飞行器导航传感器故障诊断的应用研究.doc

飞行器导航传感器故障诊断的应用研究 第29卷第2期计算机仿真xx年2月10069348 (xx)02006804飞行器导航传感器故障诊断的应用研究张玉，尹腾飞，贾海云(1华北水利水电学院数学与信息科学学院，河南郑州45001l；2三一重工德国公司研究院，湖南长沙410100)摘要研究导航传感器故障诊断问题，由于飞行器导航传感器所处环境十分复杂，导航系统由多种部件组成，故障存在许多随机性、模糊性和不确定性因素，难以建立确定数学模型。 传统线性模型故障诊断准确率低。 为了提高飞行器导航传感器故障诊断准确率，提出一种神经网络的导航传感器故障诊断方法。 飞行器导航传感器发生故障时信号中会产生突变成分，利用小波包对原始故障信号进行分解，提取信号特征向量，然后将特征向量输入神经网络训练，实现飞行器导航传感器故障智能化诊断。 在Matl平台实现传感器故障诊断的仿真，结果表明，神经网络提高了飞行器导航传感器故障诊断的准确率，是一种在线、行之有效的导航传感器故障方法。 关键词小波包；神经网络；导航传感器；故障诊断TN911B FaultDiagnosis ofNavigation SensorBased onNeural NetworkZHANG Yu，YIN Tengfei，JIA Haiyun(1School ofMathematics andInformation Science，North ChinaUniversity ofWater Conservancyand Electric Power，Zhengzhou Henan450011，China；2Ger manyInstitute，Sany HeavyIndustry，Changsha Hunan410100，China)ABSTRACTStudy navigation sensor fault diagnosis problemBecause sensorsenvironment isvery plexand faultsrelate eachother，traditional faultdiag nosis methodcan notdiag nose faultauratelyIn orderto reliablyf indand forecastnavigation sensor faults，this paperproposed anavigation sensorfault diagnosismethod basedon neural workFirstly，wavelet packetwas usedto deposethe primitive faultsig nal tofrom signalfeature vector，then featurevectors wereinput neuralworkfor training，so asto realizeintelligent sensorfaultdiagnosisThe simulation experimentwas realizedin Matlabplatfor mThe simulationresults showthat thismethod increasesthe navigationsensorfaultdiagnosis auracyand isan effective onlinenavigationsensorfault methodKEYW ORDSWaveletpacket；Neural work；Inertia navigation；Fault diagnosis1引言飞行器导航系统担负着运载体导航定位、姿态控制等重要职责，已经成为各种飞机不可缺少的部件。 飞行器导航系统由多种导航传感器组成，其可靠性直接关系到运载体和全体机组人员的安全，对飞行器导航传感器故障进行检测是十分重要的，已经引起了广泛的重视?。 飞行器导航传感器所处工作环境十分复杂，有许多随机性、模糊性和不确定性因素，且导航传感器模型多为非线性，一个故障的产生常常多种条件综合结果，一种故障可能对应基金项目数学天元基金 (11026196)收稿13期xx一O3一l3修回13期xx051768一着多种表现形，采用传统数学方法难以建立准确的诊断模型，对各种导航传感器的工作状态很难做出正确判断。 近年来随着人工智能的不断发展，出现了神经网络为首的现代智能化诊断方法。 如钱华明提出了采用遗传神经网络在导航传感器故障诊断方法，佟亮提出的小波神经网络导航系统故障诊断，这些方法取得了很好的诊断效果。 由于飞行器导航传感器发生故障时，传感器的输出信号中会产生突变成分，因此如果直接将信号输入神经网络学习，那么就无法对突变信号进行处理，影响判断结果，同时神经网络自身存在许多不足，如收敛速度慢和局部最优等，因此限制了其应用。 小波包分解技术可以对信号中的分量进行自适应性分解，可以根据信号的特性将其分解到不同的时一频分辨率，形成反应信号特征的特征向量。 粒子群算法容易，全局搜索能力强，可以用于神经网络参数优化，加快网络训练速度，减少训练时间。 针对当前导航传感器故障诊断存在的不足，结合小波包分析和粒子群算法优点，本文提出一种改进RBF神经网络的导航传感器故障诊断方法。 首先采用对导航传感器的输出信号进行三层小波包分解，然后将特征向量作为RBF神经网络的输入进行学习，采用粒子群算法对神经网络参数进行选择，最后根据输出值的大小准确地诊断出导航传感器的故障类型。 2导航传感器故障诊断原理飞行器导航系统是以计算机为中心，根据最优统计理论为方法，将载体上的某些或全部传感器设备组合在一起，形成一个统一整体，提高导航信息精度和可靠性。 飞行器导航系统包括陀螺仪、全球定位系统和多普勒计程仪等多种传感器。 导航传感器故障诊断原理实质是模式识别的分类问题，就是根据传感器输出信号，采用一定的方法对其进行分析，对导航传感器是否正常工作，如果不正常工作，就根据输出值的大小准确地诊断出导航传感器的故障类型。 导航传感器故障诊断原理结构如图1所示。 导航信输传感号故出器输特障诊出信征诊断县提断结取器果图1导航传感器故障诊断原理图从图1可知，导航传感器故障诊断过程中，关键的问题有两个一个是传感器信号特征量的提取，一个是故障诊断器的选取问题。 特征量反映传感器信号变化情况，由于导航传感器工作环境复杂，容易受到各种干扰，很难准确提取其特征；故障诊断器就是一种分类器，分类器的选取对分类很重要，好分类器不仅分类速度快，且分类的准确性也高。 因为传感器故障输出信号就有突变性，传统傅立叶变换、数学形态学不能很好的是提取特征，小波包分解由于其强大的时频分析特性，可以提供突变信号在不同尺度的特征，因此本文采用小波包分解提取传感器输出信号特征。 RBF神经网络具有非常强的非线性处理能力，因此本文RBF神经网络作为导航传感器故障诊断器。 3导航传感器故障特征提取31小波包变换小波包变换是对小波变换的完善和发展，可以为信号提供一种更精细的分解方法，可以将小波分析中没有细分的高频部分进一步分解，提高了时频分辨率，更加能够全面反映信息突变特征。 输出量信号f(t)可以按照下式进行小波包分解()=2H(2t一) (1)(f)Ho()(2一)T其中，(k)表示低通滤波器组，日。 (J j)表示高通滤波器组。 从多分辨分析的角度看，导航传感器输出信号小波包分解的实质是让传感器输出信号通过高低通组合滤波器组，每次分解总是将原信号分解到高低两个频率通道内，然后对高低频部分现进一步进行分解直至满足要求为止。 小波包分解过程可以表示成一个二进制树的结构，如图2所示。 图2三层小波包分解图从图2可知，在小波包的分解过程中，在节点(+1，P)处的小波系数由下式给出s(k)=s(k)h。 (2k)=(m)。 (m一2) (2)s(k)=sP(k)$h(2k)=(m)(m一2) (3)32小波包对导航传感器故障特征进行提取导航传感器可以故障分为缓慢和突发故障两大类，缓慢故障容易定位和查找，而突发故障难以确定，因此本文只研究突发故障。 导航传感器故障特征向量小波包提取过程如下1)设导航传感器输出信号为_厂(t)Lz(R)，这样可以通过采用如下公式得到导航传感器输出信号的小波包系数sy,(t)(t)= (4)其中，n表示层小波包节点数，k表示为节点(，i)的系数的个数。 2)设原始信号，。 (t)被分解成(t)，那么小波包节点n上的信号的能量可能表示为()()3)能量变化特征向量。 对导航传感器输出信号进行三层小波包分解，那么信号的则特征向量可以表示为T=e。 ，e”，一。 ，由于导航传感器故障不同，其信号变化模式也不相同，困此对不同的小波包结点上信号能量变化矩阵为=襄b，象，?，舅bc6一694)通过小波分解后，对能量变化率特征向量进行归一化处理，具体为一=告(疃n) (7)当=3时，小波分解分解后的特征向量为T=E E E32，E33，E34，EEE37，】 (8)当导航传感器凸现出故障发生时，特征向量能够很好表示各频带能量的变化，这样特征向量机数据可以作为RBF神经网络的训练和测试数据，对故障进行诊断。 4神经网络对飞行器导航传感器故障诊断41RBF神经网络算法径向基函数(RBF)神经网络是一种局部接受域的前馈人T神经网络，其借鉴了生物局部调节和交叠接受区域知识机制，其结构一般包括输入、输出和隐层，结构如图3所示。 图3径向基函数神经网络结构图RBF神经网络通过如下式进行非线性映射，n()=。 +tOi(一Ci11) (9)其中，表示输入向量，表示输出层和隐层之间的权值，c表示函数的中心，n表示中心数目，表示非线性函数，通常该函数取高斯型函数，即咖(II一Ci lI)e p (一)(1o)O-i其中，表示高斯函数的宽度。 在RBF神经网络中有待选择的参数为、c和盯，其中可以通过最小二乘来确定，因此最为关键的就是确定c和，粒子群优化算法是一种基于群体智能的优化算法，简单易行，具有一较强的局部寻优能力，因此本文采用粒子群优化算法来确定这两个参数。 42导航传感器故障诊断过程采用小波神经网络对导航传感器故障诊断过程具体如下1)收集一定数据量的导航传感器信号。 2)采用小波包分解提取导航传感器信号的特征向量。 3)将信号特征分成RBF神经网络的合适训练样本和检验样本。 4)设置RBF神经网络的初始参数和粒子群的初始70参数。 5)将训练样本的特征向量输入RBF神经网络中训练。 6)采用粒子群优化算法选择RBF神经网络的最优网络结构和最优参数。 7)根据训练模型的输出值和导航传感器的期望值之间的误差确定最后的故障诊断模型，将训练结果作为RBF神经网络故障诊断知识库。 8)采用故障诊断模型对检验样本进行诊断，检测模型故障诊断效果和泛化推广能力，并将诊断模型用于导航传感器故障实时在线监测和诊断。 其具体流程如图4所示。 圈4导航传感器故障流程图5仿真研究51飞行器导航传感器信号采集为了检验本文模型的性能，采用导航系统中的某传感器作为仿真对象，采集时间为3小时输出的曲线，采样时间问隔为1秒，最后获得传感器输出信号如图5所示。 们。 00加00加0。 日6000。 即00。 00。 佃。 00图5传感器的实际输出曲线叫0昵帕明丑辑谁越52行器导航传感器信号的特征向量提取根据导航传感器输出信号频率分布的特点，采用3层的小波包分解原始故障信号进行提取，信号被分解为高频与低频部分，得到的能量变化率特征向量，下面给出一组各种传感器故障情况下的能量变化率，如表1所示。 表1导航传感器信号能量变化率特征向量53行器导航传感器的故障诊断故障特征向量作为RBF神经网络的输入，导航传感器的故障类型作为RBF神经网络的输出，因此RBF神经网络的输入节点数为8，输出节点数4，采用粒子群算法对RBF神经网络的参数C；和盯；进行优化，得到最优的RBF神经网络导航传感器的诊断模型，采用诊断模型对5组测试数据进行检验，提到的诊断结果如表2所示。 从表2的RBF神经网络的诊断结果可知，本文导航传感器故障模型能够对各种故障进行准确的诊断，故障的诊断率达100。 结果说明应用RBF神经网络进行导航传感器故障诊断可以获得有很好的效果，尤其当系统越复杂，故障类型越多，RBF神经网络故障诊断模型的优越性表现的越明显。 表2RBF神经网络的诊断结果6结论导航系统中的传感器故障对导航系统正常工作起着至关重要的作用，由于控制系统滞后、强藕合、参数时变等非线性特征，且其数学模型不存在或太复杂，导致现有故障检测与诊断方法难以实现，本文研究了基于小波包的RBF神经网络的导航传感器故障诊断方法，通过采用小波包对传感器信号进行分解，构造信号的特征向量，然后采用RBF神经网络进行训练，仿真结果表明，该模型能够及时发现故障，提高了传感器故障诊断的准确率，能够实现了智能化故障诊断，是一种行之有效的导航传感器故障诊断方法，该方法也可以应用其它故障诊断系统中。 参考文献1孙枫，袁赣南，张晓红组合导航系统M哈尔滨工程大学出版社，19962李学聪基于组合导航系统的故障检测与诊断技术研究D哈尔滨工程大学博士论文，xx3钱华明，王雯升遗传神经网络在导航传感器故障诊断中的应用J中国航海，xx，32 (1)6104钱华明，马吉臣，施丽娟基于小波神经网络的导航传感器故障诊断J子测量与仪器学报，xx， (21)5385415佟亮，牛皖闽，李艳东，马吉臣基于小波神经网络的陀螺仪故障诊断J计算机测量与控制，xx，17 (11)213721406潘俊