论文部分内容阅读
飞行控制系统作为民航客机最重要的系统之一,它的高可靠性是飞机安全飞行的重要保证,因此对飞控系统开展状态监测和智能故障诊断具有重要意义。本文利用飞控数据和智能学习技术,重点对飞控系统运行参数表征故障进行了深入研究,以飞控升降舵系统为例建立了飞控升降舵系统故障诊断模型。首先,分析了B777飞机飞控系统的组成和原理,研究了飞控系统维修报告,选取了典型常见故障作为研究对象。在AMESim仿真环境下,构建了简化的飞控升降舵系统物理模型,对典型故障进行了仿真分析,并采集系统的故障数据。经过对故障前后飞控系统参数指标的对比分析,提取出最能表征系统故障的51个参数指标。其次,针对飞机在真实环境下飞行,采集到的故障数据夹杂噪声的问题,对含噪故障数据进行了去噪研究,提出基于广义奇异值分解算法(K-SVD)和正交匹配追踪算法(OMP)相组合的故障数据去噪方法。该方法首先是将初始化字典训练成能够有效表征原始信号特征的过完备字典,之后采用OMP算法从过完备字典中寻找出最能表征原始信号的字典原子,将其线性组合,从而获得去噪后的信号。针对采集到的故障样本数据维度过高,不易建立故障诊断模型等问题,引入主成分分析法(PCA)对故障数据进行特征提取。考虑到PCA算法在处理非线性信号上存在的缺陷,提出核方法对其进行改进,研究了PCA和不同核函数改进的PCA方法在数据压缩和特征提取上的有效性。最后,研究建立了故障诊断模型。分析了极限学习机(ELM)算法在故障诊断上的适用性,针对极限学习机输入权值矩阵和隐含层偏置随机生成,易造成网络不稳定和偏差较大等缺点,提出通过差分进化算法(DE),获取训练误差最小时的极限学习机最佳输入权值矩阵和隐含层偏置,改进了极限学习机。同时,对于差分进化寻优算法易早熟、精度不够的缺点,采用自适应方法对差分进化算法进行改进,改进后的差分进化算法不仅有更好的全局寻优能力,寻优精度也得到了提升。将改进后的差分进化算法应用于极限学习机的最优输入权值矩阵和隐含层偏置的寻优,并进行了仿真验证。仿真实验结果表明,改进后的极限学习机应用于飞控系统升降舵子系统故障诊断,故障诊断准确率达到89.6%,相比于改进前提高了11.2%,且改进后的模型稳定性也得到了提升,技术方法可行、有效。