基于自适应神经网络的飞机突发故障诊断研究

作者:杨慧;邓征 刊名:计算机工程与设计 上传者:韩奎亮

【摘要】为了有效解决飞机突发故障诊断的时效性和准确性问题,提出了一种基于自适应神经网络的诊断方案。根据神经网络的适应度决定引入遗传算法优化网络的时机,提取出网络训练陷入饱和状态无法继续收敛时的权值与阈值,编码为染色体加入到种群中,用遗传寻优操作优化网络,达到快速准确诊断故障的目的。建立了提出的方案模型、BP神经网络模型和遗传算法优化神经网络常用模型,用MATLAB语言结合飞机突发故障的航班数据对3种模型进行了对比实验。实验结果表明,该方案较之常用方法具有用时较少且故障类型识别率较高的优点,能够满足诊断的时效性和准确性要求。

全文阅读

0引言飞机突发故障主要根据快速存取记录器(QAR)数据进行诊断。如何从飞机航班的海量QAR数据高效准确的诊断出异常状况成为航空从业人员重要的研究课题。国外在突发故障诊断领域具有代表性的方法如McCownGD等提出通过典型故障事件模型组成的数据库进行故障匹配的方法[1];S.Kim,Y.Kim,C.Park提出一种混合故障诊断模型,大大提高了故障诊断和隔离的性能[2];RayC.Chang提出一种基于飞行数据和模糊逻辑系统的发动机性能监测系统,通过监控QAR数据中尾气温度(EGT)诊断发动机潜在的潜在故障[3]。目前国内对飞机的突发故障诊断的方法主要有符号化相似性搜索法[4]、专家系统法[5,6]、神经网络法等[7,8]。符号化方法处理过程过于复杂;专家系统法无法解决知识获取的瓶颈问题;神经网络具有自学习,联想记忆和并行分布计算的特性,处理复杂数据时最大的优点是用网络节点的连接代替复杂的数学公式达到非线性映射的目的,明显优于其它方法,但需改进其收敛不稳定、收敛速度较慢等不足之处才能更好的应用到故障诊断中[9]。本文借鉴前人研究工作的成果,在BP神经网络的基础上,首先进行了自适应神经网络算法的改进尝试,接着根据改进的算法构造出了具体的飞机突发故障诊断模型,并用突发故障的典型样本数据库对模型进行了测试,最后通过实验对新方案模型的有效性进行了验证。1自适应神经网络诊断模型1.1提出故障诊断方案的适用性飞机突发故障的诊断是典型的故障模式识别问题。突发故障的产生涉及飞机多个相互影响的子系统,形成复杂的非线性关系。QAR数据记录了飞机飞行中各部件工作状况,故障的发生会涉及到多个属性值,这种高维度非线性的复杂关系适合用神经网络方法进行故障模式识别。采用BP神经网络诊断,会出现收敛稳定性差,收敛速度较慢,因此基于BP神经网络的系统无法满足飞机突发故障诊断的需要。目前改进BP神经网络多采用遗传算法,采用遗传算法良好的全局搜索特性,优化BP神经网络的权值和阈值,使网络训练时能够较快的收敛到训练设定的误差[10]。采用该算法进行飞机突发故障诊断时,由于数据量较大,遗传优化网络的过程占用的时间较长,同时优化网络时权值和阈值的初始化种群基本是随机数,不可避免的增加了遗传算法寻优范围,也会导致诊断用时过长的问题。因此神经网络适合用于飞机突发故障诊断,但必须加以改进,这为本文采用新的方案改进网络进行故障诊断提供了理论依据。1.2自适应神经网络算法描述目前遗传算法改进BP神经网络的一般算法是先优化BP神经网络的权值和阈值,再把优化后的权值和阈值加入到神经网络中进行网络训练[11]。这种做法首先是忽略了BP神经网络收敛到全局最优值的可能性;其次待优化的权值与阈值是随机获取的,具有一定盲目性。为改进上述问题,本文提出了以下优化方法。流程如图1所示。图1自适应神经网络方案流程由图1可知,本文首先考虑了BP神经网络全局收敛的可能性,先用样本对其进行训练,训练结果有两种可能性:误差收敛到全局最优值;训练过程达到饱和,误差不能够收敛到全局最优值。当结果为时,网络训练已经成熟,可以用于故障诊断;当结果为时,将网络的权值与阈值提取出来作为种群中的一个染色体,同其余随机生成的染色体组成一个完整的种群,用误差平方和的倒数作为适应度值,进行选择交叉变异操作。由于引入了BP神经网络已经训练过但未达到收敛效果时的权值与阈值,给遗传操作指引出一个明确寻优搜索范围,这样一方面使得寻优的目的性更加明确,另一方面也加快了寻优的速度。根据图1中的流程,得出神经网络自适应优化算法的步骤如下:(1)根据研究对象的输入特

参考文献

引证文献

问答

我要提问