CN105242205A - 一种航空三级式交流发电机旋转整流器在线故障诊断方法 - Google Patents

Abstract

本发明公开一种基于优化极限学习机的航空三级式交流发电机旋转整流器在线故障诊断方法，属于发电机状态监测与故障诊断技术领域。该方法包括如下步骤：1)搭建航空三级式交流发电机的整体仿真模型并确定旋转整流器的故障模式及故障可测点。2)利用可测点采集各种故障模式下对应的电压或电流等信息，对故障信息实施特征提取并进行归一化处理，确定训练样本集和测试样本集。3)设置思维进化算法的参数、极限学习机的各层节点数及激励函数，对极限学习机进行优化，输出最优输入权值和阀值，建立极限学习机模型并用测试样本集对模型验证。4)将步骤3)中通过验证的模型用于在线智能故障诊断中，其中故障信号及特征提取方法与步骤2)中保持一致。

Description

一种航空三级式交流发电机旋转整流器在线故障诊断方法

技术领域

本发明涉及一种基于优化极限学习机的航空三级式交流发电机旋转整流器在线故障诊断方法，属于发电机状态监测与故障诊断技术领域。

背景技术

航空发电机由于长期处于复杂恶劣的环境中，对其安全性和可靠性提出了很高的要求。目前，航空三级式无刷交流发电机作为航空交流主电源系统的核心部件，其能否正常工作直接影响着飞机的供电能力。如果航空发电机产生故障，不仅会影响其正常运行，同时有可能会导致整个飞机系统不能正常工作，严重时甚至会造成重大航空事故。飞机发电机的故障种类多，故障部位分散，其电气故障主要有定子绕组故障、转子绕组故障和旋转整流器故障。目前，针对每一类故障，都有不同的检测方法和故障诊断算法。本发明主要针对航空三级式发电机中的旋转整流器提出一种在线故障诊断方法。

目前，对航空三级式交流发电机旋转整流器的智能故障诊断方法主要有神经网络和支持向量机。神经网络智能诊断方法需要人为设置大量的网络训练参数，且容易陷入局部最优。对于常用的BP神经网络，其在训练过程中需要不断地迭代以获得最优输入权值和阀值，计算量大且消耗时间长。支持向量机智能诊断方法的核函数参数及规则化参数选取困难，目前还没有指导支持向量机参数选择的有效方法，而且支持向量机本身是一种二类分类器，在解决多分类问题时，需要结合一对一、一对多、纠错编码、决策树、无环导向图型等算法构建多类分类器，会存在不可分类和分类重叠、需要构建大量分类器等问题。

极限学习机(ExtremeLearningMachine，简称ELM)是一种简单易用、有效的单隐层前馈神经网络学习算法，其在应用时只需要预先设置好网络的隐含层神经元个数，在算法执行过程中随机产生网络的输入权值和隐含层神经元阀值，便可以获得唯一的最优解，具有学习速度快且泛化性能好的特点。但极限学习机也存在一定的问题，由于ELM随机给定输入权值和隐含层阀值，其诊断精度受到很大的影响，在实际应用中，为了达到理想的精度，需要设置大量的隐含层节点数，而隐含层节点数的增多又会使网络复杂度变高。针对这个问题，已有人提出将遗传算法、进化策略等进化算法用于ELM的优化中，但进化算法依然存在早熟、收敛速度慢等问题。

发明内容

针对目前技术中的不足，本发明提出一种基于优化极限学习机的航空三级式交流发电机旋转整流器在线故障诊断方法，该方法采用思维进化算法对极限学习机进行优化，并将其优化后的极限学习机用于航空三级式交流发电机旋转整流器的在线故障诊断中，该项技术可应用于在航空发电机监测装置或系统中。

本发明的技术方案是一种基于优化极限学习机的航空三级式交流发电机旋转整流器在线故障诊断方法，其特征在于：所述方法通过以下步骤实现：

步骤1：对航空三级式交流发电机的整体结构深入了解并进行分析，依据国军标GJB-181A的要求搭建整体模型，确定旋转整流器的故障模式并选取故障信号测试点，进行软件仿真。

步骤2：对仿真得到的故障数据进行特征提取，特征提取方法可依据实际情况确定。为了满足极限学习机对输入数据的要求，需要对故障数据进行归一化处理。

步骤3：依据步骤2中特征提取的结果确定极限学习机输入层节点数。确定旋转整流器各种故障模式下的极限学习机的输出向量表达方式，即确定输出层节点个数，并选取隐含层节点数、隐含层激励函数，以确定ELM网络结构。

步骤4：对步骤2所得的故障数据按一定的比例划分为训练样本集和测试样本集。训练样本集主要用于航空三级式发电机旋转整流器故障诊断ELM模型的搭建，测试样本集主要用于该模型的验证。

步骤5：以训练样本集作为极限学习机的输入，并采用思维进化算法对极限学习机的输入权值和隐含层节点阀值进行优化，进行航空三级式交流发电机旋转整流器故障诊断模型的学习。

步骤6：采用测试样本集对步骤5中得到的航空三级式交流发电机旋转整流器故障诊断模型进行验证，计算ELM模型诊断的正确率，若达到预设的正确率要求，即确定该模型为最终模型，否则，返回步骤3。

步骤7：将最终确定的极限学习机模型用于航空三级式交流发电机旋转整流器的在线故障诊断中，其中故障信号及特征提取方法与步骤2中保持一致。

进一步的，步骤5包括以下步骤：

步骤5.1：确定思维进化算法相关参数，包括种群大小，优胜子种群个数，临时子种群个数，迭代次数。

步骤5.2：根据步骤3中ELM网络结构确定编码长度，将极限学习机随机产生的输入权值和隐含层节点阀值编码成思维进化算法个体，共计popsize个个体，并根据得分函数搜索出得分最高的若干个优胜个体和临时个体，分别为M个和T个。

步骤5.3：分别以步骤5.2中产生的M个优胜个体和T个临时个体为中心，在每个个体周围产生popsize/(M+T)个新的个体，从而得到M个优胜子群体和T个临时子群体。

步骤5.4：在步骤5.3中产生的各个子群体内部进行趋同操作，即各个子群体内的个体互相竞争以寻求局部最优点，若不再产生新的胜者，则该子群体成熟，趋同过程结束，将该子群体内最优个体的得分记为该子群体的得分，并公布在局部公告板和全局公告板上。

步骤5.5：步骤5.4中的子群体成熟后，在子群体之间进行异化操作，即每个子群体之间进行全局竞争。若某个临时子群体的得分大于任一成熟优胜子群体的得分，则该优胜子群体被放弃，个数记为M_r。若一成熟临时子群体的得分小于任一优胜子群体的得分，则该临时子群体被放弃，个数记为T_r，而这些M_r+T_r个子群体将参加下一轮的趋同和异化操作。

步骤5.6：重复步骤5.4和步骤5.5，判断是否满足终止条件，即优胜子群体的最好得分是否得到进一步提高或者是否达到迭代次数，如果没有满足终止条件，跳转到步骤5.4，如果满足终止条件，则输出全局最优子个体及其得分。

更进一步的，所述步骤5.2中ELM的网络结构设为n-k-m，编码长度依据ELM的网络结构可确定为nk+k，每个个体可以表示为：

${\mathrm{\α}}^x=[{\mathrm{\ω}}_{11}^x,{\mathrm{\ω}}_{12}^x,...,{\mathrm{\ω}}_{1k}^x,{\mathrm{\ω}}_{21}^x,{\mathrm{\ω}}_{22}^x,...,{\mathrm{\ω}}_{2k}^x,...,{\mathrm{\ω}}_{n1}^x,{\mathrm{\ω}}_{n2}^x,...,{\mathrm{\ω}}_{\mathrm{nk}}^x,b_1^x,b_2^x,...,b_k^x]---\left(1\right)$

其中，α^x为总群体中第x个体(1≤x≤popsize，popsize为种群大小)，n为输入层节点数，即训练样本的输入维数，k为隐含层节点数，m是输出层节点数。ω_ij为输入层第j个节点与隐含层第i个节点之间的连接权值，其中1≤j≤n，1≤i≤k，b_i为隐含层第i个节点的阀值。

得分函数表达式可设为：f＝1/RMSE(2)

$\mathrm{RMSE}=\sqrt{\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(t_j^{\′}-t_j)}^2}{N}}---\left(3\right)$

其中，N为训练样本集的个体数，t_j和t′_j分别为训练样本集中第j个样本的实际对应值和模型输出值，RMSE为训练样本集的均方根误差，f为得分函数，本发明选取训练样本集的均方根误差的倒数为得分函数。

本发明有益效果如下：

本发明基于优化的极限学习机模型对航空三级式交流发电机中旋转整流器进行在线智能故障诊断，该技术可应用于航空发电机监测装置或系统中。本发明提出将极限学习机用于航空三级式交流发电机旋转整流器故障诊断方面，与现有的航空三级式交流发电机旋转整流器智能诊断算法(如神经网络、支持向量机)相比，极限学习机具有学习速度快、泛化能力强的特点。本发明又采用思维进化算法对极限学习机的输入权值和隐含层阀值进行优化，既能保证局部最优，又能最终寻找到全局最优解，解决了遗传算法在寻优时过分早熟、收敛速度慢的问题，减少了隐含层节点的需求数目，提高了学习能力。

附图说明：

图1为航空三级式交流发电机基本结构原理图

图2为航空三级式交流发电机旋转整流器故障诊断模型建立流程图

图3为思维进化算法基本结构图

图4为思维进化算法优化极限学习机参数流程图

图5为航空三级式交流发电机旋转整流器在线故障诊断流程图

具体实施方式：

下面结合附图说明1，2，3，4，5对本发明的技术方案进行详细说明。

本发明设计了一种基于优化极限学习机的航空三级式交流发电机旋转整流器在线故障诊断方法。所述的航空三级式交流发电机基本结构原理图如图1所示，主要包括主发电机、交流励磁机、旋转整流器和副励磁机(永磁发电机)，这种形式的发电机又被称为旋转整流器式无刷交流发电机，其中副励磁机的永磁体、交流励磁机的电枢绕组、旋转整流器和主发电机的励磁绕组位于发电机转子上，其他部件位于发电机定子上。发电机工作时，副励磁机产生的三相交流电经外接可控整流电路整流后供给给交流励磁机的励磁绕组作为励磁电流，转子侧交流励磁机电枢绕组感应出三相交流电，该交流电经旋转整流器整流为直流直接输出给主发电机的励磁绕组作为励磁电流。其中旋转整流器多采用全桥不可控整流电路结构，整流元件为二极管，由于其位于转子上，故障发生率较高。

一种基于优化极限学习机的航空三级式交流发电机旋转整流器故障诊断方法，如图2所示，具体操作包括如下步骤：

步骤1：由于实际的航空发电机很难获取，可根据国军标GJB-181A的要求，在MATLAB/SPS中搭建发电机的整体仿真模型。旋转整流器故障即为其中的功率二极管故障，根据三相全桥整流电路原理，可将旋转整流器故障模式分为5大类22小类，分别为：无二极管故障，即正常情况；一个二极管故障，细分为6种故障模式；同一桥臂上的两个二极管故障，细分为3种故障模式；不同桥臂上的两个二极管故障，同为上桥臂或下桥臂，细分为6种故障模式；不同桥臂上的两个二极管故障，上桥臂、下桥臂各一个，细分为6种故障模式。

选取主励磁机的励磁电流为故障信号，在不同故障模式下对发电机整体模型进行仿真，采集故障数据，每种故障模式下采取50组数据，共有22×50组数据。

步骤2：采用傅里叶变换对步骤1中的22×50组数据进行特征提取，提取主励磁机励磁电流的1～6次谐波分量(记为e₁～e₆)作为故障特征向量E，E可表示为E＝[e₁，e₂，e₃，e₄，e₅，e₆]。

为了满足极限学习机对输入数据的要求，对特征向量E进行归一化处理。归一化公式如下：

$E^{\′}=2\×\frac{E-\min \left(E\right)}{\max \left(E\right)-\min \left(E\right)}-1---\left(4\right)$

其中，min(·)、max(·)依次指取最小值、取最大值函数。经过数据归一化处理之后，E的特征数据归一化至[-1，1]区间。

在这50组故障特征数据中，随机选取30组为训练样本，用于航空三级式发电机旋转整流器故障诊断ELM模型的建立，剩下的20组为测试样本，用于该模型的验证。

步骤3：步骤2中经过归一化处理后，特征向量可表示为E′，因此极限学习机的输入节点数为6。极限学习机的输出节点数即为旋转整流器故障模式分类数，依据步骤1可将输出层节点数设为22。极限学习机的隐含层节点数是人为设置的，可设置为12个。激励函数g(x)有多种形式，比如sigmoid函数、hardlin函数等，此处选择sigmoid函数。

步骤4：确定思维进化算法相关参数，包括种群大小popsize，优胜子种群个数M，临时子种群个数T和迭代次数，所述的思维进化算法基本结构如图3所示。以训练样本集作为极限学习机的输入，采用思维进化算法对极限学习机的输入权值和隐含层节点阀值进行优化，进行航空三级式交流发电机旋转整流器故障诊断模型的学习，所述的思维进化算法优化极限学习机参数流程图如图4所示。

步骤4.1：将极限学习机随机产生的输入权值和隐含层节点阀值编码成思维进化算法个体，共计popsize个个体，并根据得分函数搜索出得分最高的若干个优胜个体和临时个体，分别为M个和T个。

其中，每个个体可表示为：

${\mathrm{\α}}^x=[{\mathrm{\ω}}_{11}^x,{\mathrm{\ω}}_{12}^x,...,{\mathrm{\ω}}_{1k}^x,{\mathrm{\ω}}_{21}^x,{\mathrm{\ω}}_{22}^x,...,{\mathrm{\ω}}_{2k}^x,...,{\mathrm{\ω}}_{n1}^x,{\mathrm{\ω}}_{n2}^x,...,{\mathrm{\ω}}_{\mathrm{nk}}^x,b_1^x,b_2^x,...,b_k^x]---\left(5\right)$

其中，α^x为总群体中第x个体(1≤x≤popsize，popsize为种群大小)，n＝6为输入层节点数，k＝12为隐含层节点数。ω_ij为输入层第j个节点与隐含层第i个节点之间的连接权值，其中1≤j≤6，1≤i≤12，b_i为隐含层第i个节点的阀值。

得分函数表达式设为：f＝1/RMSE(6)

$\mathrm{RMSE}=\sqrt{\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(t_j^{\′}-t_j)}^2}{N}}---\left(7\right)$

其中，N为训练样本集的个体数，N＝22×30，t_j和t′_j分别为训练样本集中第j个样本的实际对应值和模型输出值，RMSE为训练样本集的均方根误差，f为得分函数，此处选取训练样本集的均方根误差的倒数为得分函数。

步骤4.2：分别以步骤4.1中产生的M个优胜个体和T个临时个体为中心，在每个个体周围产生popsize/(M+T)个新的个体，从而得到M个优胜子群体(记为A₁…A_M)和T个临时子群体(记为B₁…B_T)。

步骤4.3：在步骤4.2中产生的各个子群体内部进行趋同操作，即各个子群体内的个体互相竞争以寻求局部最优点，若不再产生新的胜者，则该子群体成熟，趋同过程结束，将该子群体内最优个体的得分记为该子群体的得分，并公布在局部公告板和全局公告板上。

步骤4.4：步骤4.3中的子群体成熟后，在子群体之间进行异化操作，即每个子群体之间进行全局竞争。若某个临时子群体的得分大于任一成熟优胜子群体的得分，则该优胜子群体被放弃，个数即为M_r。若一成熟临时子群体的得分小于任一优胜子群体的得分，则该临时子群体被放弃，个数即为T_r，而这些M_r+T_r子群体将参加下一轮的趋同和异化操作。

步骤4.5：重复步骤4.3和步骤4.4，判断是否满足终止条件，即优胜子群体的最好得分是否得到进一步提高或者是否达到迭代次数，如果没有满足终止条件，跳转到步骤4.3，如果满足终止条件，则输出全局最优子个体及其得分。

步骤4.6：步骤4.5中输出的全局最优子个体即为最优输入权值和隐含层阀值，分别记为ω_i和b_i，i＝1，2，...k，k＝12为隐含层节点数。训练样本集记为(x_j，t_j)，j＝1，2，...N，N为训练样本集的个体数，N＝22×30。可计算其对应的隐含层输出矩阵为：

$H({\mathrm{\ω}}_1,...{\mathrm{\ω}}_k,b_1,...,b_k,x_1,...x_n)={\left[\begin{array}{ccc}g({\mathrm{\ω}}_1\·x_1+b_1)& ...& g({\mathrm{\ω}}_k\·x_n+b_k)\\ .& & .\\ .& ...& .\\ .& & .\\ g({\mathrm{\ω}}_1\·x_n+b_1)& ...& g({\mathrm{\ω}}_k\·x_n+b_k)\end{array}\right]}_{n\×k}---\left(8\right)$

然后采用最小二乘法求解H的广义摩尔逆H⁺，即可得输出权值β＝H⁺T，其中T为训练样本集的输出，T＝[t_j1，...，t_jm]^T。

步骤5：采用测试样本集对步骤4中得到的航空三级式交流发电机旋转整流器故障诊断模型进行验证。测试样本集记为(x′_j，y_j)，j＝1，2，...M，M为测试样本集的个体数，M＝22×20，其对应的隐含层输出矩阵为H′，由Y′＝H′β可求得测试样本对应的ELM模型的输出，将其与实际样本输出Y对比，计算ELM模型的诊断正确率。若达到预设的正确率要求，即确定该模型为最终模型，否则返回步骤3重新建立故障诊断模型。

步骤6：将最终确定的极限学习机模型用于航空三级式交流发电机旋转整流器的在线故障诊断中，实现对航空三级式交流发电机中旋转整流器的实时监测。航空三级式交流发电机旋转整流器在线故障诊断流程图如图5所示，其中采集的故障信息及特征提取方法与故障诊断模型建立时保持一致，若发生故障，则进行故障报警并显示具体的故障类型，以方便后续的故障修护工作。

Claims (4)

1.一种基于优化极限学习机的航空三级式交流发电机旋转整流器在线故障诊断方法，其特征在于：所述方法包括以下步骤：

步骤1：依据国军标GJB-181A，搭建满足要求的航空三级式交流发电机的整体仿真模型并确定旋转整流器的故障模式，选取故障可测点；

步骤2：利用可测点采集各种故障模式下对应的电压或电流等信息，对故障信息实施特征提取并进行归一化处理，确定训练样本集和测试样本集；

步骤3：设置思维进化算法的参数、极限学习机的各层节点数及激励函数，对极限学习机进行优化，优化结束输出最优输入权值和阀值，用于ELM模型的建立，并用测试样本集对模型验证；

步骤4：将步骤3中通过验证的模型用于航空三级式交流发电机旋转整流器的在线故障诊断中，其中故障信号及特征提取方法与步骤2中保持一致。

2.根据权利要求1所述的一种基于优化极限学习机的航空三级式交流发电机旋转整流器在线故障诊断方法，其特征在于：所述步骤3中采用思维进化算法对极限学习机进行优化。

3.根据权利要求2所述的一种基于优化极限学习机的航空三级式交流发电机旋转整流器在线故障诊断方法，其特征在于：采用思维进化算法对极限学习机进行优化，进一步的包括以下步骤：

步骤1：确定思维进化算法相关参数并对极限学习机随机产生的输入权值和隐含层节点阀值进行编码，生成初始种群；

步骤2：根据得分函数搜索出得分最高的若干个优胜个体和临时个体，并以这些优胜个体和临时个体为中心产生新的个体，得到优胜子群体和临时子群体；

步骤3：子群体内部进行趋同操作，直至子群体成熟，并在局部公告板上公布得分；

步骤4：子群体之间进行异化操作，并在全局公告板上公布得分；

步骤5：判断是否满足终止条件，如果没有满足终止条件，跳转到步骤3)，如果满足终止条件，则输出全局最优子个体及其得分。

4.根据权利要求1所述的一种基于优化极限学习机的航空三级式交流发电机旋转整流器在线故障诊断方法，其特征在于：所述步骤4中对航空三级式交流发电机旋转整流器部件进行在线智能故障诊断，故障信号及特征提取方法与步骤2中保持一致，并利用步骤3中通过验证的模型对发电机中旋转整流器进行实时状态监测，若发生故障，则进行故障报警并显示故障模式，以方便后续的故障修护工作。