CN104390776B - 一种多余度副翼作动器故障检测、诊断与性能评估方法 - Google Patents

Abstract

一种多余度副翼作动器故障检测、诊断与性能评估方法，该方法利用作动器输入指令信号、输出位移信号、力马达电流信号以及气动载荷数据，对其进行故障检测、诊断、评估与实时检测。其中，故障检测通过双级神经网络实现，第一个神经网络作为系统观测器，用来和实际输出配合获取残差，第二个神经网络同步输出自适应阈值；故障诊断通过系统观测器和力马达电流观测器实现；从残差信号中提取时域特征，输入到自组织映射神经网络中，获取最小量化误差，并归一化成健康度，实现作动器性能评估；在故障检测的基础上，引入气动载荷数据，利用特定的输入指令谱，训练系统观测器和自适应阈值神经网络，实现实时故障检测。

Description

一种多余度副翼作动器故障检测、诊断与性能评估方法

技术领域

本发明属于液压伺服系统的故障诊断技术领域，具体涉及一种基于神经网络的多余度副翼作动器故障检测、诊断与性能评估方法。

背景技术

飞机副翼作动器是飞机飞控系统的重要组成部分。对副翼作动器进行故障检测与故障诊断是提高飞机飞控系统可靠性和安全性的重要手段之一。针对副翼作动器的一些常见故障，如传感器故障、力马达故障以及泄漏故障等，早期检测与处理能够提高飞机的使用效率，并且有效提高飞控系统的安全性。因此，对于多余度副翼作动器进行故障检测与故障诊断十分必要。同时，近年来，为了克服“维修不足”和“维修过剩”的矛盾，基于状态的维修(CBM)应运而生。CBM技术对设备的运行状态进行监测，通过对被监测设备进行量化性能评估和自动故障诊断来决定设备的维修需求。因此，为了实现副翼作动器的CBM，对其进行精确的性能评估十分必要。

作为飞控系统的重要组件，近些年，针对副翼作动器故障检测与故障诊断的研究比较广泛。这些方法可以分为两类：基于模型的方法和数据驱动的方法。基于模型的方法是通过建立副翼作动器的物理或数学模型来进行故障检测、诊断与评估的一种方法，这种方法的优点是评估结果可信度高，缺点是建模过程比较复杂，模型的验证困难。相对于基于模型的方法，由于无需建立副翼作动器的数学或物理模型，基于数据驱动的副翼作动器故障检测与诊断的研究更多。但是，目前的研究方法一般所针对的对象是单余度系统，而实际应用中，为了提高飞机飞行的可靠性和安全性，所采用的副翼作动器多为多余度作动器。由于其余通道对于故障通道输出的纠正与补偿作用，使得多余度副翼作动器的检测与诊断尤为困难，因此，目前针对多余度副翼作动器故障检测与故障诊断的方法比较少。除此之外，由于缺乏性能评估的方法，对副翼作动器实施基于状态的维修还比较困难。

为了解决上述问题，本发明提出了一套针对多余度副翼作动器的故障检测、诊断与性能评估的方法。在进行多余度副翼作动器故障检测时，采取了基于双级神经网络的方法，双级神经网络由两个RBF神经网络组成，其中，第一个RBF神经网络用来跟踪多余度副翼作动器并实时产生残差，另一个RBF神经网络同步输出自适应阈值，通过比较残差和自适应阈值，达到故障检测的目的。针对多余度副翼作动器的故障诊断，同样采用RBF神经网络来估计力马达电流，并且计算出估计的力马达电流与各个通道实际力马达电流的比值，通过比较各个通道力马达电流的比值，即可实现故障的定位与故障类型的初步确定。最后，利用从正常运行的残差数据中提取出时域特征来训练SOM神经网络，并使用该训练好的SOM神经网络来对多余度副翼作动器进行性能评估，获取健康度(CV值，变化范围0到1)，为维修提供依据。

发明内容

本发明的目的是为了解决以下问题：多余度条件下，由于其余通道对于故障通道输出的纠正与补偿作用，造成的故障检测困难问题；飞机在飞行过程中，由于指令的随机性和气动载荷的影响，造成的多工况条件下故障检测扰动大的问题；多余度副翼作动器在发生故障时，故障定位与故障类型确定问题；为了支持作动器的视情维修，多余度副翼作动器的性能评估问题。

本发明采用的技术方案为：一种多余度副翼作动器故障检测、诊断与性能评估方法，其特征是：该方法所针对的副翼作动器是多余度副翼作动器，该方法的步骤如下：

步骤一、针对该对象，利用输入指令信号和输出位移信号，基于双级神经网络获取残差和自适应阈值，实现故障检测；若检测无故障，则执行步骤三，若检测到故障，则执行步骤二以及步骤三，来获取多余度副翼作动器的故障信息以及故障程度；

步骤二、利用输入指令信号、输出位移信号和力马达电流信号，采用两个神经网络构建观测器，估计力马达电流并计算力马达电流比，通过对比力马达电流比，实现故障初步定位和分类；

步骤三、利用输入指令信号和输出位移信号，采取两种不同神经网络相配合的方法，基于多余度副翼作动器正常运行数据，实现作动器性能评估；

步骤四、利用输入指令信号、输出位移信号，引入气动载荷数据，设计特定的训练指令谱，基于双级神经网络获取残差和自适应阈值，实现实时故障检测。

进一步的，所述的多余度副翼作动器为闭环控制液压系统，且控制部分包含大于或等于两个余度，即包含多个相同的控制通道，机械液压部分为一个余度。

进一步的，步骤一中所述的双级神经网络，第一个神经网络作为系统观测器，其输入为输入指令信号和上一时刻的作动器位移信号，输出为作动器估计位移输出；第二个神经网络用来生成自适应阈值，其输入为输入指令信号和作动器估计位移信号，输出为自适应阈值；利用输入指令信号和作动器估计位移做差，获取残差信号；将残差信号和自适应阈值比较，达到多余度副翼作动器的故障检测。

进一步的，步骤二中所述的两个神经网络，第一个神经网络作为系统观测器，其输入为输入指令信号和上一时刻的作动器位移信号，输出为作动器估计位移输出；第二个神经网络作为力马达电流观测器，其输入为输入指令信号和作动器估计位移信号，输出为力马达估计电流；用力马达估计电流和各个通道的实际力马达电流相除，获取力马达电流比；将作动器正常工作时的力马达电流比与各个通道的力马达电流比做对比，实现故障通道定位与初步故障分类。

进一步的，步骤三中所述的两种不同神经网络，第一个神经网络作为系统观测器，其输入为输入指令信号和上一时刻的作动器位移信号，输出为作动器估计位移输出；利用输入指令信号和作动器估计位移做差，获取残差信号；第二个神经网络为自组织映射神经网络，利用从作动器正常运行时获取的残差信号中提取的时域特征训练该自组织映射神经网络，之后，将从作动器实际运行时的残差信号中提取出的时域特征输入到训练好的自组织映射神经网络中，获取最小量化误差，并归一化，达到多余度副翼作动器性能评估的目的。

进一步的，步骤四中所述的双级神经网络，第一个神经网络作为系统观测器，其输入为输入指令信号、上一时刻的作动器位移信号以及气动载荷数据，输出为作动器估计位移输出；第二个神经网络用来生成自适应阈值，其输入为输入指令信号、作动器估计位移信号以及气动载荷数据，输出为自适应阈值；在训练系统观测器和自适应阈值神经网络时，所利用的训练指令谱的幅值和频率在实际幅值频率范围内线性增加，遍历所有可能范围内的幅值和频率；利用输入指令信号和作动器估计位移做差，获取残差信号；将残差信号和自适应阈值比较，达到多余度副翼作动器的实时故障检测。

本发明一种多余度副翼作动器故障检测、诊断与评估方法的具体原理在于：

步骤一、在飞机起飞前自检阶段，利用提前预设的固定指令谱及作动器输出，采用双级RBF神经网络的方法，对多余度副翼作动器进行故障检测。若检测无故障，则执行步骤三，即多余度副翼作动器的性能评估；若检测到故障，则执行步骤二(多余度副翼作动器的故障定位与诊断)以及步骤三，来获取多余度副翼作动器的故障信息以及故障程度；

步骤二、在飞机起飞前自检阶段，利用提前预设的固定指令谱、作动器输出以及力马达电流，采用力马达电流比对比方法，来实现多余度副翼作动器的故障诊断，隔离出故障通道，确定故障类型；

步骤三、在飞机起飞前自检阶段，利用提前预设的固定指令谱及作动器输出，采用SOM神经网络，对多余度副翼作动器进行性能评估，确定其是否正常以及其故障程度；

步骤四、确定多余度副翼作动器工作正常且无故障的条件下，在飞机飞行阶段，利用飞机控制指令、作动器输出以及气动载荷，实时监测多余度副翼作动器是否出现故障，在出现故障时，即使反馈给飞行员，以便其作出决策。

本发明的优点与积极效果在于：

(1)针对多余度副翼作动器通道多、存在相互补偿以及故障检测与诊断困难的问题，提出了针对多余度副翼作动器的一套检测、诊断与性能评估的有效方法；

(2)利用双级RBF神经网络，获取残差并生成自适应阈值，由于自适应阈值的引入，有效提高了故障检测的准确率，降低了检测虚警率；

(3)采用力马达电流观测器，估计出力马达电流，并和实际力马达电流做比，通过对比不同通道的力马达电流比，实现了多余度副翼作动器的故障定位与故障类型初步确定；

(4)利用SOM神经网络对多余度副翼作动器进行性能评估，来支持多余度作动器的维修。同时，利用SOM神经网络进行性能评估时，仅仅需要作动器正常运行的数据，无需故障数据，有效提高了性能评估的工程实用性；

(5)在飞机飞行过程中，将指令的随机性以及气动载荷引入了多余度副翼作动器的实时故障检测中，利用双级RBF神经网络，实现了工况波动条件下的故障检测，使故障检测的应用范围更加广泛。

附图说明

图1是本发明的整体方法体系；

图2是本发明中飞机起飞前故障检测流程示意图；

图3是本发明中多余度副翼作动器故障诊断流程示意图；

图4是典型故障情况下，A通道的力马达电流与力马达电流比，其中图(a)为正常，图(b)为B通道电子放大器故障，图(c)为A通道电子放大器故障，图(d)为A通道传感器故障；

图5是本发明中多余度副翼作动器故障定位与分类推理流程图；

图6是本发明中多余度副翼作动器性能评估流程示意图；

图7是本发明中多余度副翼作动器实时故障检测的流程示意图；

图8是本发明中实时故障诊断训练指令谱(图(a))和载荷谱(图(b))示意图；

图9是本发明中所提到的多余度副翼作动器控制框图

图10是本发明中所提到的多余度副翼作动器仿真模型的控制部分；

图11是本发明中所提到的多余度副翼作动器仿真模型的机械液压部分；

图12是实施例中，作动器工作正常情况下，故障检测结果；

图13是实施例中，作动筒内泄漏故障下，故障检测结果；

图14是实施例中，位移传感器匝间断路故障下，故障检测结果；

图15是实施例中，电子放大器增益衰减故障下，故障检测结果；

图16是实施例中，力马达线圈断开时，故障检测结果；

图17是实施例中，基于相同Ratio_X指标的故障诊断结果图；

图18是实施例中，基于Max(Ratio_X)指标的故障诊断结果图；

图19是实施例中，基于Ratio_X指标的故障诊断结果图；

图20是实施例中，基于Mean(Ratio_X)指标的故障诊断结果图；

图21是实施例中，作动器作动筒不同泄漏程度的性能评估结果；

图22是实施例中，作动器不同故障通道数(电子放大器故障)的性能评估结果；

图23是实施例中，作动器不同故障通道数(力马达断线故障)的性能评估结果；

图24是实施例中，作动器工作正常情况下，实时故障检测结果；

图25是实施例中，作动器内泄漏故障情况下，实时故障检测结果；

图26是实施例中，位移传感器匝间断路故障下，实时故障检测结果；

图27是实施例中，电子放大器增益衰减故障下，实时故障检测结果。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明提出了一套针对多余度副翼作动器的故障检测、诊断与性能评估的一体化方法。其中，在飞机起飞前进行故障检测，并根据检测结果来确定是否进行故障诊断，同时，对多余度副翼作动器进行性能评估，从而支持作动器的视情维修。除此之外，在飞机飞行过程中，利用该方法对作动器进行实时故障检测。

如图1所示，考虑到故障诊断与性能评估的结果是基于状态的维修的依据，因此，在飞机起飞前，执行故障检测、故障诊断与性能评估算法。而在飞行中，为了告知飞行员提供副翼作动器是否工作正常，在飞行过程中，执行实时故障检测算法。由于飞机起飞前的作动器自检指令谱是提前确定的，因此，故障检测、故障诊断与性能评估是在单工况条件下执行的；而飞机飞行过程中，作动器所接收到的指令、气动载荷都是不确定的，因此，实时故障检测时在多工况条件下执行的。

根据各个算法之间的关系，本发明的具体步骤如下：

步骤一、利用作动器的输入和输出，构建故障观测器和自适应阈值神经网络，实现起飞前的作动器故障检测，详细过程如图2所示。

该故障检测系统主要包含两个RBF神经网络：第一个用来作为一个观测器，第二个用来作为自适应阈值产生器。残差是指系统输出和估计输出(观测器的输出值)之间车差别，自适应阈值由自适应阈值产生器计算得出。多余度副翼作动器的故障检测可以通过对比残差和自适应阈值来实现。

(1)基于RBF神经网络的故障观测器

假设多余度副翼作动器可以由如下公式描述：

$\left\{\begin{array}{c}X\left(t\right)=g(t,X,U,Y,f)\\ Y\left(t\right)=h(t,X,U,Y,f)\end{array}---\left(1\right)\right.$

上式中,X(t)表示状态向量，Y(t)表示输出向量，U(t)表示输入向量，f(t)表示故障向量，g和h表示非线性矢量函数。

多余度副翼作动器状态向量可以被定义为

$\left\{\begin{array}{c}\hat{X}\left(t\right)=g(t,\hat{X},U,Y,\hat{f})\\ \hat{Y}\left(t\right)=h(t,\hat{X},U,Y,\hat{f})\end{array}\right.---\left(2\right)$

特征误差被定义为：

$e\left(t\right)=X\left(t\right)-\hat{X}\left(t\right)---\left(3\right)$

当f(t)＝0或者f(t)≠0时，若则定义(2)为(1)的故障观测器。

为了更有效的描述出系统输入和输出间的非线性关系，一个RBF神经网络被用来构建故障观测器。如图2所示，r(k)表示多余度副翼作动器的输入，y_r(k)表示多余度副翼作动器的输出，表示观测器的估计输出值。

残差被定义为系统输出值和估计输出值之间的差别：

$\mathrm{\ϵ}\left(k\right)=y_r\left(k\right)-{\hat{y}}_r\left(k\right)---\left(4\right)$

(4)式中ε(k)表示残差。

当多余度副翼作动器工作正常时，残差接近于0，因为此时仅有噪声和建模误差影响残差。然而，当多余度副翼作动器工作不正常时，残差会相应的增加。为了检测多余度副翼作动器的故障，很有必要引入一个阈值来评估残差。

(2)基于RBF神经网络的自适应阈值产生器

因为故障检测是基于对比残差和阈值间的差异而实施的，所以阈值是一个影响故障检测准确性的关键因素。如果阈值定义的过高，一些故障也许无法被检测到；如果阈值定义的过低，虚警便会时常发生，因此，阈值应该可以自适应的调整。本发明中，另外一个RBF神经网络被用来计算自适应阈值，这一部分被称为自适应阈值产生器。这里的阈值受系统输入、系统输出、随机因素(包括白噪声、环境条件变化、建模误差)所影响。考虑到观测器的鲁棒性，假设阈值仅受系统输入和系统输出的影响。基于该假设，系统输入、系统输出和自适应阈值间的映射关系可以被计算出。如图2所示，第二级RBF神经网络使用系统输入和系统估计输出值(观测器输出值)作为输入集来训练，使用期望阈值作为输出集来训练。期望阈值由下式计算出：

threshold＝ε₀(k)+β (5)

上式中ε₀(k)表示作动器工作正常情况下的残差，β表示修正系数。

步骤二、利用作动器的输入指令、输出指令以及力马达电流，来判定作动器的故障通道，并初步确定作动器的故障模式。作动器的故障诊断包含了故障定位与故障分类。故障定位用来确定四余度，即四个控制通道中，是哪个通道发生了故障；故障分类用来初步确定故障模式。具体流程如图3所示。

通常，力马达电流是多余度副翼作动器控制部分和机械液压部分的联系枢纽，因此，在液压系统中地位十分重要。本方法利用力马达电流、系统输入以及系统输出来进行故障定位和故障分类。该方法框架包含两个观测器，第一个观测器用来估计作动器的输出，第二个观测器用来估计作动器的力马达电流。其中，第一个观测器的输出是第二个观测器的输入之一。基于RBF神经网络的观测器已经在步骤一中描述，此处不再赘述。

力马达电流观测器的估计电流，记为利用力马达电流观测器的估计电流和各个通道的实际力马达电流，计算力马达电流比，如下式：

${\mathrm{Ratio}}_X=\widehat{i_r}\left(k\right)/i_r{\left(k\right)}_X---\left(6\right)$

在公式(6)中，X是各个通道的编号，即A、B、C、D，分别代表A通道、B通道、C通道、D通道。当i_r(k)_X＝0时，即X通道的力马达线圈断开，Ratio_X＝NAN(NAN代表非数字)。

由于是力马达电流评定的标准，且由指令谱确定，因此，Ratio_X反映了各个通道实际力马达电流与该标准之间的差异。理论上，当作动器正常工作时，Ratio_X＝1。但是，考虑到力马达电流的估计误差以及估计延迟，在大多数情况下，Ratio_X≠1，如图4(a)所示(图4中，实线是力马达电流观测器输出的估计电流，虚线是实际力马达电流，点划线是对应的力马达电流比，黑色带星虚线是一个信号周期内，力马达电流比的均值)。尽管如此，考虑到故障诊断是在起飞前进行的，因此，作动器的指令谱是提前确定的，因而在作动器正常工作时，力马达电流比也是提前确定的，记为Ratio₀。为了更加直观的比较Ratio_X和Ratio₀，在这里，引入两个与力马达电流比相关的变量，即在一个信号周期内，力马达电流比的最大值和平均值，分别记为Max(Ratio_X)和Mean(Ratio_X)。

在估计力马达电流与实际力马达电流方向相同的条件下，Max(Ratio_X)指示了在一个信号周期中，两者之间的最大差别度。如图4(b)所示，当实际力马达电流比估计力马达电流大时，与Max(Ratio₀)相比，Max(Ratio_X)变小；而在图4(c)中，当实际力马达电流小于估计力马达电流时，与Max(Ratio₀)相比，Max(Ratio_X)变大。

另一个指标Mean(Ratio_X)指示了力马达电流观测器输出的估计电流与实际电流之间的方向差别。当估计力马达电流与实际力马达电流方向不同时，Ratio_X<0，因此，在一个信号周期内，Mean(Ratio_X)<0，如图4(d)所示，黑色带星虚线小于零。

由于多余度副翼作动器发生故障时，各通道的力马达电流发生变化，因此，通过比较各个通道的力马达电流比，可以初步确定故障通道与故障模式。基于理论推导与实际实验结果分析，故障隔离与分类的流程如图5所示。

步骤三、在实施作动器视情维修时，需要了解作动器的性能状态。作动器性能评估算法输出的结果用CV值(介于0到1之间，0表示设备完全失效，1表示设备完好)来表示，CV是决定作动器是否需要维修的标准之一。作动器的性能评估流程详见图6。

使用基于RBF神经网络的观测器来初步估计多余度副翼作动器的输出，然后使用残差评估多余度副翼作动器的性能。从残差中提取RMS值、峰值、平均绝对值三种时域特征值，这些特征值在多余度副翼作动器故障时会发生相应变化。使用多余度副翼作动器的正常数据特征训练一个SOM神经网络，然后使用该网络评估多余度副翼作动器的性能。该神经网络的输出值被称为最小量化误差(MQE)，之后通过归一化计算出健康度。

(1)残差的特征提取

残差的时域特征使用式计算出：

RMS值：

$a={x\left(t\right)}_{\mathrm{rms}}=\sqrt{\frac{1}{T}{\&Integral;}_0^T{x}^2\&CenterDot;\mathrm{dt}}---\left(7\right)$

峰值：

b＝x(t)_peak＝max(|x(t)|) (8)

平均绝对值：

${c=x\left(t\right)}_{\mathrm{avab}}=\frac{1}{T}{\&Integral;}_0^T\left|x\right|\&CenterDot;\mathrm{dt}---\left(9\right)$

(2)基于SOM神经网络的性能评估

SOM神经网络可以将多维特征在一维或者二维空间里表示出来，同时保留输入特征空间的拓扑结构。SOM神经网络是一个无监督的学习算法，因而可以仅使用正常数据训练。

SOM神经网络由输入层和竞争层组成。输入层是一个一维向量，竞争层是一个二维平面阵列。

该SOM神经网络使用多余度副翼作动器正常情况工作数据的时域特征训练。对每一个输入特征向量，都可以在训练好的SOM神经网络中找到一个最佳匹配单元(BMU)。输入数据特征向量和最佳匹配单元权重向量间的距离称为最小量化误差(MQE)，表明了输入特征向量和多余度副翼作动器正常运行数据的特征向量间的偏离度。因此，作动器的性能可以使用最小量化误差的趋势形象化的表示。最小量化误差的增加表明性能退化变得更严重。阈值被设置为最小量化误差的最大期望值，性能评估可以使用最小量化误差标准化后的健康度(CV)计算：

$\mathrm{CV}=\frac{c}{\sqrt{\mathrm{MQE}}+c}---\left(10\right)$

其中c是比例参数，由正常数据的MQE值确定。因此，当系统工作正常时健康度会接近于1。

步骤四、作动器的实时故障检测主要在飞机飞行中进行。考虑到飞行过程中，作动器输入指令与气动载荷的随机性，该故障检测是变工况条件下的故障检测。为了适应变工况条件，基于单工况故障检测算法，在输入数据类型和训练指令方面，对算法进行了改进。

在输入数据类型方面，考虑到气动载荷的影响，将作动器的气动载荷输入观测器和自适应阈值神经网络，如图7所示。

考虑到启动载荷，假设多余度副翼作动器可以用下述方程表示：

$\left\{\begin{array}{c}X\left(t\right)=g(t,X,U,Y,Z,f)\\ Y\left(t\right)=h(t,X,U,Y,Z,f)\end{array}---\left(11\right)\right.$

其中，X(t),Y(t),Z(t),U(t),f(t)分别是状态向量、输出向量、载荷向量、输入向量和故障向量，g和h是非线性函数。

考虑气动载荷的作动器观测器可以用下述方程描述：

$\left\{\begin{array}{c}\hat{X}\left(t\right)=g(t,\hat{X},U,Y,Z,\hat{f})\\ \hat{Y}\left(t\right)=h(t,\hat{X},U,Y,Z,\hat{f})\end{array}\right.---\left(12\right)$

在训练指令方面，考虑到实时故障检测时，作动器输入的不确定性，训练样本集应包含相应频率、幅值范围内的所有典型信号。这里，作动器的训练指令及载荷如表1所示。

表1 训练指令谱与载荷谱

在指令和气动载荷的幅值、频率范围内，训练指令谱的幅值、频率随时间线性增长，如图8所示。

实施例：

本实施例采取多余度副翼作动器的仿真数据进行验证。此处，副翼作动器的余度为四余度。

四余度副翼作动器包含了四个控制通道，每个控制通道由比例-积分-微分(PID)控制器、电子放大器、传感器、力马达线圈组成。除此之外，作动器还包括机械液压部分，即伺服阀、作动筒，如图9所示。

四余度副翼作动器的仿真模型是利用MATLAB SIMULINK及AMESIM来建立的。其中，作动器的控制部分在SIMULINK中建立，如图10所示；作动器的机械液压部分在AMESIM中建立，如图11所示。两者之间通过SIMULINK中的S函数连接。

副翼作动器的各个部件的物理参数如表2到表9所示。

表2 基本液压属性

表3 液压源参数

表4 伺服阀参数

表5 泄漏模块参数

表6 活塞和液压缸参数

表7 位移传感器参数

表8 质量与限位块参数

表9 弹簧阻尼参数

作动器维修记录表明，作动器的典型故障模式有：作动筒内泄漏故障、电子放大器故障、力马达故障、位移传感器故障。对四余度副翼作动器注入典型故障，来验证本发明中提出的故障检测算法、故障诊断算法、性能评估算法以及实时故障检测算法。

基于本发明的体系架构，故障检测、故障诊断及性能评估在飞机起飞前进行，因此，不考虑启动载荷的影响，且输入指令确定：

r(t)＝0.1sin(2πt) (13)

而实时故障检测是在飞机飞行过程中进行的，因此，需要考虑气动载荷的影响，且输入指令为随机信号。这里，输入指令幅值变化范围为[50,100]毫米，频率变化范围为[0.1,0.5]赫兹；启动载荷幅值变化范围为[1000,2000]牛，频率变化范围为[1,5]赫兹。输入指令和气动载荷采用蒙特卡罗仿真的方法生成。

在仿真实验中，数据采样率为10点/秒。在验证性能评估算法，即步骤三中，仿真时间为240秒，其余各个实验中，仿真时间均为20秒。

故障注入方式为改变模型中的对应参数。

本实施例的具体步骤如下：

步骤一、利用仿真模型的正常数据和故障数据对故障检测算法进行验证。

为了验证本发明中提出的故障检测算法的有效性，此处进行了5项试验。试验详情如表所示。

本故障检测中训练RBF神经网络观测器时，均方差目标值被设置为7E-8，径向基函数的传播速度设置为1，最大神经元数设置为50。

同样的，产生自适应阈值的RBF神经网络的均方差目标值、径向基传播速度、最大神经元数分别被设置为5E-8，1，150。

RBF神经网络包括三层神经元：输入层、隐藏层、输出层。RBF神经网络的输出可以被表示为：

本实施例中，使用高斯函数作为径向基函数：

故障注入试验的详情如表10所示，设置采样率为10S/S，仿真时间设置为20秒，在第0秒和第10秒时进行故障注入。

表10 故障诊断验证试验详细参数

在图12-16中，黑色实线代表残差，黑色点线代表自适应阈值。

在试验1中，表示多余度副翼作动器工作正常时的数据。如图12所示，残差低于阈值，表明作动器工作正常。同时表明阈值根据残差的大小不同自动调整。

在试验2中，在仿真模型中注入一个内泄漏故障。因为故障注入的时间是在0S，因此图13显示残差在试验开始时就超过了阈值。

在试验3中，在仿真进行到10S时注入传感器匝间短路故障，如图14所示，残差在10S时超过阈值。

在试验4中，在仿真进行到10S时注入电子放大器增益衰减故障，如图15所示，残差在10S时超过阈值。

在试验5中，在仿真进行到10S时注入力马达线圈断线故障，如图16所示，残差在10S时超过阈值。

步骤二、利用仿真模型的正常数据和故障数据对故障诊断算法进行验证。

为了验证本发明中提出的故障定位算法和故障分类算法的有效性，此处进行了8项试验。试验详情如表11所示。

在该试验中，系统观测器神经网络的训练参数与步骤一中的参数相同。而力马达电流观测器神经网络的训练参数为：训练精度目标是0.00205，径向基函数半径是1，最大神经元数量为50。

在本实施例中，由于输入指令谱是提前确定的：

r(t)＝0.1sin(2πt) (16)

因此，力马达电流比最大值也是确定的，即Max(Ratio₀)＝2.1。

表11 故障诊断验证试验详细参数

在图17-20中，黑色曲线代表力马达电流比，黑色带星虚线代表一个信号周期内的力马达电流比均值。这里，根据输入信号，信号周期为1秒。

在试验1中，Max(Ratio_X)＝Max(Ratio₀)＝2.1，其中X＝A,B,C,D，如图17左侧所示。由于各通道的力马达电流比都相同，且与提前确定的力马达电流比相同，根据图5中的故障分类与定位推理方法，作动器工作正常。

在试验2中，Max(Ratio_X)＝1.5，Max(Ratio_X)<Max(Ratio₀)，其中X＝A,B,C,D。同时，Ratio_A＝Ratio_B＝Ratio_C＝Ratio_D，如图17右侧所示。力马达电流比的减小是由力马达电流的增大引起的。由于作动器的机械液压部分是由各个控制通道共享的，因此，当机械液压部分发生故障时，各个控制通道的力马达电流同时增大。根据图5中的诊断规则2诊断原则，该故障为机械液压部分故障，在此，为作动筒内泄漏故障。

在试验3中，在10秒之后，Max(Ratio_A)＝8.1，Max(Ratio_A)>Max(Ratio₀)。同时，Max(Ratio_X)＝1.5,X＝B,C,D，以及Max(Ratio_X)<Max(Ratio₀),X＝B,C,D，如图18左侧所示。A通道的力马达电流比升高是由A通道的力马达电流下降引起的，而B、C、D通道力马达电流比的降低是由于B、C、D通道的力马达电流升高引起的。A通道力马达电流的下降是由A通道电子放大器增益的衰减引起的，考虑到闭环控制系统的补偿作用，B、C、D通道的力马达电流相对应的增大。根据图5中的诊断规则3诊断原则，本试验中，在10s时刻，A通道的电子放大器发生故障。

同理，在试验4中，如图18右侧所示，在10s时刻，B通道的电子放大器发生故障。

在试验5中，在10秒之后，Ratio_A＝NAN，且Ratio_X＝1.5，其中X＝B,C,D，如图19左侧所示。根据力马达电流比的计算公式，Ratio_A＝NAN说明在10秒之后，A通道的力马达电流为0，根据图5中的诊断规则4，A通道的力马达线圈发生断线故障。同时，由于闭环控制系统的反馈和补偿作用，其余通道的力马达电流上升，导致对应的力马达电流比下降。

试验6的结果与试验5的结果相似，如图19右侧所示。在该试验中，B通道的力马达线圈在10秒之后发生断线故障。

试验7和试验8的结果如图20所示。在试验7中，10秒之后，mean(ratio_A)<0，同时，mean(ratio_X)>0,X＝B,C,D。力马达电流比均值为负值，表明力马达电流观测器输出的力马达电流估计值与力马达电流实际值方向相反，这是由A通道力马达电流的增大引起的。A通道传感器线圈匝间短路，导致其输出衰减，进而导致系统输入与系统反馈之间的差值增大，最终导致A通道力马达电流增大。根据图5中的诊断规则5，在10秒之后，作动器发生传感器匝间短路故障。同理，如图20右侧所示，在10秒之后，B通道的传感器发生匝间短路故障。

步骤三、利用作动器的正常数据和不同故障程度的故障数据对性能评估算法进行验证。

为了验证本发明中提出的性能评估算法的有效性，此处进行了3项试验，在性能评估试验中，注入作动筒故障、电子放大器故障和力马达故障，试验详情如表12所示。这些试验中，试验1是为了演示不同故障严重程度的性能评估效果，试验2和试验3是为了演示不同通道发生故障时的性能评估效果。

设置仿真时间为240秒，采样率是10S/S。训练RBF神经网络的参数和故障检测时设置的相同。SOM神经网络的训练参数设置为：竞争层神经元数是[8×8]，拓扑结构设置为正六边形，训练迭代次数是60。

表12 性能评估试验详细参数

在图21-23中，黑色实线代表系统健康度，横向黑色虚线代表阈值，纵向黑色虚线表示故障注入的时刻。

在试验1中，在作动筒中注入三个不同严重程度的内泄漏故障。如图21所示，仿真到60秒时，注入空隙直径为1毫米的内泄漏故障，此时健康度降低到0.86；仿真到120秒时，注入空隙直径为1.05毫米的更严重的内泄漏故障，此时健康度降低到0.82；最后仿真到180秒时，注入更加严重内泄漏故障，此时健康度降低到0.78。

在试验2中，在不同的通道中依次注入电子放大器故障。如图22所示，仿真进行到60秒时，在通道A中注入电子放大器故障，此时系统健康度降低到0.88；仿真进行到120秒时，在通道A和通道B中注入电子放大器故障，此时系统健康度降低到0.79；仿真进行到180秒时，在通道A和通道B以及通道C中注入电子放大器故障，此时系统健康度降低到0.68；

在试验3中，在多余度副翼作动器仿真模型中注入力马达线圈断线故障。如图23所示，随着故障通道数的增加，系统健康度随之减小。

本组试验结果表明，通过系统健康度不仅可以检测到故障的发生，也可以显示系统性能退化的程度。所以，使用基于SOM神经网络的方法计算出的健康度可以被用来辅助维修决策。

步骤四、利用作动器仿真模型获取的正常数据和故障数据，对实时故障检测算法进行验证。

由于实时故障检测是在飞机飞行过程中进行的，因此，在验证实时故障检测算法时，作动器仿真模型中加入了气动载荷。

用作实时故障检测观测器的RBF神经网络训练参数为：训练精度目标是7E-8，径向基函数半径是1，最大神经元数量为50。用来生成自适应阈值的RBF神经网络的训练参数为：训练精度目标是5E-5，径向基函数半径是1，最大神经元数量为150。

试验详情如表13所示。

表13 实时故障检测验证试验详细参数

试验结果如图24-27所示。在每幅结果图中，左侧是输入指令与气动载荷，右侧是实时故障检测结果。

在试验1中，作动器工作正常，因此，残差值小于自适应阈值，如图24所示。

在试验2中，作动器的作动筒发生内泄漏故障，如图25所示，残差大于自适应阈值。

在试验3中，10秒之后，系统仿真模型注入传感器匝间短路故障，因此，在图26中，10秒之后，残差超过自适应阈值。

在试验4中，10秒之后，系统仿真模型注入电子放大器故障，因此，10秒之后，残差大于自适应阈值，如图27所示。

通过以上评估方法以及结果的详细描述，可见本发明针对多余度副翼作动器，提出了完善的故障检测、故障诊断、性能评估以及实时故障检测方法体系；利用试验数据对各个算法进行了验证，验证结果表明各算法检测、诊断、评估效果准确。该发明根据各种神经网络的不同特点，有效的协同利用了多种神经网络。同时，该发明所提出的方法是基于数据驱动的方法，在实际应用过程中，不需要了解系统的内部结构，仅仅利用系统的历史数据和实时数据即可，因此，具有良好的工程实用性。

本发明未详细阐述部分属于本领域技术人员的公知技术。

Claims (5)

1.一种多余度副翼作动器故障检测、诊断与性能评估方法，其特征是：该方法所针对的副翼作动器是多余度副翼作动器，该方法的步骤如下：

步骤一、针对该多余度副翼作动器，利用输入指令信号和输出位移信号，基于双级神经网络获取残差和自适应阈值，实现故障检测；若检测无故障，则执行步骤三，若检测到故障，则执行步骤二以及步骤三，来获取多余度副翼作动器的故障信息以及故障程度；

步骤二、利用输入指令信号、输出位移信号和力马达电流信号，采用两个神经网络构建观测器，估计力马达电流并计算力马达电流比，通过对比力马达电流比，实现故障初步定位和分类；

步骤二中所述的两个神经网络，第一个神经网络作为系统观测器，其输入为输入指令信号和上一时刻的作动器位移信号，输出为作动器估计位移输出；第二个神经网络作为力马达电流观测器，其输入为输入指令信号和作动器估计位移信号，输出为力马达估计电流；用力马达估计电流和各个通道的实际力马达电流相除，获取力马达电流比；将作动器正常工作时的力马达电流比与各个通道的力马达电流比做对比，实现故障通道定位与初步故障分类；

步骤三、利用输入指令信号和输出位移信号，采取两种不同神经网络相配合的方法，基于多余度副翼作动器正常运行数据，实现作动器性能评估；

步骤四、利用输入指令信号、输出位移信号，引入气动载荷数据，设计特定的训练指令谱，基于双级神经网络获取残差和自适应阈值，实现实时故障检测。

2.根据权利要求1所述的一种多余度副翼作动器故障检测、诊断与性能评估方法，其特征是：所述的多余度副翼作动器为闭环控制液压系统，且控制部分包含大于或等于两个余度，即包含多个相同的控制通道，机械液压部分为一个余度。

3.根据权利要求1或2所述的一种多余度副翼作动器故障检测、诊断与性能评估方法，其特征是：步骤一中所述的双级神经网络，第一个神经网络作为系统观测器，其输入为输入指令信号和上一时刻的作动器位移信号，输出为作动器估计位移输出；第二个神经网络用来生成自适应阈值，其输入为输入指令信号和作动器估计位移信号，输出为自适应阈值；利用输入指令信号和作动器估计位移做差，获取残差信号；将残差信号和自适应阈值比较，达到多余度副翼作动器的故障检测。

4.根据权利要求1或2所述的一种多余度副翼作动器故障检测、诊断与性能评估方法，其特征是：步骤三中所述的两种不同神经网络，第一个神经网络作为系统观测器，其输入为输入指令信号和上一时刻的作动器位移信号，输出为作动器估计位移输出；利用输入指令信号和作动器估计位移做差，获取残差信号；第二个神经网络为自组织映射神经网络，利用从作动器正常运行时获取的残差信号中提取的时域特征训练该自组织映射神经网络，之后，将从作动器实际运行时的残差信号中提取出的时域特征输入到训练好的自组织映射神经网络中，获取最小量化误差，并归一化，达到多余度副翼作动器性能评估的目的。

5.根据权利要求1或2所述的一种多余度副翼作动器故障检测、诊断与性能评估方法，其特征是：步骤四中所述的双级神经网络，第一个神经网络作为系统观测器，其输入为输入指令信号、上一时刻的作动器位移信号以及气动载荷数据，输出为作动器估计位移输出；第二个神经网络用来生成自适应阈值，其输入为输入指令信号、作动器估计位移信号以及气动载荷数据，输出为自适应阈值；在训练系统观测器和自适应阈值神经网络时，所利用的训练指令谱的幅值和频率在实际幅值频率范围内线性增加，遍历所有可能范围内的幅值和频率；利用输入指令信号和作动器估计位移做差，获取残差信号；将残差信号和自适应阈值比较，达到多余度副翼作动器的实时故障检测。