CN109670145A - 基于观测器的直升机主减速器振动特征阈值设置方法 - Google Patents
基于观测器的直升机主减速器振动特征阈值设置方法 Download PDFInfo
- Publication number
- CN109670145A CN109670145A CN201811518727.3A CN201811518727A CN109670145A CN 109670145 A CN109670145 A CN 109670145A CN 201811518727 A CN201811518727 A CN 201811518727A CN 109670145 A CN109670145 A CN 109670145A
- Authority
- CN
- China
- Prior art keywords
- ginseng
- hair
- vibration performance
- observer
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 20
- 241000208340 Araliaceae Species 0.000 claims abstract description 79
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims abstract description 79
- 235000003140 Panax quinquefolius Nutrition 0.000 claims abstract description 79
- 235000008434 ginseng Nutrition 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于观测器的直升机主减速器振动特征阈值设置方法，本发明采用相关性分析的方法对飞参发参进行优化约减；将飞参发参作为网络输入，振动特征参数作为网络输出，利用正常状态下的样本数据训练建立多隐含层BP神经网络观测器，并计算得到正常样本残差；采用统计分布的原理，计算残差阈值。将实际测得的飞参、发参作为已训练好的神经网络的输入，计算得到相应的振动特征参数的估计输出，将其与残差阈值求和，从而得到当前飞参发参情况下的自适应动态阈值。
Description
技术领域
本发明属于直升机故障诊断与健康管理领域，具体地说，是一种基于观测器的直升机主减速器振动特征阈值设置方法。
背景技术
对直升机主减速器的振动特性进行分析，可以认为主减速器的振动主要来自于四个方面：主减速器内部各类旋转机械本身的振动，直升机飞行状态变化引起的振动，故障引发的振动和噪声。在进行状态监测、故障诊断与预测时，若采用固定阈值的方法，当飞行状态变化引起的振动变化大于健康状态变化引发的振动变化时，会对诊断与预测结果进行干扰。
通常，直升机在飞行过程中状态多变，扭矩、速度等参数变化频繁，导致直升机的振动特性变化较大从而掩盖了因其本身健康状态变化而产生的振动特性的变化。
因此，为提高故障诊断与健康管理系统处理结果的可信度，尽可能减小飞行状态变化导致的影响，需要开展基于飞行状态的自适应动态阈值设置方法研究。
发明内容
本发明的目的在于提供一种可以根据直升机的飞行状态自适应设置直升机主减速器监测特征动态阈值的方法。采用了基于神经网络观测器，可根据飞行状态的不同生成动态阈值。
实现本发明目的的技术解决方案为：一种基于观测器的直升机主减速器振动特征阈值设置方法，包括以下步骤：
步骤一：针对直升机机上监测的各种飞行状态参数、发动机状态参数(简称飞参发参)和振动特征参数，选取正常状态下的样本数据，将数据标准化，利用标准化后的样本数据，计算每个飞行状态参数、发动机状态参数与振动特征参数之间的相关性，根据设定的相关性系数下阈值，选取相关性高于下阈值的飞参发参；
步骤二：针对选取的飞参发参数据，采用基于神经网络观测器的方法，将选取的飞参发参数据做为神经网络输入，振动特征参数作为神经网络输出，利用样本数据对神经网络观测器进行训练；
步骤三：针对训练完成的神经网络观测器，将正常状态下飞参发参样本数据作为观测器输入，得到的输出与相对应的振动特征参数进行比较，得到正常状态下振动特征参数样本的残差；
步骤四：针对生成的正常状态样本残差，假设其服从正态分布，计算残差的均值和标准差，并根据根据k倍σ原则确定设定相应的残差超限阈值；
步骤五：针对步骤一中已经筛选出的飞参发参，获取同一直升机主减速器的实测飞参发参数据，输入训练完成的神经网络观测器中，得到振动特征参数的理论值，将其与步骤五得到的残差超限阈值进行求和，从而得到振动特征的自适应动态阈值。
本发明与现有技术相比，其显著优点为：可以根据直升机的飞行状态的变化，自适应设置直升机主减速器监测特征的动态阈值，随着飞行状态的变化动态调整阈值。
附图说明
图1为双隐含层BP神经网络结构图。
图2为振动特征残差生成。
图3为基于残差概率分布的残差阈值计算。
图4为自适应动态阈值计算。
具体实施方式
为了实现直升机主减速器的振动特征阈值能够随着直升机飞行状态的变化而自适应动态调整，本发明采用相关性分析和主元分析方法对飞参发参进行优化约减；将飞参发参作为网络输入，振动特征参数作为网络输出，建立多隐含层BP神经网络观测器得到残差；采用统计分布的原理，计算残差阈值，将其与神经网络预测输出进行求和，得到当前飞参发参情况下的阈值。
下面结合附图和具体实施方式对本发明做进一步说明。
步骤一：X1是直升机主减速器齿轮箱在正常状态下的飞参发参样本数据，为n×m矩阵，其中m为飞参发参个数，n为样本量。计算X1各列的均值μj和标准差σj，计算公式为：根据均值μj和标准差σj将X1标准化，计算公式为得到标准化后的正常状态飞参发参数据X1′。Y1为X1对应的振动特征参数，为n维列向量，n为样本量。计算Y1的均值μy和标准差σy，计算公式为：根据均值μy和标准差σy将Y1标准化，计算公式为得到标准化后的正常状态振动特征参数数据Y1′。计算X1′中每一列向量与Y1′之间的相关性，计算公式为设定相关性系数阈值α＝0.1，从正常状态下的飞参发参样本X1中选取满足条件|Cov(Xi,Y)|＞α的飞参发参重新组成飞参发参样本矩阵X2，为n×t矩阵，其中t为满足相关性条件的飞参发参个数，n为样本量。
步骤二：采用双隐含层BP神经网络构建观测器，如图1所示，将步骤一中筛选之后的飞参发参作为神经网络的输入，振动特征作为神经网络的输出，隐含层节点个数公式为其中t为神经网络输入节点的个数，即为筛选出的飞参发参个数；l为神经网络输出节点的个数，即为振动特征的个数，由于是单特征取值为1；n1、n2分别为第一隐含层和第二隐含层的节点个数。利用步骤一中得到的飞参发参样本X2和振动特征样本Y1对神经网络进行训练。
步骤三：利用训练完成的双隐含层BP神经网络，将步骤一中得到的飞参发参样本X2作为网络输入，得到振动特征的神经网络输出值，记为Y2，为n维列向量，将振动特征的网络输出值Y2和振动特征的实际值Y1做差值，得到正常状态下振动特征的残差样本向量Δ＝Y1-Y2，如图2所示。
步骤四：计算Δ的均值μΔ和标准差σΔ，计算公式为 根据k倍σ原则确定残差的阈值TΔ，通常k取值为3、4或5，计算公式为TΔ＝μΔ+3σΔ，如图3所示。
步骤五：X0是同一直升机主减速器在当前状态下的按照步骤一中已经筛选出的飞参发参获取的实测数据矩阵，为m×t矩阵，其中t为满足相关性条件的飞参发参个数，m为样本量。将其作为步骤二中已训练完成的双隐含层BP神经网络的输入，得到振动特征的神经网络输出值Y0，为m维向量。将Y0中的元素分别与残差阈值TΔ求和，最终得到m个时刻振动特征参数的自适应动态阈值T，计算公式为T＝Y0_i+TΔ(i＝1,2,…,m)，其中Y0_i为Y0中的第i个元素，如图4所示。
Claims (6)
1.一种基于观测器的直升机主减速器振动特征阈值设置方法，其特征在于包括如下步骤：
1)针对直升机机上监测的各种飞行状态参数、发动机状态参数和振动特征参数，选取正常状态下的样本数据，将数据标准化，利用标准化后的样本数据，计算每个飞行状态参数、发动机状态参数与振动特征参数之间的相关性，根据设定的相关性系数下阈值，选取相关性高于下阈值的飞参发参；
2)采用基于双隐层BP神经网络观测器的方法，将选取的飞参发参数据做为神经网络输入，振动特征参数作为神经网络输出，利用样本数据对神经网络观测器进行训练；
3)将正常状态下飞参发参样本数据作为训练完成的观测器输入，得到的输出与相对应的振动特征参数进行比较，得到正常状态下振动特征参数样本的残差；
4)计算残差的均值和标准差，并根据根据k倍σ原则确定相应的残差超限阈值；
5)获取同一直升机主减速器的飞参发参实测数据，输入到训练完成的神经网络观测器中，得到振动特征参数的理论值，将其与残差超限阈值进行求和，从而得到振动特征的自适应动态阈值。
2.根据权利要求1所述的基于观测器的直升机主减速器振动特征阈值设置方法，其特征在于，所述步骤1)具体实现方法为：
设X1是直升机主减速器齿轮箱在正常状态下的飞参发参样本数据，为n×m矩阵，其中m为飞参发参个数，n为样本量；
计算X1各列的均值μj和标准差σj，计算公式为：
根据均值μj和标准差σj将X1标准化，计算公式为得到标准化后的正常状态飞参发参数据X1′；
Y1为X1对应的振动特征参数，为n维列向量，n为样本量；计算Y1的均值μy和标准差σy，计算公式为：根据均值μy和标准差σy将Y1标准化，计算公式为得到标准化后的正常状态振动特征参数数据Y1′；
计算X1′中每一列向量与Y1′之间的相关性，计算公式为
设定相关性系数阈值α，从正常状态下的飞参发参样本X1中选取满足条件|Cov(Xi,Y)|＞α的飞参发参重新组成飞参发参样本矩阵X2，为n×t矩阵，其中t为满足相关性条件的飞参发参个数，n为样本量。
3.根据权利要求1所述的基于观测器的直升机主减速器振动特征阈值设置方法，其特征在于，所述步骤2)具体实现方法如下：采用双隐含层BP神经网络构建观测器，将步骤1)中筛选之后的飞参发参作为神经网络的输入，振动特征作为神经网络的输出，隐含层节点个数公式为其中t为神经网络输入节点的个数，即为筛选出的飞参发参个数；l为神经网络输出节点的个数，即为振动特征的个数；n1、n2分别为第一隐含层和第二隐含层的节点个数；利用步骤1)中得到的飞参发参样本X2和振动特征样本Y1对神经网络进行训练。
4.根据权利要求1所述的基于观测器的直升机主减速器振动特征阈值设置方法，其特征在于，所述步骤3)具体如下：利用训练完成的双隐含层BP神经网络，将步骤1)中得到的飞参发参样本X2作为网络输入，得到振动特征的神经网络输出值，记为Y2，为n维列向量，将振动特征的网络输出值Y2和振动特征的实际值Y1做差值，得到正常状态下振动特征的残差样本向量Δ＝Y1-Y2。
5.根据权利要求1所述的基于观测器的直升机主减速器振动特征阈值设置方法，其特征在于：步骤4)中，计算Δ的均值μΔ和标准差σΔ，计算公式为根据k倍σ原则确定残差的阈值TΔ，k取值为3、4或5，计算公式为TΔ＝μΔ+3σΔ。
6.根据权利要求1所述的基于观测器的直升机主减速器振动特征阈值设置方法，其特征在于：所述步骤5)具体实现方法为：
X0是同一直升机主减速器在当前状态下按照飞参发参获取的实测数据矩阵，为m×t矩阵，其中t为满足相关性条件的飞参发参个数，m为样本量；将其作为步骤2)中已训练完成的双隐含层BP神经网络的输入，得到振动特征的神经网络输出值Y0，为m维向量；将Y0中的元素分别与残差阈值TΔ求和，最终得到m个时刻振动特征参数的自适应动态阈值T，计算公式为T＝Y0_i+TΔ(i＝1,2,Q,m)，其中Y0_i为Y0中的第i个元素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811518727.3A CN109670145A (zh) | 2018-12-12 | 2018-12-12 | 基于观测器的直升机主减速器振动特征阈值设置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811518727.3A CN109670145A (zh) | 2018-12-12 | 2018-12-12 | 基于观测器的直升机主减速器振动特征阈值设置方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109670145A true CN109670145A (zh) | 2019-04-23 |
Family
ID=66144347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811518727.3A Pending CN109670145A (zh) | 2018-12-12 | 2018-12-12 | 基于观测器的直升机主减速器振动特征阈值设置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109670145A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110697075A (zh) * | 2019-09-29 | 2020-01-17 | 中国直升机设计研究所 | 一种直升机hums振动阈值生成方法 |
| CN112001091A (zh) * | 2020-09-01 | 2020-11-27 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于直升机主减速器故障安全风险预警的方法 |
| CN112067289A (zh) * | 2020-08-21 | 2020-12-11 | 天津电气科学研究院有限公司 | 一种基于神经网络的电机轴及传动轴异常振动预警算法 |
| CN112084575A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种直升机振动数据的处理分析软件平台架构 |
| CN113283315A (zh) * | 2021-05-12 | 2021-08-20 | 中国航空工业集团公司上海航空测控技术研究所 | 一种多飞行状态直升机故障动态监测告警方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102483626A (zh) * | 2009-04-28 | 2012-05-30 | 空中客车运营有限公司 | 用于检测航空器系统性能中系统错误的残差的残差分析装置和方法 |
| CN103482081A (zh) * | 2012-06-06 | 2014-01-01 | 西蒙兹精密产品公司 | 在地面测试期间确定旋翼飞行器集体调整 |
| CN104713730A (zh) * | 2015-01-29 | 2015-06-17 | 西北工业大学 | 一种根据振动信号确定飞机发动机退化率的方法 |
| CN105376097A (zh) * | 2015-11-30 | 2016-03-02 | 沈阳工业大学 | 网络流量的一种混合预测方法 |
| CN107391442A (zh) * | 2017-07-14 | 2017-11-24 | 西安交通大学 | 一种增广线性模型及其应用方法 |
| CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
| CN108228977A (zh) * | 2017-12-14 | 2018-06-29 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于飞行状态参数的直升机振动特征折算方法 |
-
2018
- 2018-12-12 CN CN201811518727.3A patent/CN109670145A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102483626A (zh) * | 2009-04-28 | 2012-05-30 | 空中客车运营有限公司 | 用于检测航空器系统性能中系统错误的残差的残差分析装置和方法 |
| CN103482081A (zh) * | 2012-06-06 | 2014-01-01 | 西蒙兹精密产品公司 | 在地面测试期间确定旋翼飞行器集体调整 |
| CN104713730A (zh) * | 2015-01-29 | 2015-06-17 | 西北工业大学 | 一种根据振动信号确定飞机发动机退化率的方法 |
| CN105376097A (zh) * | 2015-11-30 | 2016-03-02 | 沈阳工业大学 | 网络流量的一种混合预测方法 |
| CN107391442A (zh) * | 2017-07-14 | 2017-11-24 | 西安交通大学 | 一种增广线性模型及其应用方法 |
| CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
| CN108228977A (zh) * | 2017-12-14 | 2018-06-29 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于飞行状态参数的直升机振动特征折算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张帅 等: "基于灰色神经网络组合模型的航空发动机磨损趋势预测", 《沈阳航空航天大学学报》 * |
| 蔡开龙 等: "基于改进LS-SVM的航空发动机传感器故障诊断与自适应重构控制", 《航空动力学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110697075A (zh) * | 2019-09-29 | 2020-01-17 | 中国直升机设计研究所 | 一种直升机hums振动阈值生成方法 |
| CN112084575A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种直升机振动数据的处理分析软件平台架构 |
| CN112067289A (zh) * | 2020-08-21 | 2020-12-11 | 天津电气科学研究院有限公司 | 一种基于神经网络的电机轴及传动轴异常振动预警算法 |
| CN112001091A (zh) * | 2020-09-01 | 2020-11-27 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于直升机主减速器故障安全风险预警的方法 |
| CN112001091B (zh) * | 2020-09-01 | 2022-08-30 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于直升机主减速器故障安全风险预警的方法 |
| CN113283315A (zh) * | 2021-05-12 | 2021-08-20 | 中国航空工业集团公司上海航空测控技术研究所 | 一种多飞行状态直升机故障动态监测告警方法 |
| CN113283315B (zh) * | 2021-05-12 | 2022-04-05 | 中国航空工业集团公司上海航空测控技术研究所 | 一种多飞行状态直升机故障动态监测告警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670145A (zh) | 基于观测器的直升机主减速器振动特征阈值设置方法 | |
| CN110428004B (zh) | 数据失衡下基于深度学习的机械零部件故障诊断方法 | |
| Nakai et al. | Machine-learning inference of fluid variables from data using reservoir computing | |
| CN109766921B (zh) | 一种基于深度领域自适应的振动数据故障分类方法 | |
| CN112887145B (zh) | 一种基于分布式的网络切片故障检测方法 | |
| CN109617888B (zh) | 一种基于神经网络的异常流量检测方法及系统 | |
| CN113361694A (zh) | 一种应用差分隐私保护的分层联邦学习方法及系统 | |
| CN111257934B (zh) | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 | |
| CN110533070A (zh) | 一种小样本下基于迁移原形网络的机械故障智能诊断方法 | |
| CN106778502A (zh) | 一种基于深度残差网络的人群计数方法 | |
| CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
| CN110222371A (zh) | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 | |
| CN115270867A (zh) | 一种燃气轮机转子系统改进dqn故障诊断方法及系统 | |
| CN115688288B (zh) | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 | |
| CN115013298A (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| CN113762527A (zh) | 一种数据处理方法、系统、存储介质及电子设备 | |
| CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
| CN109657725B (zh) | 一种基于复杂时空情境感知的服务质量预测方法及系统 | |
| CN107016440B (zh) | 机械传动故障的多分辨率深度神经网络智能诊断方法 | |
| CN108228977B (zh) | 一种基于飞行状态参数的直升机振动特征折算方法 | |
| CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
| Hu et al. | 3D radio map reconstruction based on generative adversarial networks under constrained aircraft trajectories | |
| CN109902807B (zh) | 一种基于循环神经网络的众核芯片分布式热建模方法 | |
| CN114580087B (zh) | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 | |
| CN113807501A (zh) | 基于改进粒子群算法的数据预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |
|
| RJ01 | Rejection of invention patent application after publication |