基于自适应多小波网络预测模型的飞控系统故障诊断仿真研究

作者:黄宜军;邬长安 刊名:系统仿真学报 上传者:李运清

【摘要】提出了一个基于自适应多小波网络预测模型的飞机机械故障诊断新方法,给出了自适应多小波网络的构造方法和训练算法。以某型飞机作动器为例的计算机仿真结果表明,该方法故障诊断的能力及实时性都得以提高。

全文阅读

引言1飞机由于机械故障导致发生飞行事故的情况时有发生,准确及时地诊断飞机的机械故障对于保障飞行安全有着十分重要的意义。而机械故障中飞行控制系统的故障尤为典型,目前某型飞机的飞控系统故障诊断主要是利用等价空间法产生残差来进行故障检测与故障隔离的[1]。该方法在故障检测方面较为有效,但在故障隔离方面性能较差。人工神经网络(ANN)在故障隔离方面表现出较为优秀的性能,利用ANN进行故障诊断已取得了许多成果。ANN具有很强的非线性映射能力,通过学习,在理论上,ANN可以以任意精度逼近学习的对象,这对于故障隔离是十分有效的。但是ANN的过拟合与泛化性之间的矛盾不易调和,很多时候其学习训练收敛的速度较慢(快了容易发散),而且还容易收敛到网络的局部最优点,这些缺点对实用化和工程化而言十分不利。近年来,小波分析以其特有的时频分析能力在故障诊断领域受到了广泛的重视。小波分析在时域和频域同时具有良好的局部化性质,小波变换可以对高频成分采用逐渐精细的时域或空间域取代步长,从而可以聚焦到对象的任意细节。将小波分析与ANN相结合而形成的小波网络(WNN)成为故障诊断技术中的一个更为有效的工具。小波网络对于复杂的系统建模问题,只能在一定准则下找到尽可能逼近系统的近似模型,虽然当隐含层的小波元和样本点无限多时,可以任意地逼近真实系统,但实际中样本点和系统资源是有限的,所以只能抓住系统的某些主要特征。不同的小波元对不同的函数往往表现出不同的逼近特性[2],例如:对跳变信号,Haar小波比较合适;对由分段多项式结构组成的信号,Daubechies小波比较合适;如果信号含正弦分量,则局部三角形的小波基比较合适。而复杂的系统往往表现多种特性,没有一种小波基能够是一致最好的,所以单靠一种小波基难以在有限的数据集合上达到理想的效果,而把具有不同分辨率的小波网络组合起来形成多小波网络(MWN)可发挥各自的优点[3]。本文构造了一个自适应多小波网络对文献[1]中提到的故障诊断系统进行了改善,使系统对作动器的故障隔离能力有了很大的提高。1基于自适应多小波网络预测模型的故障诊断原理对于复杂的飞控系统,通过建立自适应多小波网络预测模型监测系统的运行情况。自适应多小波网络故障诊断原理如图1所示。实际系统预测模型u(t)u(k)y(k)y(t)Z-1-WNN诊断结果图1基于自适应多小波网络预测模型的故障诊断原理自适应多小波网络的输入可分为2个部分:时间序列的历史数据及影响时间序列取值的主要变量的当前取值。其中时间序列的历史数据通过时延环节进入网络,作为网络的第1部分输入。时间序列的历史数据进入网络后通过相应的学习算法来调整网络参数,使得预测值逼近实际值。2自适应多小波网络的构造和算法2.1自适应多小波网络的构造设有L2()中的闭子空间序列{Vj}满足Vj+1?Vj,j,其中2{,()2(2)|,;1,2,,}mllmVj=span?mnt=?t?nmnl=r(1)?1(t),?2(t),,?r(t)是一组尺度函数,令Wj是Vj在Vj+1中的直交补空间,即:Vj+1=VjWj其中,2{,()2(2)|,;1,2,,}mllmWj=spanmnt=t?nmnl=r(2)则称1(t),2(t),,r(t)是一组小波函数。可以把空间L2()中的函数f(t)进行分解:,,1,(),()mnmnrlllmnftft==(3)在小波变换的实际计算中,式(3)中多项式的有限项之和就可以对函数fL2()进行有效的逼近[4]。即:,,,21,1,()2(2)mnmnmnrNrNmllllmlmnlmnfwtw??tn==

参考文献

引证文献

问答

我要提问