基于過載特征曲線的某型導彈故障診斷方法研究*

范紹里 寇昆湖 陳 勇

(1.海軍航空工程學院七系 煙臺 264001)(2.海軍航空工程學院控制工程系 煙臺 264001)

基于過載特征曲線的某型導彈故障診斷方法研究*

范紹里1寇昆湖2陳 勇2

(1.海軍航空工程學院七系 煙臺 264001)(2.海軍航空工程學院控制工程系 煙臺 264001)

針對某型導彈故障診斷的特點,以動態測試為基礎,過載特征曲線為分析對象,借助于小波包變換和神經網絡通過松散結合,提出了一種新的基于過載特征曲線的某型導彈故障診斷方法。實驗證明它可以實現故障的準確診斷和定位。

動態測試; 過載; 小波包變換; 神經網絡

Class Number TP206

1 引言

現有的導彈測試設備基本上延用傳統的靜態測試方法,存在著測試時間長、被測對象的工作模態不能得到充分激勵等缺陷。而動態測試可以很好地解決這些問題,動態測試不只局限于測試某些定點的輸出值,而是面向線和面,對被測系統的動態響應過程進行跟蹤、記錄及分析并判斷,其結果是評價被測系統動態性能的依據[1]。

過載控制是導彈控制系統設計的一種方法。控制系統的構造簡單,但控制效果要好,既能控制導彈實現全方位、大空域機動,又能實現末端機動。

本文以動態測試為基礎,采用過載曲線為分析對象,結合小波包變換和神經網絡,討論了某型導彈進行故障診斷的一種新方法。

2 過載曲線

導彈的機動性能是評價導彈飛行性能的重要指標之一。所謂機動性能是指導彈改變飛行速度的大小和方向的能力,通常用過載向量來衡量。

所謂過載[2],是指作用在導彈上除重力之外的所有外力N與導彈重量G的比值,過載矢量的大小和方向,通常是由它在某坐標系上的投影來確定。

過載與運動參量之間的關系式:

(1)

式中,nx、ny、nz為過載分量;v為導彈速度;θ為彈道傾角;ψ為彈道偏角。

傳統的反艦導彈控制系統設計采用的都是姿態控制。所謂姿態控制,就是控制系統通過直接測量和控制導彈的姿態角(俯仰角、航向角、滾動角)來操縱導彈的飛行,達到按期望彈道飛行,最后按一定的制導規律攻擊敵艦。而本文采用過載控制設計導彈的控制系統。所謂過載控制,是指控制系統通過直接測量和控制導彈的過載(和過載變化率)來操縱導彈的飛行,達到按期望彈道飛行,末端按一定的制導規律機動攻擊敵艦[3]。

某型導彈正常和自動駕駛儀傾斜微分環節失效情況下測得的過載曲線(nx、ny、nz)如圖1所示。

圖1 某型導彈正常(左)和自動駕駛儀傾斜微分環節失效(右)過載曲線

3 特征提取

小波包變換則彌補了正交小波變換頻譜隨著小波尺度指數的增大而其分辨率卻愈粗的不足,在提高時間分辨率的同時,對信號高頻部分逐漸變寬的頻譜進一步分割細化,能精確反映系統狀態。當系統的動態測試中出現故障時,其輸出與正常系統輸出相比,相同頻帶內信號的能量會有著較大的差別,它使某些頻帶內的信號能量減小,而使另外一些頻帶內的信號能量增大,因此,在各頻率成分信號的能量中,包含著豐富的故障信息[4～5]。因此,本文采用基于“殘差能量——故障”的故障特征提取方法,即把故障信號與正常信號相減,計算出故障殘差信號。把所得到的殘差信號利用小波包變換在多層分解后的不同頻帶內分析信號,使本不明顯的信號頻率特征在不同分辨率的若干子空間中以顯著的能量變化的形式表現出來,從而提取反映系統故障的特征信息。其基本方法和步驟如下:

1) 計算殘差信號。殘差信號=故障信號-正常信號。

2) 對得到的殘差信號進行3層小波包分解,分別提取第3層從低頻到高頻8個頻段的信號特征。其中,小波基函數采用Daubechies小波db1,分解結構樹如圖2所示[6]。

圖2 小波包3層分解結構樹

圖2中,(i,j)表示第i層的第j個節點,其中,i=0,1,2,3,j=0,1,2,…,7。每個節點都代表該節點對應的小波包分解系數向量,可用Ci,j表示。

3) 對小波包分解系數重構,提取各頻帶范圍的信號。設各節點小波包系數Ci,j對應的重構信號為Si,j,這里只對第3層的所有節點進行分析,則總信號可以表示為

S=S3,0+S3,1+S3,2+S3,3+S3,4+S3,5+S3,6+S3,7

(2)

4) 求各頻帶信號的總能量。設各節點S3,i(j=0,1,…,7)對應的能量E3,j(j=0,1,…,7),則有

其中,cj,k(j=0,1,…,7;k=1,2,…,n)表示重構信號S3,j的離散點的幅值。

5) 構造特征向量。由于系統出現故障時,會對各頻帶內信號的能量有較大的影響,因此,可以以能量為元素構造一個特征向量。特征向量T可以如下構造:

T=[E3,0,E3,1,E3,2,E3,3,E3,4,E3,5,E3,6,E3,7]

(4)

當能量較大時,E3,j(j=0,1,…,7)通常是一個較大的數值,在數據分析上會帶來一些不便的地方。由此,可以對特征向量T進行改進,即對向量進行歸一化處理。令

(5)

則歸一化后的特征向量為

T′= [E3,0/E,E3,1/E,E3,2/E,E3,3/E,E3,4

/E,E3,5/E,E3,6/E,E3,7/E]

(6)

用上述殘差小波包變換方法進行處理,得到的某型導彈自動駕駛儀傾斜微分環節失效故障情況下四個舵機的故障殘差信號及殘差能量歸一化直方圖,如圖3所示。

其中

T′表示在傾斜微分環節失效故障狀態下的殘差能量歸一化特征向量。

圖3 某型導彈自動駕駛儀傾斜微分環節失效故障情況過載曲線的故障殘差信號(0.01S采樣)及殘差能量歸一化直方圖

4 故障診斷

神經網絡因具有較好的非線性擬合能力而成為故障診斷的一種有效方法,這里用BP神經網絡對某型導彈自動駕駛儀進行智能故障診斷。

BP網絡一般由輸入層、輸出層和中間層(或稱隱層)組成,輸入層從對象接受各種故障信息和現象;中間層是把輸入層得到的故障信息,經內部的學習和處理,轉化為針對性的解決辦法[7～8]。中間層含有隱節點,它通過權值連接著輸入層與輸出層;輸出層是針對輸入的故障形式,經過調整權值后,得到的故障處理方法。BP神經網絡在其學習訓練的過程中,采用的是BP算法。BP網絡的訓練過程主要由兩個階段組成:一個是學習過程,該過程中神經元的連接權值將依據學習算法而有所調整;另一個是計算過程,該過程實現神經網絡的活躍狀態的模式變換[9]。

根據某型反艦導彈自動駕駛儀故障特征特點,根據征兆輸入和故障種類,建立3層神經元組成的BP網絡,取BP網絡輸入層節點數24,隱層節點數10,輸出層節點為2,最大訓練次數1000,最大允許誤差0.0001,學習速率0.1。訓練函數trainlm是利用Levenberg-Marquardt算法對網絡進行訓練的,通過以下代碼調用trainlm[10]。

net=newff(threshold,[10,2],{'tansig','logsig'},'trainlm');

net.trainParam.epochs=1000;

net.trainParam.goal=0.0001;

LP.lr=0.1;

net=train(net,P,T);

其中,P和T分別為網絡的輸入向量和目標向量,P是從表1中得到的。

網絡訓練結果為

TRAINLM, Epoch 0/100, MSE 0.271776/0.0001, Gradient 6.62445/1e-010

TRAINLM, Epoch 11/100, MSE 7.02005e-007/0.0001, Gradient 0.0381473/1e-010

TRAINLM, Performance goal met.

可見,經過11次訓練后,網絡性能達到了要求,如圖4所示。

圖4 訓練結果

測得四組新的數據作為網絡的測試輸入數據,對訓練好的網絡進行測試,如表2所示。

表1 某型導彈自動駕駛儀狀態樣本數據

表2 利用訓練好的BP神經網絡故障診斷測試情況

由此可得,網絡成功診斷出這三種狀態,網絡的分類結果是正確的,網絡用于某型導彈自動駕駛儀故障診斷是有效的。

5 結語

基于過載曲線的某型導彈故障診斷方法以導彈動態測試中得到的過載特征曲線為分析對象,小波包變換和神經網絡通過松散結合應用于故障診斷,能夠有效地實現導彈故障的診斷和定位。

[1] 王躍科,葉相濱,等.現代動態測試技術[M].北京:國防工業出版社,2003:3.

[2] 馬金鐸,周紹磊,程繼紅.導彈控制系統原理[M].北京:航空工業出版社,1996.

[3] 趙國榮,洪海斌,宋超,等.變質心再入飛行器過載控制系統的反演設計[J].飛行力學,2013,5(3):40-46.

[4] 袁海英,孫迅,黎海濤.基于提升小波變換的模擬電路故障特征識別[J].電子測量與儀器學報,2011,25(8):700-703.

[5] 何星,王宏力,陸敬輝,等.基于優選小波包和ELM的模擬電路故障診斷[J].儀器儀表學報,2013,34(11):2614-2619.

[6] S. Mallat, Hwang W. L. Singularity detection and processing with wavelets[J]. IEEE Trans. On Information Theory,1992,38(2):617-643.

[7] 趙鵬,陳斌,李淵.基于BP神經網絡的虛擬故障診斷的實現[J],艦船電子工程,2014,34(3):97-99.

[8] 白帆,孫寧.基于BP神經網絡的艦船組合導航算法研究[J].艦船電子工程,2014,33(2):50-51.

[9] 虞和濟,陳長征,等.基于神經網絡的智能診斷[M].北京:冶金工業出版社,2002:6.

[10] The Math Works Inc. Neural Network Toolbox User’s Guide(Version 4)[M]. 2001:3.

Certain Missile Fault Diagnosis Method Based on Overload Characteristic Curves

FAN Shaoli1KOU Kunhu2CHEN Yong2

(1. Department 7, Naval Aeronautical Engineering Institute, Yantai 264001) (2. Department of Automatic Control Engineering, Naval Aeronautical Engineering Academy, Yantai 264001)

In accordance with the characteristic of certain missile fault diagnosis, a new certain missile fault diagnosis method based on dynamic test is put forward, the overload characteristic curve for analysing the object, by the aid of the loose combination of wavelet packet translation and neural network. Experiments prove that this method can realize fault diagnosis and orientation correctly.

dynamic test, overload, wavelet translation, neural network

2014年6月5日,

2014年7月27日

范紹里,男,副教授,研究方向:飛行器測試與控制。寇昆湖,男,博士,講師,研究方向:導航制導與控制。陳勇,男,碩士,講師,研究方向:導航制導與控制。

TP206

10.3969/j.issn1672-9730.2014.12.044