飛機艙門收放系統CPSO-BP神經網絡故障仿真與診斷

王 強,吳 偉,劉 東,婁華語,王良模

(1.航空工業沈陽飛機設計研究所, 沈陽 110000;2.南京理工大學 機械工程學院, 南京 210014)

0 引言

艙門是民機的運動功能部件,其功能、壽命、安全性、維修性和可靠性對民機安全有直接影響[1]。因此,針對飛機艙門收放系統的故障診斷十分重要。目前,對飛機液壓系統的故障檢測工作主要依靠實驗平臺進行實物實驗。但是,單純依靠實驗獲取故障數據集存在工作繁瑣、數據量不足等問題。因此,大量研究人員采用仿真方法對液壓系統進行故障研究。王明錦等[2]結合 AMESim+Simulink平臺,仿真分析了閥控馬達液壓系統控制效果與工作特性。Liu[3]分析了民機主起落架艙門伸縮原理和故障原因,并深入研究了上位鎖(Uplock)的控制過程和邏輯。Zhu等[4]基于AMESim和LMSlian對飛機艙門鎖機構進行聯合建模仿真,并通過向模型中注入故障信息為故障診斷和分析提供了一種獲取故障數據的方法。

在故障診斷方法研究方面,儲瑄等[5]采用故障樹系統分析理論對飛機某艙門收放系統進行診斷分析,并進行了可靠性試驗。近年來,機器學習和神經網絡逐漸發展成系統故障診斷的主流方向。王帥星等[6]在建模基礎上通過故障注入獲取內泄漏故障數據,并采用粒子群(PSO)優化BP神經網絡進行故障診斷研究。Liu等[7]利用變分模式分解(VMD)、多重分形去趨勢波動分析(MFDFA)和概率神經網絡(PNN)對機艙門執行機構進行故障診斷,有效解決了由非線性和非平穩執行機構振動信號引起的故障診斷困難。Cui等[8]在DBN模型的結構基礎上,提出利用SSA算法對優化DBN模型隱藏層的節點數量,并建立SSA-DBN網絡模型用于飛機艙門液壓系統的故障診斷。Yang等[9]在飛機艙門執行機構故障診斷方面,采用稀疏自動編碼器(SAE)算法避免簡單的直接篩選過程,采用雙向長短期內存RNN算法(BiLSTM-RNN)應用于故障診斷,減少了傳感器數量。

綜上,民機艙門收放系統故障模擬存在故障數據少、故障診斷精度低的問題,因此,提出基于CPSO-BP神經網絡的飛機艙門收放系統故障診斷模型。首先,根據飛機艙門系統工作特性及高發故障,分析確定系統典型故障模式;其次,建立飛機艙門收放系統仿真模型,通過典型故障的仿真分析獲取故障數據集;最后,分別采用BP神經網絡、混沌粒子群算法優化BP神經網絡進行故障診斷。

1 飛機艙門收放系統典型故障模式

1.1 飛機艙門收放系統組成

飛機艙門收放系統驅動方式主要分直線式和旋轉式。由于旋轉式驅動方式占用空間小、艙門開閉時間短,已成為先進飛機的首選方案。

圖1所示的旋轉式飛機艙門收放系統采用閥控液壓馬達驅動飛機艙門完成開閉運動。液壓油從液壓源出發經過電液比例閥,經由流量控制閥驅動控制液壓馬達旋轉,最后經減速器實現艙門開閉。控制時采用經典PID控制。

圖1 旋轉式飛機艙門收放系統原理示意圖

1.2 典型故障模式

飛機艙門收放系統正常開閉時,通過外場統計艙門收放系統故障現象主要為艙門不動作、艙門動作不到位和艙門動作緩慢。根據外場高發故障及飛機艙門系統工作特性,確定4類典型故障模式:

1) 液壓馬達外泄漏:液壓馬達隨著使用時間的增加,管嘴保護圈容易從管嘴端面與殼體端面間隙中擠出,出現外部油液滲漏現象[10-11]。隨著泄漏量增大,導致液壓馬達進出口兩端壓差降低,進而導致艙門動作緩慢甚至動作不到位。

2) 液壓油污染:液壓油混入空氣后,其彈性系數降低,變得更易被壓縮,會導致作動元件出現爬行現象等問題,造成的故障占液壓系統故障的75%以上[12]。

3) 節流閥阻塞:固體顆粒污染液壓油最常見且危害最嚴重,主要包括硬質顆粒和軟質顆粒2種污染物。這些物質極易堵塞如節流閥等元件的閥口,造成元件的閥口流通面積減小,對系統產生負面影響。

4) 流量控制閥閥芯磨損:流量控制閥是閥控系統控制信號直接作用元件,頻繁變化閥口開度會導致閥芯與閥體產生磨損,液壓油液污染物更是加劇了這一現象[13],造成流量控制閥內泄漏故障,降低控制效果。

2 飛機艙門收放系統故障模擬

2.1 仿真模型的建立

依照艙門收放系統結構,在AMESim中選取相應元器件,建立旋轉式飛機艙門驅動系統仿真模型如圖2所示。系統采用閥控液壓馬達驅動艙門運動,控制中采用位置PID和速度PID相結合的方法,通過位置閉環和速度閉環保證到位精度和艙門運行速度控制效果。為簡化結構將部分控制信號用超級元件“MOVE_SPEED”、“TIP_SPEED”、“OPEN_DECELERATION_ ANGLE”、“CLOSE_DECELERATION_ANGLE”及“LOCATION”代替。

2.2 位移和速度仿真

設置各部件相關參數,仿真時間為5 s,時間間隔為0.01 s。運行艙門模型,結束后查看系統中的各種參數。飛機艙門的位移和速度曲線如圖3所示。

圖3 艙門位移和速度曲線

從圖3中可以看出,飛機艙門收放系統在仿真周期內完成了打開和關閉兩階段動作,所用時間分別為1.84 s和1.87 s,低于設計許用要求的2 s;且艙門在開閉末端有明顯減速動作,末端速度保持在15(°)/s以內,滿足系統設計要求。即搭建的艙門收放系統模型可用。

2.3 故障注入

如圖2所示,根據飛機艙門收放系統工作特性及典型故障,進行故障注入:① 液壓馬達進出口兩端并聯節流閥(見圖中1處),并調節等效孔徑大小實現故障模擬;② 修改液壓油空氣含量參數實現液壓油污染故障注入(見圖中2處);③ 修改節流閥等效孔徑實現節流閥阻塞故障注入(見圖中3處);④ 流量控制閥進出口兩端并聯節流閥(見圖中4處),實現流量控制閥閥芯磨損故障注入。

2.4 故障數據集構建

基于建立的飛機艙門收放系統故障仿真模型,進行飛機艙門收放系統正常工作及液壓馬達泄漏、液壓油污染、節流閥阻塞和流量控制閥磨損等典型故障的仿真分析。飛機艙門收放系統仿真參數見表1所示,在正常值和故障值區間內分別等距取10個和20個數值,其他參數取正常值,每種故障分別進行30次仿真,共獲取120組仿真數據。原始數據存在重復等問題,故需要對原始數據進行預處理:對重復數據手動進行直接刪除。

表1 飛機艙門收放系統仿真參數

設置仿真時間為5 s,采樣頻率為100 Hz,提取A點流量和壓力信號、B點位置信號形成一組故障信號,每組信號共3×500個數據點。從正常值和故障值區間隨機各抽取一組數據構成測試集,其余構成訓練集。

圖4所示為不同狀態下的流量、壓力和位移變化曲線。相比于正常工況,隨著系統的故障注入,艙門到位速度變慢,系統消耗流量增加,系統壓力降低。此外,壓力、流量和艙門位移在不同故障模式下變化。因此,如果系統中的鎖定機構發生故障,可以通過系統的工作壓力、流量和位移信號來推斷故障原因。

圖4 飛機艙門收放系統故障仿真結果

為解決故障數據較少穩態,在仿真獲取故障數據的基礎上,采用滑動窗口方法對故障信號進行重疊采樣[14-15]。為保持重構信號原有信號的特征,考慮艙門開閉最長時間為2.5 s,設置窗口長度為256,步長為1。經滑動窗口重疊采樣后,每組故障數據可獲得245個樣本,隨后按4∶1劃分訓練集和測試集。

采集壓力、流量、速度和位移多種傳感器信號組成故障信號,在數據增強基礎上,采用橫向拼接的時序信號特征融合[16]方法,將原有格式為3×256的樣本數據重構為長度為768的一維信號樣本。橫向拼接特征融合原理如圖5所示。橫向拼接是將特征直接進行拼接,將其從頭到尾串接起來,雖然這樣會增加模型的運算量和運算時間,但能保留最完備的信息,不會造成信息的損失。

對數據進行抽稀與歸一化操作。最終建立故障數據集,包含測試集樣本5 880個,訓練集樣本23 535個,每個樣本格式為長度256、數據分布在[0,1]間的一維信號。

3 飛機艙門收放系統故障診斷

3.1 BP神經網絡故障診斷

BP神經網絡是一種按誤差逆向傳播數據訓練的多層前饋網絡,目前其相關應用最為廣泛。將飛機艙門收放系統故障數據集作為神經網絡輸入,電磁閥磨損、液壓馬達外泄漏、液壓油混入空氣和節流閥阻塞作為輸出,建立神經網絡。該BP神經網絡為三層典型網絡結構,含1個隱層,隱層神經元個數設置為8,最大訓練次數1 000,學習率為0.01,目標為訓練均方差1×10-6。進行5次診斷,最終的故障診斷結果如表2所示。可以看出:使用傳統BP神經網絡進行故障診斷時,平均診斷正確率可達85.36%,多次診斷結果的魯棒性較強,但診斷結果仍不太理想。

表2 BP神經網絡綜合故障診斷結果

3.2 混沌粒子群算法(CPSO)優化BP神經網絡

BP神經網絡綜合故障診斷結果不太理想的原因是網絡訓練時BP網絡中的初始權重和閾值為隨機選取產生,容易出現局部收斂極小點,會降低擬合效果,故需要對神經網絡初始權重和閾值進行優化。本文選取混沌粒子群算法(CPSO)優化BP神經網絡。

3.2.1混沌粒子群(CPSO)優化算法

粒子群優化算法是一種采用速度-位置搜索模型的群體智能尋優算法,具有編碼簡單、收斂速度快的特點[17]。粒子群算法中更新粒子位置和速度的公式如下:

vid=wvid+c1r1(piBest-xid)+

c2r2(pgBest-xid)

(1)

xid=xid+vid

(2)

其中:xid表示為粒子位置;vid表示粒子速度;w為慣性權重;c1和c2為學習因子;r1和r2為[0,1]間的隨機數;piBest和pgBest分別為個體極值和群體極值。

基本粒子群算法尋優搜索過程有2個不足:① 隨機初始化和進化過程使得個體極值和群體極值的更新有一定盲目性,影響收斂速度;② 利用式(1)和式(2)更新粒子位置,本質是采用正向反饋方式,通過當前粒子信息、個體極值和群體極值3個信息獲取下一步迭代位置,容易陷入局部最優解。

針對粒子群優化算法的不足,提出基于混沌優化思想的混沌粒子群優化(CPSO)算法優化BP神經網絡。一般將混沌定義為由確定性方程得到且具有隨機性運動的運動狀態。混沌動力學中比較典型的混沌模型是Logistic映射[18],其表達式為

zn+1=μzn(1+zn)

(3)

式中:μ為控制參數,一般取值為4。

針對粒子群算法后期收斂速度慢、易陷入局部最優點而出現早熟的問題,通過粒子群的方差來判斷是否早熟,方差表達式為

(4)

式中:Fi為粒子的適應度;Favg為粒子的平均適應度。

當方差小于給定值時判定粒子進入早熟狀態,此時需要重新設定粒子速度和位置以跳出局部最優。

采用混沌理論改進粒子群算法優化BP神經網絡故障診斷流程見圖6。

3.2.2故障診斷結果的對比分析

為驗證CPSO算法優化BP神經網絡的故障診斷性能,基于已建立的故障數據集,分別采用CPSO-BP和BP兩種不同方法對比進行故障診斷。CPSO算法種群大小設置為20,迭代尋優100次,其他初始化超參數如表3所示。

圖6 CPSO-BP神經網絡流程

表3 CPSO算法超參數

圖7所示為CPSO算法尋優適應度進化曲線。分析可知,CPSO-BP算法在迭代尋優44次后,適應度不再減小,即尋優獲取到最優目標值。

圖7 CPSO-BP適應度進化曲線

各神經網絡對測試集故障診斷結果的混淆矩陣元素如圖8所示。其中0—4分別代表正常工況、液壓馬達泄漏、液壓油污染、節流閥阻塞及流量控制閥磨損五類情況。可以清楚得出:相比BP神經網絡,CPSO-BP神經網絡針對液壓馬達泄漏、液壓油污染、節流閥及流量控制閥磨損四類故障的診斷正確率均有明顯提升,其中液壓油污染和流量控制閥磨損兩類故障診斷的正確率分別提高了27%和34%。

圖8 測試集故障診斷混淆矩陣元素示意圖

此外,在CPSO-BP算法基礎上,研究神經網絡隱含層節點個數對CPSO-BP及BP診斷結果的影響。隨著網絡節點個數的增加,故障診斷模型的診斷精度和診斷時間如圖9所示。可知優化后,8節點時,CPSO-BP診斷精度較其他節點更高,正確率達到93%,且診斷時間相比7、9和10節點更低,綜合計算效率更高。

圖9 不同節點故障診斷正確率與計算時間

4 結論

1) 基于AMESim搭建飛機艙門收放系統故障模型以代替實際設備進行故障診斷研究,彌補了閥控液壓馬達驅動艙門系統建模研究較少的不足,具有仿真精度高、故障數據采集方便和數據量豐富等優點;

2) 采用滑動窗口方式進行故障數據增強,極大豐富了故障數據集,多傳感數據橫向拼接的特征融合方式提高了神經網絡訓練與診斷精度;

3) 采用BP神經網絡進行故障初步診斷的平均診斷正確率僅為85.37%。為提升診斷正確率,采用混沌粒子群算法(CPSO)優化BP神經網絡的初始權重和閾值,CPSO-BP神經網絡的系統故障診斷正確率可以達到93%,提高了液壓油污染和流量控制閥磨損兩類故障的診斷正確率,能較準確識別故障類型,可用于飛機艙門系統故障診斷。