵出口壓力Po，液冷組件電動(dòng)泵出口流量Qo，液冷組件出口溫度To，設(shè)備冷板溫度Td 作為神經(jīng)網(wǎng)絡(luò)的輸入，可以得到該無人機(jī)液冷裝置故障的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本如表2所示。

表2 液冷裝置輸入樣本

表中流量單位為L(zhǎng)∕min，壓力單位為MPa，溫度單位為℃。

歸一化處理后的輸入矩陣P為

同樣最多訓(xùn)練次數(shù)為1000 次，以均方誤差為0.001，使用粒子群優(yōu)化的BP 網(wǎng)絡(luò)算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練結(jié)束后，將樣本數(shù)據(jù)輸入網(wǎng)絡(luò)中，得到診斷結(jié)果如下所示：

從以上的測(cè)試結(jié)果可得，該網(wǎng)絡(luò)對(duì)各種故障模式的誤差依次為0.0091，0.0140，0.0179，0.0369。顯然該網(wǎng)絡(luò)能夠較好地對(duì)各種故障進(jìn)行診斷。

5 結(jié)語

首先介紹了BP 神經(jīng)網(wǎng)絡(luò)和粒子群算法，然后通過粒子群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化。對(duì)于無人機(jī)的燃油系統(tǒng)及液冷裝置所建模型，根據(jù)故障模式設(shè)置相關(guān)的參數(shù)運(yùn)行模型，將得到在不同故障下的傳感器輸出數(shù)據(jù)。將這些數(shù)據(jù)作為樣本數(shù)據(jù)，對(duì)其進(jìn)行歸一化處理，對(duì)粒子群優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。再利用優(yōu)化算法對(duì)故障進(jìn)行診斷，得到了滿意的效果。結(jié)果表明，該算法簡(jiǎn)單易實(shí)現(xiàn)，對(duì)無人機(jī)的機(jī)電系統(tǒng)故障診斷效果良好。