基于IBA-LSSVM強迫選擇模型的民用飛機著陸滑行儀表燈常亮故障關聯檢測

郝精一

(航空工業西安飛機工業集團有限公司，西安 710089)

0 引言

航空產業的不斷壯大，民用飛機的安全性受到了業界的高度關注，機場設備、飛行員能力、飛機系統故障和天氣都是影響飛機安全的重要因素。根據數據顯示，目前民用飛機的運營與維修均存在較多問題，其中不乏因航空電氣設備故障引發的安全問題，而民用飛機的內部體系較為復雜，且具有連帶性，若某一設備出現問題，則需要花費大量精力進行排查。故障檢測系統是保證飛機在起飛、飛行、巡航、著陸等各個運行階段具備一定安全性的重要系統之一[1-2]，無論大型運輸機[3]、民用飛機[4-5]還是軍用飛機[6]均離不開故障檢測系統的燈光指示。民用飛機著陸滑行燈在飛機起飛、近進、降落和地面滑行時，利用高壓氣體放電使HID燈發光，為飛行員照明飛機前方地面跑道和障礙物，確保飛行安全。民用飛機著陸滑行燈采用高電壓供電方式，其驅動電源內部結構較為復雜，電氣接口在信號交聯時容易受到電磁干擾[7]，導致著陸滑行燈常亮故障。民用飛機著陸滑行燈故障往往不是單一故障，漏判會加大飛行安全隱患[8]，同時也會增加航空公司時間消耗成本。因此，為了提高民用飛機飛行的安全性，降低事故發生頻率，對民用飛機著陸滑行儀表燈常亮故障進行關聯檢測，具有重要的研究意義，對調節飛機飛行狀態和著陸狀態起著至關重要的作用。

目前國內外相關專家針對飛機不同類型故障進行診斷研究，可以為著陸滑行燈常亮故障診斷提供借鑒。王占剛[9]等通過分析大氣數據系統的工作原理和線路，排查燈常亮故障發生的原因，根據由易到難的方式進行篩查，獲取著陸滑行儀表燈常亮故障產生的原因。但該方法的排查時間較長，不利于快速識別故障。田靜[10]等采用遺傳算法(GA)優化最小二乘支持向量機(LSSVM)，獲取飛機發動機氣路故障參數，計算正則化參數和核參數實現故障精準診斷，有效提高抗噪強度。但是，GA-LSSVM尋優過程較長，故障診斷耗時較高?？紫榉襕11]等將最小二乘法(LSR)和支持向量回歸機(SVR)有效結合，計算飛機驅動發電機可靠性分布參數，獲取飛機零部件故障變化規律，確保飛機安全性。但是，該方法在處理大量樣本數據時，容易產生數據冗余。陳瑤[12]等引入自適應多普勒策略，改進尋優頻率參數，縮短全局搜索最優解過程，通過動態鄰域增強尋優結果精度，有效避免局部最優。Taimoor M[13]等將擴展卡爾曼濾波器用于多層感知器神經網絡中，更新故障參數的權重值，在提高故障發生響應速度的同時，提高了故障檢測的準確性。但是以上方法在著陸滑行儀表燈常亮的故障系統檢測中，均面臨檢測過程故障概率博弈迭代死循環的問題，導致檢測效果不佳。

綜上所述，為了解決上述方法存在的問題，有效診斷民用飛機著陸滑行燈常亮故障，提高飛機在飛行過程中的安全性，提出了基于IBA-LSSVM強迫選擇模型的民用飛機著陸滑行儀表燈常亮故障關聯檢測方法。分析故障產生原因后，利用Python編程數據采集代碼，建立Web服務器，根據控制邏輯建立系統邏輯關系數據信息表，提高數據采集的效率。采用改進蝙蝠算法(IBA)與最小二乘支持向量機(LSSVM)相結合的方式，構建改進蝙蝠算法-最小二乘支持向量機(IBA-LSSVM)診斷檢測強迫博弈模型，進一步提升故障識別率和準確率，縮短故障識別時間。以航空照明數據樣本為例進行仿真計算，驗證IBA-LSSVM模型的有效性，仿真測試結果表明所提模型能夠準確識別著陸滑行燈常亮故障，且識別時間和計算量較少，解決了民用飛機著陸滑行儀表燈常亮故障檢測效率和檢測精度低等問題，有效保證飛行安全。

1 民用飛機著陸滑行儀表燈常亮故障分析

民用飛機在著陸滑行過程中，易產生儀表燈常亮故障，極大影響了飛機飛行的安全性，甚至引發緊急下降事件，為此，需要分析儀表燈常亮故障產生的原因，主要有以下幾個方面。

第一，高壓原因：民用飛機在飛機起飛、近進、降落和地面滑行過程中，高壓氣體放電使著陸滑行燈發光，當氣源總管的壓力低于12 PSI，就會關閉最小壓力關斷活門，導致氣源瞬間中斷，放氣活門靠近關位，增加了座艙的升降率。在引氣壓力<90 PSI時，15級高壓引氣在短時間內沖入氣源管道，使氣源總管的壓力瞬間高于12 PSI，打開了最小壓力關斷活門，放氣活門中壓力陡增，飛機艙內氣壓升高，降低座艙的升降率，速率限制器保護系統引發儀表燈常亮故障。

第二，機械故障原因：飛機使用時間過長，儀表燈線路易產生故障，如連接線損壞導致金屬材料的磨損、氧化和腐蝕等問題。若燃氣渦輪轉速表內發生短路，也容易導致儀表燈常亮現象。

第三，外部原因：當飛機儀表燈線路受到外來物擠壓等情況，也容易造成儀表燈常亮故障。

在實際的故障檢測過程當中，常用的故障檢測方法有：目視檢驗法、電表測量法和故障定位儀檢測法。本文利用IBA-LSSVM強迫選擇模型對民用飛機著陸滑行儀表燈常亮故障進行檢測。

2 故障數據的采集及邏輯關系信息的統計

在飛機的飛行過程中，通過Python編程數據采集代碼，建立Web服務器，提高數據采集的穩定性，采用k-means聚類算法對相同參數信號數據進行合并聚類，利用小波閾值去噪方法獲取去噪后的數據，根據控制邏輯設計系統邏輯關系數據信息表，將有效數據存儲至數據庫中，以此完成故障數據的采集及邏輯關系信息的統計。

2.1 采集著陸滑行儀表燈信號及電氣故障交聯數據

飛機飛行狀態下，著陸滑行儀表燈的系統信號會通過信號接地的方式，利用搭接線完成信號傳輸回路。但是，電磁輻射和開關效應會改變導線電氣特性，造成照明系統發生故障。通過Python編程數據采集代碼，建立Web服務器，為滿足照明系統信號及電氣交聯數據采集的穩定性、擴展性、高效性的需求，選用由萬國商業機器公司研發的IBM system x3 670型號服務器作為系統的Web服務器。Web服務器的具體參數配置，如表1所示。

表1 Web服務器技術參數

利用k-means聚類算法[14-16]將照明系統信號數據劃分為若干個聚類集合，對相同參數信號數據實施合并聚類：

(1)

式中，n為照明系統信號數據總量，di為第i個訓練數據集合經驗熵，r為電容量。照明系統信號及電氣交聯數據處理過程中，數據通常含有噪聲，需要補充缺失值，采用小波閾值去噪方法，明確并去除噪聲數據，利用小波閾值去噪方法的去噪步驟如下。

步驟1：選取合適的小波，對數據進行變換后獲取小波系數。

步驟2：通過閾值計算得到適合的閾值函數，修正小波系數。

步驟3：重構已修正的小波系數，獲取最終的去噪數據為：

(2)

(3)

式中，R為靜電電容量；λi為聚類度量因子。以此，滿足照明系統全部數據屬性的有效挖掘，完成數據采集。通過采集照明系統信號可以有效研判飛機起飛、近進、降落、地面滑行時狀態下的各機外燈光指標狀態。

2.2 存儲飛行狀態下的故障數據邏輯關系信息

根據控制邏輯[17]建立知識庫，知識庫的作用是采集、管理航空電氣設備故障診斷的知識，通過C#語言完成編程。利用自動收集與非自動收集兩種方式，采集故障診斷的相關知識。前者主要憑借系統自身的知識收集能力，通過與領域專家交互，取得所需知識，或者從運行實踐中，通過歸納總結，學習到所需知識，輸入到知識庫中；后者則是知識工程師通過編輯從相關源頭收集到的知識，輸入到知識庫中。根據知識庫收集到知識，建立系統邏輯關系數據信息表，如表2所示。

表2 系統邏輯關系數據信息表

根據統計表信息，將有效系統數據存儲至SQL Server 2018數據庫[18-19]，為后續著陸滑行燈常亮故障診斷提供數據支持。

以IBM system x3670型號的服務器為基礎，建立獨立系統數據庫服務器，以減少編程量和數據存儲開銷，保證故障診斷更穩定，響應速度更快速。所建數據庫服務器的具體參數配置，如表3所示。

表3 數據庫服務器技術參數

根據以上設計，以更好地采集故障數據并統計其邏輯關系信息，為設計著陸滑行燈常亮故障檢測方法奠定基礎。

3 著陸滑行燈常亮故障檢測方法設計

根據自適應多普勒補償，優化蝙蝠算法的脈沖頻率參數，成為改進蝙蝠尋優算法，提高了蝙蝠算法的全局尋優能力。利用稀疏近似將SVM中的不等式約束轉變為等式約束，通過改進的蝙蝠尋優算法構建IBA-LSSVM模型，提高民用飛機著陸滑行燈常亮故障的識別率和準確率，縮短故障識別時間。

3.1 改進蝙蝠尋優算法設計

蝙蝠算法[20-22]是通過模擬蝙蝠使用聲吶躲避障礙物、搜尋獵物進行捕食的隨機搜索方法，也就是模仿蝙蝠通過超聲波探測障礙物或獵物的基本探測能力，并與最優目標函數結合起來，根據飛行聲波響度和脈沖發射率，調節接收頻率、速度和位置信息，以此判斷蝙蝠的最優位置，尋求最優解的方法，具有尋優過程短，全局尋優能力強的特點。蝙蝠在迭代過程中，脈沖頻率fi、速度vi、方位xi的表達式為：

fi=fmin+(fmax-fmin)β

(5)

vi=vit+ (xit-x*)fi

(6)

xi=xit+vit + 1

(7)

式中，fmin為脈沖頻率最小值；fmax為脈沖頻率最大值；β為隨機因子，β∈[0，1]；vit為t時刻個體移動速度；xit為t時刻的方位位置；x*為方位最優位置。

蝙蝠個體位置發生變化后，會影響脈沖頻率，造成算法收斂速度慢，容易產生局部極值。為了提高算法收斂速度和局部搜索能力，采用自適應多普勒補償方法，優化脈沖頻率參數，自適應多普勒補償方法是一種常用的補償方法，在方位空間頻率-多普勒頻率的二維域得到廣泛的應用?？紤]到在實際應用場景中的外界干擾，將分布式博弈和線性輸出調節理論相結合，以抵消外部干擾，過程如下：

(8)

式中，vgt為t時刻的全局最佳個體速度標量；fit為t時刻的脈沖頻率。通過自適應調整后，提升了蝙蝠算法全局尋優能力，利用IBA檢測著陸滑行燈常亮故障信號特征。具體操作流程如下所示。

步驟1：對蝙蝠種群進行初始化處理后，設置迭代所需的基本參數。

步驟2：采用自適應多普勒補償優化脈沖脈沖頻率等參數，形成改進蝙蝠尋優算法，生成優選解集。

步驟3：對照明信號和電氣交聯信號進行預處理，利用改進蝙蝠尋優算法獲取最優解。

步驟4：完成迭代后，則繼續匹配照明系統信號的特征；若未完成迭代，則返回步驟2。

步驟5：完成著陸滑行燈常亮故障信號特征的提取。

根據上述改進蝙蝠尋優算法提取著陸滑行燈常亮故障信號特征的流程圖如圖1所示。

圖1 著陸滑行燈常亮故障信號特征提取流程

通過自適應多普勒補償方法實現對蝙蝠算法的改進，在抵消外部干擾的同時，提升了蝙蝠算法全局尋優能力，以此建立IBA-LSSVM強迫博弈模型。

3.2 構建IBA-LSSVM強迫博弈模型

在著陸滑行儀表燈常亮的故障系統檢測中，面臨檢測過程故障概率博弈迭代死循環，在故障檢測的強迫選擇部分，利用上述改進蝙蝠尋優算法構建IBA-LSSVM模型來解決故障概率博弈迭代死循環問題。

LSSVM[23]利用稀疏近似將SVM中的不等式約束轉變為等式約束，可以有效優化目標，降低計算復雜度，減少數據冗余，提升收斂精度。使用LSSVM進行故障診斷時，最優化條件對模型的學習能力和采集提取結果具有較大影響力。改進的IBA具有并行全局尋優能力，在故障診斷過程中能夠確保算法收斂的同時，避免早熟收斂。構建IBA-LSSVM模型可以提升故障識別率和準確率，縮短故障識別時間。

(9)

(10)

(11)

(12)

式中，xnew為擾動后蝙蝠新方位。根據IBA-LSSVM模型，計算飛機飛行故障檢測強迫選擇閾值參數：

(13)

式中，γ為風載振動系數；I為電流。根據照明參數，對采集到的系統信號及電氣交聯數據進行電流計算。當PI≤1時，即做出強迫選擇，為著陸滑行燈常亮故障：

(14)

步驟1：劃分采集到的著陸滑行儀表燈信號及電氣故障交聯數據。

步驟2：對改進的IBA算法和LSSVM的參數進行初始化處理，并設定LSSVM參數的閾值。

步驟3：計算蝙蝠個體的適應值，獲取全局最優解。

步驟4：對蝙蝠的速度和位置進行更新，獲取當前最新位置和速度。

步驟5：對蝙蝠的個體適應度進行評估，若高于全局最優解，則需替換全局最優解；反之，進行下一步。

步驟6：將蝙蝠的最優解位置參數輸入LSSVM模型中，訓練后輸出全局最優解。

步驟7：判斷當前全局最優解是否滿足終止條件，若不滿足，則返回步驟4；若滿足，則獲得最佳參數組合

步驟8：獲取最佳故障診斷結果。

通過上述步驟，解決了故障概率博弈迭代死循環問題，完成了著陸滑行燈常亮故障檢測，有效提升著陸滑行燈常亮故障診斷精度，確保飛機安全飛行。

4 仿真測試

為了驗證所提基于IBA-LSSVM的民用飛機著陸滑行燈常亮故障診斷方法的有效性進行仿真測試。擬定實驗平臺即Matlab R2019 b，在主頻為1的環境下進行仿真測試。在航空工業西安飛機工業集團有限公司的民用飛機飛行狀態數據庫中隨機選取1 500組照明系統數據信息，將其中1 200組數據信息用于訓練，300組數據信息用于測試，利用所提方法(基于IBA-LSSVM的民用飛機著陸滑行燈常亮故障診斷方法)和文獻[9]方法(大氣數據系統“失速”燈常亮故障分析方法)對故障識別率、故障識別準確率、故障識別時間和故障識別效果進行測試。具體仿真步驟如下所示。

步驟1：采集著陸滑行儀表燈信號及電氣故障交聯數據。

步驟2：存儲飛行狀態下的故障數據邏輯關系信息至SQL Server 2018數據庫。

步驟3：采用自適應多普勒補償方法，改進蝙蝠算法。

步驟4：基于改進IBA的地方尋優能力，建立IBA-LSSVM強迫博弈模型。

步驟5：計算系統信號及電氣交聯數據的電流，完成著陸滑行燈常亮故障檢測。

4.1 故障識別率分析

為了驗證所提基于IBA-LSSVM的民用飛機著陸滑行燈常亮故障的識別率，與文獻[9]方法進行對比測試。民用飛機著陸滑行燈故障識別率是指從飛機起飛時刻到飛機降落時刻，這個時間段內飛行狀態下的所有故障數據識別能力。著陸滑行燈故障識別率對后續地故障識別準確率提供支撐，因此故障識別率至關重要。故障識別率計算公式為：

(15)

式中，F為故障識別數量；U為有效照明系統數據總量。著陸滑行燈故障識別率達到95%，即為滿足測試要求，所提方法和文獻[9]方法的具體故障識別率結果如表4所示。

表4 著陸滑行燈故障識別率結果

根據表4可知，文獻[9]方法在8種不同類型的故障識別過程中，識別率在85.9%～87.8%之間，而所提方法在8種不同類型的故障識別過程中，識別率均在95%以上，最高識別率可達到98.7%，滿足測試要求，雖然文獻[9]方法的識別率也處于較高水平，但略低于所提方法。因為所提方法利用k-means 聚類算法，對照明系統信號數據進行劃分，將若干個聚類集合中的相同參數信號進行歸一化處理，并以此作為后續的故障診斷標準，所以故障識別率較高，可以有效識別著陸滑行燈多類型故障，具有較強實用性。而文獻[9]方法未將照明系統信號數據進行歸一化處理，著陸滑行燈故障識別率還需進一步提升。

4.2 故障識別準確率分析

為了驗證基于IBA-LSSVM的民用飛機著陸滑行燈常亮故障識別準確率，通過迭代方式，對300組識別到的多類型著陸滑行燈故障數據信息進行準確率計算。計算公式為：

(16)

式中，E為準確識別故障屬性數量。將故障識別準確率作為測試指標，準確率越高，表明該算法的識別精度越高，以此測試所提方法和文獻[9]方法的識別準確率如圖2所示。

圖2 著陸滑行燈識別準確率結果

根據圖2可知，隨著照明系統信號及電氣交聯數據的增加，兩種方法的著陸滑行燈故障識別準確率差異逐漸增加。文獻[9]方法隨著照明系統數據的增加，著陸滑行燈識別準確率不斷下降，且準確率范圍在90%～94%之間。而所提方法不論照明系統數據如何增加，識別準確率曲線始終保持在穩定水平，且均在96%以上，高于文獻[9]方法，在故障診斷至250組時，故障識別準確率趨于穩定，達到96.8%。這是由于所提方法構建了IBA-LSSVM模型，通過IBA計算飛機飛行狀態照明參數，有效提升著陸滑行燈常亮故障診斷精度。

4.3 故障識別時間分析

利用所提方法和文獻[9]方法測試300組照明系統數據信息的識別時間，識別時間越短，表明該算法的檢測效率越高；識別時間越長，表明該方法的檢測效率越低。兩種方法的測試結果如圖3所示。

圖3 故障識別時間結果

根據圖3可知，隨著照明系統數據的增多，兩種方法的故障識別時間也隨之增加，文獻[9]方法的故障識別時間在1.5～2.5 ms之間，而所提方法對滑行儀表燈常亮故障的識別時間始終在2 ms以下，低于文獻[9]方法。因為所提方法根據改進后的蝙蝠算法獲取最小適應度蝙蝠方位，有效提高全局最優解尋優速度，以此提升故障識別效率，故障識別時間較短，僅用2 ms可以有效識別600個照明系統信號及電氣交聯數據中存在的多類型著陸滑行燈故障。

4.4 故障識別效果

為了驗證基于IBA-LSSVM的民用飛機著陸滑行燈常亮故障診斷方法的識別效果，隨機在300組照明系統數據信息中混入不同數量的故障數據，利用所提方法和文獻[9]方法進行故障識別，測試故障數量與實際故障數量相同，表明該方法的識別效果越好。兩種方法的故障識別效果如表5所示。

表5 故障識別效果

由表5可知，在300個照明系統數據檢測中，所提方法可有效檢測出存在故障的照明系統數據的數量，而文獻[9]方法在照明系統數據為150組、200組和250組時，識別的故障數量與真實的故障數量存在一定的差異。由此可知，所提方法具有更好的識別效果。因為所提方法通過控制邏輯建立了系統邏輯關系數據信息表，將有效數據信息存儲至SQL Server 2018數據庫，提高了整體識別效果。

根據上述4個仿真分析結果，證明了基于IBA-LSSVM強迫選擇模型的民用飛機著陸滑行儀表燈常亮故障關聯檢測方法的有效性。在故障識別率分析中，所提方法的識別率在95.4%～98.7%之間，具有較高的識別率，因為所提方法利用k-means 聚類算法對照明系統信號數據進行了歸一化處理，有效提高了故障識別率；在故障識別準確率分析中，所提方法的識別準確率在97%左右，因為所提方法通過IBA計算飛機飛行狀態照明參數，提高了著陸滑行燈常亮故障診斷精度；在故障識別時間分析中，所提方法的故障識別時間在0.5～2.0 ms之間，因為所提方法利用改進改進蝙蝠尋優算法獲取最小適應度蝙蝠方位，提高故障識別效率；在故障識別效果分析中，所提方法可識別出所有的故障數據，因為所提方法將有效信息進行存儲，具有良好的故障識別效果。

5 結束語

航空事業可推動經濟可持續發展，是加快我國經濟發展道路上不可或缺的重要部分。近幾年的航空工業迅猛發展，呈智能化發展的照明系統越來越復雜，導致潛在故障逐漸增多。隨著應用頻率日益提升，嚴峻的安全問題受到高度關注，一旦發生故障就會對航空安全產生嚴重威脅，甚至引發空難。以保障航行安全為目標，針對民用飛機著陸滑行燈常亮故障診斷問題，本文構建IBA-LSSVM強迫博弈模型：通過分析因高壓原因、機械故障原因和外部原因導致的民用飛機著陸滑行儀表燈常亮故障，采用Python編程數據采集代碼，建立Web服務器，利用k-means聚類算法規劃照明系統信號數據，完成著陸滑行儀表燈信號及電氣故障交聯數據的采集，并根據控制邏輯建立系統邏輯關系數據信息表，將有效數據存儲至SQL Server 2018數據庫，保障系統的穩定運行。通過自適應多普勒補償方法對蝙蝠算法進行改進，在提高算法收斂效果的同時避免早熟收斂，結合分布式博弈和線性輸出調節理論構建IBA-LSSVM模型，解決了故障概率博弈迭代死循環問題，完成民用飛機著陸滑行儀表燈常亮故障關聯檢測。測試結果表明，所提方法的故障識別率均高于95%、故障識別準確率可以達到96.8%，故障識別時間在2 ms以下，為故障診斷方法提供良好理論支持。為了進一步提高民用飛機著陸滑行儀表燈常亮故障關聯檢測效果。未來將從以下幾個方向展開進一步嘗試：

1)采用多屬性綜合決策，明確照明系統故障處理優先級，區別處理不同設備的離散量和連續量。

2)融合模糊神經網絡與IBA-LSSVM相結合，更好地完成參數學習，適用飛機多種設備的故障診斷。