基于遙測參數(shù)建模的無人飛行器發(fā)動機故障診斷

(青海民族大學 物理與電子信息工程學院，西寧 810007)

0 引言

隨著無人機技術(shù)的發(fā)展，現(xiàn)代無人機系統(tǒng)機載設(shè)備變得越來越復雜，在保障飛行安全、降低維護成本、提高無人機可用性方面，對故障診斷和維護方法提出了新的挑戰(zhàn)。提高安全性、可靠性和效率，降低無人機的使用和維護成本，始終受到用戶的密切關(guān)注。PHM技術(shù)可以對無人機的重要部件和系統(tǒng)進行全面的健康狀態(tài)監(jiān)測，是現(xiàn)代信息技術(shù)和人工智能技術(shù)在維護保障領(lǐng)域綜合利用的最新發(fā)展。通過為無人機系統(tǒng)提供新型健康管理解決方案，能夠預測系統(tǒng)故障概率并在下一段時間采取適當?shù)木S護措施，包括故障檢測和隔離、故障診斷、故障預測、健康管理和組件壽命跟蹤。無人機作為一個大型延遲復雜系統(tǒng)，只能通過遙測遙控數(shù)據(jù)來掌握飛機的狀態(tài)，如果不能及時預判，當故障真的發(fā)生時，就會無能為力。遙測遙控數(shù)據(jù)是掌握無人機系統(tǒng)健康狀態(tài)，預判和分析故障的重要手段，有時也是唯一的手段，更具有現(xiàn)實意義。

PHM技術(shù)是綜合測試與故障診斷等技術(shù)的新的發(fā)展。在無人機中應(yīng)用PHM技術(shù)，可以有效地實現(xiàn)對裝備關(guān)鍵部件及分系統(tǒng)的故障檢測、診斷、預測與評估，從而更有效地提無人機裝備保障水平。通過PHM技術(shù)研究，可以對無人機進行自我修復、任務(wù)降級或提前準備所需的維護資源，從而降低生命周期成本。

傳統(tǒng)的無人機等裝備維修過程采用的一般都是基于事件的維修或定期維修方式，這些維修方式顧名思義主要是根據(jù)裝備是否出現(xiàn)異?；蚬收系葐栴}來進行維修，或是根據(jù)裝備維修保障的有關(guān)規(guī)定定時維修。通常這種方式無法有效地根據(jù)裝備的實際使用運行情況進行有針對性的維修，造成了一定程度上的經(jīng)費、人員和時間的浪費，目前正逐漸被視情維修(即基于狀態(tài)的維修)方式所取代。而PHM技術(shù)作為視情維修的重要關(guān)鍵技術(shù)，通過實現(xiàn)深層次的故障診斷、預測與評估等功能，可以更高效地確保無人機裝備的安全性，并提高其經(jīng)濟性，從而引起了廣泛的關(guān)注。

無人機裝備的故障診斷技術(shù)是PHM技術(shù)的重要組成部分，目前一般包括以下幾種類型；1)基于知識的故障診斷方法。分為專家系統(tǒng)方法、模糊推理方法、故障樹方法等。該方法根據(jù)專家在長期工作實踐中積累起來的大量故障診斷經(jīng)驗和知識來反映對象運行特性從而解決故障診斷問題，并不依賴對象的精確數(shù)學模型[1]。但缺點是在一定程度的知識獲取方面面臨一些困難；2)基于模型的故障診斷方法。這種方法的特點主要是在裝備對象的觀察結(jié)果和信息基礎(chǔ)上，建立相應(yīng)的系統(tǒng)結(jié)構(gòu)和功能的數(shù)學模型，之后通過建立的精確數(shù)學模型來進行故障診斷[2-3]。但由于裝備對象一般都十分復雜，因此應(yīng)用該方法建模的難度較大；3)數(shù)據(jù)驅(qū)動的故障診斷方法。該方法的特點是主要以裝備運行過程的數(shù)據(jù)為基礎(chǔ)，通過對其進行分析處理來完成裝備的故障診斷，既不需要了解裝備的精確數(shù)學模型，也不需要了解故障診斷的知識，一般包括信號處理方法、機器學習方法等類型[4-6]。但也存在難以解析和解釋失敗等不足。目前，無人機故障診斷的重點研究對象是傳感器[7-8]，但是隨著技術(shù)的發(fā)展，飛控、電源、發(fā)動機等也得到了越來越多的重視[9-10]。

本文結(jié)合無人機工程的實際應(yīng)用要求，基于故障預測與健康管理(PHM)理論發(fā)展，在無人機裝備故障模式分析基礎(chǔ)上，研究遙測數(shù)據(jù)驅(qū)動的故障診斷方法，為實現(xiàn)無人機健康管理提供技術(shù)依據(jù)。

1 無人機發(fā)動機典型故障及模式分析

無人機系統(tǒng)的組成十分復雜，但作為一個飛行器，動力系統(tǒng)無疑是其中最重要的系統(tǒng)。發(fā)動機作為無人機系統(tǒng)的動力系統(tǒng)，是無人機正常飛行及工作的保證。

對某型無人機開展了故障模式分析，共總結(jié)了5大類的11種不同故障，故障的5大類型包括：怠速不穩(wěn)定或無法調(diào)整；高速工作不穩(wěn)定、失火或間斷點火；發(fā)動機過熱；震動嚴重，工作粗暴，排氣管冒煙；怠速正常，但不能加速。分別選取自故障發(fā)生時開始，持續(xù)一定時間內(nèi)的故障數(shù)據(jù)，參數(shù)具體包括發(fā)動機轉(zhuǎn)速、滑油壓力、汽缸溫度等。以故障1為例，故障數(shù)據(jù)的波動趨勢可以描述如下：滑油壓力波動較大，之后發(fā)動機轉(zhuǎn)速突然降低，抖動變大。如圖1所示。

圖1 無人機發(fā)動機故障案例

然后，對11種故障數(shù)據(jù)進行趨勢描述，別進行分類，如表1所示。

表1 發(fā)動機系統(tǒng)主要故障記錄表

2 基于遙測數(shù)據(jù)的無人機發(fā)動機故障診斷方法

本文主要研究粒子濾波、K-means聚類和MLP等3種基于數(shù)據(jù)的無人機發(fā)動機故障診斷方法。

2.1 粒子濾波故障診斷方法

粒子濾波法建立在蒙特卡洛方法基礎(chǔ)之上，是貝葉斯理論與隨機采樣方法結(jié)合的結(jié)果。該方法具有解決任意非線性、非高斯系統(tǒng)的濾波問題的能力。

粒子濾波方法使用狀態(tài)空間中的大量采樣點來對實際狀態(tài)的概率密度函數(shù)進行近似(這些采樣點即為“粒子”)。 在粒子數(shù)量增加之后，可以很好地近似獲得的概率密度函數(shù)，并且實現(xiàn)最佳貝葉斯估計的效果。該方法為每個粒子分配權(quán)重，使得由大量不同權(quán)重點組成的離散分布可以近似于連續(xù)分布，并且能夠跟蹤系統(tǒng)的多個模式的行為，因此可以利用該特點來實現(xiàn)在連續(xù)狀態(tài)和離散狀態(tài)估計中的。粒子濾波方法的主要不足，是粒子退化和跟蹤突變狀態(tài)的能力較差。

粒子濾波方法的描述如下：

2)連續(xù)重要性抽樣：k=1,...,N。隨機從建議分布分發(fā)函數(shù)中提取N個粒子：

xki～q(xki/xk-1i,yk) =p(xki/xk-1i),i= 1,2,...N

(1)

更新粒子權(quán)重并標準化權(quán)重：

(2)

(3)

4)輸出。狀態(tài)估計和方差估計分別如公式(4)～(5)所示：

(4)

(5)

5)如果k≤T(T為已知量測值y的個數(shù))，那么令k=k+1并返回步驟(2)。否則，退出過程。

2.2 K-means聚類診斷方法

給定一個聚類C={C1,C2,…Ck}，可以利用某個評分函數(shù)(如下式所示的平方差和評分函數(shù)sum of squared error, SSE)來評估其質(zhì)量：

(6)

目標是找到使得平方差和分數(shù)最小的聚類：

(7)

K-means聚類方法的主要思路，是采用一種貪心的迭代方法來找到使得式(1)最小的聚類，因此，它會收斂到局部最優(yōu)點而不是全局最優(yōu)點。

假設(shè)待分類的初始數(shù)據(jù)集(x1,x2, ...xn)，并且每個xi是包含原始數(shù)據(jù)的d個特征的n維向量，K-means聚類的目的就是，在給定分類組數(shù)k(k≤n)值的條件下，將原始數(shù)據(jù)分成k類，S={S1,S2,…,Sk}。

該方法的流程如圖2所示，主要步驟包括：首先，從樣本數(shù)據(jù)集C中隨機抽取k個元素作為k個簇的各個中心。其次，分別計算k個簇的其余要素與中心之間的差異度，并將這些要素放入差異度最低的集群中。之后，在聚類結(jié)果的基礎(chǔ)上，通過使用所有聚類要素的每個維度的算術(shù)平均值的方法重新計算k個簇的各個中心。下一步，根據(jù)所求得到的的中心再次對樣本數(shù)據(jù)集C中的所有要素進行聚類，計算準則函數(shù)，這一步驟需要重復進行，直到k個簇的各個中心不再發(fā)生新的變化(即判斷準則函數(shù)是否滿足閾值)。最后輸出結(jié)果即是k-means聚類結(jié)果。

圖2 K-Means算法流程圖

2.3 多層感知器(MLP)診斷方法

多層感知器(Multi-Layer Perception，MLP)是一種常見的基于神經(jīng)網(wǎng)絡(luò)的機器學習模型。該模型包括輸入層，一個或多個隱藏層和輸出層。神經(jīng)網(wǎng)絡(luò)為每個輸入分配權(quán)重，然后累積輸入并將其用于閾值函數(shù)。在訓練過程結(jié)束之后，神經(jīng)網(wǎng)絡(luò)可以針對輸入產(chǎn)生適當?shù)妮敵觥］斎?、輸出、隱藏層和節(jié)點的數(shù)量需要神經(jīng)網(wǎng)絡(luò)配置后確定?？梢愿鶕?jù)經(jīng)驗確定適當數(shù)量的節(jié)點和層，但應(yīng)準確確定網(wǎng)絡(luò)的輸入屬性。網(wǎng)絡(luò)的輸入和屬性在決策中起著重要作用。

多層感知器作為廣泛使用的機器學習模型，適合回歸和分類等類應(yīng)用。該模型的學習一般基于誤差函數(shù)梯度下降的原則，但有時可能會存在過擬合的現(xiàn)象。

圖3 多層感知器原理圖

圖3給出了多層感知器(MLP)的原理圖。輸入層包括：

ak=f(netk)k=1,2,...,l

(8)

(9)

隱藏層包括：

yj=f(netj)j=1,2,...,m

(10)

(11)

其中變換函數(shù)f(x)為連續(xù)、可導的單極性Sigmoid函數(shù)：

(12)

f′(x)=f(x)[1-f(x)]

(13)

多層感知神經(jīng)網(wǎng)絡(luò)訓練流程如圖4所示。MLP的功能特性表明它適用于故障診斷?？梢允褂梅聪騻鞑ミM行MLP訓練，最后獲得對應(yīng)于當前網(wǎng)絡(luò)權(quán)重的實際輸出。對于無人機等典型裝備(如發(fā)動機)，其故障診斷是基于故障特征的故障分類模型，以實現(xiàn)系統(tǒng)確定健康狀態(tài)，因此可以應(yīng)用MLP進行故障診斷。

圖4 多層感知神經(jīng)網(wǎng)絡(luò)訓練流程圖

3 仿真實驗和結(jié)果分析

3.1 試驗數(shù)據(jù)分析

針對某型無人機，圍繞表1所介紹的5大類11項故障，以飛行數(shù)據(jù)、測試數(shù)據(jù)等為基礎(chǔ)，形成了無人機發(fā)動機故障仿真實驗數(shù)據(jù)集，用于驗證本文提出的發(fā)動機故障診斷方法的效果。其中部分數(shù)據(jù)如圖5和圖6所示，分別為怠速不穩(wěn)定或無法調(diào)整、高速工作不穩(wěn)定與失火或間斷點火等故障的數(shù)據(jù)示意圖。

圖5 怠速不穩(wěn)定或無法調(diào)整故障數(shù)據(jù)示意圖

圖6 高速工作不穩(wěn)定與失火或間斷點火故障數(shù)據(jù)示意圖

3.2 聚類結(jié)果比較和分析

選取4種故障數(shù)據(jù)做聚類效果比較，在未知故障模式分類的前提下，用3種診斷方法進行聚類計算，將聚類結(jié)果與真實故障模式進行對照比較，計算平均絕對誤差(MAE)。

圖7 10次實驗平均絕對誤差結(jié)果

統(tǒng)計結(jié)果如表2所示。

表2 3種發(fā)動機診斷方法準確率結(jié)果

3.3 診斷結(jié)果比較和分析

通過故障識別準確度來進行診斷效果的評價。該指標定義如下：

(14)

故障識別準確度T能夠比較好地衡量故障診斷模型的精度。上式中，D為診斷樣本的總數(shù)，c指診斷的準確樣本總數(shù)。

選擇兩種故障數(shù)據(jù)作為比較對象，一種是突變故障，即故障的發(fā)生更隨機，趨勢與故障前的趨勢無關(guān)；另一種故障是逐漸演化的故障，即故障的發(fā)生是逐漸變化的，故障時間數(shù)據(jù)與以前的數(shù)據(jù)有一定的關(guān)系，通過以前的數(shù)據(jù)推斷出故障數(shù)據(jù)。在故障診斷方法中，趨勢數(shù)據(jù)用于粒子濾波，故障診斷類型的能力相對較弱。不同方法故障識別率的結(jié)果如表3所示。

表3 3種無人機發(fā)動機診斷方法準確率結(jié)果

通過分析，針對發(fā)動機第一和第二類故障，MLP具有最佳診斷結(jié)果；對于第三和第五類故障，K-Means表現(xiàn)最佳；對于第四類故障，粒子濾波方法更為適合。

根據(jù)表3和圖7可以看出，對于無人機發(fā)動機的突變故障的診斷，因為缺少趨勢數(shù)據(jù)的知識，或者趨勢數(shù)據(jù)的參考性不大，而粒子濾波對趨勢數(shù)據(jù)依賴較大，所以其診斷效果不及MLP和K-means聚類。而對于漸變故障來說，粒子濾波算法則能夠發(fā)揮其優(yōu)勢，得到3種方法最好的診斷結(jié)果。綜上，對于有一定變化趨勢的結(jié)果診斷，粒子濾波能夠較好發(fā)揮。

4 結(jié)論

本文分析研究了基于遙測數(shù)據(jù)的無人機典型故障模式和故障診斷方法，并對3種故障診斷模型的結(jié)果進行了對比分析，為無人機健康監(jiān)測和自主安全提供了應(yīng)用案例分析，具有較高的工程應(yīng)用價值。存在一些不足之處：當粒子濾波器應(yīng)用于實時系統(tǒng)時，粒子濾波方法的計算復雜度非常艱巨，如何在有限的計算時間內(nèi)滿足要求仍需深入研究。實際分析過程中要求計算結(jié)果必須收斂到真值，并且必須具有一定的收斂速度。因此，如何找到一種可靠的方法來檢測粒子濾波的收斂速度和收斂速度是至關(guān)重要的，這一理論研究需要進一步改進。