CN104502758B - 航空静止变流器故障诊断方法 - Google Patents

Abstract

本发明公开了一种航空静止变流器故障诊断方法，用于解决现有故障诊断方法实用性差的技术问题。技术方案是建立航空静止变流器的半物理仿真模型，并与实际静止变流器的历史数据进行比较，建立故障历史数据库。利用神经网络对故障历史数据库进行学习。对样本进行训练，从而建立故障诊断模型，实时读取静止变流器输出电压数值，通过模型中神经网络的计算，得到神经网络输出值，由输出值确定静止变流器所对应的故障模式。本发明采用半物理仿真平台来仿真实验航空静止变流器模型，更加方便地建立故障数据库；利用BP神经网络的自学习功能，提高了故障诊断的准确性；采用在线诊断的方式，能够快速及时地诊断航空静止变流器的故障。

Description

航空静止变流器故障诊断方法

技术领域

本发明涉及一种故障诊断方法，特别是涉及一种航空静止变流器故障诊断方法。

背景技术

飞机二次配电系统的安全性和可靠性越来越被重视，而静止变流器中开关器件不能避免的会发生故障，它们可靠性的问题一直没有得到有效的解决。研究表明，静止变流器中开关器件的故障占整个静止变流器故障的82.5％，是系统中最容易发生故障的环节。如果静止变流器发生故障,整个二次配电系统的功能会受到极大影响,静止变流器故障诊断技术的研究也变得尤为迫切和重要。

由于航空静止变流器具有若干个开关管，发生故障的原因繁多，仅仅依靠人工查找或维修人员的经验去定位故障往往很困难。这就要求建立一种故障自动检测和诊断系统来对航空静止变流器故障进行有效的监测诊断。

发明内容

为了克服现有故障诊断方法实用性差的不足，本发明提供一种航空静止变流器故障诊断方法。该方法通过建立航空静止变流器的半物理仿真模型，并与实际静止变流器的历史数据进行比较，建立故障历史数据库。利用神经网络对故障历史数据库进行学习。对样本进行训练，从而建立故障诊断模型，实时读取静止变流器输出电压数值，通过模型中神经网络的计算，得到神经网络输出值，由输出值确定静止变流器所对应的故障模式。本发明采用半物理仿真平台来仿真实验航空静止变流器模型，更加方便地建立故障数据库；利用BP神经网络的自学习功能，可持续优化神经网络模型的相关参数，可以提高故障诊断的准确性；采用在线诊断的方式，能够快速及时地诊断航空静止变流器的故障。

本发明解决其技术问题所采用的技术方案是：一种航空静止变流器故障诊断方法，其特点是采用以下步骤：

步骤一、校正航空静止变流器仿真模型参数，使其各部分仿真结果与实际参数相似度达到95％以上，之后利用半物理仿真平台对航空静止变流器的各种故障模式进行仿真实验，记录各种故障的历史数据。故障的历史数据为静止变流器输出电压的一个周期的值。

步骤二、对故障类型进行编码，编制训练样本和故障类型的对应表。

对记录的输出电压波形进行FFT分析，提取输出电压的直流分量、基波幅值和二次谐波相角作为故障特征值。之后对故障特征值进行归一化处理，将其归一化至0和1之间。归一化公式为：Y＝(X-MIN)/(MAX-MIN)；X、Y分别为转换前后的值，MAX、MIN分别为样本的最大值、最小值。由归一化后的历史数据编制3个故障特征值编制故障类型的对应表。

步骤三、根据上述样本设计神经网络的结构，神经网络采用具有一个隐层的前馈型BP神经网络，其中输入层有4个神经元，分别对应3个故障特征值；输出层有7个神经元，分别对应静止变流器的7种故障模式。

激活函数为对数S形函数，其表达式为：

BP神经网络的隐含层层数为1，隐含层神经元数为4：单隐层的网络逼近任何在闭区间内的一个连续函数，一个三层网络就能够满足要求；隐含层神经元的节点数P利用如下公式确定：

式中，a为输出层神经元数，b为输入层神经元数，λ为1～10之间的常数。

步骤四、将步骤一中的故障特征值作为神经网络的输入样本，训练神经网络不断改变网络的连接权值，以使网络的输出不断地接近期望的输出。最终得到最优的神经网络的初始权值和阈值。

神经网络的学习训练为离线模式，在上位机中完成。训练过程由信号的正向传播和误差的反向传播两部分构成，学习的目的是不断调整神经网络各层间的权值和阈值使输出结果能满足精度要求；信号的正向传播过程，如果输出层的值不能达到所设定的神经网络误差的平方和的均值，则输出值的误差将沿神经网络的连通路径反向传播到输入层，通过修改网络各层间的连接权值和阈值来达到精度要求。

全局误差

式中，E为全局d₀(k)期望输出向量，y₀(k)为输出层输出向量。

步骤五、用步骤一中的故障特征值对故障诊断模型进行检验，如果检验效果满足要求，则诊断模型有效，用于故障诊断，否则，则重新个根据步骤四进行训练建模。将所有计算结果的适应度值与算法要求的精度进行比较，算法的精度为适应度函数的值，范围为10e-2～10e-3。如果达到精度，则转到步骤四，如果没有达到，则转到步骤六。

步骤六、实时读取静止变流器输出电压数值，输入到故障诊断模型中，通过模型中神经网络的计算，得到神经网络输出值，由输出值确定静止变流器所对应的故障模式。

本发明的有益效果是：该方法通过建立航空静止变流器的半物理仿真模型，并与实际静止变流器的历史数据进行比较，建立故障历史数据库。利用神经网络对故障历史数据库进行学习。对样本进行训练，从而建立故障诊断模型，实时读取静止变流器输出电压数值，通过模型中神经网络的计算，得到神经网络输出值，由输出值确定静止变流器所对应的故障模式。本发明采用半物理仿真平台来仿真实验航空静止变流器模型，更加方便地建立故障数据库；利用BP神经网络的自学习功能，可持续优化神经网络模型的相关参数，提了高故障诊断的准确性；采用在线诊断的方式，能够快速及时地诊断航空静止变流器的故障。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是现有的单相静止变流器拓扑结构图。

图2是本发明航空静止变流器故障诊断方法的流程图。

图3是本发明方法中BP神经网络模型图。

具体实施方式

参照图2-3。本发明航空静止变流器故障诊断方法具体步骤如下：

1)建立故障数据库。

首先校正航空静止变流器仿真模型参数，使其各部分仿真结果与实际参数相似度达到95％以上，之后利用半物理仿真平台对航空静止变流器的各种故障模式进行仿真实验，记录各种故障的历史数据。故障的历史数据为静止变流器输出电压的一个周期的值。

2)对故障类型进行编码，编制训练样本和故障类型的对应表。

对记录的输出电压波形进行FFT(快速傅里叶变换)分析，提取输出电压的直流分量、基波幅值、二次谐波相角作为故障特征值。之后对故障特征值进行归一化处理，将其归一化至0和1之间。归一化公式为：Y＝(X-MIN)/(MAX-MIN)；X、Y分别为转换前后的值，MAX、MIN分别为样本的最大值、最小值。由归一化后的历史数据编制3个故障特征值编制故障类型的对应表。如表一所示：

表一故障模式及其特征值

3)BP神经网络故障诊断模型和参数设计。

根据上述样本设计神经网络的结构，神经网络采用BP网络，发明所述的BP神经网络为具有一个隐层的前馈型BP神经网络，其中输入层有4个神经元，分别对应3个故障特征值；输出层有7个神经元，分别对应静止变流器的7种故障模式。

激活函数为对数S形函数，其表达式为：

BP神经网络的隐含层层数为1，隐含层神经元数为4：单隐层的网络可以逼近任何在闭区间内的一个连续函数，所以一个三层网络就能够满足要求；隐含层神经元的节点数P利用如下公式确定:

a为输出层神经元数，b为输入层神经元数，λ为1～10之间的常数。

4)训练BP神经网络：

将第一步中的故障特征值作为神经网络的输入样本，训练神经网络不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。最终得到最优的神经网络的初始权值和阈值。

神经网络的学习训练为离线模式，在上位机中完成。训练过程由信号的正向传播和误差的反向传播两部分构成，学习的目的是不断调整神经网络各层间的权值和阈值使输出结果能满足精度要求；信号的正向传播过程，如果输出层的值不能达到所设定的神经网络误差的平方和的均值，则输出值的误差将沿神经网络的连通路径反向传播到输入层，通过修改网络各层间的连接权值和阈值来达到精度要求。

全局误差

E为全局d₀(k)期望输出向量，y₀(k)为输出层输出向量。

5)检测BP神经网络：

用第一步中的故障特征值对故障诊断模型进行检验，如果检验效果满足要求，则诊断模型有效，可以用于故障诊断，否则，则重新个根据第四步进行训练建模。将所有计算结果的适应度值与算法要求的精度进行比较，算法的精度为适应度函数的值，范围为10e-2～10e-3。如果达到精度，则算法重新进行步骤4)，如果没有达到，则进行步骤6)。

6)在线故障诊断：

实时读取静止变流器输出电压数值，输入到故障诊断模型中，通过模型中神经网络的计算，得到神经网络输出值，由输出值确定静止变流器所对应的故障模式。

Claims (1)

1.一种航空静止变流器故障诊断方法，其特征在于包括以下步骤：

步骤一、校正航空静止变流器仿真模型参数，使其各部分仿真结果与实际参数相似度达到95％以上，之后利用半物理仿真平台对航空静止变流器的各种故障模式进行仿真实验，记录各种故障的历史数据；故障的历史数据为静止变流器输出电压的一个周期的值；

步骤二、对故障类型进行编码，编制训练样本和故障类型的对应表；

对记录的输出电压波形进行FFT分析，提取输出电压的直流分量、基波幅值和二次谐波相角作为故障特征值；之后对故障特征值进行归一化处理，将其归一化至0和1之间；归一化公式为：Y＝(X-MIN)/(MAX-MIN)；X、Y分别为转换前后的值，MAX、MIN分别为样本的最大值、最小值；由归一化后的历史数据，编制3个故障特征值和故障类型的对应表；

步骤三、根据编制的故障特征值和故障类型的对应表设计神经网络的结构，神经网络采用具有一个隐层的前馈型BP神经网络，其中输入层有4个神经元，分别对应3个故障特征值；输出层有7个神经元，分别对应静止变流器的7种故障模式；

激活函数为对数S形函数，其表达式为：

$f\left(x\right)=\frac{1}{1+\exp (-x)};$

BP神经网络的隐含层层数为1，隐含层神经元数为4：单隐层的网络逼近任何在闭区间内的一个连续函数，一个三层网络就能够满足要求；隐含层神经元的节点数P利用如下公式确定：

$P=\sqrt{a+b}+\mathrm{\λ};$

式中，a为输出层神经元数，b为输入层神经元数，λ为1～10之间的常数；

步骤四、将步骤二中的故障特征值作为神经网络的输入样本，训练神经网络不断改变网络的连接权值，以使网络的输出不断地接近期望的输出；最终得到最优的神经网络的初始权值和阈值；

神经网络的学习训练为离线模式，在上位机中完成；训练过程由信号的正向传播和误差的反向传播两部分构成，学习的目的是不断调整神经网络各层间的权值和阈值使输出结果能满足精度要求；信号的正向传播过程，如果输出层的值不能达到所设定的神经网络误差的平方和的均值，则输出值的误差将沿神经网络的连通路径反向传播到输入层，通过修改网络各层间的连接权值和阈值来达到精度要求；

全局误差

式中，E为全局误差，d₀(k)期望输出向量，y₀(k)为输出层输出向量；

步骤五、用步骤二中的故障特征值对故障诊断模型进行检验，如果检验效果满足要求，则诊断模型有效，用于故障诊断，否则，则重新根据步骤四进行训练建模；将所有计算结果的适应度值与算法要求的精度进行比较，算法的精度为适应度函数的值，范围为10e-2～10e-3；如果达到精度，则转到步骤六，如果没有达到精度，则转到步骤四；

步骤六、实时读取静止变流器输出电压数值，输入到故障诊断模型中，通过模型中神经网络的计算，得到神经网络输出值，由输出值确定静止变流器所对应的故障模式。