[发明专利]基于数据驱动的在线神经网络故障诊断方法

说明书

本发明涉及电液作动器故障诊断领域，公开了一种基于数据驱动的在线神经网络故障诊断方法，解决传统的作动器故障诊断中无法实时更新数据库的问题。本发明的要点为：分析电液作动器结构，搭建电液作动器的仿真模型；分析作动器失效形式，对电液作动器的仿真模型植入不同类型的故障，完成信号的采集；采集得到的数据，对其开展特征值提取和降维工作；构建标签故障数据矩阵，对其特征值开展离线训练和在线训练，从而获得在线神经网络；实时采集电液作动器工作数据，利用在线神经网络对采集到的数据进行故障诊断；故障诊断之后，对采集到的数据进行在线训练，从而更新在线神经网络。本发明适用于电液作动器故障诊断。

技术领域

本发明涉及电液作动器故障诊断领域，特别涉及基于数据驱动的在线神经网络故障诊断方法。

背景技术

随着航空航天产业、机器人以及民用工业的迅速发展和功能需求的不断提高，控制系统的应用范围和复杂性越来越突出，同时设备的可靠性和安全运行也变得越来越重要。由于设备长期处于运行状态以及工作环境的复杂多变性，出现故障是不可避免的。一旦在未知情况下，相应的系统或者装备出现故障，将会带来巨大的财产损失和人员伤亡。因此需要实时地对设备开展健康状态的监测和故障诊断，当故障发生时，能及时地完成故障的诊断辨识，为进一步开展设备维修和保障设备系统的正常运行具有重要意义。电液作动器是一个集机械、电子、液压为一体的复杂设备，从普通的民用客机到太空飞船上都得到了广泛的应用。目前的电液作动器大多采用了冗余性设计，一定程度上保障了可靠性，但不可避免地存在结构复杂性，这样就使得它的故障存在多样性、突发性以及成因的复杂性。关键的，作动器是否正常运行，将会对飞行器正常飞行起决定性作用。因此，对作动器其开展状态监测和故障诊断是十分必要的。

目前对于作动器的故障诊断方法主要分为两类：一类是基于模型的故障诊断方法，如卡尔曼滤波器、多重模型诊断方法、奇偶性方法、贝叶斯网络模型、RBF神经网络观测器、强跟踪多模型自适应估计器等。这类方法主要对作动器的正常输出做出预测，与实际故障状态下的输出信号相比产生残差，同时也通过模型产生相应的自适应阈值，通过将残差和阈值进行比较来判断系统是否产生故障。该方法的难点在于建立非线性系统模型，它需要通过构建复杂的数学关系式来模拟表达该模型。另一类是基于数据的故障诊断方法，如小波变换、支持向量机、BP神经网络、Elman网络、RBF网络、GRNN网络等，该方法需要对数据进行最为恰当的处理，才能实现故障的分类。基于数据驱动的故障诊断方法被广泛应用在作动器的故障诊断领域，其核心是基于不同故障状态下的数据建立起故障诊断的离线诊断库，从而实现故障的诊断分类。离线数据库需要获取大量的数据，周期时间长；其次无法完成对库进行更新，当新数据产生时需要对已经训练好的模型进行初始化重新训练，因此无论是在时间成本还是在运算效率上都是不切实际的。随着互联网的发展，流式大数据日新月异，它具有实时性、易失性、无序性、无限性等特点。而通过在线训练的方式实时获取新的数据做出处理，并进行数据库的更新，为对进一步提高故障诊断的效率和精度具有重要意义。

发明内容

本发明要解决的技术问题是：提供一种基于数据驱动的在线神经网络故障诊断方法，解决传统的作动器故障诊断中无法实时更新数据库的问题。

为实现上述目的，本发明采用的技术方案是：基于数据驱动的在线神经网络故障诊断方法，包括以下步骤：

步骤1：分析电液作动器结构，搭建电液作动器的仿真模型；

步骤2：分析作动器失效形式，对电液作动器的仿真模型植入不同类型的故障，完成信号的采集；

步骤3：分析步骤2采集得到的数据，对其开展特征值提取和降维工作，最大化表征故障特征；

步骤4：构建标签故障数据矩阵，对步骤3提取得到的特征值开展离线训练和在线训练，从而获得在线神经网络；所述在线训练的算法如下：