CN113050594B - 一种矢量喷管控制系统的多信息融合故障诊断方法及系统 - Google Patents

一种矢量喷管控制系统的多信息融合故障诊断方法及系统 Download PDF

Info

Publication number
CN113050594B
CN113050594B CN202110264216.9A CN202110264216A CN113050594B CN 113050594 B CN113050594 B CN 113050594B CN 202110264216 A CN202110264216 A CN 202110264216A CN 113050594 B CN113050594 B CN 113050594B
Authority
CN
China
Prior art keywords
information
fault
data set
factor
determining
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.)
Active
Application number
CN202110264216.9A
Other languages
English (en)
Other versions
CN113050594A (zh
Inventor
石健
张优优
乔雅静
王少萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Ningbo Institute of Innovation of Beihang University
Original Assignee
Beihang University
Ningbo Institute of Innovation of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University, Ningbo Institute of Innovation of Beihang University filed Critical Beihang University
Priority to CN202110264216.9A priority Critical patent/CN113050594B/zh
Publication of CN113050594A publication Critical patent/CN113050594A/zh
Application granted granted Critical
Publication of CN113050594B publication Critical patent/CN113050594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种矢量喷管控制系统的多信息融合故障诊断方法及系统。该方法包括：获取矢量喷管控制系统工作状态下的多源数据信息，并将所述多源数据信息划分为训练集与测试集；对所述训练集内的多源数据信息进行小波去噪处理，确定多源信息数据集；对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定多信息域的故障特征参数数据集；采用主成分分析法对所述故障特征参数数据集进行降维处理，确定主元数据集；基于所述主元数据集，利用D‑S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型。本发明能够提高故障诊断的准确率。

Description

一种矢量喷管控制系统的多信息融合故障诊断方法及系统
技术领域
本发明涉及航空发动机控制系统故障诊断领域，特别是涉及一种矢量喷管控制系统的多信息融合故障诊断方法及系统。
背景技术
矢量喷管控制系统作为航空发动机控制系统的一部分，由控制器、执行机构、传感器以及大量的电子元件共同组成，其既能给战斗机提供足够的推力，还能配合机身外部的气动力使得飞机完成偏航或者反推的功能，从而大大提高自身的机动性能，完成高难度动作。轴对称矢量喷管可向任意角度实现机动偏转，具备结构轻质，控制原理简单且技术相对成熟、风险低的优点。而且轴对称式对于发动机原有结构改动较小，因此应用轴对称矢量喷管的推力矢量技术是最佳的可行方案，逐步成为目前发动机设计的新研究方向。
然而高温高压的环境和复杂多变的工况是发动机运行过程中处于的常态。在实际运行过程中，控制系统失效的主要原因是执行机构和传感器的故障。这些典型元部件的失效将会对整个控制系统的运行造成较大的影响，甚至是致命的。相对于传统的固定喷管，矢量喷管的构造与控制装置更为复杂，多个矢量喷管作动筒输出之间存在耦合关系。如果出现故障一直保持在矢量工作状态，将有很大的危险性！
对于故障诊断而言，单一的信息源都是不确定且模糊的，仅仅采用单一信息对对象进行健康状态的判断都是不完整的。特别对于矢量喷管控制系统，其结构复杂、传感器的测量精度有限以及系统运行过程中存在噪声都会导致单一传感器在故障诊断过程中的准确率不高。
发明内容
本发明的目的是提供一种矢量喷管控制系统的多信息融合故障诊断方法及系统，以解决现有的单一传感器在故障诊断过程中的准确率低的问题。
为实现上述目的，本发明提供了如下方案：
一种矢量喷管控制系统的多信息融合故障诊断方法，所述矢量喷管控制系统包括多种类型的传感器，所述矢量喷管控制系统的多信息融合故障诊断方法包括：
获取矢量喷管控制系统工作状态下的多源数据信息，并将所述多源数据信息划分为训练集与测试集；所述工作状态包括正常状态以及故障状态，所述故障状态包括伺服阀磨损、作动筒磨损以及线性可变差动变压器LVDT位移传感器漂移；所述多源数据信息包括伺服阀电流信息、作动筒压力信息和LVDT位移传感器信息；
对所述训练集内的多源数据信息进行小波去噪处理，确定多源信息数据集；
对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定多信息域的故障特征参数数据集；所述故障特征参数数据集包括时域特征信息、频域特征信息以及时频域特征信息；
采用主成分分析法对所述故障特征参数数据集进行降维处理，确定主元数据集；所述主元数据集包括多个降维后的主元数据；并将所述降维后的主元数据作为D-S证据理论中的单个证据体信息；
基于所述主元数据集，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型。
可选的，所述对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定多信息域的故障特征参数数据集，具体包括：
从时域、频域以及时频域三个方面对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定时域特征、频域特征以及时频域特征；所述时域特征包括波形因子、波峰因子、脉冲因子、峭度因子和裕度因子；所述频域特征包括重心频率、均方频率以及频率方差；所述时频域特征包括小波包分解所述多源数据信息后的信号能量谱中各频带的能量百分比特征；
根据所述时域特征、所述频域特征以及所述时频域特征确定多信息域的故障特征参数数据集。
可选的，所述波形因子为
Figure BDA0002971325830000021
其中，S为波形因子，x(t)为所述多源信息数据集中的检测信号，t＝1,2,…,N，t为采集的信号序号，N为采集的信号总数；
所述波峰因子为
Figure BDA0002971325830000031
其中，C为波峰因子；
所述脉冲因子为
Figure BDA0002971325830000032
其中，I为脉冲因子；
所述峭度因子为
Figure BDA0002971325830000033
其中，K为峭度因子；
所述裕度因子为
Figure BDA0002971325830000034
其中，L为裕度因子。
可选的，所述重心频率为
Figure BDA0002971325830000035
其中，FC为重心频率，f为频率，s(f)为功率谱函数；
所述均方频率为
Figure BDA0002971325830000036
其中，MSF均方频率；
所述频率方差为
Figure BDA0002971325830000037
其中，VF为频率方差。
可选的，所述能量百分比特征为
Figure BDA0002971325830000038
其中，Di为小波包分解所述多源数据信息后的信号能量谱中各频带的能量百分比特征，E(j,i)为第j层上第i个节点的能量值。
可选的，所述采用主成分分析法对所述故障特征参数数据集进行降维处理，确定主元数据集，具体包括：
将所述故障特征参数数据集进行标准化处理，确定标准化处理后的矩阵；
求取所述标准化处理后的矩阵的协方差矩阵，确定所述协方差矩阵的特征向量和特征值；
对所述特征值从大到小排序，确定排序后的矩阵，并按照所述排序后的矩阵的排列顺序对所述特征向量重新排列，确定主元变换后的特征矩阵；
利用主元数据的方差贡献率确定主元数据的维数；
基于所述主元数据的维数，当方差贡献率不小于95％时，将所述主元变换后的特征矩阵中的前五行主元数据作为特征数据，确定主元数据矩阵；
根据所述主元数据矩阵以及所述故障特征参数数据集确定主元数据集。
可选的，所述基于所述主元数据集，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型，具体包括：
利用模糊C均值离散算法将所述主元数据集内的主元数据进行离散聚类，得到单个证据体对于每种故障状态的基本概率分配值；
基于所述基本概率分配值，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型。
一种矢量喷管控制系统的多信息融合故障诊断系统，所述矢量喷管控制系统包括多种类型的传感器，所述矢量喷管控制系统的多信息融合故障诊断系统包括：
多源数据信息获取及划分模块，用于获取矢量喷管控制系统工作状态下的多源数据信息，并将所述多源数据信息划分为训练集与测试集；所述工作状态包括正常状态以及故障状态，所述故障状态包括伺服阀磨损、作动筒磨损以及线性可变差动变压器LVDT位移传感器漂移；所述多源数据信息包括伺服阀电流信息、作动筒压力信息和LVDT位移传感器信息；
多源信息数据集确定模块，用于对所述训练集内的多源数据信息进行小波去噪处理，确定多源信息数据集；
多信息域的故障特征参数数据集确定模块，用于对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定多信息域的故障特征参数数据集；所述故障特征参数数据集包括时域特征信息、频域特征信息以及时频域特征信息；
主元数据集确定模块，用于采用主成分分析法对所述故障特征参数数据集进行降维处理，确定主元数据集；所述主元数据集包括多个降维后的主元数据；并将所述降维后的主元数据作为D-S证据理论中的单个证据体信息；
故障类型识别模块，用于基于所述主元数据集，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型。
可选的，所述多信息域的故障特征参数数据集确定模块，具体包括：
故障特征提取单元，用于从时域、频域以及时频域三个方面对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定时域特征、频域特征以及时频域特征；所述时域特征包括波形因子、波峰因子、脉冲因子、峭度因子和裕度因子；所述频域特征包括重心频率、均方频率以及频率方差；所述时频域特征包括小波包分解所述多源数据信息后的信号能量谱中各频带的能量百分比特征；
多信息域的故障特征参数数据集确定单元，用于根据所述时域特征、所述频域特征以及所述时频域特征确定多信息域的故障特征参数数据集。
可选的，所述波形因子为
Figure BDA0002971325830000051
其中，S为波形因子，x(t)为所述多源信息数据集中的检测信号，t＝1,2,…,N，t为采集的信号序号，N为采集的信号总数；
所述波峰因子为
Figure BDA0002971325830000052
其中，C为波峰因子；
所述脉冲因子为
Figure BDA0002971325830000053
其中，I为脉冲因子；
所述峭度因子为
Figure BDA0002971325830000054
其中，K为峭度因子；
所述裕度因子为
Figure BDA0002971325830000055
其中，L为裕度因子。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提出了一种矢量喷管控制系统的多信息融合故障诊断方法及系统，本发明针对矢量喷管控制系统的自身特点，设置多种类型的传感器，获取多源数据信息，利用D-S证据理论融合多维信息，增加了诊断信息的完备性，在较大程度上降低了故障的漏检率和虚警率，提高了故障诊断的准确率；同时，本发明采用主成分分析算法降低多传感器信息特征维数，加快故障分类的速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的矢量喷管控制系统的多信息融合故障诊断方法流程图；
图2为小波降噪前后信号示意图；
图3为主成分分析示意图；
图4为主成分方差贡献率图；
图5为故障诊断正确率分布图；
图6为本发明所提供的矢量喷管控制系统的多信息融合故障诊断系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种矢量喷管控制系统的多信息融合故障诊断方法及系统，能够提高故障诊断的准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的矢量喷管控制系统的多信息融合故障诊断方法流程图，如图1所示，一种矢量喷管控制系统的多信息融合故障诊断方法，所述矢量喷管控制系统包括多种类型的传感器，所述矢量喷管控制系统的多信息融合故障诊断方法包括：
步骤101：获取矢量喷管控制系统工作状态下的多源数据信息，并将所述多源数据信息划分为训练集与测试集；所述工作状态包括正常状态以及故障状态，所述故障状态包括伺服阀磨损、作动筒磨损以及线性可变差动变压器LVDT位移传感器漂移；所述多源数据信息包括伺服阀电流信息、作动筒压力信息和LVDT位移传感器信息。
步骤102：对所述训练集内的多源数据信息进行小波去噪处理，确定多源信息数据集。
步骤103：对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定多信息域的故障特征参数数据集；所述故障特征参数数据集包括时域特征信息、频域特征信息以及时频域特征信息。
所述步骤103具体包括：从时域、频域以及时频域三个方面对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定时域特征、频域特征以及时频域特征；所述时域特征包括波形因子、波峰因子、脉冲因子、峭度因子和裕度因子；所述频域特征包括重心频率、均方频率以及频率方差；所述时频域特征包括小波包分解所述多源数据信息后的信号能量谱中各频带的能量百分比特征；根据所述时域特征、所述频域特征以及所述时频域特征确定多信息域的故障特征参数数据集。
所述波形因子为
Figure BDA0002971325830000071
其中，S为波形因子，x(t)为所述多源信息数据集中的检测信号，t＝1,2,…,N，t为采集的信号序号，N为采集的信号总数；所述波峰因子为
Figure BDA0002971325830000072
其中，C为波峰因子；所述脉冲因子为
Figure BDA0002971325830000073
其中，I为脉冲因子；所述峭度因子为
Figure BDA0002971325830000081
其中，K为峭度因子；所述裕度因子为
Figure BDA0002971325830000082
其中，L为裕度因子。
所述重心频率为
Figure BDA0002971325830000083
其中，FC为重心频率，f为频率，s(f)为功率谱函数；所述均方频率为
Figure BDA0002971325830000084
其中，MSF均方频率；所述频率方差为
Figure BDA0002971325830000085
其中，VF为频率方差。
所述能量百分比特征为
Figure BDA0002971325830000086
其中，Di为小波包分解所述多源数据信息后的信号能量谱中各频带的能量百分比特征，E(j,i)为第j层上第i个节点的能量值。
步骤104：采用主成分分析法对所述故障特征参数数据集进行降维处理，确定主元数据集；所述主元数据集包括多个降维后的主元数据；并将所述降维后的主元数据作为D-S证据理论中的单个证据体信息。
所述步骤104具体包括：将所述故障特征参数数据集进行标准化处理，确定标准化处理后的矩阵；求取所述标准化处理后的矩阵的协方差矩阵，确定所述协方差矩阵的特征向量和特征值；对所述特征值从大到小排序，确定排序后的矩阵，并按照所述排序后的矩阵的排列顺序对所述特征向量重新排列，确定主元变换后的特征矩阵；利用主元数据的方差贡献率确定主元数据的维数；基于所述主元数据的维数，当方差贡献率不小于95％时，将所述主元变换后的特征矩阵中的前五行主元数据作为特征数据，确定主元数据矩阵；根据所述主元数据矩阵以及所述故障特征参数数据集确定主元数据集。
步骤105：基于所述主元数据集，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型。
所述步骤105具体包括：利用模糊C均值离散算法将所述主元数据集内的主元数据进行离散聚类，得到单个证据体对于每种故障状态的基本概率分配值；基于所述基本概率分配值，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型。
基于本发明所提供的矢量喷管控制系统的多信息融合故障诊断方法，作为本发明可选的一种实施方式，基于D-S证据理论的多信息融合故障诊断方法流程如下：
步骤一：获取矢量喷管控制系统多源数据信息。以矢量喷管A91作动回路的四种故障模式为诊断框架，即θ＝{F1，F2,F3,F4}，分别代表系统正常、伺服阀磨损、作动筒磨损和LVDT传感器漂移。当矢量喷管装置某一回路发生故障时，会影响自身的传感器信号的改变，同时对其耦合回路中的传感器信号也会造成影响，使得其他回路出现一定的故障特征。因此可以获取矢量喷管控制系统三个回路中对于故障状态存在较高的灵敏度的传感器信号，包括伺服阀电流信号(I1，I2，I3)、作动筒压力信号(P1，P2，P3)和LVDT位移传感器信号(X1，X2，X3)，共9维原始数据信息。将其分为训练集
Figure BDA0002971325830000091
和测试集
Figure BDA0002971325830000092
其中训练集A用于得到证据体对于每种故障模式的基本概率分配值，测试集B用于验证算法的可行性。
步骤二：对步骤一中获取的系统多源数据训练集A采用小波降噪处理，得到多源信息数据集A1，再进行特征提取，得到多信息域的故障特征参数数据集A2。在矢量喷管控制系统多个传感器信号采集环境中不可避免地会产生测量噪声，在噪声情况下，所获得监测信号的特征有可能无法反映系统的真实状态，存在较大的干扰，因此有必要在融合诊断前对训练集A的信号进行降噪处理。小波分析可以同时利用信号和噪声在时域和频域上的差异，实现更有效的信噪分离，所以本发明利用MATLAB软件中的小波工具箱对原始信号进行去噪，并选取dB4小波进行三层降噪，得到多源信息数据集
Figure BDA0002971325830000101
图2为小波降噪前后信号示意图。可以看出，小波变换降低了原始信号的噪声，大大提高了信噪比。
确定所需的多源信息数据集A1后，对每一种信息进行故障特征提取。当系统出现异于正常运行时的状态时，系统中可得到的各种信息量也会表现出一定的故障特性。本发明从时域、频域和时频域三个方面来提取信号特征。
提取的时域特征有五个，包括波形因子S、波峰因子C、脉冲因子I、峭度因子K和裕度因子L。计算公式如下，其中x(t)(t＝1,2,…,N)泛指数据集A1中的检测信号，N为采集的信号总数。
①波形因子S：
Figure BDA0002971325830000102
②波峰因子C：
Figure BDA0002971325830000103
③脉冲因子I：
Figure BDA0002971325830000104
④峭度因子K：
Figure BDA0002971325830000105
⑤裕度因子L：
Figure BDA0002971325830000106
对于信号而言，其频率结构往往也会由于故障的发生而出现变化，信号功率谱分析是最常用的分析方法之一。常见的基于功率谱分析的频域特征参数包括重心频率FC、均方频率MSF和频率方差VF，这三个无量纲参数对故障和缺陷比较敏感，将作为故障诊断特征。其中s(f)为功率谱函数。表示为：
Figure BDA0002971325830000111
其中F[]表示傅里叶变换，此处t＝1,2,...,N/2。频域特征计算公式如下：
⑥重心频率FC：
Figure BDA0002971325830000112
⑦均方频率MSF：
Figure BDA0002971325830000113
⑧频率方差VF：
Figure BDA0002971325830000114
时频域分析可以通过时间和频率两个坐标轴组成的相平面，进而获取在部分时域范围内信息的频率组成。本发明采用基于小波包分解的方法提取信号能量特征作为时频域特征，求解出不同分解尺度上的信号能量，根据信号特性和分析要求自适应地选择相应频带与信号频谱相匹配，将这些能量值按照尺度顺序排列成特征向量供分类使用，其具体计算公式为：
Figure BDA0002971325830000115
式中，E(j,i)表示j层上第i个节点的能量值，pv是小波变换系数，
Figure BDA0002971325830000116
表示范数的平方。本发明采用db4小波，进行三层分解，从低频到高频自适应地分为8个频带，即j＝3，i＝1,2,...,8。
⑨将小波包分解后信号能量谱中各频带的能量百分比特征Di作为故障诊断特征值。计算公式为：
Figure BDA0002971325830000121
综上可得到多源信息数据集A1中各个检测信号的16个特征。通过对采集的传感器信号进行时域、频域和时频域多个维度的分析，确定了多信息域的故障特征参数数据集
Figure BDA0002971325830000122
其中
Figure BDA0002971325830000123
Figure BDA0002971325830000124
Figure BDA0002971325830000125
Figure BDA0002971325830000126
Figure BDA0002971325830000127
Figure BDA0002971325830000128
Figure BDA0002971325830000129
Figure BDA00029713258300001210
Figure BDA00029713258300001211
其中，A91作动回路样本的部分特征信息见表1。
表1 A91作动回路部分样本信息表
Figure BDA00029713258300001212
Figure BDA0002971325830000131
步骤三：针对步骤二中获取的多信息域的故障特征参数数据集A2，采用主成分分析的方法降低多特征维数，得到主元数据集A3。在为故障分类选择特征时，为了尽可能包含更多的数据特征，在特征提取时每个传感器提取的维数是16，则9个矢量喷管控制系统的传感器的数据多达144个。但这样的后果是有时会增加计算的复杂度，选定的特征数量或多或少具有冗余特征，因此对特征数据进行压缩显得尤为重要。
图3为主成分分析示意图。主成分分析是一种用来降低数据集维数的统计分析方法，能够用几个较少的综合指标来代替原有的较多的指标。主成分分析运算过程相当于坐标系统的直交变换。具体算法如下：
①将故障特征参数数据集A2进行标准化处理，得到矩阵Z；
②求取矩阵Z的协方差矩阵M，得到协方差矩阵M的特征向量V和特征值D；
③对特征值D从大到小排序，得到矩阵DS，并按照DS排列顺序对特征向量V重新排列，得到VS；
④利用主元数据的方差贡献率来确定主元数据的维数k。为了尽可能多的包含原有数据特征，本发明设计的主成分方差贡献率不小于95％，即：
Figure BDA0002971325830000141
式中，dw和dr为矩阵DS中的元素，p为矩阵DS的维数，即p＝16。图4为主成分方差贡献率图。可以看出k＝5时贡献率能达到95％，即可以选择经过主元变换后的前五行主元数据作为特征数据，将该矩阵记为VS1。
⑤求取主元数据集A3，计算方法如下：
A3＝VS1A2
将降维后的主元数据集
Figure BDA0002971325830000142
作为D-S证据理论中的单个证据体信息。其中
Figure BDA0002971325830000143
Figure BDA0002971325830000144
Figure BDA0002971325830000145
Figure BDA0002971325830000146
Figure BDA0002971325830000147
Figure BDA0002971325830000148
Figure BDA0002971325830000149
Figure BDA00029713258300001410
Figure BDA00029713258300001411
步骤四：将步骤三中降维后获得的主元数据集A3利用D-S证据理论融合多个单证据体信息，得到最终的对于每种故障模式的概率分配值A6，依据最大概率准则的结果来识别故障类型，实现故障定位，得到诊断结论。
使用模糊C均值离散算法将主元数据A3进行离散聚类，得到单个证据体对于每种故障模式的基本概率分配值A4。模糊C均值算法主要是通过不间断地更新模糊隶属度函数和聚类中心点，直至寻找到最佳聚类中心为止，这样就完成各个样本点的类属以实现对样本集的自动分类，通过模糊C均值离散算法得到单个证据体的基本概率分配值，再利用D-S证据理论融合多个证据体信息，实现多信息融合诊断。
本发明方法主要将各个证据体分为3类，记为[I II III]，那么在训练样本中，就可以通过计算该数据属于某一类的个数进而得到该类数据与训练样本数据总数的比值，即设置为该系统处于该状态下属于某一类的基本概率分配值。由此得到当作动系统处于四种工作状态时各个证据体信息的基本概率分配值A4，具体如表2所示。
表2各个证据体信息的基本概率分配值表
Figure BDA0002971325830000151
D-S证据理论融合方法如下：
矢量喷管A91作动回路的四种故障模式θ＝{F1，F2,F3,F4}是识别框架，m:2θ→[0,1]为框架θ下的基本概率分配函数，满足∑m:2θ＝1，
Figure BDA0002971325830000152
则称由
Figure BDA0002971325830000153
所定义的函数Bel:2θ→[0,1]为θ下的信度函数，Pl:2θ→[0,1]为Bel的似真度函数。对于
Figure BDA0002971325830000154
[Bel(Fα),Pl(Fα)]称为Fα的信度区间。
设Bel1和Bel2为同一识别框架θ下的信度函数，m1和m2分别为对应的基本可信度分配函数，焦元分别为Fαy(y＝1,2,...,Y)和Gw(w＝1,2,...,W)，对数据进行归一化处理：
Figure BDA0002971325830000161
以表2中F3的一个测试样本(U1,U2,U3,U4,U5)＝(I1,I2,II3,III4,III5)为例，利用公式(17)对数据进行归一化处理，得出测试样本中每个证据体的概率分配值A5，结果如表3所示。
表3测试样本概率分配值表
Figure BDA0002971325830000162
根据Dempster组合规则进行数据融合，则
Figure BDA0002971325830000163
可采用上述融合方式对所有证据进行两两组合。对表3中的证据体的概率分配值A5进行信息融合，融合后的结果A6如表4所示。其中，I1&I2表示证据体I1与证据体I2融合，其他同理。
表4测试样本融合后概率分配值表
Figure BDA0002971325830000164
Figure BDA0002971325830000171
从表4中可以看出，通过D-S证据理论融合各个证据体后，分配给F3的概率值逐渐变大。当融合5个主元数据证据体后，其分配值为0.9771。依据最大概率准则的结果来识别该测试样本的故障类型为F3，即矢量喷管A91作动回路发生了作动筒磨损故障。诊断结果与测试故障状态保持一致，验证了算法的正确性。
图5为故障诊断正确率分布图。利用矢量喷管控制系统三个作动回路的多传感器信息进行融合后的故障特征完整性增强，诊断准确率达不低于97％，降低了误诊和虚警，能够很好地进行故障定位，及时排除故障，从而可在实际监测中提高发动机控制系统的维修性和保障能力。同利用单回路的多信息进行诊断相比，其正确率提高5％左右。可见对于类似存在耦合的系统而言，利用其耦合回路的信息进行交叉融合可进一步提高信息的完备性，提高算法分类能力。在利用作动回路单信息进行诊断时，其诊断正确率较低，对于系统整体的故障检测存在着缺陷，容易造成误诊或者虚警。由此可见，采用基于D-S证据理论的多信息融合技术对于设备故障诊断而言可以提高诊断能力，降低设备运行中的风险。
图6为本发明所提供的矢量喷管控制系统的多信息融合故障诊断系统结构图，如图6所示，一种矢量喷管控制系统的多信息融合故障诊断系统，所述矢量喷管控制系统包括多种类型的传感器，所述矢量喷管控制系统的多信息融合故障诊断系统包括：
多源数据信息获取及划分模块601，用于获取矢量喷管控制系统工作状态下的多源数据信息，并将所述多源数据信息划分为训练集与测试集；所述工作状态包括正常状态以及故障状态，所述故障状态包括伺服阀磨损、作动筒磨损以及线性可变差动变压器LVDT位移传感器漂移；所述多源数据信息包括伺服阀电流信息、作动筒压力信息和LVDT位移传感器信息。
多源信息数据集确定模块602，用于对所述训练集内的多源数据信息进行小波去噪处理，确定多源信息数据集。
多信息域的故障特征参数数据集确定模块603，用于对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定多信息域的故障特征参数数据集；所述故障特征参数数据集包括时域特征信息、频域特征信息以及时频域特征信息。
所述多信息域的故障特征参数数据集确定模块603，具体包括：故障特征提取单元，用于从时域、频域以及时频域三个方面对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定时域特征、频域特征以及时频域特征；所述时域特征包括波形因子、波峰因子、脉冲因子、峭度因子和裕度因子；所述频域特征包括重心频率、均方频率以及频率方差；所述时频域特征包括小波包分解所述多源数据信息后的信号能量谱中各频带的能量百分比特征；多信息域的故障特征参数数据集确定单元，用于根据所述时域特征、所述频域特征以及所述时频域特征确定多信息域的故障特征参数数据集。
主元数据集确定模块604，用于采用主成分分析法对所述故障特征参数数据集进行降维处理，确定主元数据集；所述主元数据集包括多个降维后的主元数据；并将所述降维后的主元数据作为D-S证据理论中的单个证据体信息。
故障类型识别模块605，用于基于所述主元数据集，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种矢量喷管控制系统的多信息融合故障诊断方法，其特征在于，所述矢量喷管控制系统包括多种类型的传感器，所述矢量喷管控制系统的多信息融合故障诊断方法包括：
获取矢量喷管控制系统工作状态下的多源数据信息，并将所述多源数据信息划分为训练集与测试集；所述工作状态包括正常状态以及故障状态，所述故障状态包括伺服阀磨损、作动筒磨损以及线性可变差动变压器LVDT位移传感器漂移；所述多源数据信息包括伺服阀电流信息、作动筒压力信息和LVDT位移传感器信息；
对所述训练集内的多源数据信息进行小波去噪处理，确定多源信息数据集；
对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定多信息域的故障特征参数数据集；所述故障特征参数数据集包括时域特征信息、频域特征信息以及时频域特征信息；
采用主成分分析法对所述故障特征参数数据集进行降维处理，确定主元数据集；所述主元数据集包括多个降维后的主元数据；并将所述降维后的主元数据作为D-S证据理论中的单个证据体信息；
基于所述主元数据集，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型；
所述基于所述主元数据集，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型，具体包括：
利用模糊C均值离散算法将所述主元数据集内的主元数据进行离散聚类，得到单个证据体对于每种故障状态的基本概率分配值；
基于所述基本概率分配值，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型。
2.根据权利要求1所述的矢量喷管控制系统的多信息融合故障诊断方法，其特征在于，所述对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定多信息域的故障特征参数数据集，具体包括：
从时域、频域以及时频域三个方面对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定时域特征、频域特征以及时频域特征；所述时域特征包括波形因子、波峰因子、脉冲因子、峭度因子和裕度因子；所述频域特征包括重心频率、均方频率以及频率方差；所述时频域特征包括小波包分解所述多源数据信息后的信号能量谱中各频带的能量百分比特征；
根据所述时域特征、所述频域特征以及所述时频域特征确定多信息域的故障特征参数数据集。
3.根据权利要求2所述的矢量喷管控制系统的多信息融合故障诊断方法，其特征在于，所述波形因子为
Figure FDA0003480280170000021
其中，S为波形因子，x(t)为所述多源信息数据集中的检测信号，t＝1,2,…,N，t为采集的信号序号，N为采集的信号总数；
所述波峰因子为
Figure FDA0003480280170000022
其中，C为波峰因子；
所述脉冲因子为
Figure FDA0003480280170000023
其中，I为脉冲因子；
所述峭度因子为
Figure FDA0003480280170000024
其中，K为峭度因子；
所述裕度因子为
Figure FDA0003480280170000025
其中，L为裕度因子。
4.根据权利要求2所述的矢量喷管控制系统的多信息融合故障诊断方法，其特征在于，所述重心频率为
Figure FDA0003480280170000026
其中，FC为重心频率，f为频率，s(f)为功率谱函数；
所述均方频率为
Figure FDA0003480280170000027
其中，MSF均方频率；
所述频率方差为
Figure FDA0003480280170000028
其中，VF为频率方差。
5.根据权利要求2所述的矢量喷管控制系统的多信息融合故障诊断方法，其特征在于，所述能量百分比特征为
Figure FDA0003480280170000029
其中，Di为小波包分解所述多源数据信息后的信号能量谱中各频带的能量百分比特征，E(j,i)为第j层上第i个节点的能量值。
6.根据权利要求1-5任一项所述的矢量喷管控制系统的多信息融合故障诊断方法，其特征在于，所述采用主成分分析法对所述故障特征参数数据集进行降维处理，确定主元数据集，具体包括：
将所述故障特征参数数据集进行标准化处理，确定标准化处理后的矩阵；
求取所述标准化处理后的矩阵的协方差矩阵，确定所述协方差矩阵的特征向量和特征值；
对所述特征值从大到小排序，确定排序后的矩阵，并按照所述排序后的矩阵的排列顺序对所述特征向量重新排列，确定主元变换后的特征矩阵；
利用主元数据的方差贡献率确定主元数据的维数；
基于所述主元数据的维数，当方差贡献率不小于95％时，将所述主元变换后的特征矩阵中的前五行主元数据作为特征数据，确定主元数据矩阵；
根据所述主元数据矩阵以及所述故障特征参数数据集确定主元数据集。
7.一种矢量喷管控制系统的多信息融合故障诊断系统，其特征在于，所述矢量喷管控制系统包括多种类型的传感器，所述矢量喷管控制系统的多信息融合故障诊断系统包括：
多源数据信息获取及划分模块，用于获取矢量喷管控制系统工作状态下的多源数据信息，并将所述多源数据信息划分为训练集与测试集；所述工作状态包括正常状态以及故障状态，所述故障状态包括伺服阀磨损、作动筒磨损以及线性可变差动变压器LVDT位移传感器漂移；所述多源数据信息包括伺服阀电流信息、作动筒压力信息和LVDT位移传感器信息；
多源信息数据集确定模块，用于对所述训练集内的多源数据信息进行小波去噪处理，确定多源信息数据集；
多信息域的故障特征参数数据集确定模块，用于对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定多信息域的故障特征参数数据集；所述故障特征参数数据集包括时域特征信息、频域特征信息以及时频域特征信息；
主元数据集确定模块，用于采用主成分分析法对所述故障特征参数数据集进行降维处理，确定主元数据集；所述主元数据集包括多个降维后的主元数据；并将所述降维后的主元数据作为D-S证据理论中的单个证据体信息；
故障类型识别模块，用于基于所述主元数据集，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型；所述基于所述主元数据集，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型，具体包括：利用模糊C均值离散算法将所述主元数据集内的主元数据进行离散聚类，得到单个证据体对于每种故障状态的基本概率分配值；基于所述基本概率分配值，利用D-S证据理论融合多个所述单证据体信息，确定对于每种所述故障状态的概率分配值，并依据最大概率准则识别故障类型。
8.根据权利要求7所述的矢量喷管控制系统的多信息融合故障诊断系统，其特征在于，所述多信息域的故障特征参数数据集确定模块，具体包括：
故障特征提取单元，用于从时域、频域以及时频域三个方面对所述多源信息数据集内每一种多源数据信息进行故障特征提取，确定时域特征、频域特征以及时频域特征；所述时域特征包括波形因子、波峰因子、脉冲因子、峭度因子和裕度因子；所述频域特征包括重心频率、均方频率以及频率方差；所述时频域特征包括小波包分解所述多源数据信息后的信号能量谱中各频带的能量百分比特征；
多信息域的故障特征参数数据集确定单元，用于根据所述时域特征、所述频域特征以及所述时频域特征确定多信息域的故障特征参数数据集。
9.根据权利要求8所述的矢量喷管控制系统的多信息融合故障诊断系统，其特征在于，所述波形因子为
Figure FDA0003480280170000041
其中，S为波形因子，x(t)为所述多源信息数据集中的检测信号，t＝1,2,…,N，t为采集的信号序号，N为采集的信号总数；
所述波峰因子为
Figure FDA0003480280170000042
其中，C为波峰因子；
所述脉冲因子为
Figure FDA0003480280170000043
其中，I为脉冲因子；
所述峭度因子为
Figure FDA0003480280170000044
其中，K为峭度因子；
所述裕度因子为
Figure FDA0003480280170000051
其中，L为裕度因子。
CN202110264216.9A 2021-03-11 2021-03-11 一种矢量喷管控制系统的多信息融合故障诊断方法及系统 Active CN113050594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110264216.9A CN113050594B (zh) 2021-03-11 2021-03-11 一种矢量喷管控制系统的多信息融合故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110264216.9A CN113050594B (zh) 2021-03-11 2021-03-11 一种矢量喷管控制系统的多信息融合故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113050594A CN113050594A (zh) 2021-06-29
CN113050594B true CN113050594B (zh) 2022-04-19

Family

ID=76511535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110264216.9A Active CN113050594B (zh) 2021-03-11 2021-03-11 一种矢量喷管控制系统的多信息融合故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113050594B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113552447A (zh) * 2021-07-27 2021-10-26 上海电机学院 一种基于随机森林的串联电弧故障检测方法
CN113689308A (zh) * 2021-08-05 2021-11-23 北京航空航天大学 基于动态模糊网络和多源信息融合的供电系统级故障诊断
CN115069156A (zh) * 2022-07-25 2022-09-20 深圳市麦瑞包装制品有限公司 一种杂质刮擦的环保材料加工用搅拌罐旋转机构控制方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726688A (zh) * 2009-09-17 2010-06-09 浙江大学 一种多数据源信息融合的电网故障诊断方法
CN102084794B (zh) * 2010-10-22 2013-03-06 华南农业大学 多传感器信息融合的作物病虫害早期检测方法及装置
CN102175282B (zh) * 2011-01-24 2012-07-25 长春工业大学 一种基于信息融合的离心式空气压缩机故障诊断方法
CN102797671A (zh) * 2011-05-25 2012-11-28 中国石油大学(北京) 一种往复压缩机的故障检测方法与装置
CN103196682B (zh) * 2013-03-21 2015-11-18 北京交通大学 基于d-s证据理论的信息融合的列车悬挂系统故障分离方法
EP3779779A1 (en) * 2014-08-04 2021-02-17 Ventana Medical Systems, Inc. Image analysis system using context features
CN104537220A (zh) * 2014-12-18 2015-04-22 华北电力大学（保定） 基于主元分析和d-s证据理论的故障诊断方法
CN104850867A (zh) * 2015-06-10 2015-08-19 中国人民武装警察部队工程大学 一种基于直觉模糊c均值聚类的目标识别方法
CN108332970A (zh) * 2017-11-17 2018-07-27 中国铁路总公司 一种基于ls-svm和d-s证据理论的轴承故障诊断方法
CN110208643A (zh) * 2019-04-28 2019-09-06 国网辽宁省电力有限公司电力科学研究院 一种基于pmu数据和故障录波数据的电网故障诊断方法
CN110297141A (zh) * 2019-07-01 2019-10-01 武汉大学 基于多层评估模型的故障定位方法及系统
CN110617960A (zh) * 2019-10-12 2019-12-27 华北电力大学 一种风电机组齿轮箱故障诊断方法及系统

Also Published As

Publication number Publication date
CN113050594A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113050594B (zh) 一种矢量喷管控制系统的多信息融合故障诊断方法及系统
CN104712542B (zh) 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法
US11669080B2 (en) Abnormality detection device, abnormality detection method, and program
WO2023123593A1 (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
Reddy et al. Anomaly detection and fault disambiguation in large flight data: A multi-modal deep auto-encoder approach
CN113469060A (zh) 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
KR101316486B1 (ko) 이상 검지 방법 및 시스템
CN113935406A (zh) 基于对抗流模型的机械设备无监督故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN112200244A (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN104596780B (zh) 一种动车组制动系统传感器故障的诊断方法
Wang et al. A combination of residual and long–short-term memory networks for bearing fault diagnosis based on time-series model analysis
CN105760839A (zh) 基于多特征流形学习与支持向量机的轴承故障诊断方法
CN115824519B (zh) 基于多传感器信息融合的阀门泄露故障综合诊断方法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN111751133B (zh) 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法
You et al. An efficient lightweight neural network using BiLSTM-SCN-CBAM with PCA-ICEEMDAN for diagnosing rolling bearing faults
Liao et al. Research on a rolling bearing fault detection method with wavelet convolution deep transfer learning
CN113609789A (zh) 一种基于时空特征并行提取的刀具磨损状态预测方法
Wang et al. A novel aircraft engine fault diagnostic and prognostic system based on SVM
Pan et al. A method for mechanical fault recognition with unseen classes via unsupervised convolutional adversarial auto-encoder
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
Zhong et al. An improved correlation-based anomaly detection approach for condition monitoring data of industrial equipment
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
Zhang et al. A multi-source information fusion fault diagnosis method for vectoring nozzle control system based on Bayesian network

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
GR01 Patent grant
GR01 Patent grant