论文部分内容阅读
摘要:飞机是我们当代人最重要的交通工具,而飞行控制系统的高可靠性成为飞行安全的重要保证。所以确保神经网络的飞控系统传感器故障的诊断快速有效,成为保障飞机安全运行的保障。
关键词:神经网络 飞控系统传感器 故障诊断
前言
当飞机出现故障或者遭到意外损伤时,飞行控制系统如果能够依据故障特性和损伤特性利用传感器的各个输出来建立飞机的动态状态迅速改变控制策略,重构实现飞机最低安全性要求,飞行控制系统中,要实现对飞机的精确控制,提高飞机的容错飞行能力,首要解决的是如何精确测量飞机的参数,才能给保证各种传感器输出的可靠性。针对飞控系统中常见的传感器故障, 有必要找到一种合适的方法来对其输出进行实时的辨识,从而确定传感器是否发生故障,达到实时准确的对传感器进行故障检测和识别,提出了基于神经网络预测器的故障诊断方法,真正保证飞机飞行任务的继续执行或者安全返航。
一、神經网络认识
神经网络的研究内容相当广泛,反映了不同学科交叉技术领域的特征特点。神经网络(NNs)或称作连接模型(Connection Model),它是一种模范动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。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。
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。EBPA神经网络是SBPA神经网络的升级版。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。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。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,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。
二、EBPA神经网络的飞控系统传感器故障的诊断
EBPA神经网络主网络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。而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。
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。所以
故障检测(SFD)可以由下式来判断
式中:Y为从传感器测得的数据;O为MNN的估计值
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。一般来说,SFDI进行正常工作时, MNN以及所有的DNN都受到网络学习过程的影响。一旦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。漂移是陀螺的主要噪声来源,而陀螺的随机漂移可由卡尔曼滤波和平滑来消除。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进行折衷考虑并适当地加以选取。
参考文献
[1] 郝涛,唐永哲,任玉清. BP神经网络在飞控系统传感器故障诊断中的应用[J]. 计算机测量与控制. 2008(05)
[2] 黄飞,桑英军,毛钢元. BP神经网络在交流调速系统智能机内检测中的应用[J]. 仪表技术. 2008(11)
关键词:神经网络 飞控系统传感器 故障诊断
前言
当飞机出现故障或者遭到意外损伤时,飞行控制系统如果能够依据故障特性和损伤特性利用传感器的各个输出来建立飞机的动态状态迅速改变控制策略,重构实现飞机最低安全性要求,飞行控制系统中,要实现对飞机的精确控制,提高飞机的容错飞行能力,首要解决的是如何精确测量飞机的参数,才能给保证各种传感器输出的可靠性。针对飞控系统中常见的传感器故障, 有必要找到一种合适的方法来对其输出进行实时的辨识,从而确定传感器是否发生故障,达到实时准确的对传感器进行故障检测和识别,提出了基于神经网络预测器的故障诊断方法,真正保证飞机飞行任务的继续执行或者安全返航。
一、神經网络认识
神经网络的研究内容相当广泛,反映了不同学科交叉技术领域的特征特点。神经网络(NNs)或称作连接模型(Connection Model),它是一种模范动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。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。
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。EBPA神经网络是SBPA神经网络的升级版。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。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。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,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。
二、EBPA神经网络的飞控系统传感器故障的诊断
EBPA神经网络主网络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。而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。
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。所以
故障检测(SFD)可以由下式来判断
式中:Y为从传感器测得的数据;O为MNN的估计值
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。一般来说,SFDI进行正常工作时, MNN以及所有的DNN都受到网络学习过程的影响。一旦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。漂移是陀螺的主要噪声来源,而陀螺的随机漂移可由卡尔曼滤波和平滑来消除。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进行折衷考虑并适当地加以选取。
参考文献
[1] 郝涛,唐永哲,任玉清. BP神经网络在飞控系统传感器故障诊断中的应用[J]. 计算机测量与控制. 2008(05)
[2] 黄飞,桑英军,毛钢元. BP神经网络在交流调速系统智能机内检测中的应用[J]. 仪表技术. 2008(11)