[发明专利]一种基于深度随机森林算法的飞机作动器故障检测与诊断方法

说明书

本发明公开了一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，首先总结飞机作动器的故障模式；建立RBF神经网络，通过采集飞机作动器在正常工作条件下的输入输出数据作为训练数据，对神经网络模型中的参数进行训练得到被监测作动器的解析冗余；通过采集实际作动器输出和神经网络模型解析输出信号的残差数据并经过特征提取后，将特征数据集输入到训练好的深度随机森林多分类器中，进行故障模式识别。本发明不仅能利用神经网络准确模拟飞机作动器的复杂非线性输入输出关系，利用深度随机森林强分类器准确识别故障模式，而且该方法具有并行计算，运行速度快的优势，可以集成与飞机的飞行管理计算机中，实现在线实时监测，提高飞机作动器故障诊断的准确率和效率。

技术领域

本发明涉及飞机作动器的故障诊断方法，具体为一种基于深度随机森林算法的飞机作动器故障检测与诊断方法。

背景技术

飞机作为当今社会最为重要的一种运载工具，无论是在民用还是国防领域都发挥着重要的作用，随着科技的发展以及社会需求的增长，飞机各系统的结构与功能也越来越复杂，对飞机的可靠性提出了越来越高的要求。而且由于飞机特殊的运行环境，因此飞机飞行的安全性至关重要，一旦飞机某个系统出现故障，有可能导致严重的安全事故。因此对飞机各系统进行实时的故障检测和诊断是确保飞机安全飞行的必要措施。例如在专利CN103370667 A、专利CN 103963986、专利CN 103558513 A中分别公布了针对于飞机发动机、飞机起落架以及飞机中线缆的状态监控技术，实现对相应监控组件的实时故障检测，保障飞机的安全飞行。

飞控系统是飞机的中枢系统，其在保持与改变飞行姿态，控制飞行轨迹，协调飞机各子系统正常工作等方面中起着核心作用。飞机的作动器是飞控系统的执行器，在飞机的起飞、巡航飞行、着陆的过程中接受飞控计算机的指令信号，带动舵面等机构的偏转，实现飞机的各种运动。因此一旦作动器出现故障将有可能造成重大的安全事故，而随着飞机机动性的提高使得飞机作动器需要处于各种复杂的气动载荷中，从而加剧了其发生故障的概率。因此开发出高效、准确地针对于飞机作动器的实时故障检测与诊断系统,对作动器出现的故障及时发现、及时诊断、及时处理，对于提高作动器可靠性是很有必要的。

发明内容

为了对飞控系统中作动器进行实时准确地故障检测与诊断，本发明公布了一种基于深度随机森林算法的飞机作动器故障检测与诊断方法。作为一种针对于飞机作动器状态检测与故障诊断的手段，相比于传统的故障检测与诊断技术，它可以在接受作动器输入输出数据的基础上不断自主学习，准确描述作动器的输入输出特性，同时借助于高性能分类器算法实现对故障的自主识别与诊断。另一方面所公布的算法由于运行速度快的特点可以集成于飞机的飞行管理系统中，实现在线故障检测与诊断功能。

现有的对于作动器的故障检测与诊断技术除了依靠技术人员经验外，大多采用建立作动器物理模型的方法估算作动器的输出，并与作动器的实际输出进行对比从而实现作动器的故障诊断。但由于作动器是一个复杂的非线性系统，因此难以获得作动器的精确数学模型，从而影响故障识别与诊断的准确性，相比于传统方法，本发明建立作动器的RBF神经网络模型可以在不需要了解作动器具体工作机理的情况下，仅利用输入输出数据就可以建立准确地构建作动器非线性系统模型，精确描述所监测作动器的输入输出特性，同时结合高精度、适合并行计算的深度随机森林多分类器，实现对故障的快速检测与识别。

本发明的技术方案为：

所述一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：包括以下步骤：

步骤1：分析飞机作动器处于故障模式下的输入输出数据集，确定飞机作动器的故障模式集合；

步骤2：采集飞机作动器正常工作情况下的输入输出数据集，建立基于神经网络的作动器解析模型，并利用采集的历史数据集对神经网络模型进行训练构建作动器的解析冗余；

步骤3：再采集作动器的实际输出与建立的RBF神经网络模型仿真输出信号的残差数据，并对残差数据进行特征提取；