[发明专利]一种航空机电作动器故障诊断方法

说明书

本发明涉及一种基于符号动力学信息熵理论和改进Parks聚类算法的航空机电作动器故障诊断方法，通过对机电作动器逆变器侧母线电流的幅值时间序列进行符号化处理，将计算得到的信息熵值以及母线电流时间序列的最大幅值作为机电作动器故障诊断的两个特征量，然后建立基于训练样本的标准故障特征矩阵，采用改进parks聚类算法通过计算待测样本与故障特征矩阵的距离来判断待测样本归属的故障类型。本发明提出的特征提取和故障诊断方法相比传统方法具有计算简便、所需数据量小等优点，能对多种机电作动器故障进行有效的识别和诊断。

技术领域

本发明属于一种航空机电作动器故障诊断方法，具体涉及基于符号动力学信息熵理论和改进parks聚类算法的航空机电作动器故障诊断方法。

背景技术

航空机电作动器(Electro-mechanical actuator,EMA)由无刷直流电机、滚珠丝杠及齿轮减速器组成。与液压作动器相比，机电作动器具有体积小，重量轻，易维修等特点，因而被广泛应用于航空领域。机电作动器故障诊断方法的研究是保障航空设备安全运行的一项重要工作。

EMA的故障包括电气故障和机械故障两大类。常见的电气故障主要集中在电机绕组，电机驱动系统及霍尔位置传感器三个部位。电机驱动系统故障诊断方法主要可划分为电流法和电压法两大类。电流法诸如平均电流绝对值法,归一化直流电流法等方法已经获得较好的故障检测性能。然而这些方法并不适用于无刷直流电机驱动系统的故障检测。电压法诸如误差电压法,开关函数模型法可实现快速的逆变器功率管故障检测但仍然需要额外的电压传感器。电机绕组故障是感应电机的主要故障，其故障诊断方法也可划分为电流和电压分析法两大类。小波分析是一种常用的电机绕组故障诊断频域分析方法，但故障特征提取过程较为复杂且一般只能诊断一种故障类型。一些基于智能算法的电机绕组故障检测方法计算量大且实时性差。霍尔位置传感器是无刷直流电机的关键元件，它们被用来检测转子的位置并为逆变器提供换向信号，然而针对霍尔位置传感器的故障诊断方法还不多见。

可见，现有的故障诊断方法仅能检测一到两种EMA电气故障，一些方法的故障特征提取过程较为复杂或者需要额外的传感器。针对这些问题，有必要提出一种无需增加传感器，故障特征提取过程较为简单，计算量小，且能有效区分多种EMA电气故障的故障诊断方法。据此，提出一种基于符号动力学信息熵理论和改进Parks聚类算法故障诊断方法。

符号动力学理论由Kurths等提出，其基本思想是将时域信号构成的时间序列转化为符号序列，通过计算符号序列的信息熵值来评价原始信号的内在动力学特性。符号序列中包含的符号串模式越多，分布越广，则熵值就越大。反之，则熵值越小。该理论常被用来评价时间序列的相似性。由于EMA在多种典型故障条件下的母线电流波形存在明显差异，可采用符号动力学理论进行故障特征提取。

Parks聚类分析算法通过度量待测样本与各标准故障类的距离来判断待测样本属于哪种故障。该方法的核心是建立能覆盖所有故障样本的特征指标矩阵。将EMA的每种典型故障看作是一个标准故障样本，根据相同故障的故障特征具有较高相似度的思想，采用Parks聚类算法对EMA故障进行聚类诊断，从而辨识出待测样本最有可能属于哪个故障类。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于符号动力学信息熵理论和改进parks聚类算法的航空机电作动器故障诊断方法，解决了传统故障诊断方法仅能检测一到两种作动器故障，且故障特征提取过程较为复杂，计算量大的问题。

技术方案

一种基于符号动力学信息熵理论和改进parks聚类算法的航空机电作动器故障诊断方法，其特征在于步骤如下：

步骤1：对机电作动器的n＝6种状态下的母线电流时域幅值信号分别进行采样，每种运行状态下采集g组母线电流时间，获得L组母线电流时间序列：

L＝n×g g＞＝50