[发明专利]一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法

说明书

技术领域

本发明涉及一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，属于故障检测技术领域。

背景技术

旋转作动器系统具有大转速/质量比、简单紧凑的结构、快速动态响应的优点，已经广泛应用于飞机、船舶和坦克中。驱动装置是旋转作动器的重要组成部分，飞机旋转作动器驱动装置故障将影响整个飞机的安全稳定运行，造成巨大的经济损失甚至是不可预知的后果。因此，保证飞机旋转作动器驱动装置的正常工作在实际应用中具有重要意义。

近几年关于飞机旋转作动器驱动装置控制系统故障检测技术研究中，基于状态观测器的故障检测是控制系统故障检测中研究最多也最为有效的方法。该方法的基本思想是利用观测器估计系统输出，将估计输出值与实际测量值比较产生残差矢量，对残差矢量进行定量分析，结合历史数据实现故障检测。由于控制系统存在参数时变、非线性、建模误差、噪声、干扰等不确定性因素影响，基于传统观测器的故障检测方法已不再适合控制系统的故障检测。机器学习模型，尤其是神经网络对非线性系统能够实现有效逼近，因此能够克服系统非线性因素对基于观测器的故障检测方法的影响。

上世纪90年代，各种各样的浅层机器学习模型相继被提出，比如支持向量机(SVM，Support Vector Machines)、Boosting、最大熵方法(例如LR，Logistic Regression)等。这些模型的结构基本上可以看成带有一层隐层节点(如SVM、Boosting)，或没有隐层节点(如LR)。这些模型在无论是理论分析还是应用都获得了巨大的成功。但是这些浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，浅层结构难以有效地表示复杂函数，针对复杂非线性函数的拟合问题其泛化能力受到一定制约。然而，深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。与此同时，多层非线性网络结构是可以用较少的参数表示复杂的函数。深度学习通过大量的简单神经元组成的网络，利用输入与输出之间的非线性关系，对复杂函数进行近似，对观测样本进行拟合，并在学习输入样本本质特征的抽取上体现了强大的能力。

针对浅层机器学习模型在有限样本和计算单元情况下对复杂函数的表示能力有限，并且对复杂非线性函数的拟合的泛化能力受限且在模型选择时会存在以下缺陷：模型选择结果对测试数据的微小变化很敏感，微小变化的数据会导致不同的模型选择结果，因此模型输出结果也会变化很大；选择一种模型后会忽略其他未选模型所能反映的系统信息，导致系统信息表示不全面；模型选择时有可能选到不能完全反映真实数据特点的模型，导致已选模型的输出结果在某些情况下不可信，基于该结果做出的决策具有很大的风险。

中国专利申请公开号104390776A,一种多余度副翼作动器故障检测、诊断与性能评估方法，该方法利用作动器输入指令信号、输出位移信号、力马达电流信号以及气动载荷数据，对其进行故障检测、诊断、评估与实时检测。其中，故障检测通过双级神经网络实现，第一个神经网络作为系统观测器，用来和实际输出配合获取残差，第二个神经网络同步输出自适应阈值；故障诊断通过系统观测器和力马达电流观测器实现；从残差信号中提取时域特征，输入到自组织映射神经网络中，获取最小量化误差，并归一化成健康度，实现作动器性能评估；在故障检测的基础上，引入气动载荷数据，利用特定的输入指令谱，训练系统观测器和自适应阈值神经网络，实现实时故障检测。

本发明提出的一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测的新方法通过增加神经网络隐含层的层数提高了特征的学习能力，增加隐含层可以用较少的参数来表示复杂的函数。同时，使用模型平均的方法把不同模型的输出结果加权平均以获得一个总的输出结果，可以实现模型选择引入不确定性的有效降低，从而避免了模型选择方法的缺陷，提高模型输出结果的效果与准确性。

发明内容

本发明技术解决问题：为了克服系统非线性因素对基于观测器的故障检测方法的影响，结合深度学习高效的复杂非线性函数拟合逼近优势，提出一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，最大限度地减少非线性因素对残差的影响并尽可能地增强故障对残差的作用，利用深度学习回归器构建的观测器产生残差信息，通过深度学习回归器建立自适应阈值网络，生成自适应阈值，自适应阈值随着控制系统工作的状态与环境的变化而变化，从而实现自适应判断控制系统是否发生故障。

本发明技术解决方案：如图22所示，本发明一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，实现步骤如下：