关键词：
大型客机液压系统
AMESim建模
故障诊断
数据不平衡
环境噪声
故障程度评估
摘要：
大型客机液压系统作为大型客机的核心组成部分,对于大型客机的安全稳定的运行以及飞行安全有着重要的意义。目前传统的大型客机液压系统故障诊断方法过于依赖人工经验。而现有的智能诊断方法在实际应用中存在故障数据采集困难,对故障处理人员的专业知识要求高,以及适用性较差等问题。本文考虑了某大型客机液压系统中存在的建模问题、多种不同故障模式下的故障诊断问题、故障数据获取困难情况下的数据不平衡故障诊断问题、在较高噪声环境下的智能故障诊断问题以及故障诊断中的故障程度评估问题,综合研究了大型客机液压系统的故障诊断问题,本文的主要内容如下:
大型客机液压系统的建模问题。采用AMESim进行了大型客机液压系统的建模,结合相关文献通过故障树分析的方式分析出了液压系统中常见的五种故障类型。这五类故障包括:液压泵内泄漏、液压油过滤器堵塞、溢流阀弹簧失效、作动器内泄漏以及油液污染。并分别对这五类故障进行了仿真,获取不同故障状态下的故障状态和正常状态信号,为后续的多种大型客机液压系统故障诊断方法打下基础。
大型客机液压系统的故障诊断方法研究问题。提出了一种基于CNN的故障诊断方法,考虑了CNN的超参数对于网络的影响并优化了相关参数,针对特征融合问题,提出了两种融合方案的一维CNN网络,一种融合三通道压力信息和流量信息;另一种融合了八通道信息进行故障诊断,效果表明后者的诊断准确率更高。考虑了不同的融合方式和融合位置对于故障诊断的准确率的影响,通过三种不同的融合方法,以及9种不同融合位置的分析,得出了最合适的融合位置和融合方式。最后对比了常见的故障分类方式发现该方法的准确率高,耗时短,且对硬件消耗并不大。
大型客机液压系统故障诊断中存在的数据不平衡问题。针对飞机液压系统故障诊断中存在的数据不平衡问题,提出了一种针对大型客机液压系统故障诊断的采用基于生成对抗神经网络(Generative Adversarial Networks,GAN)的数据生成模型。并设计了该网络模型的生成器结构和判别器结构,使其可以通过对抗生成适合飞机液压系统故障诊断的样本。采用GAN联合多种数据驱动故障分类方法来实现数据不平衡下的故障诊断,对生成数据模型的有效性进行分析。通过改变故障数据集和正常数据集的平衡系数(Balance Ratio,BR),实现数据从不平衡到平衡的过程。仿真结果表明采用GAN扩充故障数据集并增加BR后,各智能故障诊断方法的准确率都有所提升且诊断效果更佳。
在大型客机液压系统的实际工况下,往往充斥着大量的噪声。针对噪声环境下的诊断问题,提出一种基于EMD-LSTM的故障诊断方法。首先将采集到的信号进行经验模态分解,经过分解之后从中获取其相关的特征本征模态函数,之后通过主成分分析法进行降维,将这些信号中相关度高的IMFs进行选择,将这些不同的IMF作为输入,来训练LSTM神经网络。在本文中,共采用了三种LSTM网络内部结构来对比研究,仿真结果表明单元门循环(Gate Recurrent Unit,GRU)结构下的LSTM网络的诊断准确率更高。因而选择GRU作为LSTM的内部网络结构,针对GRU进行了噪声环境下的故障诊断研究,对比表明EMD-GRU方法在添加40dB白噪声的噪声环境下具备优秀的诊断效果,准确率仍可达到90%以上,是一种能有效抵抗大型客机液压系统环境噪声的故障诊断方法。
在大型客机液压系统的故障诊断中,不仅包含故障分类问题同时应当包含故障程度的评估问题。针对大型客机液压系统的故障评估问题,提出一种基于残差神经网络(Residual Neural Network,ResNet)和多任务学习(Multi-task Learning,MTL)的多任务目标网络结构,来实现大型客机液压系统的故障分类和故障程度评估。在这个过程中首先对上文中仿真的五类故障进行了进一步的分析,并人为划分出了各故障的三种故障程度。仿真中针对多任务学习下的故障程度评估,对三个相关性高的参数进行了优化并选出最佳参数。之后获取了故障程度评估的结果,该方法的故障分类准确率达到99.56%,故障程度评估的准确率也达到98.33%。并对多种不同算法和多种多任务学习模型进行了对比研究,对比结果表明该方法的优越性。
本文综合考虑了大型客机液压系统的模型建立问题、故障诊断问题、数据不平衡问题、噪声环境问题以及故障程度评价问题。在研究现有的大型客机液压系统故障诊断方法的基础上,基于多种不同的深度网络学习模型,提出了解决上述问题的方法。并对对应的故障诊断方法进行了设计、仿真、优化、验证和分析,结果表明了所提出方法的有效性。为解决某大型客机液压系统故障诊断中存在的问题提出了一种可行的解决方案。
