基于飞参数据的大气数据计算机系统故障诊断*
2017-03-31邸亚洲姚凌虹
邸亚洲 姚凌虹
(海军航空工程学院青岛校区 青岛 266041)
基于飞参数据的大气数据计算机系统故障诊断*
邸亚洲 姚凌虹
(海军航空工程学院青岛校区 青岛 266041)
针对大气数据计算机系统的输出记录通道故障诊断具有复杂性的特点以及人工诊断存在耗时耗力的问题,论文采用LS-SVR方法,充分利用飞参数据,实现输出记录通道的性能监测、故障诊断。仿真结果表明该方法的有效性,可以推广到飞参系统交联设备的性能监测、故障诊断。
飞参数据; 最小二乘支持向量; 故障诊断
Class Number TP391
1 引言
大气数据计算机系统是现代飞机不可缺少的机载设备,它为机载火控系统、导航系统、飞行控制系统以及综合显示系统等提供所需的大气数据信息,其性能的好坏不仅直接关系到对大气数据的准确检测和指示,而且还影响飞行任务的完成及飞行的安全[1~5]。大气数据计算机系统是与飞参系统相交联的主要机载设备[6~7]。飞参系统记录记录着与其相交联的所有设备的信息,包括大气数据计算机系统、发动机、机载设备等信息,这些信息被称为飞参数据。因此,利用飞参数据对交联设备及系统进行性能监测、故障诊断和预报具有重要的意义,可以辅助机务维修。
LS-SVR函数拟合性能优秀,且泛化能力好[8~10],
因此被广泛应用于设备的故障诊断。本文采用LS-SVR方法,利用飞参数据对大气数据计算机系统的输出记录通道进行了故障诊断
2 最小二乘支持向量回归机LS-SVR算法
考虑一个训练集{xi,yi},i=1,…,n,xi∈Rd,yi∈R支持向量机的目标是构造一个判别函数
f(x)=wTφ(x)+b
(1)
式中非线性映射φ(x)将输入数据映射到高维空间,该判别函数使得f(x)以精度ε逼近样本x对应的函数值y。即
(2)
(3)
最小二乘支持向量机回归算法目的是求解优化问题:
(4)
满足约束条件
yk=wTφ(xk)+b+ξk,k=1,2,…,N
(5)
其对偶问题的拉格朗日函数可定义为
+b+ξk-yk}
(6)
其中,拉格朗日乘子αk∈R。最优解的条件为L对w,b,ξk,αk的偏导数等于0,消去变量w,ξ,可得到下列矩阵方程:
(7)
(8)
3 基于LS-SVR的大气数据参数拟合算法
某型飞参系统记录了来自于大气数据计算机系统的气压高度(H)、指示空速(Vi)和马赫数(M)三个大气数据参数,这三个大气参数与样本静压(Ps)、样本动压(Pt)之间的数学表达式是明确的,可以通过基于解析模型的方法进行故障诊断。但是利用公式进行计算工作量大,面对每天多架次飞行记录大量的飞参数据,需要很长的计算、判断时间,影响飞行训练任务完成。支持向量机函数拟合性能优秀,且泛化能力好,经过训练后可用于大气数据计算机系统输出记录通道的性能监测和故障诊断。
利用三个大气参数的数学表达式产生训练样本和测试样本,样本静压(Ps)范围:6000Pa~106000Pa;动压(qc)范围:0Pa~50000Pa,计算生成的气压高度(H)范围:-382m~19420m,指示空速(Vi):0km/h~955km/h,能够满足某型飞机大气数据参数测试、诊断的需要。其中部分训练样本数据如表1所示。将气压高度(H)和指示空速(Vi)作为输入,马赫数(M)作为输出,分别利用LS-SVR和BP-NN在Matlab环境下进行仿真。LS-SVR选用高斯核作为核函数,采用交叉验证法对参数进行优化处理,优化后核函数参数σ2=9.855,系数C=9818.5。随机选用测试样本进行测试,图1、2是一组数据的仿真测试结果。其中,图1是马赫数预测与理论值对比关系三维仿真图,图2是马赫数预测误差曲线图,其残差最大值为0.0033,残差的平均值为6.6019×10-4,标准差为9.1583×10-7,重复性好,具有很好的泛化能力。BP-NN采用三层网络,隐层的神经元数为5,变换函数为tansig,输出层的神经元数为1,采用purelin型线性神经元,目标函数采用误差平方和的均值,网络训练后,选用与LS-SVR相同的测试样本进行测试,测试结果具有不稳定性。选用一组较为理想的测试结果:残差最大值为0.0058;残差的平均值为8.4353×10-4;标准差为2.1962×10-6,拟合效果较好,但各项指标均低于LS-SVR,特别是重复性、泛化能力较差。
表1 部分训练样本数据
4 基于LS-SVR的大气数据参数通道的故障诊断
图1 基于LS-SVR马赫数预测与理论值对比关系三维图
图2 基于LS-SVR马赫数预测误差曲线图
在该组数据的第5、10、15、20、25、30位上分别插入异常值(M=1.5)并进行测试,其残差明显大于正常值,如表2所示。说明利用LS-SVR可以有效判断异常数据,进而判断相关通道的干扰噪声误差或故障。
假设残差error(i)≥0.01为超差,说明通道干扰噪声误差过大;残差error(i)≥0.05为异常值,可能存在瞬间强干扰、记录介质损坏、连接电缆故障或设备故障等。因此,当0.01≤error(i)≤0.05时,应进行通道电缆、接插件检查,特别注意线路的屏蔽性检查;当error(i)≥0.05时,若异常值连续存在时间短(如1秒钟),则瞬间强干扰或记录器误码的概率较高,可以视情在数据预处理时剔除、补正,若异常值连续出现,则连接电缆或设备故障的概率较高,应结合飞行员在空中发现情况综合处置,有针对性地进行设备性能检查和连接电缆检查。以此为依据可以判断前面加入异常值的测试数据在第5、10、15、20、25、30位存在异常值。
表2 部分测试数据残差
利用训练好的LS-SVR预测模型对某型飞机飞参系统记录的飞参数据的三个通道数据进行测试,分别选取三个架次的飞参数据作为测试对象。图3、4分别是第一组飞参数据中马赫数与预测结果对比关系和误差曲线图;图5是第二组飞参数据中气压高度、指示空速、马赫数曲线图;图6是第二组飞参数据中马赫数与预测结果对比关系和误差曲线图;图7是第三组飞参数据中气压高度、指示空速、马赫数曲线图;图8是第三组飞参数据中马赫数与与预测结果对比关系和误差曲线图。
第一组飞参数据是某架次正常飞行数据,从图3和图4可以看出,来自大气数据计算机系统的高度、指示空速、马赫数三个参数基本上与预测值是吻合的。统计其残差最大值为0.0089(<0.01);残差的平均值为0.0024;标准差为8.0010×10-6。精度比理想输出稍差,误差主要来自于马赫数的传输、记录精度,从图中局部放大图可以看出马赫数在幅值上的最小间隔为0.01,误差绝大部分集中在±0.005之间。
第二组飞参数据为受环境噪声污染的飞行数据,若单独从气压高度曲线(图5(a))、指示空速曲线(图5(b))和马赫数曲线(图5(c))进行分析,很难判断出飞行数据受到了环境噪声污染,从而失去进行故障诊断和排除的机会,但从图6所示的飞参数据中记录的马赫数与预测结果对比关系和误差曲线图很容易判断出飞参数据的异常情况,统计其残差最大值为0.0192;残差的平均值为0.0028;标准差为1.2034×10-5,远比正常情况下偏大,且0.01<[max(error(i))=0.0192]<0.05,部分超差如表3所示,根据统计结果可以有针对性地进行连接电缆、接插件的检查,从而避免情况进一步恶化。
第三组飞参数据选自大气数据计算机系统空中短时间报故的飞行数据,从气压高度曲线(图7(a))、指示空速曲线(图7(b))和马赫数曲线(图7(c))可以明显看出该组飞参数据的三个通道在655s~659s同时存在异常值,与飞行员反映情况基本吻合。从图8所示的飞参数据中记录的马赫数与预测结果对比关系和误差曲线图也很容易判断出飞参数据的异常情况,统计其残差最大值为0.3375;残差的平均值为0.0032;标准差为2.4908×10-4,且[max(error(i))=0.3375]>0.1,说明飞参数据中存在反映通道故障的异常值,统计异常值连续5s(区间为655s~659s),残差均为0.3375。结合图7中大气数据三个通道同时出现连续5s的异常值以及飞行员反映的空中情况可以判断大气数据计算机设备曾经出现过异常,并及时地进行设备性能检查。
图3 马赫数预测与记录值比较关系图
表3 第二组飞参数据部分超差值
图4 马赫数误差曲线图
图5 第二组飞参数据气压高度、指示空速、马赫数曲线图
图6 第二组飞参数据马赫数与预测结果比较关系和误差
图7 第三组飞参数据气压高度、指示空速、马赫数曲线图
图8 第三组飞参数据马赫数与预测结果比较关系和误差曲线
5 结语
本文利用飞参数据对与飞参系统相交联的大气数据计算机系统的输出记录通道进行了故障诊断。在故障诊断的时候采用了最小二乘支持向量机,仿真结果表明在较少故障样本的前提下,LS-SVR方法在机载设备故障诊断与预报中的有效性。同时本文的思路也可以推广到飞参系统交联设备的性能监测、故障诊断和预报中。
[1] 邸亚洲,秦永元,尚希良,等.基于多项式回归算法的飞参记录数据预处理研究[J].测控技术,2008,27(4):21-22. DI Yazhou, QIN Yongyuan, SHANG Xiliang, et al. Research on Data Pre-Processing of Flight Data Recorder System Based on Polynomial Regression[J]. Measurement & Control Technology,2008,27(4):21-22.
[2] 曲建岭,唐昌盛,李万泉.飞参数据的应用研究现状及发展趋势[J].计测技术,2007,27(6):1-4. QU Jianling, TANG Changsheng, LI Wanquan. The Status and Development Trends of the Application of the Flight Data[J]. Metrology & Measurement Technology,2007,27(6):1-4.
[3] 郑凯仪.我国飞行数据记录设备概况[J].测控技术,1995,14(2):19-23. ZHENG Kaiyi. A Survey of Chinese Aircraft Flight Data Recording Equipment[J]. Measurement & Control Technology,1995,14(2):19-23.
[4] 曲建岭,孙文柱,邸亚洲,等.基于飞参数据的某型航空发动机DEGT估算方法[J].测控技术,2013,32(10):48-51. QU Jianling, SUN Wenzhu, DI Yazhou, et al. Estimation Method on Delta Exhausted Gas Temperature of a Certain Aero-Engine Based on Flight Data[J]. Measurement & Control Technology,2013,32(10):48-51.
[5] 邸亚洲,尚希良,殷磊.样条插值在飞参数据时间标校中的应用[J].测控技术,2009,28(10):44-45. DI Yazhou, SHANG Xiliang, YIN Lei. Application of Spline Interpolation on Time Calibration of Flight Data[J]. Measurement & Control Technology,2009,28(10):44-45.
[6] 马存宝,刘桂荣,周建民,等.大气数据计算机系统故障诊断研究[J].机械与电子,2011,2:3-6. MA Cunbao, LIU Guirong, ZHOU Jianmin, et al. Research on the Fault Diagnosis of Model to the Air Data Computer System[J]. Machinery & Electronics,2011,2:3-6.
[7] 肖建德.大气数据计算机系统[M].北京:国防工业出版社,2002. XIAO Jiande. Air Data Computer System[M]. Beijing: National Defence Industry Press,2002.
[8] HSU C W, LIN C J. A comparison of methods for multi 2 class support vector machines[J]. IEEE Transactions on NeuralNetworks,2002,13(3):415-425.
[9] Suykens JAK, Lukas L. Least squares support vector machine classifiers: a large scale algorithm[C]//Proc. of the European Conference on Circuit Theory and Design(ECCTD99). Stresa, Italy,1999:839-842.
[10] 孙超英,刘鲁,刘传武,等.基于Boosting-SVM算法的航空发动机故障诊断[J].航空动力学报,2010,25(11):84-88. SUN Chaoying, LIU Lu, LIU Chuanwu, et al. Aero-engine Fault Diagnosis Based on Boosting-SVM[J]. Journal of Aerospace Power,2010,25(11):84-88.
Fault Diagnosis for Air Data Computer System Based on Flight Data
DI Yazhou YAO Linghong
(Qingdao Branch, Naval Aeronautical Engineering Academy, Qingdao 266041)
According to the complexity of fault diagnosis of the output-record channel of air data computer system and the time-consuming problem of artificial diagnosis, this paper presents LS-SVR method based on flight data. The performance monitoring and fault diagnosis of output-record channel can be achived. The simulation results show that the presented method is effective and it can be adopted to the performance monitoring and fault diagnosis of other devices related to flight data system.
flight data, least squares support vector, fault diagnosis
2016年9月9日,
2016年10月10日
邸亚洲,男,硕士,副教授,研究方向:飞参数据的应用、仪器仪表技术。姚凌虹,女,硕士,讲师,研究方向:飞参数据的应用、仪器仪表技术。
TP391
10.3969/j.issn.1672-9722.2017.03.009