一种基于深度随机森林算法的飞机作动器故障检测与诊断方法技术

本发明专利技术公开了一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，首先总结飞机作动器的故障模式；建立RBF神经网络，通过采集飞机作动器在正常工作条件下的输入输出数据作为训练数据，对神经网络模型中的参数进行训练得到被监测作动器的解析冗余；通过采集实际作动器输出和神经网络模型解析输出信号的残差数据并经过特征提取后，将特征数据集输入到训练好的深度随机森林多分类器中，进行故障模式识别。本发明专利技术不仅能利用神经网络准确模拟飞机作动器的复杂非线性输入输出关系，利用深度随机森林强分类器准确识别故障模式，而且该方法具有并行计算，运行速度快的优势，可以集成与飞机的飞行管理计算机中，实现在线实时监测，提高飞机作动器故障诊断的准确率和效率。

【技术实现步骤摘要】
一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
本专利技术涉及飞机作动器的故障诊断方法，具体为一种基于深度随机森林算法的飞机作动器故障检测与诊断方法。
技术介绍
飞机作为当今社会最为重要的一种运载工具，无论是在民用还是国防领域都发挥着重要的作用，随着科技的发展以及社会需求的增长，飞机各系统的结构与功能也越来越复杂，对飞机的可靠性提出了越来越高的要求。而且由于飞机特殊的运行环境，因此飞机飞行的安全性至关重要，一旦飞机某个系统出现故障，有可能导致严重的安全事故。因此对飞机各系统进行实时的故障检测和诊断是确保飞机安全飞行的必要措施。例如在专利CN103370667A、专利CN103963986、专利CN103558513A中分别公布了针对于飞机发动机、飞机起落架以及飞机中线缆的状态监控技术，实现对相应监控组件的实时故障检测，保障飞机的安全飞行。飞控系统是飞机的中枢系统，其在保持与改变飞行姿态，控制飞行轨迹，协调飞机各子系统正常工作等方面中起着核心作用。飞机的作动器是飞控系统的执行器，在飞机的起飞、巡航飞行、着陆的过程中接受飞控计算机的指令信号，带动舵面等机构的偏转，实现飞机的各种运动。因此一旦作动器出现故障将有可能造成重大的安全事故，而随着飞机机动性的提高使得飞机作动器需要处于各种复杂的气动载荷中，从而加剧了其发生故障的概率。因此开发出高效、准确地针对于飞机作动器的实时故障检测与诊断系统,对作动器出现的故障及时发现、及时诊断、及时处理，对于提高作动器可靠性是很有必要的。
技术实现思路
为了对飞控系统中作动器进行实时准确地故障检测与诊断，本专利技术公布了一种基于深度随机森林算法的飞机作动器故障检测与诊断方法。作为一种针对于飞机作动器状态检测与故障诊断的手段，相比于传统的故障检测与诊断技术，它可以在接受作动器输入输出数据的基础上不断自主学习，准确描述作动器的输入输出特性，同时借助于高性能分类器算法实现对故障的自主识别与诊断。另一方面所公布的算法由于运行速度快的特点可以集成于飞机的飞行管理系统中，实现在线故障检测与诊断功能。现有的对于作动器的故障检测与诊断技术除了依靠技术人员经验外，大多采用建立作动器物理模型的方法估算作动器的输出，并与作动器的实际输出进行对比从而实现作动器的故障诊断。但由于作动器是一个复杂的非线性系统，因此难以获得作动器的精确数学模型，从而影响故障识别与诊断的准确性，相比于传统方法，本专利技术建立作动器的RBF神经网络模型可以在不需要了解作动器具体工作机理的情况下，仅利用输入输出数据就可以建立准确地构建作动器非线性系统模型，精确描述所监测作动器的输入输出特性，同时结合高精度、适合并行计算的深度随机森林多分类器，实现对故障的快速检测与识别。本专利技术的技术方案为：所述一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：包括以下步骤：步骤1：分析飞机作动器处于故障模式下的输入输出数据集，确定飞机作动器的故障模式集合；步骤2：采集飞机作动器正常工作情况下的输入输出数据集，建立基于神经网络的作动器解析模型，并利用采集的历史数据集对神经网络模型进行训练构建作动器的解析冗余；步骤3：再采集作动器的实际输出与建立的RBF神经网络模型仿真输出信号的残差数据，并对残差数据进行特征提取；步骤4：建立深度随机森林多分类器模型，利用飞机作动器正常状态以及各种故障模式下采集的残差数据集对深度随机森林分类器进行训练，再利用训练好的深度随机森林分类器对新采集到的残差数据进行分类，实现故障诊断。进一步的优选方案，所述一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：步骤1中分析飞机作动器处于故障模式下的输入输出数据集，确定飞机作动器的故障模式集合包括作动器发生卡死故障、作动器发生增益改变故障、作动器发生漂移故障；其中作动器发生卡死故障指作动器在进行线性运动过程中，停滞在某个位置而不再继续执行后续的动作，作动器发生增益改变故障指作动器不再是指令随动系统，其输出响应与输入指令间存在一定的增益比例，作动器发生漂移故障指作动器输出响应位置与输入期望指令之间存在偏差。进一步的优选方案，所述一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：步骤2中，建立RBF神经网络，并利用飞机作动器正常工作情况下的输入输出数据集，训练RBF神经网络：步骤2.1：设定RBF神经网络的输入样本个数为r，其中输入样本中的第p个输入样本向量为Xp＝[x1,x2,...,xn]T，p＝1,2,3,...,r，n为输入样本向量的维数，也是RBF神经网络输入层节点的个数；设定RBF神经网络的输出向量为Y＝[y1,y2,...,yq]T，其中q为输出层节点的个数；设定期望输出量O＝[o1,o2,...,oq]T；初始化RBF神经网络隐含层至输出层的连接权值Wk＝[wk1,wk2,...,wkm]T，其中k＝1,2,...,q，m是隐含层节点的个数；步骤2.2：利用无监督学习过程，基于K-means聚类算法计算数据中心，具体步骤为：步骤2.2.1：初始化聚类中心：从r个输入样本向量中选择m个不同的样本作为初始的聚类中心，并记为ci(0)，i＝1,2,...,m，设置迭代步数s＝0；步骤2.2.2：计算r个输入样本向量与聚类中心的欧氏距离，寻找每一个向量Xp与聚类中心最小的欧氏距离，并将该输入向量进行归类，体现于下列等式：i(Xp)＝argmin||Xp-ci(s)||i＝1,2,...,m公式中i(Xp)表示输入样本中第p个输入样本向量被归类为第i个聚类，ci(s)表示在第s步迭代时，RBF神经网络中第i个隐含层神经元节点中径向基函数的中心；步骤2.2.3：通过对各个聚类中含有的输入样本向量求取均值的方式调整各聚类中心，得到下一步迭代的聚类中心满足下列等式：式中Nz表示的是第i个聚类中样本的个数；所述聚类中心即为隐含层神经元节点中径向基函数的中心；步骤2.2.4：判断各隐含层神经元节点中径向基函数中心ci是否均变化小于设定阈值，若是则结束寻找径向基函数中心，若否则转到步骤2.2.2继续执行；最终得到的ci，i＝1,2,...,m即为RBF神经网络基函数最终的函数中心；步骤2.3：所述RBF神经网络基函数为高斯函数，得到基函数的宽度为其中dmax是函数中心的最大距离；步骤2.4：在有监督学习过程中，利用梯度法对隐含层与输出层神经元之间的连接权值进行更新，具体步骤为：步骤2.4.1：计算隐含层第i个神经元节点的输出值zi，隐含层中的激活函数为高斯核函数，隐含层第i个神经元节点的输出由下式计算得到：步骤2.4.2：计算输出层第k个神经元节点的输出值yk，该输出值由下式得到：步骤2.4.3：根据神经网络的实际输出向量Y＝[y1,y2,...yk,...,yq]T与期望输出向量O＝[o1,o2,...,oq]T之间的误差，计算神经网络目标输出与实际输出的误差平方和：式中yk(h)表示的是在样本中第h维输入的作用下，RBF神经网络输出层的第k个神经元节点的输出值，ok(h)表示的是对应于样本中第h维输入，RBF神经网络输出层的第k个神经元节点的期望输出值；步骤2.4.4：判断模型输出误差是否满足要求，当误差达到预设精度或学习次数本文档来自技高网...

【技术保护点】
1.一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：包括以下步骤：步骤1：分析飞机作动器处于故障模式下的输入输出数据集，确定飞机作动器的故障模式集合；步骤2：采集飞机作动器正常工作情况下的输入输出数据集，建立基于神经网络的作动器解析模型，并利用采集的历史数据集对神经网络模型进行训练构建作动器的解析冗余；步骤3：再采集作动器的实际输出与建立的RBF神经网络模型仿真输出信号的残差数据，并对残差数据进行特征提取；步骤4：建立深度随机森林多分类器模型，利用飞机作动器正常状态以及各种故障模式下采集的残差数据集对深度随机森林分类器进行训练，再利用训练好的深度随机森林分类器对新采集到的残差数据进行分类，实现故障诊断。

【技术特征摘要】
1.一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：包括以下步骤：步骤1：分析飞机作动器处于故障模式下的输入输出数据集，确定飞机作动器的故障模式集合；步骤2：采集飞机作动器正常工作情况下的输入输出数据集，建立基于神经网络的作动器解析模型，并利用采集的历史数据集对神经网络模型进行训练构建作动器的解析冗余；步骤3：再采集作动器的实际输出与建立的RBF神经网络模型仿真输出信号的残差数据，并对残差数据进行特征提取；步骤4：建立深度随机森林多分类器模型，利用飞机作动器正常状态以及各种故障模式下采集的残差数据集对深度随机森林分类器进行训练，再利用训练好的深度随机森林分类器对新采集到的残差数据进行分类，实现故障诊断。2.根据权利要求1所述一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：步骤1中分析飞机作动器处于故障模式下的输入输出数据集，确定飞机作动器的故障模式集合包括作动器发生卡死故障、作动器发生增益改变故障、作动器发生漂移故障；其中作动器发生卡死故障指作动器在进行线性运动过程中，停滞在某个位置而不再继续执行后续的动作，作动器发生增益改变故障指作动器不再是指令随动系统，其输出响应与输入指令间存在一定的增益比例，作动器发生漂移故障指作动器输出响应位置与输入期望指令之间存在偏差。3.根据权利要求2所述一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：步骤2中，建立RBF神经网络，并利用飞机作动器正常工作情况下的输入输出数据集，训练RBF神经网络：步骤2.1：设定RBF神经网络的输入样本个数为r，其中输入样本中的第p个输入样本向量为Xp＝[x1,x2,...,xn]T，p＝1,2,3,...,r，n为输入样本向量的维数，也是RBF神经网络输入层节点的个数；设定RBF神经网络的输出向量为Y＝[y1,y2,...,yq]T，其中q为输出层节点的个数；设定期望输出量O＝[o1,o2,...,oq]T；初始化RBF神经网络隐含层至输出层的连接权值Wk＝[wk1,wk2,...,wkm]T，其中k＝1,2,...,q，m是隐含层节点的个数；步骤2.2：利用无监督学习过程，基于K-means聚类算法计算数据中心，具体步骤为：步骤2.2.1：初始化聚类中心：从r个输入样本向量中选择m个不同的样本作为初始的聚类中心，并记为ci(0)，i＝1,2,...,m，设置迭代步数s＝0；步骤2.2.2：计算r个输入样本向量与聚类中心的欧氏距离，寻找每一个向量Xp与聚类中心最小的欧氏距离，并将该输入向量进行归类，体现于下列等式：i(Xp)＝argmin||Xp-ci(s)||i＝1,2,...,m公式中i(Xp)表示输入样本中第p个输入样本向量被归类为第i个聚类，ci(s)表示在第s步迭代时，RBF神经网络中第i个隐含层神经元节点中径向基函数的中心；步骤2.2.3：通过对各个聚类中含有的输入样本向量求取均值的方式调整各聚类中心，得到下一步迭代的聚类中心满足下列等式：式中Nz表示的是第i个聚类中样本的个数；所述聚类中心即为隐含层神经元节点中径向基函数的中心；步骤2.2.4：判断各隐含层神经元节点中径向基函数中心ci是否均变化小于设定阈值，若是则结束寻找径向基函数中心，若否则转到步骤2.2.2继续执行；最终得到的ci，i＝1,2,...,m即为RB...

【专利技术属性】
技术研发人员：刘贞报，孙高远，安帅，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61