《基于四级RBF神经网络的飞机环控系统控制组件故障诊断方法.pdf》由会员分享，可在线阅读，更多相关《基于四级RBF神经网络的飞机环控系统控制组件故障诊断方法.pdf（22页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103353752 A (43)申请公布日 2013.10.16 CN 103353752 A *CN103353752A* (21)申请号 201310240505.0 (22)申请日 2013.06.18 201310127894.6 2013.04.12 CN G05B 23/02(2006.01) (71)申请人 北京航空航天大学 地址 100191 北京市海淀区学院路 37 号 (72)发明人 吕琛 程玉杰 刘红梅 王兆兵 (74)专利代理机构 北京永创新实专利事务所 11121 代理人 赵文颖 (54) 发明名称 基于四级 RBF 神经网络的飞机环控系统控。
2、制 组件故障诊断方法 (57) 摘要 本发明公开了一种基于四级 RBF 神经网络的 飞机环控系统控制组件故障诊断方法， 具体步骤 如下 ： 步骤一、 建立并训练一级 RBF 神经网络观测 器 ； 步骤二、 建立并训练二级 RBF 自适应阈值产生 器 ； 步骤三、 建立并训练三级 RBF 故障跟随器， 提 取其网络参数 ； 步骤四、 建立并训练四级 RBF 故 障隔离器 ； 步骤五、 对飞机环控系统控制组件进 行实时故障检测 ； 步骤六、 对飞机环控系统控制 组件进行实时故障隔离 ； 本发明方法采用基于四 级 RBF 神经网络的故障诊断方法， 为飞机环控系 统控制组件提供了一套完整的故障检测与隔。
3、离方 案， 具有很高的实际工程应用价值。 (66)本国优先权数据 (51)Int.Cl. 权利要求书 2 页 说明书 11 页 附图 8 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书11页 附图8页 (10)申请公布号 CN 103353752 A CN 103353752 A *CN103353752A* 1/2 页 2 1. 基于四级 RBF 神经网络的飞机环控系统控制组件故障诊断方法， 具体步骤如下 ： 步骤一、 建立并训练一级 RBF 神经网络观测器 ； 神经网络观测器的输入端前增加 Z-1环节， Z-1为模拟真实控制组件输出滞后功能的迟 滞环。
4、节 ； 采集控制组件各种正常工作状态下的系统输入温度信号 r(t) 和输出温度信号 yr(t)， t=2,3,4,n， 输出温度信号经过迟滞环节 Z-1之后得到系统延迟输出 yr(t)， t=1,2,3, ,n-1， 将获取的系统输入信号 r(t) 和延迟输出信号 yr(t) 放到一个向量中作为 RBF 神经 网络观测器的训练输入样本， 将获取的控制组件系统输出信号 yr(t) 作为 RBF 神经网络观 测器的训练输出样本 ； 对训练输入和输出样本归一化处理到 -1,1 之间， 设定 RBF 神经网 络的基本参数， 开始训练， 训练完成时保存训练好的 RBF 神经网络观测器 ； 步骤二、 建立。
5、并训练二级 RBF 自适应阈值产生器 ； 首先， 采集系统各种正常状态下输入温度信号r(t)及系统输出温度信号yr(t)， 输出信 号经过迟滞环节后得到系统延迟输出yr(t) ； 将输入温度信号r(t)及延迟输出信号yr(t) 作为输入向量， 归一化之后送入步骤一中训练好的 RBF 观测器， 得到系统故障状态下的观 测器估计输出将观测器估计输出与系统实际输出 yr(t) 作 差， 得到系统正常状态下的残差信号 (t)， t=2,3,4,n， 将此残差信号定义为基准残差 sta_threshold ； 再将上述系统输入 r(t) 及观测器估计的系统输出归一化之后作为网络输入向 量， 训练二级 R。
6、BF 自适应阈值产生器 ； 其训练输出向量为自适应阈值 ： adap_thrshold=sta_ threshold+ ； 其中， 是考虑到未知的系统干扰及建模误差， 通过仿真得到的修正因子 ； 训练完成时保存训练好的 RBF 自适应阈值产生器 ； 步骤三、 建立并训练三级 RBF 故障跟随器， 提取其网络参数 ； 当系统发生故障时， 在线训练 RBF 故障跟随器， 采用 K 均值聚类算法训练 RBF 故障跟随 器， 用伪逆法获取神经网络的结构参数， 所提取的 RBF 故障跟随器网络参数为 ： RBF 跟随器 第 i 个节点的带宽向量 i， RBF 跟随器第 i 个节点的中心向量 ci， RB。
7、F 跟随器的连接权值 wi； RBF 故 障 跟 随 器 在 线 训 练 的 样 本 为 故 障 发 生 时 刻 前 预 定 时 间 长 度 内 的 系 统 输 入 和 输 出 数 据 ； 在 时 刻 t 给 系 统 注 入 故 障， 预 定 时 间 长 度 为 h ； 则 (t-h+2,t+1),(t-h+3,t+2),(t-h+4,t+3),(t-h+n+1,t+n) 时间区间长度内的系统输入 输出数据被分别用来在线训练 RBF 跟随器 ； 其中输入向量为控制组件系统输入和系统延迟 输出， 输出向量为系统实际输出 ； 用伪逆法提取网络结构参数后， 共得到 n 组 RBF 神经网络 结构参数。
8、， 同时， 相应时间区间内的残差有效值共有 n 组残差有效值 ； 残差有效值和 RBF 故 障跟随器结构参数共同组成 n 组输入向量， 用于训练四级 RBF 故障隔离器 ； 步骤四、 建立并训练四级 RBF 故障隔离器 ； 由步骤三得到n组RBF故障跟随器结构参数， 及相应时间区间内的残差有效值， 合并为 n 组输入向量， 作为四级 RBF 故障隔离器的训练输入向量， 训练 RBF 故障隔离器 ； 训练输入 向量定义如下 ： Z z1 z2 z3 z4T i ci wi T 权 利 要 求 书 CN 103353752 A 2 2/2 页 3 训练输入向量 Z 包含四个特征量 z1、 z2、 。
9、z3、 z4， 分别对应 i， ci， wi， ； 其中 i为 RBF 跟随器第 i 个节点的带宽向量， ci为 RBF 跟随器第 i 个节点的中心向量， wi为 RBF 跟随器 的连接权值， 为故障发生时刻前预定时间长度内残差的有效值 ； RBF 故障隔离器训练输出向量为控制组件系统在不同故障模式下的理论输出， 对于控 制组件系统的 m 种故障模式， RBF 故障隔离器训练输出向量为 ： 表 1.RBF 故障隔离器的目标输出 步骤五、 对飞机环控系统控制组件进行实时故障检测 ； 实时采集控制组件系统的输入温度信号 r(t) 和输出温度信号 yr(t)， 输出温度信号经 过迟滞环节 Z-1之后。
10、得到系统延迟输出 yr(t)， 将获取的系统输入信号 r(t) 和延迟输出信 号 yr(t) 放到一个向量中， 归一化之后送入步骤一中训练好的 RBF 神经网络观测器， 得到 观测器实时估计的系统输出通过比较观测器的估计输出温度信号与对应的实 际系统输出温度信号 yr(t)， 获得当前 t 时刻控制组件的残差信号 ； 再将系统输入信号 r(t) 及观测器估计输出信号送入步骤二中训练好的 RBF 自适 应阈值产生器， 得到当前时刻的自适应阈值 ； 系统正常情况下， 残差小于阈值， 当控制组件系统中的某一部件出现故障时， 残差将增 大， 并超过自适应阈值， 设定当残差连续超过阈值 p 个点时， 认。
11、为系统发生故障， 产生报警 ； 步骤六、 对飞机环控系统控制组件进行实时故障隔离 ； 一旦检测到系统发生故障， 则在线训练 RBF 故障跟随器 ； 提取系统报警时刻 t1之前预 定时间长度h内的系统输入输出数据， 用于训练RBF故障跟随器 ； 训练输入向量为控制组件 系统输入和系统延迟输出， 输出向量为系统实际输出 ； 用伪逆法获取神经网络的结构参数 ； 所提取的 RBF 故障跟随器网络参数为 ： RBF 跟随器第 i 个节点的带宽向量 i， RBF 跟随器 第 i 个节点的中心向量 ci， RBF 跟随器的连接权值 wi； 同时， 提取相应时间区间内的残差有 效值， 将其与 RBF 故障跟随。
12、器网络结构参数合并为故障隔离输入向量 ： Z z1 z2 z3 z4T i ci wi T 将其送入步骤四中训练好的RBF故障隔离器， 得到故障隔离结果 ； 这里的Z是检测到系 统发生故障以后， 用于进行故障隔离时， 送入已训练好的 RBF 故障隔离器的输入向量。 权 利 要 求 书 CN 103353752 A 3 1/11 页 4 基于四级 RBF 神经网络的飞机环控系统控制组件故障诊断 方法 技术领域 0001 本发明属于飞机环控系统的故障诊断技术领域， 具体涉及一种基于四级 RBF 神经 网络的飞机环控系统控制组件故障诊断方法。 背景技术 0002 飞机环境控制系统的安全问题近年来已经。
13、受到人们越来越多的关注。 一个良好的 机舱环境不仅对飞行员的舒适感及人身安全十分重要， 并且是不同飞行状态下多种机载电 子设备正常运行的重要保证。控制组件是飞机环控系统的重要组成部分， 且对飞机环控系 统的可靠运行起着至关重要的作用。 控制组件的任何故障都可能直接影响到电子设备舱温 度的稳定调节， 进而导致如资源浪费、 设备寿命缩减等问题， 更严重的将会给机载人员的生 命安全带来威胁。 因此， 开展飞机环控系统控制组件的故障诊断研究具有十分重要的意义。 0003 现有的关于飞机环控系统的研究主要集中在系统的设计、 控制及系统优化， 对于 飞机环控系统故障诊断的研究较少， 有关控制组件的故障诊断。
14、研究则更少。日益复杂的飞 机环控系统及快速发展的故障诊断技术使得开发一套有效、 系统的飞机环控系统控制组件 故障诊断方法越发必要与可能。 有研究人员提出了一种基于观测器的飞机温度控制系统故 障诊断模型， 然而他们并没有为故障检测设定一个合适的阈值， 并且基于单一的残差信号 进行故障诊断可靠性不高。 0004 通常， 故障诊断方法可以概括为基于模型的方法、 基于数据驱动的方法和基于知 识的方法。基于模型的故障诊断方法依赖于准确的数学模型， 然而由于控制组件固有的非 线性特征， 精确的数学模型往往难以获取。基于统计的故障诊断方法依赖于大量的实验数 据， 而对于飞机环控系统控制组件， 实验数据难以在。
15、实际中获得。 作为一种基于知识的故障 诊断方法， 神经网络易于实现非线性及鲁棒性的故障诊断。和其他前馈网络相比， RBF 神经 网络有更好的逼近能力、 更快的学习能力、 更好的鲁棒性且没有局部最小值， 可以用于精确 跟踪控制系统模型的改变， 并且自适应地改变自身神经网络参数， 从而实现飞机环控系统 控制组件的故障 诊断。 0005 同时， 在故障诊断中， 阈值会直接影响故障检测与诊断的效果。 阈值过大可能检测 不到故障， 过小则可能引发虚警。由于受到随机干扰、 工况扰动、 系统输入和当前系统状态 等因素的影响， 传统的基于固定阈值的故障检测已无法满足实际应用需求。考虑到神经网 络 （NN） 的。
16、学习能力和良好的鲁棒性， 近年来一些使用基于神经网络的自适应阈值对控制组 件进行故障检测的仿真研究已经得以实现。 0006 虽然有一些基于神经网络的故障检测与隔离方法已经被成功地应用于工业生产， 然而很少有关于飞机环控系统控制组件的故障诊断研究， 更缺乏一套完整的飞机环控系统 控制组件故障检测与隔离方法， 包括残差产生、 自适应阈值检测、 在线故障跟踪及故障隔 离。 说 明 书 CN 103353752 A 4 2/11 页 5 发明内容 0007 本发明的目的是为了解决在飞机环控系统故障诊断领域， 尚缺少一套完整的飞机 环控系统控制组件故障检测与隔离方法， 现有故障检测方法实时性差、 虚警率。
17、高， 故障隔离 方法不够可靠的实际工程应用问题， 根据 RBF 神经网络进行故障诊断所具备的优势， 提出 了基于四级 RBF 神经网络的飞机环控系统控制组件故障诊断方法， 实现飞机环控系统控制 组件实时故障检测与隔离。 0008 本发明基于四级 RBF 神经网络的飞机环控系统控制组件故障诊断方法， 具体包括 以下步骤 ： 0009 步骤一、 建立并训练一级 RBF 神经网络观测器。 0010 采集控制组件系统各种正常状态下的输入输出数据训练 RBF 观测器。其训练输入 向量为控制组件输入温度信号及系统延迟输出温度信号， 其中系统延迟输出温度信号是由 系统实际输出通过一个模拟真实控制组件输出滞后。
18、功能的迟滞环节得到。RBF 观测器训练 输出向量为系统实际输出温度信号。 0011 步骤二、 建立并训练二级 RBF 自适应阈值产生器。 0012 首先将系统各种正常状态下的系统输入及系统延迟输出送入训练好的一级 RBF 神经网络观测器， 得到观测器估计输出。通过比较观测器估计输出与系统实际输出得到系 统正常状态下的残差， 将此残差定义为基准残差sta_threshold。 再将系统输入信号与观测 器估计输出信号作为输入向量训练二级 RBF 自适应阈值产生器。其输出向量为系统正常状 态下得到的 基准残差 sta_threshold 加上修正因子 。其中， 是考虑到未知的系统干 扰及建模误差， 。
19、通过仿真得到的。 0013 步骤三、 建立三级 RBF 故障跟随器， 提取其网络结构参数。 0014 在时刻 t 给系统注入故障， 预定时间长度为 h。则 (t-h+2,t+1),(t-h+3,t+2),(t-h+4,t+3),(t-h+n+1,t+n) 时间区间长度内的系统输入 输出数据被分别用来在线训练 RBF 跟随器。其中输入向量为控制组件系统输入和系统延迟 输出， 输出向量为系统实际输出。用伪逆法提取 RBF 故障跟随器结构参数， 共得到 n 组 RBF 神经网络结构参数， 用于控制组件的故障隔离。 0015 步骤四、 建立并训练四级 RBF 故障隔离器。 0016 将步骤三中得到的n。
20、组RBF故障跟随器结构参数及相应时间区间内的残差有效值 合并为 n 组输入向量， 作为四级 RBF 故障隔离器的训练输入向量， 训练 RBF 故障隔离器。其 训练输出向量为控制组件系统在不同故障模式下的理论输出。 0017 步骤五、 对飞机环控系统控制组件进行实时故障检测。 0018 实时采集控制组件系统的输入温度信号和输出温度信号。将系统输入信号和延 迟输出信号作为输入向量送入步骤一中训练好的 RBF 神经网络观测器， 得到观测器实时估 计的系统输出。通过比较观测器的估计输出温度信号与对应的实际系统输出温度信号， 得 到控制组件的残差信号。 再将系统输入信号及观测器估计输出信号送入步骤二中训。
21、练好的 RBF 自适应阈值产生器， 得到当前时刻的自适应阈值。通过比较残差和阈值， 判断系统是否 发生了故障。考虑到未知的系统干扰的影响， 假定当残差连续超过阈值 p 个点时， 认为系统 发生故障， 产生报警。 0019 步骤六、 对飞机环控系统控制组件进行实时故障隔离。 说 明 书 CN 103353752 A 5 3/11 页 6 0020 一旦检测到系统发生故障， 则在线训练 RBF 故障跟随器。提取系统报警时刻之前 预定时间长度内的系统输入输出数据， 训练 RBF 故障跟随器。训练输入向量为控制组件系 统输入和系统延迟输出， 输出向量为系统实际输出。提取神经网络的结构参数及相应时间 区。
22、间内的残差有效值， 将其合并为输入向量送入步骤四中训练好的 RBF 故障隔离器， 得到 故障隔离结果。 0021 本发明的优点与积极效果在于 ： 0022 （1） 本发明方法采用基于四级 RBF 神经网络的故障诊断方法， 为飞机环控系统控 制组 件提供了一套完整的故障检测与隔离方案， 具有很高的实际工程应用价值 ； 0023 （2） 本发明方法充分利用了 RBF 神经网络强大的学习能力， 对飞机环控系统控制 组件固有的非线性特征具有良好的鲁棒性 ； 0024 （3） 本发明方法采用了基于 RBF 神经网络的自适应阈值产生器， 克服了传统的固 定阈值在故障检测过程中可能引起的误报以及虚警 ； 0。
23、025 （4） 本发明方法充分利用了 RBF 神经网络能跟随系统状态自适应地改变自身网络 参数的特点， 提取RBF神经网络故障跟随器的网络参数， 与残差特征一起送入RBF故障隔离 器进行故障隔离， 提高了传统的单纯依靠系统残差进行故障隔离的可靠度 ； 0026 （5） 本发明方法可以实时地对飞机环控系统控制组件进行系统状态跟踪、 故障检 测与隔离， 具有非常高的工程实用性 ； 附图说明 0027 图 1 是本发明的飞机环控系统控制组件故障诊断方法流程图 ； 0028 图 2 是二级 RBF 自适应阈值产生器训练流程图 ； 0029 图 3（a） 是本发明的飞机环控系统结构 ； 0030 图 3。
24、（b） 是本发明的飞机环控系统控制组件原理图 ； 0031 图 3（c） 是本发明的飞机环控系统控制组件数学模型 ； 0032 图 4 是本发明实施例中在 Matlab Simulink 环境下的飞机环控系统控制组件模 型 ； 0033 图 5 是本发明实施例中活门卡死故障仿真结果 ； 0034 图 6 是本发明实施例中传感器恒增益故障仿真结果 ； 0035 图 7 是本发明实施例中活门卡死测试过程仿真结果 ； 0036 图 8 是本发明实施例中传感器恒增益故障测试过程仿真结果 ； 具体实施方式 0037 下面将结合附图和实施例对本发明作进一步的详细说明。 0038 本发明针对在飞机环控系统故。
25、障诊断领域内， 缺乏一套有效并且系统的飞机环控 系统控制组件故障诊断方法的现状， 根据飞机环控系统控制组件的结构及数据特点， 提出 了一种基于四级 RBF 神经网络的飞机环控系统控制组件故障诊断方法。图 1 所示为基于四 级 RBF 神经网络的飞机环控系统控制组件故障诊断方法流程图， 具体步骤如下 ： 0039 步骤一、 建立并训练一级 RBF 神经网络观测器。 0040 考虑到输出应该存在一定的滞后， 因此在引入到神经网络观测器的输入端之前加 说 明 书 CN 103353752 A 6 4/11 页 7 一个Z-1环节， 逼近真实的飞机环控系统控制组件的工作情形， 其中Z-1是一个能够模拟。
26、真实 控制组件输出滞后功能的迟滞环节。 0041 采集控制组件各种正常工作状态下的系统输入温度信号 r(t)（t=2,3,4,n） 和 输出温度信号 yr(t)（t=2,3,4,n） ， 输出温度信号经过迟滞环节 Z-1之后得到系统延迟 输出 yr(t)（t=1,2,3,n-1） ， 将获取的系统输入信号 r(t)（t=2,3,4,n） 和延迟输 出信号 yr(t)（t=1,2,3,n-1） 放到一个向量中作为 RBF 神经网络观测器的训练输入样 本， 将获取的控制组件系统输出信号 yr(t)（t=2,3,4,n） 作为 RBF 神经网络观测器的训 练输出样本。在进行训练之前需要对训练输入和输。
27、出样本归一化处理到 -1,1 之间， 然后 设定好 RBF 神经网络的基本参数， 开始训练。训练完成时保存训练好的 RBF 神经网络观测 器。 0042 步骤二、 建立并训练二级 RBF 自适应阈值产生器。 0043 二级 RBF 自适应阈值产生器的训练流程图如图 2 所示。首先， 采集系统各种正常 状态下输入温度信号 r(t)（t=2,3,4,n） 及系统输出温度信号 yr(t)（t=2,3,4,n） ， 输出信号经过迟滞环节后得到系统延迟输出 yr(t)（t=1,2,3,n-1） 。将输入温度 信号 r(t)（t=2,3,4,n）及延迟输出信号 yr(t)（t=1,2,3,n-1）作为输入。
28、向量， 归一化之后送入步骤一中训练好的 RBF 观测器， 得到系统故障状态下的观测器估计输出 将观测器估计输出与系统实际输出 yr(t) （t=2,3,4,n） 作差， 可以得到系统正常状态下的残差信号 (t) （t=2,3,4,n） ， 将此残差信号定义为基准残差 sta_threshold。 0044 再 将 上 述 系 统 输 入 r(t)（t=2,3,4,n）及 观 测 器 估 计 的 系 统 输 出 归一化之后作为网络输入向量， 训练二级 RBF 自适应阈值产生器。 其训练输出向量为自适应阈值 ： adap_thrshold=sta_threshold+。其中， 是考虑到未 知的系统。
29、干扰及建模误差， 通过仿真得到的修正因子。训练完成时保存训练好的 RBF 自适 应阈值产生器。 0045 步骤三、 建立并训练三级 RBF 故障跟随器， 提取其网络参数。 0046 当系统发生故障时， 则在线训练 RBF 故障跟随器。由于当系统的故障模式发生改 变时， RBF 神经网络能精确地跟踪这种变化， 并自适应地改变自身参数。因此， RBF 故障跟 随器的结构参数可以用于控制组件的故障隔离。这里， 采用 K 均值聚类算法训练 RBF 故障 跟随器， 用伪逆法获取神经网络的结构参数。所提取的 RBF 故障跟随器网络参数为 ： RBF 跟 随器第 i 个节点的带宽向量 i， RBF 跟随器第。
30、 i 个节点的中心向量 ci， RBF 跟随器的连接 权值 wi。 0047 RBF 故 障 跟 随 器 在 线 训 练 的 样 本 为 故 障 发 生 时 刻 前 预 定 时 间 长 度 内 的 系 统 输 入 和 输 出 数 据。 在 时 刻 t 给 系 统 注 入 故 障， 预 定 时 间 长 度 为 h。 则 (t-h+2,t+1),(t-h+3,t+2),(t-h+4,t+3),(t-h+n+1,t+n) 时间区间长度内的系统输入 输出数据被分别用来在线训练 RBF 跟随器。其中输入向量为控制组件系统输入和系统延迟 输出， 输出向量为系统实际输出。用伪逆法提取网络结构参数后， 共得到。
31、 n 组 RBF 神经网络 结构参数， 用于控制组件的故障隔离。 同时， 由于残差在不同故障模式下会表现出不同的特 征， 因此， 相应时间区间内的残差有效值也被用于实现控制组件的故障隔离， 共有 n 组残差 有效值。它们和 RBF 故障跟随器结构参数共同组成 n 组输入向量， 用于训练四级 RBF 故障 说 明 书 CN 103353752 A 7 5/11 页 8 隔离器。 0048 步骤四、 建立并训练四级 RBF 故障隔离器。 0049 由步骤三得到 n 组 RBF 故障跟随器结构参数， 及相应时间区间内的残差有效值。 将它们合并为 n 组输入向量， 作为四级 RBF 故障隔离器的训练输。
32、入向量， 训练 RBF 故障隔离 器。训练输入向量定义如下 ： 0050 Z z1 z2 z3 z4T i ci wi T 0051 训练输入向量 Z 包含四个特征量 z1、 z2、 z3、 z4， 分别对应 i， ci， wi， 。其中 i 为 RBF 跟随器第 i 个节点的带宽向量， ci为 RBF 跟随器第 i 个节点的中心向量， wi为 RBF 跟 随器的连接权值， 为故障发生时刻前预定时间长度内残差的有效值 （RMS） 。 0052 RBF 故障隔离器训练输出向量为控制组件系统在不同故障模式下的理论输出。对 于控制组件系统的 m 种故障模式， RBF 故障隔离器训练输出向量为 ： 0。
33、053 表 1.RBF 故障隔离器的目标输出 0054 0055 0056 步骤五、 对飞机环控系统控制组件进行实时故障检测。 0057 实时采集控制组件系统的输入温度信号 r(t)（t=2,3,4,n）和输出温度信 号 yr(t)（t=2,3,4,n） ， 输出温度信号经过迟滞环节 Z-1之后得到系统延迟输出 yr(t) （t=1,2,3,n-1） ， 将获取的系统输入信号 r(t)（t=2,3,4,n） 和延迟输出信号 yr(t) （t=1,2,3,n-1） 放到一个向量中， 归一化之后送入步骤一中训练好的 RBF 神经网络观测 器， 得到观测器实时估计的系统输出通过比较观测器的估计输 出。
34、温度信号与对应的实际系统输出温度信号 yr(t)（t=2,3,4, ,n） ， 可以获得当前 t 时刻控制组件的残差信号。 0058 再 将 系 统 输 入 信 号 r(t)（t=2,3,4,n）及 观 测 器 估 计 输 出 信 号 送入步骤二中训练好的 RBF 自适应阈值产生器， 得到当前时刻的 自适应阈值。 0059 系统正常情况下， 残差小于阈值， 接近于零。 当控制组件系统中的某一部件出现故 障时， 残差将增大， 并超过自适应阈值。考虑到未知的系统干扰的影响， 设定当残差连续超 过阈值 p 个点时， 认为系统发生故障， 产生报警。 说 明 书 CN 103353752 A 8 6/1。
35、1 页 9 0060 步骤六、 对飞机环控系统控制组件进行实时故障隔离。 0061 一旦检测到系统发生故障， 则在线训练 RBF 故障跟随器。提取系统报警时刻 t1之 前预定时间长度 h 内的系统输入输出数据， 用于训练 RBF 故障跟随器。训练输入向量为控 制组件系统输入和系统延迟输出， 输出向量为系统实际输出。用伪逆法获取神经网络的结 构参数。所提取的 RBF 故障跟随器网络参数为 ： RBF 跟随器第 i 个节点的带宽向量 i， RBF 跟随器第 i 个节点的中心向量 ci， RBF 跟随器的连接权值 wi。同时， 提取相应时间区间内的 残差有效值， 将其与 RBF 故障跟随器网络结构参。
36、数合并为故障隔离输入向量 ： 0062 Z z1 z2 z3 z4T i ci wi T 0063 将其送入步骤四中训练好的 RBF 故障隔离器， 得到故障隔离结果。这里的 Z 是检 测到 系统发生故障以后， 用于进行故障隔离时， 送入已训练好的 RBF 故障隔离器的输入向 量 ； 而步骤四中的 Z 是为了训练 RBF 故障隔离器而提取的 RBF 故障隔离器训练输入向量。 0064 实施例 ： 0065 本实例采用本发明方法对环控系统控制组件活门卡死和传感器恒增益两种故障 进行故障检测与隔离， 以对所发明的内容进行阐述， 并进一步说明本发明内容的使用过 程。 。 0066 图 3（a） 所示为。
37、本发明的飞机环控系统结构图。从飞机发动机的压缩机流出高温 高压的空气。 这些排出空气经过初冷器冷却后， 被分为两部分 ： 一部分进入带有控制阀门的 热路导管， 另一部分进入冷却导管， 由热交换器和涡轮机进行冷却。 进入冷却导管的空气经 过热交换器的冷端由冲压空气初始冷却， 然后在涡轮机内膨胀后再次冷却， 同时带动风扇 与涡轮机之间的连接轴使风扇产生冲压空气。涡轮机出气口排出低温空气。通过控制阀门 调整来自冷却导管和热路导管的空气比率可以使电子设备舱达到合适的温度。 0067 控制组件是飞机环控系统的主要组成部分， 在温度调节过程中也是十分重要的。 图 3（b） 所示为本发明的飞机环控系统控制组。
38、件原理图。在这个控制回路中， 给定一个预 设温度， 放大器将把温度信号转换为相应的电压信号， 作为执行器的输入。然后， 执行器把 电压信号转换为相应的活门转角以控制供气流和电子设备舱的温度。同时， 温度传感器采 集舱内的温度信号作为控制反馈， 以确保温度迅速准确地达到预设值。 0068 图 3（c） 所示为本发明的飞机环控系统控制组件数学模型。其中， k 代表温度和 发动机输入电压的关系， 对应图 3（b） 中的放大器 ； 代表活门转角和发动机输入电压的 关系， f 代表活门转角和供气流的关系， 它们对应图 3（b） 中的执行器 ；为温度传感 器的传递函数， 对应图 3（b） 中的温度传感器 。
39、；为简化的电子设备舱数学模型， 对应 图 3（b） 中的电子设备舱。 0069 其中 ： 设一个系统的输入函数为 x(t） ， 输出函数为 y(t)， 则 y(t) 的拉氏变换 Y(s) 与 x(t) 的拉氏变换 X(s) 的商 ： W(s)=Y(s)/X(s) 称为这个系统的传递函数。km、 kz、 k、 Tw、 T 是传递函数中的参数。 0070 图 4 是本发明实施例中在 Matlab Simulink 环境下的飞机环控系统控制组件模 型， 仿真参数如表 2 所示。系统输入为正弦波， 通过一个嵌入的 MATLAB 功能函数模块对正 说 明 书 CN 103353752 A 9 7/11 。
40、页 10 弦波幅值进行改变， 从而实现工况的变化。 在系统的输入端加入随机噪声， 均值为0.00001， 方差为 0.05。放大器放大倍数 K=60， 对应图中的 Gain。本发明实施例中给飞机环控系统控 制组件注入了两种故障 ： 活门卡死和传感器恒增益。活门卡死时， 活门处于一定的开度上， 不能起调节作用， 较大误差长时间内存在不能消除。通过前述的分析， 在 Simulink 仿真模 型中注入活门卡死故障， 通过 switch 结构， 实现正常模块和故障模块的转换。上面一条支 路为故障状态， 通过一个嵌入的 MATLAB 功能函数模块调节活门卡死的角度 ； 下面一条支路 为正常状态， km=。
41、2.5,f=0.0133, 对应图中 Gain1。传感器恒增益故障时， 传感器的反馈信号 具有一定偏差， 导致控制信号发生偏差， 最终导致系统输出出现静差 （传感器前信号） 。通过 前述的分析， 在 Simulink 仿真模型中注入传感器恒增益故障， 通过 switch 结构， 实现正常 模块和故障模块的转换。上面一条支路为故障状态， 通过一个嵌入的 MATLAB 功能函数模块 调节传感器增益的偏移程度 ； 下面一条支路为正常状态 ,kz 1,Tw 0.6。为电子 设备舱数学模型。通过 scope1 和 scope2 可以观察系统输入和系统输出。 0071 表 2. 环控系统控制组件仿真参数 。
42、0072 0073 具体步骤如下 ： 0074 步骤一、 建立并训练一级 RBF 神经网络观测器。 0075 已知环控系统控制组件的输入信号为正弦。在 Matlab Simulink 环境下， 分别采 集系统输入为15+15sin(/50)t和3+3sin(/50)t两种正常工况下的输入温度信号r(t) （t=2,3,4,1001） 及系统输出温度信号 yr(t)（t=2,3,4,1001） ， 输出信号经过迟滞 环节后 得到系统延迟输出 yr(t)（t=1,2,3,1000） 。两种工况下的输入输出数据各采 集 1000 组， 采样率为 1s。用采集到的输入输出数据训练 RBF 神经网络观测。
43、器。训练输入 向量为系统输入信号 r(t)（t=2,3,4,1001） 和经过迟滞环节的系统延迟输出 yr(t) （t=1,2,3,1000） ， 训练输出向量为系统输出信号 yr(t)（t=2,3,4,1001） 。在进行 训练之前需要对训练输入和输出样本归一化处理到-1,1之间， 然后设定好RBF神经网络 的基本参数， 开始训练。训练完成时保存训练好的 RBF 神经网络观测器。 0076 步骤二、 建立并训练二级 RBF 自适应阈值产生器。 0077 重新采集系统输入为15+15sin(/50t)和3+3sin(/50)t两种正常工况下的输 入温度信号 r(t)（t=2,3,4,1001）。
44、 及系统输出温度信号 yr(t)（t=2,3,4,1001） ， 输 出信号经过迟滞环节后得到系统延迟输出 yr(t) （t=1,2,3,1000） 。两种工况下输入输 出数据各采集 1000 组， 采样率为 1s。将输入温度信号 r(t)（t=2,3,4,1001） 及延迟输 说 明 书 CN 103353752 A 10 8/11 页 11 出信号 yr(t)（t=1,2,3,1000） 作为输入向量， 归一化之后送入步骤一中训练好的 RBF 观测器， 得到系统故障状态下的观测器估计输出将观测器 估计输出与系统实际输出 yr(t)（t=2,3,4,1001） 作差， 可以得到系统正常状态下。
45、的残差信号， 将此残差信号定义为基准残差 sta_threshold。 0078 再 将 上 述 系 统 输 入 r(t)（t=2,3,4,1001）及 观 测 器 估 计 的 系 统 输 出 归一化之后作为网络输入向量， 训练二级 RBF 自适应阈值产 生器。其训练输出向量为基准残差 sta_threshold 加上修正因子 ， 即自适应阈值 ： adap_ thrshold=sta_threshold+。其中， 是考虑到未知的系统干扰及建模误差， 通过仿真得 到的， 这里取 =0.3。训练完成时保存训练好的 RBF 自适应阈值产生器。 0079 步骤三、 建立并训练三级 RBF 故障跟随器。
46、， 提取其网络参数。 0080 在Matlab Simulink环境下运行环控系统控制组件模型， 采集系统输入输出数据。 仿真运行时间为 2000s， 采样率为 1s。在第 1000s 给控制组件模型注入活门卡死故障。图 5 是本发明实施例中活门卡死故障仿真结果。图 5（a） 为系统输入波形， 其对应的数学公式 如公式 （1） 所示。 0081 0082 图 5（b） 为系统输出波形， 从图中可以看出， 注入活门卡死故障之后， 系统输出逐 渐增大， 最终趋向于一个恒定值。图 5（c） 为系统残差及自适应阈值波形， 其中实线代表残 差， 虚线代表自适应阈值。 从图中可以看出， 系统正常状态下， 。
47、残差接近于0并小于阈值 ； 注 入活门卡死故障后， 系统残差逐渐增大， 并超过自适应阈值， 表明系统发生了故障。 0083 预定时间长度为 300s。分别提取第 702s 1001s， 703s 1002s， 901s 1200s的系统输入输出数据， 采用K均值聚类算法在线训练RBF跟随器。 训练输入向量为控 制组件系统输入和系统延迟输出， 输出向量为系统实际输出。用伪逆法提取 RBF 跟随器第 i 个节点的带宽向量 i， RBF 跟随器第 i 个节点的中心向量 ci， RBF 跟随器的连接权值 wi。 共得到200组RBF故障跟随器结构参数。 同时提取相应时间段内的残差有效值， 将其与RBF。
48、 故障跟随器结构参数共同组成 200 组输入向量， 用于训练四级 RBF 故障隔离器。 0084 重新在 Matlab Simulink 环境下运行环控系统控制组件模型， 采集系统输入输出 数据。仿真运行时间为 2000s， 采样率为 1s。在第 1000s 给控制组件模型注入传感器恒增 益故障。图 6 是本发明实施例中传感器恒增益故障仿真结果。图 6（a） 为系统输入波形， 其对应的数学公式如公式 （1） 所示。图 6（b） 为系统输出波形， 从图中可以看出， 注入传感 器恒增益故障之后， 系统输出出现静差。图 6（c） 为系统残差及自适应阈值波形， 其中实线 代表残差， 虚线代表自适应阈值。从图中可以看出， 系统正常状态下， 残差接近于 0 并小于 阈值 ； 注入传感器恒增益故障后， 系统残差逐渐增大， 并最终超过自适应阈值， 表明系统发 生了故障。 0085 以相同的方法在线训练 RBF 故障跟随器， 提取其网络结构参数， 及相应时间段内 的残差有效值。共得到 200 组输入向量， 用于训练四级 RBF 故障隔离器。 说 明 书 CN 103353752 A 11 9/11 页 12 0086 步骤四、 建立并训练四级 。