[发明专利]一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法

说明书

本发明公开了一种基于AdaBoost‑ASVM算法的飞机执行器故障诊断方法，以飞机执行器常见的卡死、松浮、损伤、反向故障为研究对象，首先将采集到的各种故障信号和正常状态下的信号进行集成经验模态分解，得到一系列平稳的固有模态函数(IMF)和残差；然后对每个固有模态函数和残差计算大量时域特征参数；利用主成分分析法对特征参数进行主元分析，提取贡献率较高的特征构建为训练集和测试集；最后在训练集上建立AdaBoost‑ASVM分类器，对执行器是否发生故障以及故障类型进行识别。本方法可计算速度快，识别精度高，以有效地运用到飞机执行器故障诊断中。

技术领域

本发明涉及飞机执行器故障诊断方法，具体为一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法。

背景技术

飞机是世界上使用频率最高的飞行器之一，人们对于其安全可靠性要求越来越高。随着机载设备复杂程度以及各系统之间联系紧密程度的增加，飞机的故障概率也随之加大。飞机执行器即飞机舵面系统，是操控飞机运动最主要的装置，飞行过程中执行器会频繁地执行控制任务，长此以往间歇转动容易使执行器发生故障。带有故障的信号进入飞控系统会直接影响飞机的操纵性，极有可能酿成重大事故。及时准确的故障诊断则是保障飞机安全飞行的重要手段。

舵面执行机构常见的故障有：卡死、损伤、松浮、反向、饱和(卡死的特例，指执行器卡死在最大值或最小值)等。故障本身会给舵面输出带来附加扰动和不确定性，经过飞控计算机处理，增加了信号的非线性程度，在外界环境的干扰下故障信号没有固定可描述的数学形式。目前飞机执行器故障诊断的算法主要有基于模型和基于数据两种。基于模型的故障诊断需要精确建立对象的数学模型，但飞机在实际飞行过程中的变化很难用数学模型精准描述，众多复杂变量和不确定因素降低了基于模型的故障诊断方法的有效性。基于数据的故障诊断不需要精确的数学模型，具备一定的鲁棒性。例如专利CN201810260434.3和专利CN201710933387.X公布了一种基于数据的飞机舵面故障诊断方法，为保障飞机安全提供了有效途径。但前者只针对了三种故障，涵盖范围不广；后者只提取了一种特征，故障信息未能充分利用。

发明内容

本发明的目的是提供一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法，以提高故障诊断精度。

为实现上述目的，本发明采用的技术方案为：

一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法，包括以下步骤：

(1)采集飞机执行器的故障状态和正常状态下的信号，生成样本；

(2)对步骤(1)得到的信号进行集成经验模态分解(EEMD)，得到一系列平稳的固有模态函数和残差；

(3)对得到的固有模态函数(IMF)分别计算多维时域特征；

(4)将所有多维时域特征构建为特征矩阵，对其进行主成分分析；

(5)提取贡献率较高的特征构成样本的特征矢量；

(6)给样本标注对应的标签，划分训练集与测试集；

(7)建立AdaBoost-ASVM分类器模型，在训练集上不断迭代优化分类器，训练完成后对测试集数据分类，实现故障诊断。

所述步骤(1)中，飞机执行器的故障状态包括卡死故障、松浮故障、损伤故障和反向故障；其中，卡死故障是指飞机执行器固定在某个位置，输出不再响应输入指令；松浮故障是指飞机执行器的响应信号在正常值附近呈不规则的随机漂移状态；损伤故障是指飞机执行器输出值的增益降低，舵面的效能降低；反向故障是指飞机执行器的偏转方向与指令信号相反，幅值大小不变。

所述步骤(2)的具体步骤为：

(2.1)对采集到的原始信号s₁(t)归一化处理，得到s₂(t)为：