CN115859616A - 基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法 - Google Patents
基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法 Download PDFInfo
- Publication number
- CN115859616A CN115859616A CN202211526096.6A CN202211526096A CN115859616A CN 115859616 A CN115859616 A CN 115859616A CN 202211526096 A CN202211526096 A CN 202211526096A CN 115859616 A CN115859616 A CN 115859616A
- Authority
- CN
- China
- Prior art keywords
- model
- sensor
- fault
- matrix
- lssvm
- 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
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
一种基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,属于控制领域,要点是建立含有模型不确定性的航空发动机控制系统数学模型,根据所述航空发动机控制系统模型确定故障检测观测器;根据所述故障检测观测器确定误差系统;根据所述误差系统模型不确定性鲁棒性和故障敏感性确定的多目标约束条件求取观测器增益矩阵;根据所述故障检测观测器获得对模型不确定性鲁棒的残差;利用所得鲁棒性残差,基于鲸鱼算法优化LSSVM核函数参数和惩罚因子,建立最优航空发动机传感器故障诊断模型;根据所述诊断模型对故障检测观测器所得残差进行分类,效果是对微小故障的分类效果好,准确率高。
Description
技术领域
本发明属于自动控制领域,涉及一种航空发动机控制系统传感器的故障诊断方法。
背景技术
故障诊断技术广泛应用于现代航空系统中,如飞行控制系统和发动机健康管理系统等,航空发动机是飞机的核心部件,一旦发生故障很可能造成重大的人员伤亡和经济损失,因此研究航空发动机的故障诊断技术具有重大的现实意义和经济价值。基于观测器的故障诊断方法是检测故障的一类方法,该方法主要是通过构造原始系统观测器,产生冗余状态,将估计值与实际值进行作差,从而得到残差,最后通过有效的残差评价,判断系统是否有故障。当无故障发生时,在理想情况下,残差应该为零,但是由于建模误差、扰动和测量误差等的存在,导致在系统正常运行的情况下,可能残差也不为零,而是在一定范围内波动。故障诊断时,一般是设定检测阈值,将残差与阈值进行比较,从而判断是否发生故障。如果残差评价函数不在阈值的范围内,则说明系统发生故障;如果残差评价函数在阈值的范围内,说明系统是正常运行。但在现实情况中,早期故障的幅值很小,基于阈值的故障诊断方法通常检测不出故障的发生。而支持向量机SVM由于分类性能好,对样本数据量要求低,成功应用到故障诊断领域中,对微小故障能够得到高准确率的分类结果。原始SVM采用求解二次规划问题的方法,导致计算量非常大,其中最小二乘支持向量机LSSVM将二次规划问题转化为线性求解问题,不仅实现简单,而且具有分类和计算效率高等优点,得到广泛应用。
发明内容
为了解决目前基于模型的故障诊断方法易受模型不确定性影响及基于机器学习的故障诊断方法缺乏合适的样本输入问题,根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,包括如下步骤:
建立含有模型不确定性的航空发动机控制系统数学模型;
根据所述航空发动机控制系统数学模型确定故障检测观测器;
根据所述故障检测观测器确定误差系统,所得误差系统包括第一子系统和第二子系统;
根据所述误差系统模型不确定性、鲁棒性和故障敏感性,确定多目标约束条件,根据所述多目标约束条件,获取观测器增益矩阵;
根据所述故障检测观测器获取对模型不确定性鲁棒的残差;
根据所述模型不确定性鲁棒残差,初始化基于LSSVM的航空发动机传感器故障诊断模型的基本参数;
利用鲸鱼算法优化基于LSSVM的航空发动机传感器故障诊断模型的核函数参数和惩罚因子,获取最优航空发动机传感器故障诊断模型;
根据所述最优航空发动机传感器故障诊断模型,对所述故障检测观测器获得的残差进行故障分类,获取故障类型。
根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,所述航空发动机控制系统模型基于如下方式获取:
建立航空发动机控制系统的线性化状态空间模型,将所述状态空间模型离散化;
考虑干扰噪声和传感器故障,建立存在传感器故障时含有模型不确定性的航空发动机控制系统模型。
根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,所述航空发动机在地面最大状态时的状态空间模型为:
其中A、B、C分别表示系统矩阵、控制矩阵和输出矩阵;
根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,存在传感器故障时含有模型不确定性的航空发动机控制系统的模型,由公式(1)表示:
A,B,C,Dw,Dv和F是适当维数的已知矩阵,ΔA,ΔB,ΔC和ΔF是参数不确定性,ΔA,ΔB,ΔC和ΔF未知但有界,满足
ΔA=M1Δ1N1,ΔB=M2Δ2N2,ΔC=M3Δ3N3,ΔF=M4Δ4N4 (3)
根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,所述故障检测观测器,由公式(5)表示:
其中Ac=A-LC,Fd=F+ΔF;
所述误差系统包括第一子系统以及第二子系统,所述第一子系统由公式(7)表示,所述第二子系统由公式(8)表示:
根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,所述故障检测观测器满足以下多目标约束条件:
所述设计约束条件转化为求解如下线性矩阵不等式:
其中
nd=nw+nv+nx+nu,nw,nv,nx,nu表示系统矩阵的维度;
Ψx=Φx+∈1Nx TNx;
Ψy=Φy+∈2Ny TNy;
Ω=Θ+∈3VTV;
其中*表示对称项的转置,0在一个分块矩阵中表示适当维数的零矩阵,<0表示矩阵是负定的,不等式中标量0<α<1,γ1>0,β>0是事先给定的常数,P∈和/>是正定矩阵,/>是可逆矩阵,矩阵/>标量∈1>0,∈2>0和∈3>0是任意标量,γ2>0是待优化的参数。
根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,根据MATLAB中YALMIP工具箱求解出满足线性矩阵不等式(11)-(13)中γ2的最小可行解,同时得到矩阵P,Q,G和W,进而求得最优观测器矩阵增益L=G-1W。
根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,根据所述故障检测观测器获取对模型不确定性鲁棒的残差包括通过对航空发动机传感器控制系统的每一个传感器设置正常状态和故障状态两个标签,整个航空发动机控制系统共有2ny个标签,标签数字从1,2,…,2ny逐一递增,通过故障检测观测器对每个传感器对应状态标签生成已知数据量的残差。
根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,初始LSSVM基本参数航空发动机传感器故障诊断模型,从航空发动机控制系统模型正常输入输出空间中建立辨识模型,其函数表达式和约束条件为:
通过拉格朗日函数Lagrange优化,表达式为:
其中αk为拉格朗日乘子,根据KKT条件对公式(15)中的ω,b,ek,αk求偏导数并使其为0,消去变量ω和ek,将一个非线性优化问题转化为线性求解问题,具体公式如下:
其中P=[1,…,1]T,A=[α1,…,αk]T,Y=[y1,…,yk]T,I为单位矩阵;
最小二乘支持向量机LSSVM模型为:
其中yout(x)为模型预测输出,K(x,xk)为本发明选择的高斯径向基核函数,x为训练数据中的某一固定数据,xk为训练数据中的第k个数据;
所述最优航空发动机传感器故障诊断模型基于鲸鱼优化算法WOA对最小二乘支持向量机LSSVM模型的惩罚因子γ和核函数参数σ2进行寻优而得,以分类准确率作为适应度函数;
其中鲸鱼优化算法WOA优化LSSVM惩罚因子γ、核函数参数σ2和生成最优模型的具体步骤如下:
(6)初始化鲸鱼算法的种群规模、最大迭代次数、变量的个数和变量的上下限;
(7)随机初始化鲸群位置;
(8)计算种群中每个个体相应的适应度值并进行排序,从中选择最优解作为当前全局最优解,按照公式(19)-(26)进行位置更新;
假设当前的最优候选解是座头鲸猎物的目标位置,不属于当前最优候选解位置的鲸鱼将会不断更新自身的位置,试图向目标位置靠近,位置更新数学表达式为:
D=|CX*(t)-X(t)| (19)
X(t+1)=X*(t)-AD (20)
A=2ar1-a (21)
C=2r2 (22)
其中t为当前的迭代次数,tmax为最大迭代次数,X*(t)为当前最优解的位置向量,X(t)为当前解的位置向量,A和C分别为收敛系数向量和摆动系数向量,a的值随t的增加从2线性递减到0,r1和r2是[0,1]内的随机向量;
座头鲸攻击方式包括收缩包围猎物机制和螺旋式位置更新机制,两种攻击方式选择的概率都是50%,座头鲸通过两种攻击方式来更新自身的位置,位置更新数学表达式为:
其中D′=|X*(t)-X(t)|为第i头鲸鱼与猎物的距离,d为定义螺旋形状的常数,l为[-1,1]内的随机数,p为[0,1]内的随机数;
座头鲸在捕食猎物时随机搜索猎物而不再用目前找到的最佳目标位置来更新当前目标位置,位置更新数学表达式为:
D=|CXrand(t)-X(t)| (25)
X(t+1)=Xrand(t)-AD (26)
其中Xrand(t)为当前种群中选取的随机位置向量,当|A|≥1时,座头鲸将放弃向当前最优位置靠近而进行随机搜索,当|A|<1时,座头鲸将当前最优解的位置向量用于更新当前解的位置向量,并且根据p的值在收缩包围机制与螺旋式位置更新机制之间切换,最后达到最大迭代次数,从而终止算法;
(9)重复步骤(3),直到当前迭代次数与最大迭代次数相等,输出适应度最佳位置以及最小二乘支持向量机LSSVM模型两个参数γ和σ2;
(10)将寻优得到的惩罚因子γ和核函数参数σ2代入到最小二乘支持向量机LSSVM模型中,并导入训练数据进行训练得到所述最优航空发动机传感器故障诊断模型。
根据本申请一些实施例的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,根据所述最优航空发动机传感器故障诊断模型,对所述故障检测观测器获得的残差进行故障分类,获取故障类型,包括将故障检测观测器得到的残差输入优化后的航空发动机传感器故障诊断模型进行故障诊断,对所述航空发动机不同传感器故障模式下的残差进行故障分类,具体为:通过对航空发动机控制系统的每一个传感器设置正常状态和故障状态两个标签,第一个传感器正常状态标签为1,故障状态标签则为2,第二个传感器正常状态标签为3,故障状态标签则为4,第i个传感器正常状态标签为2i-1,故障状态标签则为2i+1,整个航空发动机控制系统共有2ny个标签,标签数字从1,2,…,2ny逐一递增,如果每个传感器对应的残差标签数字为奇数,则每个传感器工作正常,否则有传感器发生故障;其中,传感器故障定位策略具体为
其中l为故障标签对应的数字,S为对应故障传感器的编号。
有益效果:本发明主要是基于一种多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,能够实时生成鲁棒残差并对其进行多故障分类,实现了故障诊断的功能。
附图说明
图1为本发明实施流程图。
图2为鲸鱼优化算法流程图。
图3为本发明中传感器全故障模型数据的WOA-LSSVM、GA-LSSVM、PSO-LSSVM三种算法适应度效果对比图。
图4为本发明中传感器部分故障模型数据的WOA-LSSVM、GA-LSSVM、PSO-LSSVM三种算法适应度效果对比图。
图5为本发明中传感器全故障模型数据的WOA-LSSVM测试数据分类图。
图6为本发明中传感器部分故障模型数据的WOA-LSSVM测试数据分类图。
具体实施方式
下面通过参考附图详细描述本申请的实施例,所述实施例的示例在附图中示出,如图1所示,本发明提出一种多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,包括步骤如下:
步骤1:对航空发动机控制系统建立线性化模型,并考虑干扰噪声和传感器故障,可以得到如下形式的系统:
A,B,C,Dw,Dv和F是适当维数的已知矩阵。ΔA,ΔB,ΔC和ΔF是参数不确定性,它们是未知但有界的,满足
ΔA=M1Δ1N1,ΔB=M2Δ2N2,ΔC=M3Δ3N3,ΔF=M4Δ4N4 (3)
步骤2:针对上述系统设计故障检测观测器,使得到的残差信号对干扰、噪声和参数不确定性鲁棒,同时对故障保持足够的敏感性。采用故障检测观测器具体为:
其中Ac=A-LC,Fd=F+ΔF。
为了更方便地分析干扰鲁棒性和故障敏感性,将误差系统(6)拆分成如下两个子系统:
步骤3:为了使得到的残差信号对干扰、噪声和参数不确定性鲁棒,同时对故障保持足够的敏感性,多目标故障检测观测器的设计使系统需要满足以下条件,具体为:
上述多目标约束条件可以转化为求解如下线性矩阵不等式:
其中nd=nw+nv+nx+nu,nw,nv,nx,nu表示系统矩阵的维度,不具有具体数值,与仿真模型选取有关。
Ψx=Φx+∈1Nx TNx;
Ψy=Φy+∈2Ny TNy;
Ω=Θ+∈3VTV;
其中*表示对称项的转置,0在一个分块矩阵中表示适当维数的零矩阵,<0表示矩阵是负定的,不等式中标量0<α<1,γ1>0,β>0是事先给定的常数,和/>是正定矩阵,/>是可逆矩阵,矩阵/>标量∈1>0,∈2>0和∈3>0是任意标量,γ2>0是待优化的参数,可以基于MATLAB中YALMIP工具箱求解出满足线性矩阵不等式(11)-(13)的γ2的最小可行解,同时可以得到矩阵P,Q,G和W,进而可以求得最优观测器矩阵增益L=G-1W。
步骤4:根据所述故障检测观测器获得鲁棒性残差并分类,通过对航空发动机传感器控制系统的每一个传感器设置正常状态和故障状态两个标签,即整个控制系统共有2ny个标签,标签数字从1,2,…,2ny逐一递增。最后通过故障检测观测器对每个传感器对应状态标签生成已知数据量的残差,并在每个标签中随机选择已知数量的样本作为训练样本,余下样本作为测试样本,同时为提升模型训练的精度和收敛速度,需对上述样本进行归一化处理。
步骤5:根据所述初始LSSVM基本参数航空发动机传感器故障诊断模型,从航空发动机控制系统模型正常输入输出空间中建立辨识模型,其函数表达式和约束条件为:
拉格朗日函数Lagrange可以解决上述优化问题,具体表达式为:
其中αk为拉格朗日乘子,根据KKT条件对公式(15)中的ω,b,ek,αk求偏导数并使其为0,消去变量ω和ek,可以将一个非线性优化问题转化为线性求解问题,具体公式如下:
其中P=[1,…,1]T,A=[α1,…,αk]T,Y=[y1,…,yk]T,I为单位矩阵。
最小二乘支持向量机LSSVM是支持向量机SVM原理上的改进,具有求解速度快,泛化能力强等特点,具体模型为:
其中yout(x)为模型预测输出,K(x,xk)为本发明选择的高斯径向基核函数,x为训练数据中的某一固定数据,xk为训练数据中的第k个数据。
步骤6:根据所述适应度函数和最优航空发动机传感器模型,以分类准确率作为适应度函数且利用基于鲸鱼优化算法WOA对LSSVM模型的惩罚因子γ和核函数参数σ2进行寻优。
鲸鱼优化算法WOA是模拟自然界中座头鲸使用气泡网捕猎行为的一种新型元启发式优化算法。而鲸鱼的捕食行为主要分为以下三个部分:
一.包围猎物
座头鲸通过识别猎物的不同位置并包围它们。WOA算法假设当前的最优候选解是目标猎物位置或最接近最优的目标猎物位置,则其他个体将会不断更新自身的位置,试图向目标位置靠近,位置更新数学表达式为:
D=|CX*(t)-X(t)| (19)
X(t+1)=X*(t)-AD (20)
A=2ar1-a (21)
C=2r2 (22)
其中t为当前的迭代次数,tmax为最大迭代次数,X*(t)为当前最优解的位置向量,X(t)为当前解的位置向量,A和C分别为收敛系数向量和摆动系数向量,a的值随t的增加从2线性递减到0,r1和r2是[0,1]内的随机向量。
二.气泡攻击
座头鲸在攻击阶段有两种攻击方式可以选择,分别是收缩包围猎物机制和螺旋式位置更新机制,两种攻击方式选择的概率都是50%,通过两种方式来更新自身的位置,位置更新数学表达式为:
其中D′=|X*(t)-X(t)|为第i头鲸鱼与猎物的距离,d为定义螺旋形状的常数,l为[-1,1]内的随机数,p为[0,1]内的随机数。
三.搜索捕食
座头鲸在捕食猎物时,会随机搜索猎物而不再用目前找到的最佳目标位置来更新当前目标位置,为避免陷入局部最优问题,该算法会执行全局搜索,位置更新数学表达式为:
D=|CXrand(t)-X(t)| (25)
X(t+1)=Xrand(t)-AD (26)
其中Xrand(t)为当前种群中选取的随机位置向量,当|A|≥1时,座头鲸将放弃向当前最优位置靠近而进行随机搜索,当|A|<1时,座头鲸将当前最优解的位置向量用于更新当前解的位置向量,并且根据p的值,该算法可以在收缩包围机制与螺旋式位置更新机制之间切换。最后达到最大迭代次数,从而终止算法。
WOA优化LSSVM惩罚因子γ、核函数参数σ2和生成最优模型的具体步骤如下:
(1)初始化鲸鱼算法的种群规模、最大迭代次数、变量的个数和变量的上下限。
(2)随机初始化鲸群位置。
(3)计算种群中每个个体相应的适应度值并进行排序,从中选择最优解作为当前全局最优解,按照公式(19)-(26)进行位置更新。
(4)重复步骤(3),直到当前迭代次数与最大迭代次数相等,输出适应度最佳位置以及LSSVM两个参数γ和σ2。
(5)将寻优得到的惩罚因子γ和核函数参数σ2代入到LSSVM中,并导入训练数据进行训练得到最优模型。
步骤7:将故障检测观测器得到的残差与输入优化设计好的航空发动机传感器故障诊断模型进行故障诊断,对所述航空发动机不同传感器故障模式下的残差进行故障分类,具体为:
已知通过对航空发动机传感器控制系统的每一个传感器设置正常状态和故障状态两个标签,如第一个传感器正常状态标签为1,故障状态标签则为2,第二个传感器正常状态标签为3,故障状态标签则为4,即整个控制系统共有2ny个标签,标签数字从1,2,…,2ny逐一递增。
如果每个传感器对应的残差标签数字为奇数,则说明对应传感器工作正常,否则传感器发生故障。传感器故障定位策略具体为
其中l为故障标签对应的数字,S为对应故障传感器的编号。
根据所述方案,本发明针对一类航空发动机控制系统传感器故障,提出一种多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,基于故障检测观测器得到鲁棒的残差信号,使得残差信号对未知干扰鲁棒的同时对故障敏感,基于改进LSSVM对所得残差进行故障分类,对微小故障具有较高分类准确率,最后实现故障诊断功能。
在一种具体实施方式中,通过航空发动机模型阐述本发明的具体实施方式,在这种实例中,本发明通过对具体模型及模型参数进行详细说明,在这种具体实例中,所述基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,具体包括如下步骤:
步骤一:对航空发动机控制系统建立线性化模型,构造故障检测单元;
考虑某涡扇发动机为研究对象,该型发动机在地面(H=0km,Ma=0)最大状态时的状态空间模型为:
其中x(t)=[nhnlmfA8]T,u(t)=[mfA8]T,Δx=x-x0,Δu=u-u0,Δy=y-y0。nh、nl、mf、A8、/>分别为发动机高压转子转速、低压转子转速、主供油量、尾喷管喉部面积、压气机后总压、涡轮后总温,A、B、C分别为系统矩阵、控制矩阵和输出矩阵。
将连续模型(1)进行离散化并考虑干扰噪声和传感器故障,可以得到如下形式的系统:
其中和/>分别是状态向量,控制输入和测量输出。和/>分别是过程干扰和测量噪声,/>是传感器故障。A,B,C,Dw,Dv和F是适当维数的已知矩阵。ΔA,ΔB,ΔC和ΔF是参数不确定性,它们是未知但有界的,满足
ΔA=M1Δ1N1,ΔB=M2Δ2N2,ΔC=M3Δ3N3,ΔF=M4Δ4N4 (4)
步骤二:对步骤一的某涡扇发动机模型状态空间方程(1)使用离散欧拉一步法,采样时间为0.1s,转化为如(2)形式的离散模型,相应参数矩阵如下:
假定引入的传感器小幅值全故障为f(k)=[0.02 0.03 0.05 0.03]T。
假定引入的传感器小幅值部分故障为f(k)=[0.00 0.03 0.00 0.03]T。
步骤三:针对上述系统设计故障检测观测器,使得到的残差信号对干扰、噪声和参数不确定性鲁棒,同时对故障保持足够的敏感性。采用如下故障检测观测器:
其中Ac=A-LC,Fd=F+ΔF。
为了更方便地分析干扰鲁棒性和故障敏感性,将误差系统(7)拆分成如下两个子系统:
其中Bf=-LFd,Dx=[Dw -LDv ΔA -LΔC ΔB],Dy=[0 Dv ΔC0],dk=[wk vk xkuk]T。
设计观测器参数使系统需要满足以下条件:
其中
nd=nw+nv+nx+nu,nw,nv,nx,nu表示系统矩阵的维度;
Ψx=Φx+∈1Nx TNx;
Ψy=Φy+∈2Ny TNy;
Ω=Θ+∈3VTV;
其中*表示对称项的转置,0在一个分块矩阵中表示适当维数的零矩阵,<0表示矩阵是负定的,不等式中标量0<α<1,γ1>0,β>0是事先给定的常数,和/>是正定矩阵,/>是可逆矩阵,矩阵/>标量∈1>0,∈2>0和∈3>0是任意标量,γ2>0是待优化的参数,可以基于MATLAB中YALMIP工具箱求解出满足线性矩阵不等式(12)-(14)的γ2的最小可行解,同时可以得到矩阵P,Q,G和W,进而可以求得最优观测器矩阵增益L=G-1W。
令α=0.5,γ1=2,β=3.5,求解(12)、(13)和(14)不等式可以得到观测器增益矩阵L为:
步骤四:根据步骤二和步骤三条件可知,共有4个传感器,则分类标签为8个,其中标签1和2对应高压转子转速传感器,标签1代表该传感器工作正常,标签2代表该传感器发生故障,其余标签含义依次类推。传感器全故障和传感器部分故障的每个标签分别取30个样本,每个样本含有100个数据点。从每个标签的30个样本中随机选取13个作为训练样本,余下的17个作为测试样本。为提升模型训练的精度和收敛速度,需对上述样本进行归一化处理。
步骤五:初始化鲸鱼优化算法参数和LSSVM基本参数航空发动机传感器故障诊断模型。鲸鱼优化算法的种群规模为30,最大迭代次数为100,由于LSSVM需要优化惩罚因子γ和核函数参数σ2,即优化变量个数为2,上限值都是5000,下限值都是0.01。
从航空发动机控制系统模型正常输入输出空间中建立辨识模型,其函数表达式和约束条件为:
拉格朗日函数Lagrange可以解决上述优化问题,具体表达式为:
其中αk为拉格朗日乘子,根据KKT条件对公式(15)中的ω,b,ek,αk求偏导数并使其为0,消去变量ω和ek,可以将一个非线性优化问题转化为线性求解问题,具体公式如下:
其中P=[1,…,1]T,A=[α1,…,αk]T,Y=[y1,…,yk]T,I为单位矩阵。
最小二乘支持向量机LSSVM是支持向量机SVM原理上的改进,具有求解速度快,泛化能力强等特点,具体模型为:
其中yout(x)为模型预测输出,K(x,xk)为本发明选择的高斯径向基核函数,x为训练数据中的某一固定数据,xk为训练数据中的第k个数据。
步骤六:根据步骤四中训练样本和步骤五鲸鱼优化算法参数条件,训练LSSVM得到最优航空发动机传感器模型。以分类准确率作为适应度函数且利用基于鲸鱼优化算法WOA对LSSVM模型的惩罚因子γ和核函数参数σ2进行寻优。
鲸鱼优化算法WOA是模拟自然界中座头鲸使用气泡网捕猎行为的一种新型元启发式优化算法。而鲸鱼的捕食行为主要分为以下三个部分:
一.包围猎物
座头鲸通过识别猎物的不同位置并包围它们。WOA算法假设当前的最优候选解是目标猎物位置或最接近最优的目标猎物位置,则其他个体将会不断更新自身的位置,试图向目标位置靠近,位置更新数学表达式为:
D=|CX*(t)-X(t)| (19)
X(t+1)=X*(t)-AD (20)
A=2ar1-a (21)
C=2r2 (22)
其中t为当前的迭代次数,tmax为最大迭代次数,X*(t)为当前最优解的位置向量,X(t)为当前解的位置向量,A和C分别为收敛系数向量和摆动系数向量,a的值随t的增加从2线性递减到0,r1和r2是[0,1]内的随机向量。
二.气泡攻击
座头鲸在攻击阶段有两种攻击方式可以选择,分别是收缩包围猎物机制和螺旋式位置更新机制,两种攻击方式选择的概率都是50%,通过两种方式来更新自身的位置,位置更新数学表达式为:
其中D′=|X*(t)-X(t)|为第i头鲸鱼与猎物的距离,d为定义螺旋形状的常数,l为[-1,1]内的随机数,p为[0,1]内的随机数。
三.搜索捕食
座头鲸在捕食猎物时,会随机搜索猎物而不再用目前找到的最佳目标位置来更新当前目标位置,为避免陷入局部最优问题,该算法会执行全局搜索,位置更新数学表达式为:
D=|CXrand(t)-X(t)| (25)
X(t+1)=Xrand(t)-AD (26)
其中Xrand(t)为当前种群中选取的随机位置向量,当|A|≥1时,座头鲸将放弃向当前最优位置靠近而进行随机搜索,当|A|<1时,座头鲸将当前最优解的位置向量用于更新当前解的位置向量,并且根据p的值,该算法可以在收缩包围机制与螺旋式位置更新机制之间切换。最后达到最大迭代次数,从而终止算法。
WOA优化LSSVM惩罚因子γ、核函数参数σ2和生成最优模型的具体步骤如下:
(1)初始化鲸鱼算法的种群规模、最大迭代次数、变量的个数和变量的上下限。
(2)随机初始化鲸群位置。
(3)计算种群中每个个体相应的适应度值并进行排序,从中选择最优解作为当前全局最优解,按照公式(19)-(26)进行位置更新。
(4)重复步骤(3),直到当前迭代次数与最大迭代次数相等,输出适应度最佳位置以及LSSVM两个参数γ和σ2。
(5)将寻优得到的惩罚因子γ和核函数参数σ2代入到LSSVM中,并导入训练数据进行训练得到最优模型。
为测试本发明所提方法的故障检测性能,将GA-LSSVM、PSO-LSSVM和WOA-LSSVM运行20次对比实验,测试结果表1所示。
表1GA-LSSVM、PSO-LSSVM和WOA-LSSVM运行20次对比实验结果
从表1可知,使用GA、PSO和WOA三种算法优化LSSVM时,WOA对残差进行故障分类的效果比另外两种优化算法更好。此外当适应度曲线确定时,表示整体算法趋于收敛状态,从传感器全故障适应度曲线图3和传感器部分故障适应度曲线图4中可知,WOA优化算法分别在第3代和第2代时趋于收敛达到全局最优100%分类准确率,而另外两种算法则陷入了局部最优状态,此时WOA算法优化的两个参数分别为γ=352.4420,σ2=13.7078和γ=4468.7,σ2=14.8633。
步骤七:根据步骤四中测试样本和步骤六中最优航空发动机传感器模型进行故障诊断。
已知通过对航空发动机传感器控制系统的每一个传感器设置正常状态和故障状态两个标签,如第一个传感器正常状态标签为1,故障状态标签则为2,第二个传感器正常状态标签为3,故障状态标签则为4,即整个控制系统共有2ny个标签,标签数字从1,2,…,2ny逐一递增。
如果每个传感器对应的残差标签数字为奇数,则说明对应传感器工作正常,否则传感器发生故障。传感器故障定位策略具体为
其中l为故障标签对应的数字,S为对应故障传感器的编号。
根据上述故障定位策略,从图5中可知,所有传感器均检测出故障,从图6中可知,部分传感器检测出故障,编号为2和编号为4的传感器发生故障。
本发明属于控制领域,提供了一种航空发动机控制系统传感器故障的诊断方法,主要基于一种多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,通过改进LSSVM模型对观测器生成残差进行多目标故障分类实现故障诊断。本发明设计的多目标观测器所得到的增益矩阵L使得残差对未知干扰鲁棒的同时对故障敏感;改进LSSVM模型能够对微小故障得到较高准确率的故障分类,实现故障诊断功能,对故障幅值较小的早期故障进行故障诊断,具有重大意义。
Claims (10)
1.一种基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,其特征在于,包括如下步骤:
建立含有模型不确定性的航空发动机控制系统数学模型;
根据所述航空发动机控制系统数学模型确定故障检测观测器;
根据所述故障检测观测器确定误差系统,所得误差系统包括第一子系统和第二子系统;
根据所述误差系统模型不确定性、鲁棒性和故障敏感性,确定多目标约束条件,根据所述多目标约束条件,获取观测器增益矩阵;
根据所述故障检测观测器获取对模型不确定性鲁棒的残差;
根据所述模型不确定性鲁棒残差,初始化基于LSSVM的航空发动机传感器故障诊断模型的基本参数;
利用鲸鱼算法优化基于LSSVM的航空发动机传感器故障诊断模型的核函数参数和惩罚因子,获取最优航空发动机传感器故障诊断模型;
根据所述最优航空发动机传感器故障诊断模型,对所述故障检测观测器获得的残差进行故障分类,获取故障类型。
2.根据权利要求1所述的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,其特征在于,所述航空发动机控制系统模型基于如下方式获取:
建立航空发动机控制系统的线性化状态空间模型,将所述状态空间模型离散化;
考虑干扰噪声和传感器故障,建立存在传感器故障时含有模型不确定性的航空发动机控制系统模型。
4.根据权利要求2所述的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,其特征在于,存在传感器故障时含有模型不确定性的航空发动机控制系统的模型,由公式(1)表示:
A,B,C,Dw,Dv和F是适当维数的已知矩阵,ΔA,ΔB,ΔC和ΔF是参数不确定性,ΔA,ΔB,ΔC和ΔF未知但有界,满足
ΔA=M1Δ1N1,ΔB=M2Δ2B2,ΔC=M3Δ3N3,ΔF=M4Δ4N4 (3)
6.根据权利要求5所述的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,其特征在于,所述故障检测观测器满足以下多目标约束条件:
所述设计约束条件转化为求解如下线性矩阵不等式:
其中
nd=nw+nv+nx+nu,nw,nv,nx,nu表示系统矩阵的维度;
Ψx=Φx+∈1Nx TNx;
Ψy=Φy+∈2Ny TNy;
Ω=Θ+∈3VTV;
7.根据权利要求6所述的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,其特征在于,根据MATLAB中YALMIP工具箱求解出满足线性矩阵不等式(11)-(13)中γ2的最小可行解,同时得到矩阵P,Q,G和W,进而求得最优观测器矩阵增益L=G-1W。
8.根据权利要求1所述的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,其特征在于,根据所述故障检测观测器获取对模型不确定性鲁棒的残差包括通过对航空发动机传感器控制系统的每一个传感器设置正常状态和故障状态两个标签,整个航空发动机控制系统共有2ny个标签,标签数字从1,2,…,2ny逐一递增,通过故障检测观测器对每个传感器对应状态标签生成已知数据量的残差。
9.根据权利要求1所述的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,其特征在于,初始LSSVM基本参数航空发动机传感器故障诊断模型,从航空发动机控制系统模型正常输入输出空间中建立辨识模型,其函数表达式和约束条件为:
通过拉格朗日函数Lagrange优化,表达式为:
其中αk为拉格朗日乘子,根据KKT条件对公式(15)中的ω,b,ek,αk求偏导数并使其为0,消去变量ω和ek,将一个非线性优化问题转化为线性求解问题,具体公式如下:
其中P=[1,…,1]T,A=[α1,…,αk]T,Y=[y1,…,yk]T,I为单位矩阵;
最小二乘支持向量机LSSVM模型为:
其中yout(x)为模型预测输出,K(x,xk)为本发明选择的高斯径向基核函数,x为训练数据中的某一固定数据,xk为训练数据中的第k个数据;
所述最优航空发动机传感器故障诊断模型基于鲸鱼优化算法WOA对最小二乘支持向量机LSSVM模型的惩罚因子γ和核函数参数σ2进行寻优而得,以分类准确率作为适应度函数;
其中鲸鱼优化算法WOA优化LSSVM惩罚因子γ、核函数参数σ2和生成最优模型的具体步骤如下:
(1)初始化鲸鱼算法的种群规模、最大迭代次数、变量的个数和变量的上下限;
(2)随机初始化鲸群位置;
(3)计算种群中每个个体相应的适应度值并进行排序,从中选择最优解作为当前全局最优解,按照公式(19)-(26)进行位置更新;
假设当前的最优候选解是座头鲸猎物的目标位置,不属于当前最优候选解位置的鲸鱼将会不断更新自身的位置,试图向目标位置靠近,位置更新数学表达式为:
D=|CX*(t)-X(t)| (19)X(t+1)=X*(t)-AD (20)A=2ar1-a (21)C=2r2 (22)
其中t为当前的迭代次数,tmax为最大迭代次数,X*(t)为当前最优解的位置向量,X(t)为当前解的位置向量,A和C分别为收敛系数向量和摆动系数向量,a的值随t的增加从2线性递减到0,r1和r2是[0,1]内的随机向量;
座头鲸攻击方式包括收缩包围猎物机制和螺旋式位置更新机制,两种攻击方式选择的概率都是50%,座头鲸通过两种攻击方式来更新自身的位置,位置更新数学表达式为:
其中D′=|X*(t)-X(t)|为第i头鲸鱼与猎物的距离,d为定义螺旋形状的常数,l为[-1,1]内的随机数,p为[0,1]内的随机数;
座头鲸在捕食猎物时随机搜索猎物而不再用目前找到的最佳目标位置来更新当前目标位置,位置更新数学表达式为:
D=|CXrand(t)-X(t)| (25)X(t+1)=Xrand(t)-AD (26)
其中Xrand(t)为当前种群中选取的随机位置向量,当|A|≥1时,座头鲸将放弃向当前最优位置靠近而进行随机搜索,当|A|<1时,座头鲸将当前最优解的位置向量用于更新当前解的位置向量,并且根据p的值在收缩包围机制与螺旋式位置更新机制之间切换,最后达到最大迭代次数,从而终止算法;
(4)重复步骤(3),直到当前迭代次数与最大迭代次数相等,输出适应度最佳位置以及最小二乘支持向量机LSSVM模型两个参数γ和σ2;
(5)将寻优得到的惩罚因子γ和核函数参数σ2代入到最小二乘支持向量机LSSVM模型中,并导入训练数据进行训练得到所述最优航空发动机传感器故障诊断模型。
10.根据权利要求1所述的基于多目标故障检测观测器和改进LSSVM的航空发动机传感器故障诊断方法,其特征在于,根据所述最优航空发动机传感器故障诊断模型,对所述故障检测观测器获得的残差进行故障分类,获取故障类型,包括将故障检测观测器得到的残差输入优化后的航空发动机传感器故障诊断模型进行故障诊断,对所述航空发动机不同传感器故障模式下的残差进行故障分类,具体为:通过对航空发动机控制系统的每一个传感器设置正常状态和故障状态两个标签,第一个传感器正常状态标签为1,故障状态标签则为2,第二个传感器正常状态标签为3,故障状态标签则为4,第i个传感器正常状态标签为2i-1,故障状态标签则为2i+1,整个航空发动机控制系统共有2ny个标签,标签数字从1,2,…,2ny逐一递增,如果每个传感器对应的残差标签数字为奇数,则每个传感器工作正常,否则有传感器发生故障;其中,传感器故障定位策略具体为
其中l为故障标签对应的数字,S为对应故障传感器的编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211526096.6A CN115859616A (zh) | 2022-12-01 | 2022-12-01 | 基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211526096.6A CN115859616A (zh) | 2022-12-01 | 2022-12-01 | 基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115859616A true CN115859616A (zh) | 2023-03-28 |
Family
ID=85668594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211526096.6A Pending CN115859616A (zh) | 2022-12-01 | 2022-12-01 | 基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859616A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116799741A (zh) * | 2023-05-24 | 2023-09-22 | 华斗数字科技(上海)有限公司 | 一种基于斜率检测的精密设备短路监测保护方法及系统 |
CN116976030A (zh) * | 2023-08-03 | 2023-10-31 | 西南科技大学 | 一种航空发动机燃烧室旋流器优化设计方法 |
CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
-
2022
- 2022-12-01 CN CN202211526096.6A patent/CN115859616A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116799741A (zh) * | 2023-05-24 | 2023-09-22 | 华斗数字科技(上海)有限公司 | 一种基于斜率检测的精密设备短路监测保护方法及系统 |
CN116799741B (zh) * | 2023-05-24 | 2024-03-26 | 华斗数字科技(上海)有限公司 | 一种基于斜率检测的精密设备短路监测保护方法及系统 |
CN116976030A (zh) * | 2023-08-03 | 2023-10-31 | 西南科技大学 | 一种航空发动机燃烧室旋流器优化设计方法 |
CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
CN117074628B (zh) * | 2023-10-17 | 2024-01-09 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115859616A (zh) | 基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法 | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN112528564A (zh) | 一种基于稀疏贝叶斯学习的桥梁结构损伤识别方法 | |
CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN112231980B (zh) | 一种发动机寿命预测方法、存储介质及计算设备 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN112182954B (zh) | 一种基于lstm的流体仿真数据预测模型 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
Loboda et al. | A benchmarking analysis of a data-driven gas turbine diagnostic approach | |
Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
CN112633362B (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
Jiang et al. | Multi-objective optimal placement of sensors based on quantitative evaluation of fault diagnosability | |
Loboda et al. | Neural networks for gas turbine fault identification: multilayer perceptron or radial basis network? | |
Zhou et al. | An adaptive remaining useful life prediction model for aeroengine based on multi-angle similarity | |
Zhang | Data-driven and model-based methods with physics-guided machine learning for damage identification | |
Xing-yu et al. | Autoencoder-based fault diagnosis for grinding system | |
Sun et al. | A weighted LS-SVM approach for the identification of a class of nonlinear inverse systems | |
CN114462627A (zh) | 基于灰狼算法与支持向量机顶吹熔炼系统异常诊断方法 | |
Liu et al. | Multiple classification algorithm based on graph convolutional neural network for intrusion detection | |
CN115688229B (zh) | 基于深度学习的网壳结构最不利缺陷模态创建方法 | |
Guo | Sensor fault classification for bridge SHM using LSTM-based with 1D-CNN feature extraction | |
CN115580445B (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
Cui et al. | Weighted Semi-supervised Orthogonal Factor Analysis Model for Quality-Related Process Monitoring |
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 |