CN103674538A - 一种直升机自动倾斜器多故障模式识别方法及装置 - Google Patents

Abstract

本发明公开了一种直升机自动倾斜器多故障模式识别方法和装置，该方法包括：对实时采集的模拟量信号进行预处理，以得到所述模拟量信号对应的实时数据；提取所述实时数据中的一个或多个时域特征；通过将每个所述时域特征和与其对应的时域特征门限阈值范围进行比较，确定一个或多个疑似故障；基于所述一个或多个疑似故障对应的实时数据，通过预先训练的径向基神经网络获得一个或多个故障信息。本发明有效地解决了现有技术对直升机自动倾斜器的故障监测、诊断效率不高的问题。提高了故障监测的实时性和效率。消除了潜在的故障威胁，增加了自动倾斜的安全性。增加了故障识别的准确性，缩短了故障识别的时长，提高了故障识别的效率。

Description

一种直升机自动倾斜器多故障模式识别方法及装置

技术领域

本发明涉及测量测试以及故障诊断等技术领域，特别是涉及一种直升机自动倾斜器多故障模式识别方法及装置。

背景技术

随着低空领域的开放，直升机将在救援、搜索、航拍、运输等领域井喷式发展。自动倾斜器是直升机上最重要的部件之一，是将经直升机飞行操纵系统传递过来的驾驶员或自动驾驶仪的指令转换为旋翼桨叶受控运动的一种装置。其中，大轴承又是自动倾斜器的核心部件，旋翼的总距及周期变距操纵都要通过它来实现，运行中的直升机轴承的任何故障或失效都可能导致操纵系统发生故障，造成重大人身和财产损失。国内现有运行的直升机都是通过定检定修的方式对自动倾斜器轴承进行维护，以便让飞行员及时采取降落或降级使用等措施，避免重大事故发生。

国内目前现有的直升机自动倾斜器轴承检测分析装置，主要包括试验机、数据转换器、计算机、电控系统、液压系统及冷却器等，能够实现对航空螺旋桨、飞行器的轴承异常信息、结构健康、故障诊断进行初步判断，可部分提高轴承的运行安全可靠性。

然而，其缺陷在于，对故障监测、诊断效率不高。因此，迫切需要研究一种快速、准确的故障诊断手段，实现直升机自动倾斜器多故障模式识别的在线监测与诊断，提高检测的准确率，确保直升机自动倾斜器的安全使用。

发明内容

本发明要解决的技术问题是直升机自动倾斜器多故障模式的在线监测与识别，确保轴承的安全使用。本发明提供了一种直升机自动倾斜器多故障模式识别方法及装置。用以解决现有技术对直升机自动倾斜器的故障监测、诊断效率不高的问题。

为解决上述技术问题，本发明提供一种直升机自动倾斜器多故障模式识别方法。所述方法包括以下步骤：对实时采集的直升机自动倾斜器的模拟量信号进行预处理，以得到实时数据；提取所述实时数据中的一个或多个时域特征；通过将每个所述时域特征和与其对应的时域特征门限阈值范围进行比较，确定一个或多个疑似故障；基于所述一个或多个疑似故障对应的实时数据，通过预先训练的径向基神经网络获得一个或多个故障信息。

其中，所述模拟量信号包括振动模拟量信号和温度模拟量信号；对实时采集的模拟量信号进行预处理，以得到所述模拟量信号对应的实时数据，包括：对采集的振动模拟量信号和温度模拟量信号进行信号调整；对调整后的振动模拟量信号和温度模拟量信号进行模数转换，以获得振动模拟量信号对应的实时数据，以及温度模拟量信号对应的实时数据。

其中，所述时域特征至少包括：峭度、峰值因子、脉冲因子、裕度因子及波形因子。

其中，将每个所述时域特征和与其对应的时域特征门限阈值范围进行比较，以确定一个或多个疑似故障，包括：如果所述时域特征不在所述时域特征门限阈值范围内，则判定为针对所述时域特征的疑似故障。

其中，预先训练径向基神经网络的步骤如下：采集性能完好的直升机自动倾斜器的实时数据和发生各类故障的直升机自动倾斜器的实时数据，作为训练集；基于所述训练集对预设的径向基神经网络进行训练，以获得预测出正确故障信息的径向基神经网络。

其中，基于所述一个或多个疑似故障对应的实时数据，通过预先训练的径向基神经网络获得一个或多个故障信息，包括：提取所述实时数据中的一个或多个特定特征；将所述产生疑似故障的一个或多个时域特征，以及所述一个或多个特定特征作为预先训练的径向基神经网络的输入，以获得一个或多个故障信息。

本发明还提供了一种直升机自动倾斜器多故障模式识别装置，所述装置包括：直升机自动倾斜器轴承、一个或多个传感器、与传感器数量相等的信号调理器、模数转换器、数字信号处理器、时序及逻辑控制器；每个传感器实时采集直升机自动倾斜器轴承的模拟量信号，并传送给对应的信号调理器，以对所述模拟量信号进行信号调理；时序及逻辑控制器控制模数转换器对调整后的模拟量信号进行模数转换，以得到模拟量信号对应的实时数据，并将所述实时数据转发至数字信号处理器；数字信号处理基于预先获得的时域特征门限阈值范围和预先训练的径向基神经网络对所述实时数据进行处理，以获得一个或多个故障信息。

其中，所述数字信号处理器还用于：提取所述实时数据中的一个或多个时域特征；通过将每个所述时域特征和与其对应的时域特征门限阈值范围进行比较，确定一个或多个疑似故障；基于所述一个或多个疑似故障对应的实时数据，通过预先训练的径向基神经网络获得一个或多个故障信息。

其中，所述数字信号处理器还用于：如果所述时域特征不在所述时域特征门限阈值范围内，则判定为针对所述时域特征的疑似故障。

其中，所述时域特征至少包括：峭度、峰值因子、脉冲因子、裕度因子及波形因子。

本发明有益效果如下：

本发明实时采集自动倾斜器的实时数据，并基于该实时数据对自动倾斜器进行故障检测，实现了在线识别自动倾斜器的故障，提高了故障监测的实时性和效率。

本发明通过预先训练的时域特征门限阈值，来消除潜在的故障威胁，增加了自动倾斜器的安全性。

本发明通过不断优化的径向基神经网络，来诊断自动倾斜器的一个或多个故障信息，增加了故障识别的准确性，缩短了故障识别的时长，提高了故障识别的效率。

附图说明

图1是根据本发明一实施例的直升机自动倾斜器多故障模式识别装置的结构示意图；

图2是根据本发明一实施例的直升机自动倾斜器多故障模式识别方法的流程图。

具体实施方式

为了解决现有技术对直升机自动倾斜器的故障监测、诊断效率不高的问题，本发明提供了一种直升机自动倾斜器多故障模式识别方法及装置，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。

如图1所示，图1是根据本发明一实施例的直升机自动倾斜器多故障模式识别装置的结构示意图。

该装置可以包括轴承、一个或多个传感器、与传感器数量相等的信号调理器、模数转换器（A/D转换器）、数字信号处理器（DigitalSignalProcessing，DSP）、时序及逻辑控制器（Complex Programmable Logic Device，CPLD）、数据存储单元（Static RAM，SRAM）和语音报警器，以及外部接口等。其中，传感器可以包括横向振动传感器（X向振动传感器）、纵向振动传感器（Y向振动传感器）、温度传感器等。

直升机自动倾斜器的轴承，是自动倾斜器的重要组成部分。针对自动倾斜器的故障模式识别，可以通过监测、识别轴承的故障模式来实现。其中，故障模式是指故障信息。

每个传感器可以实时采集直升机自动倾斜器轴承的模拟量信号。进一步地，振动传感器可以实时采集直升机自动倾斜器轴承的振动模拟量信号。温度传感器可以实时采集直升机自动倾斜器轴承的温度模拟量信号。在传感器采集模拟量信号时，恒流源可以为传感器供电。

传感器可以将采集的模拟量信号传送给与其对应的信号调理器，用以进行模拟量信号调整。如图1所示，X向振动传感器将采集的X向振动模拟量信号传送给信号调理器1。Y向振动传感器将采集的Y向振动模拟量信号传送给信号调理器2。温度传感器将采集的温度模拟信号量传送给信号调理器3。对模拟量信号的调整可以包括滤波、降噪、剔除野值等。

CPLD可以对A/D转换器、SRAM、外部接口和DSP进行控制；该控制可以包括：开启、关闭，分配数据处理任务等。

在CPLD的控制下，A/D转换器可以对调整后的模拟量信号进行模数转换，进而得到数字量信号；将该数字量信号作为实时数据，基于该实时数据来判断自动倾斜器的故障。

CPLD可以将实时数据存储在SRAM中，并将实时数据转发至DSP进行处理。

数字信号处理DSP基于预先获得的时域特征门限阈值范围和预先训练的径向基神经网络（Radial Basis Function，RBF）对实时数据进行处理，以获得一个或多个故障信息。具体而言，数字信号处理器用于提取实时数据中的一个或多个时域特征。时域特征至少包括：峭度、峰值因子、脉冲因子、裕度因子及波形因子。通过将每个时域特征和与其对应的时域特征门限阈值范围进行比较，确定一个或多个疑似故障。如果时域特征不在时域特征门限阈值范围内，则为针对时域特征的疑似故障。基于一个或多个疑似故障对应的实时数据，通过预先训练的径向基神经网络获得一个或多个故障信息。具体的处理可以参考图2所示的流程图。

CPLD还可以将实时数据存储到硬盘中，在直升机降落后，可以通过外部接口将存储在硬盘中的实时数据拷贝到地面设备。

结合图1所示的装置，本方法提供了一种直升机自动倾斜器多故障模式识别方法，如图2所示。图2是根据本发明一实施例的直升机自动倾斜器多故障模式识别方法的流程图。

在该方法中可以包括信号采集、信号预处理、特征提取、疑似故障判断，故障判断等步骤。

步骤S210，信号采集步骤：通过传感器实时采集直升机自动倾斜器轴承的模拟量信号。其中，传感器可以包括X向振动传感器、Y向振动传感器、温度传感器。

步骤S220，信号预处理步骤：对实时采集到的模拟量信号的预处理，以得到该模拟量信号对应的实时数据。首先可以由相应的信号调理器对采集到两路振动模拟量信号和一路温度模拟量信号进行信号调整，包括信号滤波降噪，剔除野值等。然后可以通过A/D转换器对调整后的振动模拟量信号和温度模拟量信号进行模数转换，得到振动模拟量信号对应的实时数据（振动实时数据），以及温度模拟量信号对应的实时数据（温度实时数据）。可以将所有的实时数据进行存储，即振动模拟量信号对应的实时数据和温度模拟量信号的实时数据存储到存储设备中，如图1中的SRAM中。

步骤S230，特征提取步骤：在CPLD的控制下，DSP提取实时数据中的一个或多个时域特征。

本发明优选地，选择对故障敏感的时域特征作为提取对象，以增加故障诊断的准确性。

由于无量纲参数指标基本不受信号绝对水平的影响，即使测量点同以往的略有不同，对参数的计算结果也不会产生明显的影响。因此，对故障敏感的时域特征可以选用峭度、峰值因子、脉冲因子、裕度因子及波形因子等无量纲参数，作为表征轴承运行状态的时域特征。

步骤S240，疑似故障判断步骤：通过将每个时域特征和与其对应的时域特征门限阈值范围进行比较，确定一个或多个疑似故障。该操作在DSP中完成。

具体而言，加载预先配置好的一个或多个时域特征门限阈值范围，该时域特征门限阈值范围可以包括：峭度特征阈值范围、峰值特征阈值范围、脉冲特征阈值范围、裕度特征阈值范围、波形特征阈值范围等。根据时域特征门限阈值范围可以划定时域特征的正常范围，即自动倾斜器未发生故障的取值范围。将提取出的每个时域特征和与其对应的正常范围进行比较。例如，将峭度与峭度特征阈值范围划定的正常范围进行比较。若时域特征处于时域特征门限阈值范围内，即处于正常范围之内，则自动倾斜器未发生故障。若时域特征不在该时域特征门限阈值范围内，即不在正常范围之内，则表示自动倾斜器可能发生故障，即针对该时域特征的疑似故障。

其中，时域特征门限阈值范围的计算方式可以是：采集大量性能完好的直升机自动倾斜器的实时数据和各类发生故障的直升机自动倾斜器的实时数据，将采集的实时数据作为训练集，对用于计算时域特征门限阈值范围的神经网络进行训练，得出对应时域特征的理论阈值范围，将该理论阈值范围作为该时域特征的时域特征门限阈值范围。

出现疑似故障时，DSP发送报警信号至语音报警器以进行报警。该方式可以从出现疑似故障的阶段即通知机组人员以及地面维护人员，降低了潜在的故障威胁。

在一个实施例中，还可以将报警时间、出现疑似故障的时域特征、时域特征超出时域特征门限阈值范围的程度和飞行基本信息形成报告并进行存储。

在步骤S250处，故障判断步骤：基于一个或多个疑似故障对应的实时数据，通过预先训练的径向基神经网络获得一个或多个故障信息。

具体而言，针对一个或多个时域特征不在正常范围内的直升机自动倾斜器，对该自动倾斜器的实时数据进行进一步的处理，以获得自动倾斜器的一个或多个故障信息。

进一步地，提取实时数据中的一个或多个特定特征。例如：提取X向振动实时数据和Y向振动实时数据中的频域特征和时频域特征。该时频域特征可以包括小波域特征、EMD二维谱熵特征等特征。将不在正常范围内的时域特征，以及一个或多个特定特征，如频率特征、小波域特征、EMD二维谱熵特征等作为预先训练获得的径向基神经网络的输入，一个或多个故障信息作为径向基神经网络的输出，进而得到该自动倾斜器的一个或多个故障信息。将该故障信息通知机组人员和地面维护人员。

其中，该径向基神经网络可以通过预先训练获得。具体地，采集性能完好的直升机自动倾斜器的实时数据和发生各类故障的直升机自动倾斜器的实时数据，以作为训练集，预设可以判断各种故障的径向基神经网络，并基于训练集对该预设的径向基神经网络进行训练，通过对径向基神经网络中的各个参数的调整，获得能够预测出正确故障信息的径向基神经网络，并基于该训练过的径向基神经网络对自动倾斜器的故障进行识别。

通过该方式可以有效的缩短故障识别时间，提高故障诊断的效率，并可以精确的识别出多种故障信息。

进一步地，当给出故障信息后，可以将本次的故障信息添加至训练集中，根据该训练集再次径向基神经网络进行训练，及时调整、优化该径向基神经网络，以使该径向基神经网络判断出的故障信息更加准确。

本发明实时采集自动倾斜器的实时数据，并基于该实时数据对自动倾斜器进行故障检测，实现了在线识别自动倾斜器的故障，提高了故障监测的实时性和效率。

本发明通过预先训练的时域特征门限阈值，来消除潜在的故障威胁，增加了自动倾斜的安全性。

本发明所采用的径向基神经网络具有结构简单、分类性能好、学习速度快、泛化能力强和不易陷入局部极小等优点，能够实现故障的快速识别。利用训练好的径向基神经网络作为一个智能故障识别模块，通过接受特征的输入给出故障识别结果，最后将故障识别结果作为故障信息，以供地面维护人员转录至地面设备后进行查阅和分析。

本发明通过不断优化的径向基神经网络，来诊断自动倾斜器的一个或多个故障信息，增加了故障识别的准确性，缩短了故障识别的时长，提高了故障识别的效率。

尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。

Claims (10)

1.一种直升机自动倾斜器多故障模式识别方法，其特征在于，所述方法包括以下步骤：

对实时采集的直升机自动倾斜器轴承的模拟量信号进行预处理，以得到实时数据；

提取所述实时数据中的一个或多个时域特征；

通过将每个所述时域特征和与其对应的时域特征门限阈值范围进行比较，确定一个或多个疑似故障；

基于所述一个或多个疑似故障对应的实时数据，通过预先训练的径向基神经网络获得一个或多个故障信息。

2.如权利要求1所述的方法，其特征在于，

所述模拟量信号包括振动模拟量信号和温度模拟量信号；

对实时采集的模拟量信号进行预处理，以得到所述模拟量信号对应的实时数据，包括：

对采集的振动模拟量信号和温度模拟量信号进行信号调整；

对调整后的振动模拟量信号和温度模拟量信号进行模数转换，以获得振动模拟量信号对应的实时数据，以及温度模拟量信号对应的实时数据。

3.如权利要求1所述的方法，其特征在于，所述时域特征至少包括：峭度、峰值因子、脉冲因子、裕度因子及波形因子。

4.如权利要求3所述的方法，其特征在于，将每个所述时域特征和与其对应的时域特征门限阈值范围进行比较，以确定一个或多个疑似故障，包括：

如果所述时域特征不在所述时域特征门限阈值范围内，则判定为针对所述时域特征的疑似故障。

5.如权利要求3所述的方法，其特征在于，预先训练径向基神经网络的步骤如下：

采集性能完好的直升机自动倾斜器的实时数据和发生各类故障的直升机自动倾斜器的实时数据，作为训练集；

基于所述训练集对预设的径向基神经网络进行训练，以获得预测出正确故障信息的径向基神经网络。

6.如权利要求1或5所述的方法，其特征在于，基于所述一个或多个疑似故障对应的实时数据，通过预先训练的径向基神经网络获得一个或多个故障信息，包括：

提取所述实时数据中的一个或多个特定特征；

将所述产生疑似故障的一个或多个时域特征，以及所述一个或多个特定特征作为预先训练的径向基神经网络的输入，以获得一个或多个故障信息。

7.一种直升机自动倾斜器多故障模式识别装置，其特征在于，所述装置包括：直升机自动倾斜器轴承、一个或多个传感器、与传感器数量相等的信号调理器、模数转换器、数字信号处理器、时序及逻辑控制器；

每个传感器实时采集直升机自动倾斜器轴承的模拟量信号，并传送给对应的信号调理器，以对所述模拟量信号进行信号调理；

时序及逻辑控制器控制模数转换器对调整后的模拟量信号进行模数转换，以得到模拟量信号对应的实时数据，并将所述实时数据转发至数字信号处理器；

数字信号处理基于预先获得的时域特征门限阈值范围和预先训练的径向基神经网络对所述实时数据进行处理，以获得一个或多个故障信息。

8.如权利要求7所述的装置，其特征在于，所述数字信号处理器还用于：

提取所述实时数据中的一个或多个时域特征；

通过将每个所述时域特征和与其对应的时域特征门限阈值范围进行比较，确定一个或多个疑似故障；

基于所述一个或多个疑似故障对应的实时数据，通过预先训练的径向基神经网络获得一个或多个故障信息。

9.如权利要求8所述的装置，其特征在于：所述数字信号处理器还用于：

如果所述时域特征不在所述时域特征门限阈值范围内，则判定为针对所述时域特征的疑似故障。

10.如权利要求7-9任一所述的装置，其特征在于，所述时域特征至少包括：峭度、峰值因子、脉冲因子、裕度因子及波形因子。

Images