[发明专利]一种基于OBLGWO‑DBN模型的航空发电机故障特征提取方法

说明书

技术领域

本发明涉及一种基于OBLGWO-DBN(反向学习灰狼优化算法-深置信网络)模型的航空发电机故障特征提取方法，属于发电机状态监测与故障诊断领域。

背景技术

航空发电机是飞机主电源的重要组成部分，承担着为机载设备供电的任务，其工作状态和可靠性直接影响飞机的飞行安全。一旦航空发电机出现故障，不仅直接影响航空电源系统的电力供应能力，同时也会影响各种机载设备的运行状态，严重的可能导致重大航空事故。因此，深入开展航空发电机的故障诊断技术研究，确保航空发电机能够长期稳定运行于恶劣的工作环境中，具有重要的实际意义。

航空发电机有多种类型，以三级式航空发电机为例，主要由永磁式励磁机、交流励磁机、主发电机、旋转整流器及调压器等部分组成。航空发电机的故障主要分为电气故障与机械故障两大类，其中电气故障包括定子绕组故障、转子绕组故障、旋转整流器故障等；机械故障包括轴承故障、转轴故障等。每种故障模式又可具体分为不同的类别，如定子绕组故障可分为匝间短路故障及相间短路故障，旋转整流器故障可分为单管故障及双管故障等。

特征提取是故障诊断过程中的一个关键环节，目前主要采用人工分析或信号处理的方法，这些方法均存在一些不足，如分析效率低下、自动化程度低等。

发明内容

本发明提出了一种基于OBLGWO-DBN模型的航空发电机故障特征提取方法，在深度置信网络的训练过程中用反向学习策略(OBL)对其权值及偏置进行初始化，并用灰狼优化算法(GWO)对这些参数逐层进行优化，使得最终得到的深度置信网络具有优良的故障特征提取性能。该方法具有良好的数据自适应能力及鲁棒性，能够有效提高航空发电机故障特征提取的效率。

本发明为解决其技术问题采用如下技术方案：

一种基于OBLGWO-DBN模型的航空发电机故障特征提取方法，主要包括以下步骤：

(1)故障模式分析及测试信号选取：对航空发电机的故障模式类型、数目以及待测信号进行分析和确定；

(2)信号采集：通过传感器采集航空发电机在各种工作状态下的待测信号，并传输给计算机进行数据存储；

(3)数据预处理：将所采集到的数据按照设定长度进行截取成为数据段，每个数据段为一个样本；把所有的样本分为训练样本集和测试样本集；

(4)网络训练：利用训练样本集对深度置信网络进行训练，并使用OBL算法和GWO算法对网络模型参数进行优化，得到一个OBLGWO-DBN模型；

(5)网络测试：将测试样本集输入OBLGWO-DBN模型，计算分类正确率指标。

所述步骤(4)中具体过程如下：

深度置信网络模型的初始权值矩阵、可见层结点偏置以及隐含层结点偏置参数采用OBL进行初始化，后续训练中用灰狼优化算法对这些参数进行寻优。

步骤(1)中所述航空发电机的故障模式包括定子绕组故障、转子绕组故障、旋转整流器故障、轴承故障。

所述旋转整流器故障分为单管故障和双管故障。

步骤(2)中的传感器为电流传感器、电压传感器或振动传感器。

本发明有益效果如下：

本发明提出了一种基于OBLGWO-DBN模型的航空发电机故障特征提取方法，能够自适应的提取原始信号特征。该方法应用于航空发电机状态监测与故障诊断领域中，具有良好的数据自适应能力及鲁棒性，可以有效提高航空发电机故障特征提取的效率。

附图说明

图1特征提取流程图。

图2深度置信网络(DBN)结构图。

图3灰狼算法(GWO)的个体跟踪机制图。

具体实施方式

下面结合附图对本发明创造做进一步详细说明。

本发明提出了一种基于OBLGWO-DBN模型的航空发电机故障诊断方法，该方法主要包括故障模式及测试信号分析、信号采集、数据预处理、深度置信网络初始化、深度置信网络训练及深度置信网络测试几部分。采用的流程如图1所示，具体操作包括如下步骤：

1.故障模式分析及测试信号选取

首先，对航空发电机进行建模仿真分析，确定航空发电机的典型故障类型和数目。航空发电机的主要典型故障模式包括定子绕组故障、转子绕组故障、旋转整流器故障、轴承故障等；每种故障模式又可具体分为不同的类别，如绕组故障可分为匝间短路故障及相间短路故障，旋转整流器故障可分为单管故障及双管故障等。同时要对可测的故障信号进行选取，最常用的一般为主发电机励磁电流信号、主发电机三相输出电压信号及发电机的机械振动信号。