phm系统数据处理方法研究.docVIP

PHM系统数据处理方法研究 导语：?本文针对飞机数据的复杂性采取不同的数据处理算法，D-S证据理论的信息融合故障诊断方法利用多传感器信息融合与处理相应各类故障特征的选择与提取技术，利用各自不同的理论方法对不同的故障数据进行相应的故障特征提取、有效识别和隔离的诊断方法的研究。 摘要：故障预测与健康管理系统（PrognosticsandHealthManagement,PHM）是提高系统性能与完好率，减少维修人力与保障费用的关键技术。一个典型的PHM系统主要功能有数据采集、数据分析、故障诊断功能、健康评估功能、寿命预测功能和维修决策功能。对数据的正确处理直接影响到故障诊断、健康评估和寿命预测，所以选择正确的算法对整个系统是至关重要的。本文从提高故障诊断准确率和可靠性的目标出发，对飞机故障的各种检测和诊断方法进行了系统性的研究，并讨论了信息融合技术、小波变换和贝叶斯网络的优缺点。 关键词：PHM；信息融合；小波变换；贝叶斯网络 1引言 随着航空系统复杂性和综合化水平的日益提高和基于飞机系统可靠性、安全性、经济性的考虑，以检测技术为核心的故障预测与健康管理系统（PHM）技术所起的作用不可或缺，是航空技术发展趋势之一，PHM技术的发展体现在以系统级集成应用为牵引，开展状态检测、故障诊断、预测、健康管理与维护等功能为一体，在准确的时间对准确的部位采取正确的维修活动，并使得系统在尚未完全故障之前人们就能依据系统的当前健康状况决定何时维修，从而实现自助式保障，降低使用和保障费用的目标。即数据处理算法的研究是故障检测技术的核心并决定了检测系统的准确度。 2.国内外发展情况 航空故障诊断技术起于20世纪60年代末，到90年代后随着人工智能和数据融合技术研究与应用的深入，国外正朝着基于数据融合联机诊断功能的综合信息系统方向发展。故障诊断算法可分为基于数学模型的诊断算法和分类诊断法两大类。数学模型诊断方法应用的关键时建立比较精准的数学模型和故障方程及其求解。近二十年，美在数据融合技术的应用做了大量的研究工作，采用人工神经网络与D-S证据理论相结合的数据融合算法。应用信号特征谱提取技术、模糊逻辑与神经网络相结合的多项人工智能技术。国内对多传感器数据融合的研究起步相对较晚，20世纪末才逐渐被重视起来，多数研究是基于各种类型人工神经网络对故障进行诊断算法研究，目前国内开展了多传感器数据融合技术的研究，与国外故障诊断技术相比还处于起步阶段。 3.故障诊断的基本原理和分类 例如飞机的发动机，一般有压气机、燃烧室、涡轮等主要部件组成，每个部件又有若干个零件及构件构成，从系统论的观点出发，若把发动机视为系统，则系统或系统的一部分不能或将不能完成预定功能的事件或状态，统称为故障。如果把发动机故障（原因）引起的发动机性能衰退（结果）的实际因果过程看作是正过程，那么故障诊断过程就是有可测参数的变化（性能退化）来找出故障原因（确定故障部位）的逆过程。 一般可视为分类诊断法和故障方程法两类：非数学模型的分类诊断法，它的理论基础是模式识别理论，其被诊断对象（系统）可能发生的故障状态是有限的。常见的分类方法有：模式匹配法、判别函数分类法、基于概率统计的分类法、神经网络分类法和基于规则推理的分类法等。基于数学模型的故障方程法必须建立复杂的数学模型，其故障模型的建模精度与故障诊断的准确度关系极大，外界的干扰对求解结果的影响也相对较大。 4.算法的研究 3.1基于神经网络的数据融合技术 由于飞机的结构复杂、模型的严重非线性，测量综合误差对故障检测的干扰影响的原因，造成了飞机故障诊断的复杂与困难。基于以上情况采用信息融合技术来诊断故障。例如将测量点电压、温度、能量数据通过权重/表决、贝叶斯推理、卡尔曼滤波等过程进行恰当的融合，提高数据来源的置信度。信息融合技术示意如图1： 图1信息融合技术示意图 基于D-S证据理论的信息融合故障诊断方法研究能有效地提高融合诊断准确率。应用多种改进BP网络、径向基网络、概率神经网络、SOFM自组织特征映射网络、Elman回归神经网络的基础理论，在不同规格化方式和噪声干扰条件下的研究，得出以等方差标准规格化方式为最佳，以概率神经网络的抗干扰能力最强、故障诊断准确率最高。 3.2小波变换 对于含有大量时变与奇异成分的故障信号，适于平稳信号分析的传统分析方法Fourier变换等将会产生较大的误差，不利于故障信号特征的提取。而小波变换作为傅里叶变换方法的发展与延拓具有良好的时频特性，基于小波脊线的渐进信号瞬时频率提取算法能有效地提取频率随时间连续变换信号的故障特征；有时故障信号与正常信号在时频域上的表现非常接近，传统的方法不能准确提取，而基于小波变换的负荷波动判定方法能