CN105738722B - 一种航空机电作动器故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于符号动力学信息熵理论和改进Parks聚类算法的航空机电作动器故障诊断方法，通过对机电作动器逆变器侧母线电流的幅值时间序列进行符号化处理，将计算得到的信息熵值以及母线电流时间序列的最大幅值作为机电作动器故障诊断的两个特征量，然后建立基于训练样本的标准故障特征矩阵，采用改进parks聚类算法通过计算待测样本与故障特征矩阵的距离来判断待测样本归属的故障类型。本发明提出的特征提取和故障诊断方法相比传统方法具有计算简便、所需数据量小等优点，能对多种机电作动器故障进行有效的识别和诊断。

Description

一种航空机电作动器故障诊断方法

技术领域

本发明属于一种航空机电作动器故障诊断方法，具体涉及基于符号动力学信息熵理论和改进parks聚类算法的航空机电作动器故障诊断方法。

背景技术

航空机电作动器(Electro-mechanical actuator,EMA)由无刷直流电机、滚珠丝杠及齿轮减速器组成。与液压作动器相比，机电作动器具有体积小，重量轻，易维修等特点，因而被广泛应用于航空领域。机电作动器故障诊断方法的研究是保障航空设备安全运行的一项重要工作。

EMA的故障包括电气故障和机械故障两大类。常见的电气故障主要集中在电机绕组，电机驱动系统及霍尔位置传感器三个部位。电机驱动系统故障诊断方法主要可划分为电流法和电压法两大类。电流法诸如平均电流绝对值法,归一化直流电流法等方法已经获得较好的故障检测性能。然而这些方法并不适用于无刷直流电机驱动系统的故障检测。电压法诸如误差电压法,开关函数模型法可实现快速的逆变器功率管故障检测但仍然需要额外的电压传感器。电机绕组故障是感应电机的主要故障，其故障诊断方法也可划分为电流和电压分析法两大类。小波分析是一种常用的电机绕组故障诊断频域分析方法，但故障特征提取过程较为复杂且一般只能诊断一种故障类型。一些基于智能算法的电机绕组故障检测方法计算量大且实时性差。霍尔位置传感器是无刷直流电机的关键元件，它们被用来检测转子的位置并为逆变器提供换向信号，然而针对霍尔位置传感器的故障诊断方法还不多见。

可见，现有的故障诊断方法仅能检测一到两种EMA电气故障，一些方法的故障特征提取过程较为复杂或者需要额外的传感器。针对这些问题，有必要提出一种无需增加传感器，故障特征提取过程较为简单，计算量小，且能有效区分多种EMA电气故障的故障诊断方法。据此，提出一种基于符号动力学信息熵理论和改进Parks聚类算法故障诊断方法。

符号动力学理论由Kurths等提出，其基本思想是将时域信号构成的时间序列转化为符号序列，通过计算符号序列的信息熵值来评价原始信号的内在动力学特性。符号序列中包含的符号串模式越多，分布越广，则熵值就越大。反之，则熵值越小。该理论常被用来评价时间序列的相似性。由于EMA在多种典型故障条件下的母线电流波形存在明显差异，可采用符号动力学理论进行故障特征提取。

Parks聚类分析算法通过度量待测样本与各标准故障类的距离来判断待测样本属于哪种故障。该方法的核心是建立能覆盖所有故障样本的特征指标矩阵。将EMA的每种典型故障看作是一个标准故障样本，根据相同故障的故障特征具有较高相似度的思想，采用Parks聚类算法对EMA故障进行聚类诊断，从而辨识出待测样本最有可能属于哪个故障类。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于符号动力学信息熵理论和改进parks聚类算法的航空机电作动器故障诊断方法，解决了传统故障诊断方法仅能检测一到两种作动器故障，且故障特征提取过程较为复杂，计算量大的问题。

技术方案

一种基于符号动力学信息熵理论和改进parks聚类算法的航空机电作动器故障诊断方法，其特征在于步骤如下：

步骤1：对机电作动器的n＝6种状态下的母线电流时域幅值信号分别进行采样，每种运行状态下采集g组母线电流时间，获得L组母线电流时间序列：

L＝n×g g＞＝50

所述n＝6种状态包括机电作动器正常、电机绕组开路、电机绕组20％匝间短路、电机绕组40％匝间短路、逆变器开路及霍尔位置传感器故障；

步骤2、对获取的各种状态下的母线电流时间序列提取故障诊断特征量：

1、以母线电流时间序列的最大幅值作为航空机电作动器故障诊断的特征量F₁，其中母线电流时间序列最大幅值计算如下：

其中，x_a(a＝1,2,…L)为每组时间序列的最大幅值；max{x_a}为所有母线电流时间序列最大幅值集合中的最大值；min{x_a}为所有母线电流时间序列最大幅值集合中的最小值；

2、以母线电流时间序列的符号动力学信息熵值作为航空机电作动器故障诊断的特征量F₂，符号动力学信息熵值的计算过程为：将母线电流时间序列符号化，得到母线电流符号序列；对母线电流符号序列按顺序分割，每m个连续的符号为一行，形成一个多维数组；计算每个符号子串在字典中出现的概率得到母线电流符号序列的动力学信息熵值为：

其中：c(l)(1≤l≤4^m)为每个子串出现在字典中的频率，m为字长；

步骤3：将每组母线电流时间序列计算得到两个故障诊断特征量F₁和F₂合并成一个一维数组[F₁,F₂]，作为一个训练样本；对每一种状态下共g组训练样本求平均值，获得各状态下训练样本的聚类中心[x_i1,x_i2]，其中i＝1,2,…n；

步骤4：通过计算待测样本与故障特征矩阵X的parks距离，对比系统待测状态下与典型状态下的故障特征量之间差异，以最小parks距离所对应的故障为测试样本所对应的故障，过程如下：

步骤a：选择某测试样本Y，其中Y＝[y₁,y₂]，y₁和y₂分别表示待测样本计算得到的最大幅值和信息熵两个特征量，计算Y与故障特征矩阵X中每一行的距离系数：

其中，α(y_j,x_ij)为测试样本Y与特征矩阵X的第i种故障在特征量j上的距离系数；maxx_j和minx_j为X中所有故障样本在特征量j上的最大值和最小值；y_j为测试样本Y的第j个特征量；

步骤b：计算测试样本Y与故障特征矩阵每一行的parks距离：

其中，ω_j为加权系数；

有益效果

本发明提出的一种基于符号动力学信息熵理论和改进Parks聚类算法的航空机电作动器故障诊断方法，通过对机电作动器逆变器侧母线电流的幅值时间序列进行符号化处理，将计算得到的信息熵值以及母线电流时间序列的最大幅值作为机电作动器故障诊断的两个特征量，然后建立基于训练样本的标准故障特征矩阵，采用改进parks聚类算法通过计算待测样本与故障特征矩阵的距离来判断待测样本归属的故障类型。本发明提出的特征提取和故障诊断方法相比传统方法具有计算简便、所需数据量小等优点，能对多种机电作动器故障进行有效的识别和诊断。

附图说明

图1为本发明所述故障诊断方法的流程图；

图2为本发明的机电作动器结构框图；

图3为本发明所述将母线电流符号序列分割形成数组的示意图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明实施例为基于符号动力学信息熵理论和改进Parks聚类算法的航空机电作动器故障诊断方法，其分析流程图如图1所示，包括正常及各故障条件下母线电流幅值信号的采样，最大幅值特征属性的提取，符号动力学信息熵特征属性的提取，故障诊断特征属性矩阵的建立，最后通过计算待测样本与特征属性矩阵parks距离确定待测样本的故障类型。

参照附图2，机电作动器由可双向调速的伺服电机、控制单元和机械减速装置组成。采用转换效率高、散热好的可调速双向无刷电机，外部电机控制单元通过相电流关系控制电机的转速，然后由机械减速装置将高速低转矩的电机输出转换成低速大转矩的转动输出到舵面。

本发明为基于符号动力学信息熵理论和改进Parks聚类算法的机电作动器故障诊断方法，按照以下步骤实施：

步骤1：对机电作动器的n＝6种状态下的母线电流时域幅值信号分别进行采样，每种运行状态下采集g组母线电流时间序列，获得L组母线电流时间序列：

L＝n×g g＞＝50

所述n＝6种状态包括机电作动器正常、电机绕组开路、电机绕组20％匝间短路、电机绕组40％匝间短路、逆变器开路及霍尔位置传感器故障。

步骤2：对获取的各种状态下的母线电流时间序列提取故障诊断特征量：

1、以母线电流时间序列的最大幅值作为航空机电作动器故障诊断的特征量F₁，其中母线电流时间序列最大幅值计算如下：

其中，x_a(a＝1,2, …L)为每组时间序列的最大幅值；max{x_a}为所有母线电流时间序列最大幅值集合中的最大值；min{x_a}为所有母线电流时间序列最大幅值集合中的最小值；

2、以母线电流时间序列的符号动力学信息熵值作为航空机电作动器故障诊断的特征量F₂，符号动力学信息熵值的计算过程为：将母线电流时间序列符号化，得到母线电流符号序列；对母线电流符号序列按顺序分割，每m个连续的符号为一行，形成一个多维数组；计算每个符号子串在数组中出现的概率得到母线电流符号序列的动力学信息熵值为：

步骤3：将每组母线电流时间序列计算得到两个故障诊断特征量F₁和F₂合并成一个一维数组[F₁,F₂]，作为一个训练样本；对每一种状态下共g组训练样本求平均值，获得各状态下训练样本的聚类中心[x_i1,x_i2]，其中i＝1,2,…n；

步骤4：通过计算待测样本与故障特征矩阵X的parks距离，对比系统待测状态下与典型状态下的故障特征量之间差异，以最小parks距离所对应的故障为测试样本所对应的故障，过程如下：

步骤a：选择某测试样本Y，其中Y＝[y₁,y₂]，y₁和y₂分别表示待测样本计算得到的最大幅值和信息熵两个特征量，计算Y与故障特征矩阵X中每一行的距离系数：

其中，α(y_j,x_ij)为测试样本Y与特征矩阵X的第i种故障在特征量j上的距离系数；maxx_j和minx_j为X中所有故障样本在特征量j上的最大值和最小值；y_j为测试样本Y的第j个特征量；

步骤b：计算测试样本Y与故障特征矩阵每一行的parks距离：

其中，ω_j为加权系数；

利用Simulink仿真环境下获得的故障数据进行上述方法的验证和测试。

具体故障诊断过程如下：

步骤1：对机电作动器的n＝6种状态下的母线电流时域幅值信号分别进行采样，每种运行状态下采集g＝50组母线电流时间序列，每个时间序列包含N＝2000个采样点，获得L＝300组母线电流时间序列。所述n＝6种状态包括机电作动器正常、电机绕组开路、电机绕组20％匝间短路、电机绕组40％匝间短路、逆变器开路及霍尔位置传感器故障。

步骤2：对获取的各种状态下的母线电流时间序列提取故障诊断特征量：

1、以母线电流时间序列的最大幅值作为航空机电作动器故障诊断的特征量F₁，其中母线电流时间序列最大幅值计算如下：

其中，x_a(a＝1,2,…L)为每组时间序列的最大幅值；max{x_a}为所有母线电流时间序列最大幅值集合中的最大值；min{x_a}为所有母线电流时间序列最大幅值集合中的最小值；

其中：α＝0.05，μ为时间序列的均值，c(l)(1≤l≤4^m)为每个子串出现在数组中的频率，m＝3为字长；

部分样本的符号动力学信息熵计算结果如表1所示。

表1.部分样本计算得到的符号动力学信息熵值

步骤3：将每组母线电流时间序列计算得到两个故障诊断特征量F₁和F₂合并成一个一维数组[F₁,F₂]，作为一个训练样本；对每一种状态下共g组训练样本求平均值，获得各状态下训练样本的聚类中心[x_i1,x_i2]，其中i＝1,2,…n；

6种状态下的训练样本计算得到的故障特征矩阵如表2所示：

表2.训练样本形成的特征矩阵

	特征属性1	特征属性2
			正常	3.63659e-05	0.82705
电机绕组开路	0.94135	0.16211
			电机绕组20％匝间短路	0.01004	0.79382
电机绕组40％匝间短路	0.02281	0.80752
			逆变器开路	0.92005	0.21296
霍尔位置传感器故障	0.99978	0.33953

步骤4：通过计算待测样本与故障特征矩阵X的parks距离，对比系统待测状态下与典型状态下的故障特征量之间差异，以最小parks距离所对应的故障为测试样本所对应的故障，过程如下：

步骤a：选择某测试样本Y，其中Y＝[y₁,y₂]，y₁和y₂分别表示待测样本计算得到的最大幅值和信息熵两个特征量，计算Y与故障特征矩阵X中每一行的距离系数：

其中，α(y_j,x_ij)为测试样本Y与特征矩阵X的第i种故障在特征量j上的距离系数；maxx_j和minx_j为X中所有故障样本在特征量j上的最大值和最小值；y_j为测试样本Y的第j个特征量；

步骤b：计算测试样本Y与故障特征矩阵每一行的parks距离：

其中，ω_j为加权系数；

例如选择测试样本Y₁＝[0.172060.94534]及Y₂＝[0.794230.94534]，计算得到的两个样本与故障特征矩阵的parks距离分别为式(1)和式(2)所示。

对于测试样本Y₁，通过观察d_Y1X可见该样本到电机绕组开路故障的parks距离最近，因而被归类为电机绕组开路故障。对于测试样本Y₂，同样根据parks距离可将其归类到20％匝间短路故障中。对所有测试样本进行测试，测试样本识别正确率如表3所示：

表3.测试样本识别正确率列表

Claims (1)

1.一种基于符号动力学信息熵理论和改进parks聚类算法的航空机电作动器故障诊断方法，其特征在于步骤如下：

步骤1：对机电作动器的n＝6种状态下的母线电流时域幅值信号分别进行采样，每种运行状态下采集g组母线电流时间，获得L组母线电流时间序列：

L＝n×g g＞＝50

所述n＝6种状态包括机电作动器正常、电机绕组开路、电机绕组20％匝间短路、电机绕组40％匝间短路、逆变器开路及霍尔位置传感器故障；

步骤2、对获取的各种状态下的母线电流时间序列提取故障诊断特征量：

1、以母线电流时间序列的最大幅值作为航空机电作动器故障诊断的特征量F₁，其中母线电流时间序列最大幅值计算如下：

其中，x_a(a＝1,2,…L)为每组时间序列的最大幅值；max{x_a}为所有母线电流时间序列最大幅值集合中的最大值；min{x_a}为所有母线电流时间序列最大幅值集合中的最小值；

2、以母线电流时间序列的符号动力学信息熵值作为航空机电作动器故障诊断的特征量F₂，符号动力学信息熵值的计算过程为：将母线电流时间序列符号化，得到母线电流符号序列；对母线电流符号序列按顺序分割，每m个连续的符号为一行，形成一个多维数组；计算每个符号子串在字典中出现的概率其中N代表采样点个数，得到母线电流符号序列的动力学信息熵值为：

其中：c(l)(1≤l≤4^m)为每个子串出现在字典中的频率，m为字长；

步骤3：将每组母线电流时间序列计算得到两个故障诊断特征量F₁和F₂合并成一个一维数组[F₁,F₂]，作为一个训练样本；对每一种状态下共g组训练样本求平均值，获得各状态下训练样本的聚类中心[x_i1,x_i2]，其中i＝1,2,…n；

将各状态下计算得到的聚类中心组成故障特征矩阵

步骤4：通过计算待测样本与故障特征矩阵X的parks距离，对比系统待测状态下与典型状态下的故障特征量之间差异，以最小parks距离所对应的故障为测试样本所对应的故障，过程如下：

步骤a：选择某测试样本Y，其中Y＝[y₁,y₂]，y₁和y₂分别表示待测样本计算得到的最大幅值和信息熵两个特征量，计算Y与故障特征矩阵X中每一行的距离系数：

i＝1,2,…n且j＝1,2；

其中，α(y_j,x_ij)为测试样本Y与特征矩阵X的第i种故障在特征量j上的距离系数；maxx_j和minx_j为X中所有故障样本在特征量j上的最大值和最小值；y_j为测试样本Y的第j个特征量；

步骤b：计算测试样本Y与故障特征矩阵每一行的parks距离：

其中，ω_j为加权系数；

得到测试样本Y与特征矩阵X的parks距离矩阵最小parks距离所对应的故障即为测试样本所对应的故障。