[发明专利]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

权利要求书

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y_r(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y'_r(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y'_r(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y_r(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y_r(t)，输出信号经过迟滞环节后得到系统延迟输出y'_r(t)；将输入温度信号r(t)及延迟输出信号y'_r(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y_r(t)作差，得到系统正常状态下的残差信号ε(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+β；其中，β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σ_i，RBF跟随器第i个节点的中心向量c_i，RBF跟随器的连接权值w_i；

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，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 z₄]^T＝[σ_i c_i w_i ε]^T

训练输入向量Z包含四个特征量z₁、z₂、z₃、z₄，分别对应σ_i，c_i，w_i，ε；其中σ_i为RBF跟随器第i个节点的带宽向量，c_i为RBF跟随器第i个节点的中心向量，w_i为RBF跟随器的连接权值，ε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y_r(t)，输出温度信号经过迟滞环节Z^-1之后得到系统延迟输出y'_r(t)，将获取的系统输入信号r(t)和延迟输出信号y'_r(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y_r(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σ_i，RBF跟随器第i个节点的中心向量c_i，RBF跟随器的连接权值w_i；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数合并为故障隔离输入向量：

Z＝[z₁ z₂ z₃ z₄]^T＝[σ_i c_i w_i ε]^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。