立即咨询在线客服

科技

您现在的位置: > 论文欣赏 > 科技 >

浅论基于SOM算法和免疫神经网络的飞机燃油系统故障诊断

  0引言
  随着航空技术发展,飞机安全系数不断提高,故障率也在不断降低,燃油系统对飞机的使用性能和安全有着直接的影响,是飞机上的一个重要系统,其主要功能为:在一切飞行状态和工作条件下,将其存储的燃油输送到发动机主油箱中,以保证飞机能得到持续能源供应。飞机燃油系统是由各类传感器、电磁阀和与之相互联系的子系统组成的复杂总体,由于其结构和功能的复杂性,使其易于发生各类故障,当飞机燃油系统发生故障时,不仅可能导致飞机无法正常运行,严重时会导致灾难性事故的发生。为了确保飞机燃油系统具有较高的可靠性,需要对其定时进行故障检测和诊断。
  传统的飞机燃油系统故障诊断方法主要有:硬件冗余方法和系统模型检测方法。硬件冗余方法通过增加泵、电磁阀和调节器等硬件来减少故障发生,但由于飞机空间和重量的约束,冗余硬件的增加直接导致飞机的有效载荷和载油量减少,最终限制了其进一步的应用。系统模型故障诊断方法通过建立系统模型对飞机燃油系统进行故障诊断,但其仅仅对单个部件进行故障检测和诊断,具有一定的片面性,同时还存在着难以建立故障诊断精确数学模型的缺点。
  近年来,不少学者开始将人工智能的方法用于解决飞机燃油系统故障诊断问题。文献设计了一种小波变换和RBF神经网络的故障诊断方法,建立传感器的RBF神经网络模型来预测传感器输出,并通过比较小波分析法和RBF神经网络方法的输出获得残差信号以评价诊断精度。文献设计了一种基于BP神经网络的故障诊断方法,首先建立分层分类故障诊断模型并建立推理规则,再根据推理规则通过BP神经网络继续推理进行故障诊断。文献建立了一种基于小波分析的飞机燃油系统故障诊断方法,通过小波多分辨率分析方法对缓变故障和突变故障进行定位。文献同样建立了一种基于小波变换的故障诊断方法,通过对传感器输出信号进行一维小波变换获得第一层细节系数,然后从系数中对故障点进行精确定位。
  上述工作都实现了飞机燃油系统的故障诊断,具有重要意义,但存在着泛化能力弱,诊断精度和诊断效率低等缺点,本文在上述工作的基础上建立了一种基于SOM算法和免疫神经网络的故障诊断方法,能有效地实现故障诊断推理,较其它方法具有较高的故障诊断精度和较快的诊断效率。
  1故障诊断模型
  文中的故障诊断模型可以描述为:在燃油系统的各传感器处采集故障诊断的样本数据和测试数据,分别对其采用SOM算法进行数据离散化,并利用粗糙集的互信息方法获得属性简约子集,以减少冗余的传感器采集数据维数,然后再采用简约后的样本数据来训练BP神经网络以进行故障诊断,采用免疫优化算法对BP神经网络故障模型中的各权值和阈值等参数进行优化,当诊断精度低于某阈值时,采用BP反向传播算法对其进一步调整,从而得到最终的故障诊断模型。将测试数据输入到上述最终的故障诊断模型,得到故障诊断最终结果。
  2数据预处理
  2.1数据离散化
  自组织网(Self-OrganizingFeatureMap,SOM)[10]是由Kohonen于1997年首次提出。
  可以看出,SOM是由输入层和输出层组成,输入数据通过竞争、合作和权值调节来实现输出,输出的神经元即为获胜神经元,采用SOM自组织网实现传感器采集连续数据离散化的过程可以描述为:
  (1)根据需要离散化的数值个数初始化输出神经元个数m,将输入数据维数n的维数初始化1,初始化邻域半径N(1)、学习速率因子ψ(1)、权值Wij(1)(i≤n,j≤m);
  (2)从样本数据和测试数据的各维数据置入到输入神经元;
  (3)计算输入神经元其与所有输出神经元的距离,选择具有最小距离值的神经元为获胜神经元:s={j|minDij(t)=∑ni(wij(t)-xi(t))2}1≤j≤m(1)
  (4)分别对获胜神经元节点与输入节点之间的权值、获胜神经元邻域和学习率按式(2)、(3)和(4)进行更新:wij(t+1)=wij(t)+ψ(t)(xi-wij(t))(2)ψ(t)=ψ(1)(1-t/T)(3)N(t)=N(1)(1-t/T)(4)
  (5)判断学习率ψ(t)是否已下降为0,如果下降为0则第一个数据离散化结束,重复(3)到(5)直到所有数据离散化结束。
  2.2属性简约
  当决策表为S=时,采用粗糙集互信息方法进行属性简约过程可以描述为:
  (1)通过获取可辨识矩阵的单个元素得到核属性集CORED(C),并将其表示为P,初始化B=Φ为简约属性集。
  (2)分别根据式(5)、式(6)和式(8)计算条件属性集C的信息熵,决策属性集D相对于条件属性集的条件熵以及它们之间的互信息:
  H(C)=-∑ni=1C(Xi)log(C(Xi))(5)
  H(D|C)=-∑ni=1C(Xi)∑ni=1C(Yj|Xi)log(C(Yi|Xi))(6)
  C(Yi|Xi)=|Yi∩Xi|/|Xi|(7)
  I(C,D)=H(D)-H(D|C)(8)
  (3)对于条件属性集中任意一个非核属性c,选择使得条件互信息I(c-D|P)取最大值最大的属性c,并使得B=B∪{c};
  (4)判断I(B|D)是否等于I(C|D),如果等于则算法结束,输出B为简约属性集。
  3故障诊断
  3.1BP神经网络故障诊断模型
  人工神经网络是一种具有正反馈、自适应性、可学习性的分布式系统,当在输入层输入故障征兆数据时,在输出端得到其对应的故障分类,通过最小化网络的实际输出和期望输出的累积误差来进行故障诊断:
  Sum(Δe)=12∑mi=1∑nj=1(xij-yij)2(9)
  其中:m为样本数据个数,n为故障种类数,一个三层的神经网络故障诊断模型可以表示。
  3.2BP神经网路参数优化
  BP神经网络的输入层与隐含层、隐含层与输出层之间的权值以及隐含层神经元阈值等参数设置往往根据经验,使得故障诊断存在收敛速度慢和诊断精度低的问题,因此,采用改进的免疫优化算法(ImmuneOptimizingAlgorism,IOA)对参数进行优化。
  其中,抗体即为所要优化的参数列表,可以将其编码为{w1,w2,...,θ1,...,θc},亲和度函数为式(9)所示,即为最小化总误差,抗体选择即采用轮盘赌方法,根据抗体适应度高低来确定抗体选择概率,抗体变异即对抗体中的每个参数进行随机改变。
  3.3BP神经网络故障诊断
  采用BP神经网络进行故障诊断的具体过程可以描述如下:
  (1)首先对所有样本数据和测试数据采用SOM自组织网进行数据离散化,然后采用粗糙集互信息法进行属性约简,以获得约简后的属性集;
  (2)初始化输入层神经元的个数为约简后的数据属性维数,输出神经元的个数为故障种类个数,神经元的激活函数采用sigmoid函数,采用免疫优化算法优化的各参数初始化BP神经网络,隐含层神经元的个数即为:kmiddle=槡kinput+koutput+k(10)在公式(4)中,k为(1,10)之间的1个随机数。
  (3)将样本数据输入BP神经网络进行故障诊断,并根据式(9)计算总诊断误差,如果误差大于某预设阈值th则进入步骤(4),否则转入步骤(5);
  (4)根据BP误差反向传播算法即window-Hoff规则从输出层到输入层不断进行参数调整,直到网络的误差低于预设阈值th;
  (5)将测试数据输入新的故障诊断模型进行故障诊断。
  4仿真实验
  以MA600飞机为例,其燃油系统主要包含备份油箱、辅助油箱、预消耗油箱和消耗油箱等,由于这四类油箱对应的故障诊断问题类似,因此,仅以消耗油箱为例进行说明,其中故障诊断征兆主要有:油箱油位过低、油箱引射泵异常、输油泵电流过大、输油泵出口压力过大、加油控制活门异常、单向活门出口压力过大和输油管道压力过大,分别采用x0、x1、x2、x3、x4、x5、x6表示,故障模型为无故障、输油泵故障、活门故障、输油管路泄漏和油箱泄漏,分别采用y0、y1、y2、y3和y4表示。采集样本数据和测试数据各20组,首先对样本数据和测试数据采用SOM算法进行数据离散处理,将其离散到{0,1,2}上,并通过粗糙集进行属性简约,得到的简约属性集为{x0,x2,x3,x5,x6}。
  5结论
  为了实现对飞机燃油系统进行故障诊断,提出了一种基于SOM算法和免疫神经网络的飞机燃油系统故障诊断方法。首先将传感器采集的连续故障诊断征兆数据通过SOM算法进行离散化处理,然后再通过粗集的互信息方法进行属性约简,最后,采用由免疫优化算法进行参数优化的三层BP神经网络用于故障诊断。试验结果证明:文中方法能有效地实现故障诊断推理,较其它方法具有较高的故障诊断精度和较快的诊断效率。