小波包变换和神经网络的某型导弹故障诊断方法研究

作者:梁瑞胜;孙有田;周希亚 刊名:海军航空工程学院学报 上传者:冯正强

【摘要】提出了一种基于小波包变换的残差能量方法,对导弹动态测试数据进行分析处理,提取导弹的故障特征,并在此基础上利用神经网络有效地实现了故障的诊断和定位。

全文阅读

导弹控制系统的动态测试是导弹设计、使用维护部门所面临的一个重要课题,它贯穿于导弹的设计、使用、维护、储存的整个生命周期。相对静态测试而言,动态测试包含更多的测试信息,更利于评价分析武器系统的诸项性能和进行故障诊断[1]。本文基于动态测试方法,提出一种新的故障诊断发法:首先获得测试点的故障和正常信号,把两者相减得到故障残差信号;对故障残差信号用小波包变换法进行特征提取,得到残差能量特征向量;将得到的特征向量作为BP神经网络输入,通过训练神经网络达到故障诊断的目的。1动态测试原始数据某型导弹动态测试是在模拟导弹的飞行过程中实现的。图1为某型导弹正常和自动驾驶仪故障(以俯仰限幅偏大为例)状态下测得4个舵机的输出电压信号。海军航空工程学院学报第23卷218e)正常情况下3号舵机输出f)故障状态下3号舵机输出g)正常情况下4号舵机输出h)故障状态下4号舵机输出图1正常情况与故障状时4个舵机的输出数据依据导弹在助推、爬升、平飞、降高、俯冲各个阶段的特点,分别对航向、俯仰、倾斜三通道适时发出控制指令,利用转台运动来模拟导弹的姿态变化,模拟导弹的飞行攻击过程。本着简化测试过程的原则,应该选取尽可能少的测试点来表征被测对象的故障特征。在静态测试中,导弹故障基本上都是通过4个舵机上的电压变化表征出来的。因此在动态测试中,选取4个舵机为测试点,进行数据采集,实时跟踪记录导弹在飞行攻击过程中4个舵机电压信号。2数据分析处理小波包变换弥补了正交小波变换频谱随着小波尺度指数的增大而其分辨率却愈粗的不足,在提高时间分辨率的同时,对信号高频部分逐渐变宽的频谱进一步分割细化,能精确反映系统状态。当被测对象出现故障时,其输出与正常系统输出相比,相同频带内信号的能量会有着较大的差别,它使某些频带内的信号能量减小,而使另外一些频带内的信号能量增大。因此,在各频率成分信号的能量中,包含着丰富的故障信息[2,3]。本文采用基于“残差能量故障”的故障特征提取方法,即把故障信号与正常信号相减,计算出故障残差信号。把所得到的残差信号利用小波包变换在多层分解后的不同频带内分析信号,使本不明显的信号频率特征在不同分辨率的若干子空间中以显著的能量变化的形式表现出来,从而提取反映系统故障的特征信息。其基本方法和步骤如下:1)计算残差信号:残差信号=故障信号?正常信号。2)对得到的残差信号进行3层小波包分解,分别提取第三层从低频到高频8个频段的信号特征。其中,小波基函数采用Daubechies小波db1,分解结构树如图2所示[4]。(0,0)(1,0)(1,1)(2,0)(2,1)(2,2)(2,3)(3,0)(3,1)(3,2)(3,3)(3,4)(3,5)(3,6)(3,7)图2小波包3层分解结构树图2中,(i,j)表示第i层的第j个节点,其中,i=0,1,2,3,j=0,1,2,,7。每个节点都代表该节点对应的小波包分解系数向量,可用Ci,j表示。3)对小波包分解系数重构,提取各频带范围的信号。设各节点小波包系数Ci,j对应的重构信号为Si,j,这里只对第三层的所有节点进行分析,则总信号可以表示为:S=S3,0+S3,1+S3,2+S3,3+S3,4+S3,5+S3,6+S3,7。(1)4)求各频带信号的总能量。设各节点第2期梁瑞胜等:小波包变换和神经网络的某型导弹故障诊断方法研究219S3,j(j=0,1,,7)对应的能量E3,j(j=0,1,,7),则有223,3,,1()dnjjjkkESttc===,(2)式中,cj,k(j=0,1,,7,k=1,2,,n)表示重构信号S3,j的离散点的幅值

参考文献

引证文献

问答

我要提问