您当前位置:资讯百科知识技术文库基于神经网络的飞控系统传感器故障诊断的研究

基于神经网络的飞控系统传感器故障诊断的研究

  来源:互联网  发布时间:12-25

浏览量:    

核心提示:1 神经网络模型  D.Rumchart于1982年给出了反向传播(Back-propagation)算法(简称BP算法)。误差逆传播神经网络(BP)是

1 神经网络模型
  D.Rumchart于1982年给出了反向传播(Back-propagation)算法(简称BP算法)。误差逆传播神经网络(BP)是一种具有三层或三层以上的阶层型神经网络。上、下层之间各神经元实现全连接,即下层的每一个单元与上层的每个单元都实现权连接,而每层各神经元之间无连接。网络按有教师示教的方式进行学习,当一对学习模式提供给网络后,神经元的激活值,从输入层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。然后,按减小希望输出与实际输出误差的方向,从输出层经各中间层逐层修正各连接权,最后回到输入层,故得名“误差逆传播算法”。随着这种误差逆传播修正的不断进行,网络对输入模式响应的正确率也不断上升。
1.1 标准BP算法(SBPA)
  设有一个标准的三层BP网络,Xi为输入样本,Θi为单元的阈值,Yj为输出样本,Tj为期望输出样本,η为学习率(0<η<1),sumi为每一层的输入,δ为逆传播的误差,f(X)是网络的作用函数。我们选用S形曲线,而Wij是第i个单元到第j个单元联接的权系数,f′(X)是f(X)的导数,正向传播时是从输入一层一层地输出,上一层的输出作为下一层的输入。于是有


  对于很大的缺陷:收敛速度慢和存在所谓“局部最小值”问题。在学习过程中有时会发现,当学习反复进行到一定次数后,虽然网络的实际输出与希望输出还存在很大的误差,但无论再如何学习下去,网络全局误差的减小速度都变得十分缓慢,或者根本不再变化,这种现象就是因网络收敛于局部极小点所致。BP网络全局误差函数E是一个以S函数为自变量的非线性函数,这就意味着由E构成的连接权空间不是只有一个极小点的抛物面,而是存在多个局部极小点的超曲面。因此,BP网络的收敛过程,很可能在遇到局部极小极值便被“冻结”住,而无法最终收敛于全局最小点,也就无法对学习模式准确记忆。导致BP网络缺陷的原因,是由于BP学习规则采用了按误差函数梯度下降的方向进行收敛。
1.2 改进的BP算法(EBPA)
  基于标准BP算法的缺陷,本文给出一种改进的BP网络。经仿真证明,此网络在提高学习速度和减小陷入局部最小点方面有着较好的改进。
  将网络的作用函数改写成下式,式中Ui,Li分别表示神经元输出范围的上下限,Ti表示神经元的节点温度。Ui和Li可以加速其收敛速度,提高学习率,Ti可以减小陷入局部最小点的概率,相当于
模拟退火算法[5]


偏导确定了,下一步就是使误差项最小。对于输出节点,误差是由输出层每一个神经元的输出与希望输出的差值得到的


输出层和中间层的误差项和增量项被计算出来,则输出层和中间层的神经元修正为

  输出层和中间层之间的连接权以及中间层和输入

式中:η为学习率;α为惯性系数。学习率η的大小影响学习的速度,而惯性系数反映了前一次学习对本次学习的影响。
算法实现步骤:
(1)输入样本X和T;
(2)求每个神经元的sumi及Yj
(3)求f′和δ;
(4)调整Θi,Wij,Ui,Li及Ti
  (5)重复(2)~(4)直到性能指标满足要求为止;
  (6)返回(1)输入新的样本。
2 飞控系统传感器故障诊断系统
  EBPA神经网络包括一个主网络(MNN)和n个分散网络(DNNs),n是飞控系统中传感器的数目。MNN的输出是k时刻n个传感器测得的相同参数的估计,使用了k-1时刻到k-m(m>1)时刻的测量值。在本文中,MNN的输出是在时刻t的参数p(滚动轴角速度),q(俯仰轴角速度),r(方向轴角速度)的估计。这些估计与t时刻实际测得的测量值相比较。对于n个DNN中的第i个,它的输出是第i个传感器的测量值的估计。就是说,k时刻的状态估计使用到了k-1到k-m的测量值,与k时刻的实际测量值进行比较。第i个DNN的输入是除了第i个传感器以外的n-1个传感器的测量值。例如,q-DNN可以使用除了q传感器值以外的任何输入参数来产生k时刻对q的估计。本文只考虑了滚动轴(roll)、俯仰轴(pitch)和方向轴(yaw)角速度陀螺仪传感器的故障。因此,我们采用了4个神经网络的结构来对角速度传感器的故障进行诊断一个MNN,一个q-DNN,一个p-DNN和一个r-DNN(见图1)。
  在每一个步骤里,用MNN和DNN的估计和实际测量值之间的差值产生一个二次项的误差。故

  当传感器没有故障发生的时候,MNN二次估计误差(MQEE)的函数值理论上应该近似为零;当传感器发生故障的时候,MQEE的值应该明显的偏离零值。理论上,SFDI正常工作的时候,网络学习过程对MNN和所有的DNN都起作用。但是当MQEE的值在瞬时超过预先定义的阈值时,SFDI就认为传感器故障正在或已经发生。陀螺的主要噪声来自于漂移,其随机漂移可由卡尔曼滤波和平滑来消除[6]。此处的阈值是将实验数据经过卡尔曼滤波和平滑后,在实际仿真中取0.2°/s,误识率为2%。由此可见,卡尔曼滤波和平滑对消除陀螺漂移噪声有较好的效果。此时,所有的DNN的学习过程停止,DNN的输出作为MNN和那些使用p,q,r作为输入参数的DNN的输入。
通过监控每个DNN估计误差的绝对值,可以实现故障识别(SFI)

  当一个传感器故障发生,所有DNN的学习停止;同时,通过DNN的二次项估计误差(DQEE)设置的阈值来进行故障识别。定义一系列的阈值,当一个传感器故障发生,用来检测它,识别是哪一个传感器出现了故障。考虑到增加检测和识别的速度和减小误识率之间的矛盾,用于检测和识别的阈值必须适当选取,折衷考虑。
3 仿真实例
  在本网络在线学习之前,需要进行预先的离线学习,就是利用已经获得的正常的飞行数据来进行训练[6]。在实际仿真中使用了200组飞行数据样本。由于飞控系统的三个轴的训练和学习过程类似,在此只以俯仰轴为例。当飞控系统正常运行50s后,人为地制造一个阶跃信号故障2°/s,使俯仰轴传感器失效。


  从图2(a)中,对于MNN网络,我们可以检测到在50 s时,其MQEE值超过了阈值,并且增幅明显,可以判断此时传感器有故障发生。图2(b)中,对于q-DNN网络的DQEE值,在50 s时超过了阈值1和阈值2,也有一个明显的阶跃,可以判断俯仰轴传感器在50 s时出现故障。图2(c)是实时跟踪的俯仰轴传感器输出数据图,q-DNN的估计与传感器的实际测量值基本一致,在图中基本重合。在50s时,传感器发生故障,与正常值有较大的偏差。



4 
  本文采用EBPA算法对BP神经网络的各参数值进行修改,并且提出了一个MNN和三个DNN的诊断系统结构。由于训练神经网络所采用的数据都是飞机平稳飞行时的数据,并不代表飞机各种状态下的飞行过程,比如起飞、爬坡、转弯和降落等等,而且只对阶跃故障进行了仿真,所以本文的结果只适用于飞机平稳飞行时的阶跃故障检测。从仿真效果来看,上述方法完全可行。

参考文献

[1] 张育林.动态系统故障诊断理论与应用[M].长沙:国防科技大学出版社,2001.58~71.
[2] Piercy N P.Sensor failure estimators for detection
filters[J].IEEE Transactions on Automatic Control,1992,37(10):1553~1558.
[3] 党建武.神经网络技术及应用[M].北京:中国铁道出版社,2000.15~18.
[4] Kim B S,Calise A J.Nonlinear flightcontrol using neuralnetworks[J].AIAA J,1997,20:26~33.
[5] 王 伟.人工神经网络原理与应用[M].北京:北京航空航天大学出版社,1995.95~100.
[6] 以光卫.陀螺理论与应用[M].北京:北京航空航天大学出版社,1990.268~272.
[7] 张明廉.飞行控制系统[M].北京:航空工业出版社,1994.41~45.

上一篇 : 暂无             下一篇 : 烤地瓜机 烤地瓜机烤地瓜的原理

版权声明:

  1.华商贸易网转载作品均注明出处,本网未注明出处和转载的,是出于传递更多信息之目的,并不意味 着赞同其观点或证实其内容的真实性。

  2.如转载作品侵犯作者署名权,或有其他诸如版权、肖像权、知识产权等方面的伤害,并非本网故意为之,在接到相关权利人通知后将立即加以更正。联系邮箱:me@lm263.com

 

 

网站首页 | 行业资讯 | 投资理财 | 企业管理 | 成功励志 | 市场营销 | 范文大全 | 智慧人生 | 创业指南 | 贸易宝典 | 百科知识