基于FFT的概率神經網絡故障診斷模型及其意義研究

武漢商學院機電工程學院 湖北 武漢 430056

1 引言

航空航天領域中,技術發展與創新在很大程度上受到安全性以及可靠性水平的影響,更對飛行器飛行安全產生非常直接的作用。作為執行器中非常重要的構成部分之一,電機面向無人機提供動力來源支持,電機性能在很大程度上可以通過無人機旋翼轉動效益反應出來,進而對無人機的飛行穩定性產生影響,由此可見其安全水平的重要性。作為無人機系統中的核心部件之一,傳感器裝置能夠實時客觀測量無人機飛行狀態,并通過結合執行器的方式滿足控制需求。在傳感器、電機出現微小故障的情況下,若能夠采取一定方式方法對故障進行盡早且準確的診斷,則對于提前檢修時機,保障無人機運行安全是至關重要的。概率神經網絡作為一種應用頻率較高的深度學習框架,在預測分類以及故障診斷過程中有著相當廣泛的應用,基于FFT的概率神經網絡故障診斷模型對無人機故障診斷以及故障模式識別有著非常重要的意義與價值。

2 無人機Simulink模型

在針對六旋翼無人機構建數學模型的過程當中,為了方便模型處理,最大限度簡化模型計算的復雜程度,需要作出一定的假設:假設一,六旋翼無人機為剛體,飛行期間質量保持恒定狀態;假設二,六旋翼無人機飛行過程中地面坐標系統具有慣性坐標系統特點,重力加速度維持恒定狀態;假設三,不對無人機飛行過程中所存在空氣阻力以及陀螺效應進行考量。在上述假設基礎之上,將無人機質量定義為m,將重力加速度定義為g,將臂長定義為l,將推力因子定義為b,將反扭矩系數定義為d,將滾轉角定義為φ,將俯仰角定義為θ,將偏航角定義為ψ,將位置x通道上所對應轉動慣量定義為Ix,將位置y通道上所對應轉動慣量定位Iy,將位置z通道上所對應轉動慣量定義為Iz,將垂直通道上Backstepping控制法對應控制率定義為U1,將滾轉通道上Backstepping控制法對應控制率定義為U2,將俯仰通道上Backstepping控制法對應控制率定義為U3,將偏航通道上Backstepping控制法對應控制率定義為U4。則可以按照如下方式對六旋翼無人機運動以及動力學方程進行初步推導:

3 概率神經網絡模型

概率神經網絡作為典型分類器,在預測分類領域中得到廣泛應用,尤其在故障診斷過程中扮演著非常重要的角色。以六旋翼為例,在電機失效的情況下,螺旋槳轉動速度會直接受到輸出效率變化因素的影響,無人機飛行姿態也會發生一定程度上的改變。并且,無人機飛行姿態所發生的偏轉還會直接受到故障電機類型的影響。除此以外,在角速度傳感器裝置出現偏移故障的情況下,無人機姿態角速度的以及角度變化也會受到非常直接的影響。因此,在有關基于FFT概率神經網絡故障診斷模型問題的研究過程當中,輸出量選擇滾轉Roll姿態角及其對應角速度、俯仰Pitch姿態角及其對應角速度、以及偏航Yaw姿態角及其對應角速度,同時以滾轉Roll姿態角、俯仰Pitch姿態角以及偏航Yaw姿態角作為電機故障特征元素,并結合姿態角速度作為傳感器裝置故障特征元素。

3.1 故障數據 以無人機仿真飛行期間第10s為標準,面向無人機注入相對應的單故障模式。設計如下三個工作狀態:狀態一,6個電機正常運行,為全效率輸出,i=1～6,Pi=1.0;狀態二,6個電機正常運行,單獨為可忽略失效,i=1～6,Pi>0.98;狀態三,6個電機微小失效,為單獨自定義失效狀態,i=1～6,Pi為0.9～0.98。根據上述三種狀態,對無人機飛行狀態進行仿真分類。定義六旋翼正常以及1#電機于仿真飛行期間第10s狀態下發生10.0%失效狀態,所對應原始數據如下:(1)六旋翼正常狀態下原始仿真數據為:No1,正常滾轉Roll姿態角為-4.9787e-25,正常俯仰Pitch姿態角為1.4185e-42,正常偏航Yaw姿態角為2.7513e-25;No2,正常滾轉Roll姿態角為-1.4030e-23,正常俯仰Pitch姿態角為6.0151e-42,正常偏航Yaw姿態角為1.7557e-24;No110000,正常滾轉Roll姿態角為-2.2395e-16,正常俯仰Pitch姿態角為1.1587e-16,正常偏航Yaw姿態角為-3.9533e-17;No150205,正常滾轉Roll姿態角為-2.3803e-16,正常俯仰Pitch姿態角為3.5155e-17,正常偏航Yaw姿態角為6.6807e-17;No150206,正常滾轉Roll姿態角為-2.3808e-16,正常俯仰Pitch姿態角為3.5154e-17,正常偏航Yaw姿態角為6.6808e-17;(2)六旋翼1#電機于仿真飛行期間第10s狀態下發生10.0%失效狀態下仿真數據為:No1,故障滾轉Roll姿態角為-4.9787e-25,故障俯仰Pitch姿態角為1.4185e-42,故障偏航Yaw姿態角為2.7513e-25;No2,故障滾轉Roll姿態角為-1.14030e-23,故障俯仰Pitch姿態角為6.0151e-42,故障偏航Yaw姿態角為1.7557e-25;No110000,故障滾轉Roll姿態角為0.0457,故障俯仰Pitch姿態角為-0.0784,故障偏航Yaw姿態角為-0.0180;No150205,故障滾轉Roll姿態角為0.0544,故障俯仰Pitch姿態角為-0.0937,故障偏航Yaw姿態角為-0.0197;No150206,故障滾轉Roll姿態角為0.0544,故障俯仰Pitch姿態角為-0.0937,故障偏航Yaw姿態角為-0.0197。由上述數據可知:對于無人機每一次飛行試驗,單個輸出變量可以得到150206條仿真數據,本次研究中共設計飛行狀態50種,所對應仿真數據為22530900條。在此基礎之上,針對角速度傳感器裝置故障狀態進行設計,分別考慮三個角速度傳感器正常狀態下的正常情況以及三個傳感器裝置單獨偏移故障狀態下的異常情況,可設計飛行狀態16種,所對應仿真數據為14419776條。

3.2 FFT數據變換 作為一種基于離散傅里葉變化的高效快速算法,本次研究中FFT功能搭載MATLAB環境實現,故障診斷過程中的關鍵代碼設置標準如下:(1)Fs=100,%,采樣頻率;(2)t=roll.time(11000:14000),%,采樣時間;(3)y=roll.signals.values(11000:14000),%,采樣值;(4)L=length(t),%,信號時長;(5)NFFT=2 nextpow2(L);Y=fft(y,NFFT)/L,%,歸一化處理。

以六旋翼正常狀態下原始仿真數據No1:正常滾轉Roll姿態角-4.9787e-25為例,對FFT設計進行基本闡述:第一步,選取無人機穩定飛行第11s后穩定狀態,提取40000條左右穩定數據進行分析;第二步,應用相同FFT方法對每1000條時域數據進行處理,自數據集中取最大值作為當前數據條目下的最終FFT值,并將其記做Roll FFT值。在電機故障狀態下,按照上述操作步驟可以得到1000數據所對應的Pitch FFT值以及Yaw FFT值,通過此種方式可以形成一個標準特征向量集合,將該向量定義為[Roll FFT;Pitch FFT;Yaw FFT]。在此基礎之上,按照同樣方法對傳感器故障進行處理,可以得到與之對應特征向量集合,將其定義為[Roll FFT;Pitch FFT;Yaw FFT,Roll V;Pitch V;Yaw V](其中Roll V;Pitch V;Yaw V分別定義為Roll姿態角;Pitch姿態角;Yaw姿態角角速度)。因此,無人機每次飛行可以形成FFT特征向量共包含40個穩定數據。

3.3 概率神經網絡設計 作為典型分類器,概率神經網絡的基本結構如下圖(見圖1)所示,其分層可以按照輸入層、模式層、加法層以及類別層這四個部分劃分。其中,輸入層用于對網絡樣本的輸入,模式層用于對相關樣本類別概率的計算,加法層則以模式層同類別輸出為標準對其進行加權平均處理,而類別層則以Bayes原理為前提,對最大后驗概率類別進行選取并輸出。

圖1 概率神經網絡基本結構示意圖

本文分析中對PNN模型的構建通過基于MATLAB的庫函數實現,表達方式定義為newpnn(P,T,SPREAD),參數設置包括P特征輸入矩陣、T類別向量以及SPREAD延伸因子這三項。在此基礎之上,通過如下方式構建概率神經網絡:(1)第一步,對六旋翼無人機電機、角速度傳感器裝置模式類別標簽進行初步定義:1#故障電機對應類別標簽為1,2#故障電機對應類別標簽為2,3#故障電機對應類別標簽為3,4#故障電機對應類別標簽為4,5#故障電機對應類別標簽為5,6#故障電機對應類別標簽為6,無故障電機對應類別標簽為7。角速度故障傳感器滾轉角對應類別標簽為1,俯仰角對應類別標簽為2,偏航角對應類別標簽為3,無故障對應類別標簽為4;(2)第二步,針對電機故障,自數據樣本中隨機選擇訓練樣本,構成3*700維訓練集合,并生成與之對應模式類別向量,在此基礎之上對其進行歸一化處理。剩余數據作為網絡測試樣本。針對傳感器故障,自數據樣本中隨機選擇訓練樣本,構成3*200維訓練集合,并生成與之對應模式類別向量,在此基礎之上對其進行歸一化處理。剩余數據作為網絡測試樣本;(3)第三步,基于newpnn函數構建PNN模型,設置參數并構建概率神經網絡進行訓練;第四步,重新載入訓練PNN模型,模式識別原訓練集以及更新測試集,在此基礎之上對結果進行分析,以此種方式保障模型對故障模式的識別能力可靠。

4 結束語

本文在六旋翼Simulink仿真模型基礎上,分別針對電機失效和角速度傳感器的單故障模式,提出了一種基于FFT的概率神經網絡故障診斷模型。首先在Simulink平臺上對六旋翼無人機完成了數學建模。其次設計了無人機的仿真行試驗以及FFT處理方法。然后在MATLAB環境下實現了概率神經網絡模型的設計與建立,并通過此網絡模型對電機失效和傳感器偏移故障進行了模式分類,驗證了其良好的故障模式識別能力與網絡預測能力。由于本文建模所考慮的外界干擾不全面,同時仿真數據有限,因此未來還需進行一步設計該故障診斷模型,并提供更多的數據支持。