一种基于神经网络的航空发电机电气故障诊断方法及装置制造方法及图纸

本申请属于航空发电机故障处理技术领域，具体涉及一种基于神经网络的航空发电机电气故障诊断方法及装置。该方法包括步骤S1、采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；步骤S2、对特征向量进行归一化；步骤S3、基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，故障识别神经网络模型进行训练包括：以特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标；步骤S4、基于模型输出，确定航空电源系统的故障结果。本申请提高了电气故障识别的准确度。障识别的准确度。障识别的准确度。

【技术实现步骤摘要】
一种基于神经网络的航空发电机电气故障诊断方法及装置


[0001]本申请属于航空发电机故障处理
，具体涉及一种基于神经网络的航空发电机电气故障诊断方法及装置。

技术介绍

[0002]飞机发电机是由多个部分组成的复杂结构，每个部分出现故障都有可能导致最终输出故障，加上其工作环境恶劣，也会导致其频繁出现故障。无刷发电机电气故障中的定子绕组、转子绕组以及旋转整流器故障是发电机众多故障类型的难点和重点。根据电源系统故障复杂成因背景，发电机故障时的输出波形和现象无法直接定位故障原因，多数是依据故障部位的失效率，进行经验总结来具体定位故障发生的近似部位或原因，上述定位故障的方式依赖维修人员的经验，定位结果存在较大误差。

技术实现思路

[0003]为了解决上述问题，本申请提供了一种基于神经网络的航空发电机电气故障诊断方法及装置，利用BP神经网络对发电机状态参数监测和分析，判断设备异常或故障及故障的部位和原因。
[0004]本申请第一方面提供了一种基于神经网络的航空发电机电气故障诊断方法，主要包括：
[0005]步骤S1、采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；
[0006]步骤S2、对所述特征向量进行归一化；
[0007]步骤S3、基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型；
[0008]步骤S4、基于模型输出，确定航空电源系统的故障结果。
[0009]优选的是，步骤S1之后，进一步包括对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。
[0010]优选的是，所述目标向量包括13种，分别表示航空发电机正常、主发转子绕组短路、主发转子绕组断路、主发定子绕组短路、主发定子绕组断路、旋转整流二极管短路、旋转整流二极管断路、主励磁机定子绕组短路、主励磁机定子绕组断路、主励磁机转子绕组短路、主励磁机转子绕组断路、副励磁机定子绕组短路、副励磁机定子绕组断路。
[0011]优选的是，所述故障识别神经网络模型在进行训练时隐含层的节点数量为12。
[0012]本申请第二方面提供了一种基于神经网络的航空发电机电气故障诊断装置，主要包括：
[0013]数据采集模块，用于采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；
[0014]归一化模块，用于对所述特征向量进行归一化；
[0015]神经网络模型输出模块，用于基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型；
[0016]输出识别模块，用于基于模型输出，确定航空电源系统的故障结果。
[0017]优选的是，所述基于神经网络的航空发电机电气故障诊断装置还包括噪音处理模块，用于对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。
[0018]优选的是，所述目标向量包括13种，分别表示航空发电机正常、主发转子绕组短路、主发转子绕组断路、主发定子绕组短路、主发定子绕组断路、旋转整流二极管短路、旋转整流二极管断路、主励磁机定子绕组短路、主励磁机定子绕组断路、主励磁机转子绕组短路、主励磁机转子绕组断路、副励磁机定子绕组短路、副励磁机定子绕组断路。
[0019]优选的是，所述故障识别神经网络模型在进行训练时隐含层的节点数量为12。
[0020]本申请通过提取电气故障特征参数，经由BP神经网络对参数进行训练，可以得出诊断结果，确定故障发生位置。本申请提高了电气故障识别的准确度。
附图说明
[0021]图1是本申请基于神经网络的航空发电机电气故障诊断方法的一优选实施例的流程图。
具体实施方式
[0022]为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。下面结合附图对本申请的实施方式进行详细说明。
[0023]本申请第一方面提供了一种基于神经网络的航空发电机电气故障诊断方法，如图1所示，主要包括：
[0024]步骤S1、采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量。
[0025]发电机电气故障通常包括定子绕组电气故障、转子绕组以及旋转整流器故障。通过对发动机电气故障机理进行分析，并对比发电机故障前后参数变化，最终将表1信号作为判断电气故障的特征参数。
[0026]表1电气故障特征参数
[0027][0028][0029]在一些可选实施方式中，步骤S1之后，进一步包括对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。
[0030]上述实施例主要是为了在进行BP神经网络训练过程中，使得训练样本数据可靠。可以理解的是，航空电源系统工作运行过程中，由于各种干扰、噪声、误差的存在，使得系统采集到的数据偏离其真实值，因此需要将采集到的数据进行处理。本申请用到的数据处理方法为平滑处理法和散点去除法。平滑处理可以消除干扰信号的影响及信号的不规则趋势项，提高曲线光滑度。散点去除处理的目的是去除信号中不规则出现的散点干扰。
[0031]步骤S2、对所述特征向量进行归一化。即将数据映射到更小的区间内，比如[0,1]或[
‑
1,1]。
[0032]步骤S3、基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型。
[0033]参考图1，本申请从故障数据中选取900个样本，其中的8本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的航空发电机电气故障诊断方法，其特征在于，包括：步骤S1、采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；步骤S2、对所述特征向量进行归一化；步骤S3、基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型；步骤S4、基于模型输出，确定航空电源系统的故障结果。2.如权利要求1所述的基于神经网络的航空发电机电气故障诊断方法，其特征在于，步骤S1之后，进一步包括对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。3.如权利要求1所述的基于神经网络的航空发电机电气故障诊断方法，其特征在于，所述目标向量包括13种，分别表示航空发电机正常、主发转子绕组短路、主发转子绕组断路、主发定子绕组短路、主发定子绕组断路、旋转整流二极管短路、旋转整流二极管断路、主励磁机定子绕组短路、主励磁机定子绕组断路、主励磁机转子绕组短路、主励磁机转子绕组断路、副励磁机定子绕组短路、副励磁机定子绕组断路。4.如权利要求1所述的基于神经网络的航空发电机电气故障诊断方法，其特征在于，所述故障识别神经网络模型在进行训练时隐含层的节点数量为12。5.一种基于神经网络的航空发电机电气故障诊断装置，其特...

【专利技术属性】
技术研发人员：张沙沙，牛素琴，程焱，熊春兰，李菲，
申请(专利权)人：陕西航空电气有限责任公司，
类型：发明
国别省市：