[发明专利]一种精确诊断与预测风洞设备故障的方法

说明书

技术领域

本发明属航空航天工业空气动力学风洞试验技术领域，尤其涉及一种风洞试验中精确诊断与预测风洞设备故障种类及原因的方法。

背景技术

风洞试验通过模拟飞行器在特定条件下的飞行状态，以获取该状态下飞行器的性能参数，为飞行器的空气动力设计提供所需的重要原始参数。风洞试验时，确保风洞相关设备处于正常的工作状态是保证风洞试验安全、高质、有效进行的首要前提，同时也是确保试验数据真实、可靠、精确的重要基础。随着我国飞行器研制任务的不断深入，风洞试验任务日益加重，设备的使用频率逐渐增大、设备的连续运行时间也在递增，设备故障的出现已成为不可避免的问题。常规的风洞设备故障诊断方法主要通过人工经验对设备运行状态进行逐项分析判断来完成，但风洞设备故障存在不可预知性及不规律性等特点，且人工判断容易受人员分析能力及工作经验的制约，这就给故障的及时诊断和维修带来了困难。

发明内容

本发明的目的是提供一种风洞试验中精确诊断与预测风洞设备故障种类与原因的方法。该方法首先需要收集风洞试验时各设备其状态监测点的正常工况数据、历史故障数据，建立风洞设备状态数据库。然后，利用神经网络原理结合已有状态数据库分别搭建风洞设备故障神经网络诊断模型与预测模型。在风洞试验时，将采集到的待诊断设备的状态监测值作为模型的输入，利用已建立的神经网络诊断模型及预测模型以程序自动判别的方式来诊断设备是否已发生故障或预测是否即将出现故障并确定其故障种类及原因。

为实现上述目的，本发明采用如下技术方案，一种精确诊断与预测风洞设备故障的方法，包括以下步骤：

步骤一：针对不同设备选择能表征其工作状态的一项或多项已知的特征参数，诸如：压力，电压，流速，温度等；

步骤二：统计风洞待诊断设备的具有表征意义的i个特征参数的正常工况数据：Nor＝(Nor1j，Nor2j，……，Norij)(Norij代表设备第i个特征参数的第j组正常运行数据)、历史故障数据：Flt＝(Flt1j，Flt2j，……，Fltij)(Fltij代表第i个特征参数的第j组历史故障数据)，根据已知数据，对设备状态进行分类，得到设备状态分类结果y(y是离散量，代表设备运行状态的分类，其值为0，1，……，k，代表运行正常或者设备处于哪一种故障状态)，建立设备相应数据对应的状态数据库；

步骤三：以正常工况数据Nor、历史故障数据Flt，作为概率神经网络的训练输入，以数据库内相应的设备状态分类结果y作为网络训练输出，搭建并训练概率神经网络设备故障诊断分类模型；

步骤四：搭建及训练基于BP神经网络的风洞设备特征参数预测模型。从状态数据库内的正常工况数据Nor、历史故障数据Flt中取出待预测设备在n个时刻的特征参数的数据：x(1),x(2),…,x(n)作为BP神经网络的训练样本数据。利用BP神经网络对预测模型进行训练，把x(1),x(2),…,x(n)分成K组,每组有m+1个值,前m个值作为神经网输入节点的输入,最后一个值作为神经网络输出的目标值(如表1示)，训练并建立基于BP神经网络的表征数据预测模型。

步骤五：判断设备在t＝n时刻的状态，采集其i个表征参数监测值在此时刻的实时数据：x(n)＝(x1(n)，x2(n)，…，xi(n))(xi(n)代表在t＝n时刻设备第i个表征参数的数据)；将当前数据x(n)作为概率网络故障诊断分类模型的输入元，则网络的输出y(n)即为此时刻设备故障的诊断结果。

步骤六：系统根据诊断结果作出设备状态提示或报警。

在上述步骤五中，若经诊断t＝n时设备正常，为预测t＝n+1时刻设备的工作状态，则需要先通过特征参数预测模型来预测设备特征参数在第n+1时刻的预测输出x^(n+1)。将x(n-m+1),x(n-m+2),…,x(n)作为特征参数预测模型的输入,网络的输出则是预测值x^(n+1)。然后将x^(n+1)作为概率神经网络故障诊断分类模型的输入，则网络的输出y^(n+1)即为n+1时刻设备故障的预测诊断结果。