基于過載特征曲線的某型導(dǎo)彈故障診斷方法研究*

范紹里 寇昆湖 陳 勇

(1.海軍航空工程學(xué)院七系 煙臺(tái) 264001)(2.海軍航空工程學(xué)院控制工程系 煙臺(tái) 264001)

基于過載特征曲線的某型導(dǎo)彈故障診斷方法研究*

范紹里1寇昆湖2陳 勇2

(1.海軍航空工程學(xué)院七系 煙臺(tái) 264001)(2.海軍航空工程學(xué)院控制工程系 煙臺(tái) 264001)

針對(duì)某型導(dǎo)彈故障診斷的特點(diǎn),以動(dòng)態(tài)測(cè)試為基礎(chǔ),過載特征曲線為分析對(duì)象,借助于小波包變換和神經(jīng)網(wǎng)絡(luò)通過松散結(jié)合,提出了一種新的基于過載特征曲線的某型導(dǎo)彈故障診斷方法。實(shí)驗(yàn)證明它可以實(shí)現(xiàn)故障的準(zhǔn)確診斷和定位。

動(dòng)態(tài)測(cè)試; 過載; 小波包變換; 神經(jīng)網(wǎng)絡(luò)

Class Number TP206

1 引言

現(xiàn)有的導(dǎo)彈測(cè)試設(shè)備基本上延用傳統(tǒng)的靜態(tài)測(cè)試方法,存在著測(cè)試時(shí)間長(zhǎng)、被測(cè)對(duì)象的工作模態(tài)不能得到充分激勵(lì)等缺陷。而動(dòng)態(tài)測(cè)試可以很好地解決這些問題,動(dòng)態(tài)測(cè)試不只局限于測(cè)試某些定點(diǎn)的輸出值,而是面向線和面,對(duì)被測(cè)系統(tǒng)的動(dòng)態(tài)響應(yīng)過程進(jìn)行跟蹤、記錄及分析并判斷,其結(jié)果是評(píng)價(jià)被測(cè)系統(tǒng)動(dòng)態(tài)性能的依據(jù)[1]。

過載控制是導(dǎo)彈控制系統(tǒng)設(shè)計(jì)的一種方法。控制系統(tǒng)的構(gòu)造簡(jiǎn)單,但控制效果要好,既能控制導(dǎo)彈實(shí)現(xiàn)全方位、大空域機(jī)動(dòng),又能實(shí)現(xiàn)末端機(jī)動(dòng)。

本文以動(dòng)態(tài)測(cè)試為基礎(chǔ),采用過載曲線為分析對(duì)象,結(jié)合小波包變換和神經(jīng)網(wǎng)絡(luò),討論了某型導(dǎo)彈進(jìn)行故障診斷的一種新方法。

2 過載曲線

導(dǎo)彈的機(jī)動(dòng)性能是評(píng)價(jià)導(dǎo)彈飛行性能的重要指標(biāo)之一。所謂機(jī)動(dòng)性能是指導(dǎo)彈改變飛行速度的大小和方向的能力,通常用過載向量來衡量。

所謂過載[2],是指作用在導(dǎo)彈上除重力之外的所有外力N與導(dǎo)彈重量G的比值,過載矢量的大小和方向,通常是由它在某坐標(biāo)系上的投影來確定。

過載與運(yùn)動(dòng)參量之間的關(guān)系式:

(1)

式中,nx、ny、nz為過載分量;v為導(dǎo)彈速度;θ為彈道傾角;ψ為彈道偏角。

傳統(tǒng)的反艦導(dǎo)彈控制系統(tǒng)設(shè)計(jì)采用的都是姿態(tài)控制。所謂姿態(tài)控制,就是控制系統(tǒng)通過直接測(cè)量和控制導(dǎo)彈的姿態(tài)角(俯仰角、航向角、滾動(dòng)角)來操縱導(dǎo)彈的飛行,達(dá)到按期望彈道飛行,最后按一定的制導(dǎo)規(guī)律攻擊敵艦。而本文采用過載控制設(shè)計(jì)導(dǎo)彈的控制系統(tǒng)。所謂過載控制,是指控制系統(tǒng)通過直接測(cè)量和控制導(dǎo)彈的過載(和過載變化率)來操縱導(dǎo)彈的飛行,達(dá)到按期望彈道飛行,末端按一定的制導(dǎo)規(guī)律機(jī)動(dòng)攻擊敵艦[3]。

某型導(dǎo)彈正常和自動(dòng)駕駛儀傾斜微分環(huán)節(jié)失效情況下測(cè)得的過載曲線(nx、ny、nz)如圖1所示。

圖1 某型導(dǎo)彈正常(左)和自動(dòng)駕駛儀傾斜微分環(huán)節(jié)失效(右)過載曲線

3 特征提取

小波包變換則彌補(bǔ)了正交小波變換頻譜隨著小波尺度指數(shù)的增大而其分辨率卻愈粗的不足,在提高時(shí)間分辨率的同時(shí),對(duì)信號(hào)高頻部分逐漸變寬的頻譜進(jìn)一步分割細(xì)化,能精確反映系統(tǒng)狀態(tài)。當(dāng)系統(tǒng)的動(dòng)態(tài)測(cè)試中出現(xiàn)故障時(shí),其輸出與正常系統(tǒng)輸出相比,相同頻帶內(nèi)信號(hào)的能量會(huì)有著較大的差別,它使某些頻帶內(nèi)的信號(hào)能量減小,而使另外一些頻帶內(nèi)的信號(hào)能量增大,因此,在各頻率成分信號(hào)的能量中,包含著豐富的故障信息[4～5]。因此,本文采用基于“殘差能量——故障”的故障特征提取方法,即把故障信號(hào)與正常信號(hào)相減,計(jì)算出故障殘差信號(hào)。把所得到的殘差信號(hào)利用小波包變換在多層分解后的不同頻帶內(nèi)分析信號(hào),使本不明顯的信號(hào)頻率特征在不同分辨率的若干子空間中以顯著的能量變化的形式表現(xiàn)出來,從而提取反映系統(tǒng)故障的特征信息。其基本方法和步驟如下:

1) 計(jì)算殘差信號(hào)。殘差信號(hào)=故障信號(hào)-正常信號(hào)。

2) 對(duì)得到的殘差信號(hào)進(jìn)行3層小波包分解,分別提取第3層從低頻到高頻8個(gè)頻段的信號(hào)特征。其中,小波基函數(shù)采用Daubechies小波db1,分解結(jié)構(gòu)樹如圖2所示[6]。

圖2 小波包3層分解結(jié)構(gòu)樹

圖2中,(i,j)表示第i層的第j個(gè)節(jié)點(diǎn),其中,i=0,1,2,3,j=0,1,2,…,7。每個(gè)節(jié)點(diǎn)都代表該節(jié)點(diǎn)對(duì)應(yīng)的小波包分解系數(shù)向量,可用Ci,j表示。

3) 對(duì)小波包分解系數(shù)重構(gòu),提取各頻帶范圍的信號(hào)。設(shè)各節(jié)點(diǎn)小波包系數(shù)Ci,j對(duì)應(yīng)的重構(gòu)信號(hào)為Si,j,這里只對(duì)第3層的所有節(jié)點(diǎn)進(jìn)行分析,則總信號(hào)可以表示為

S=S3,0+S3,1+S3,2+S3,3+S3,4+S3,5+S3,6+S3,7

(2)

4) 求各頻帶信號(hào)的總能量。設(shè)各節(jié)點(diǎn)S3,i(j=0,1,…,7)對(duì)應(yīng)的能量E3,j(j=0,1,…,7),則有

其中,cj,k(j=0,1,…,7;k=1,2,…,n)表示重構(gòu)信號(hào)S3,j的離散點(diǎn)的幅值。

5) 構(gòu)造特征向量。由于系統(tǒng)出現(xiàn)故障時(shí),會(huì)對(duì)各頻帶內(nèi)信號(hào)的能量有較大的影響,因此,可以以能量為元素構(gòu)造一個(gè)特征向量。特征向量T可以如下構(gòu)造:

T=[E3,0,E3,1,E3,2,E3,3,E3,4,E3,5,E3,6,E3,7]

(4)

當(dāng)能量較大時(shí),E3,j(j=0,1,…,7)通常是一個(gè)較大的數(shù)值,在數(shù)據(jù)分析上會(huì)帶來一些不便的地方。由此,可以對(duì)特征向量T進(jìn)行改進(jìn),即對(duì)向量進(jìn)行歸一化處理。令

(5)

則歸一化后的特征向量為

T′= [E3,0/E,E3,1/E,E3,2/E,E3,3/E,E3,4

/E,E3,5/E,E3,6/E,E3,7/E]

(6)

用上述殘差小波包變換方法進(jìn)行處理,得到的某型導(dǎo)彈自動(dòng)駕駛儀傾斜微分環(huán)節(jié)失效故障情況下四個(gè)舵機(jī)的故障殘差信號(hào)及殘差能量歸一化直方圖,如圖3所示。

其中

T′表示在傾斜微分環(huán)節(jié)失效故障狀態(tài)下的殘差能量歸一化特征向量。

圖3 某型導(dǎo)彈自動(dòng)駕駛儀傾斜微分環(huán)節(jié)失效故障情況過載曲線的故障殘差信號(hào)(0.01S采樣)及殘差能量歸一化直方圖

4 故障診斷

神經(jīng)網(wǎng)絡(luò)因具有較好的非線性擬合能力而成為故障診斷的一種有效方法,這里用BP神經(jīng)網(wǎng)絡(luò)對(duì)某型導(dǎo)彈自動(dòng)駕駛儀進(jìn)行智能故障診斷。

BP網(wǎng)絡(luò)一般由輸入層、輸出層和中間層(或稱隱層)組成,輸入層從對(duì)象接受各種故障信息和現(xiàn)象;中間層是把輸入層得到的故障信息,經(jīng)內(nèi)部的學(xué)習(xí)和處理,轉(zhuǎn)化為針對(duì)性的解決辦法[7～8]。中間層含有隱節(jié)點(diǎn),它通過權(quán)值連接著輸入層與輸出層;輸出層是針對(duì)輸入的故障形式,經(jīng)過調(diào)整權(quán)值后,得到的故障處理方法。BP神經(jīng)網(wǎng)絡(luò)在其學(xué)習(xí)訓(xùn)練的過程中,采用的是BP算法。BP網(wǎng)絡(luò)的訓(xùn)練過程主要由兩個(gè)階段組成:一個(gè)是學(xué)習(xí)過程,該過程中神經(jīng)元的連接權(quán)值將依據(jù)學(xué)習(xí)算法而有所調(diào)整;另一個(gè)是計(jì)算過程,該過程實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的活躍狀態(tài)的模式變換[9]。

根據(jù)某型反艦導(dǎo)彈自動(dòng)駕駛儀故障特征特點(diǎn),根據(jù)征兆輸入和故障種類,建立3層神經(jīng)元組成的BP網(wǎng)絡(luò),取BP網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)24,隱層節(jié)點(diǎn)數(shù)10,輸出層節(jié)點(diǎn)為2,最大訓(xùn)練次數(shù)1000,最大允許誤差0.0001,學(xué)習(xí)速率0.1。訓(xùn)練函數(shù)trainlm是利用Levenberg-Marquardt算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的,通過以下代碼調(diào)用trainlm[10]。

net=newff(threshold,[10,2],{'tansig','logsig'},'trainlm');

net.trainParam.epochs=1000;

net.trainParam.goal=0.0001;

LP.lr=0.1;

net=train(net,P,T);

其中,P和T分別為網(wǎng)絡(luò)的輸入向量和目標(biāo)向量,P是從表1中得到的。

網(wǎng)絡(luò)訓(xùn)練結(jié)果為

TRAINLM, Epoch 0/100, MSE 0.271776/0.0001, Gradient 6.62445/1e-010

TRAINLM, Epoch 11/100, MSE 7.02005e-007/0.0001, Gradient 0.0381473/1e-010

TRAINLM, Performance goal met.

可見,經(jīng)過11次訓(xùn)練后,網(wǎng)絡(luò)性能達(dá)到了要求,如圖4所示。

圖4 訓(xùn)練結(jié)果

測(cè)得四組新的數(shù)據(jù)作為網(wǎng)絡(luò)的測(cè)試輸入數(shù)據(jù),對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試,如表2所示。

表1 某型導(dǎo)彈自動(dòng)駕駛儀狀態(tài)樣本數(shù)據(jù)

表2 利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)故障診斷測(cè)試情況

由此可得,網(wǎng)絡(luò)成功診斷出這三種狀態(tài),網(wǎng)絡(luò)的分類結(jié)果是正確的,網(wǎng)絡(luò)用于某型導(dǎo)彈自動(dòng)駕駛儀故障診斷是有效的。

5 結(jié)語

基于過載曲線的某型導(dǎo)彈故障診斷方法以導(dǎo)彈動(dòng)態(tài)測(cè)試中得到的過載特征曲線為分析對(duì)象,小波包變換和神經(jīng)網(wǎng)絡(luò)通過松散結(jié)合應(yīng)用于故障診斷,能夠有效地實(shí)現(xiàn)導(dǎo)彈故障的診斷和定位。

[1] 王躍科,葉相濱,等.現(xiàn)代動(dòng)態(tài)測(cè)試技術(shù)[M].北京:國防工業(yè)出版社,2003:3.

[2] 馬金鐸,周紹磊,程繼紅.導(dǎo)彈控制系統(tǒng)原理[M].北京:航空工業(yè)出版社,1996.

[3] 趙國榮,洪海斌,宋超,等.變質(zhì)心再入飛行器過載控制系統(tǒng)的反演設(shè)計(jì)[J].飛行力學(xué),2013,5(3):40-46.

[4] 袁海英,孫迅,黎海濤.基于提升小波變換的模擬電路故障特征識(shí)別[J].電子測(cè)量與儀器學(xué)報(bào),2011,25(8):700-703.

[5] 何星,王宏力,陸敬輝,等.基于優(yōu)選小波包和ELM的模擬電路故障診斷[J].儀器儀表學(xué)報(bào),2013,34(11):2614-2619.

[6] S. Mallat, Hwang W. L. Singularity detection and processing with wavelets[J]. IEEE Trans. On Information Theory,1992,38(2):617-643.

[7] 趙鵬,陳斌,李淵.基于BP神經(jīng)網(wǎng)絡(luò)的虛擬故障診斷的實(shí)現(xiàn)[J],艦船電子工程,2014,34(3):97-99.

[8] 白帆,孫寧.基于BP神經(jīng)網(wǎng)絡(luò)的艦船組合導(dǎo)航算法研究[J].艦船電子工程,2014,33(2):50-51.

[9] 虞和濟(jì),陳長(zhǎng)征,等.基于神經(jīng)網(wǎng)絡(luò)的智能診斷[M].北京:冶金工業(yè)出版社,2002:6.

[10] The Math Works Inc. Neural Network Toolbox User’s Guide(Version 4)[M]. 2001:3.

Certain Missile Fault Diagnosis Method Based on Overload Characteristic Curves

FAN Shaoli1KOU Kunhu2CHEN Yong2

(1. Department 7, Naval Aeronautical Engineering Institute, Yantai 264001) (2. Department of Automatic Control Engineering, Naval Aeronautical Engineering Academy, Yantai 264001)

In accordance with the characteristic of certain missile fault diagnosis, a new certain missile fault diagnosis method based on dynamic test is put forward, the overload characteristic curve for analysing the object, by the aid of the loose combination of wavelet packet translation and neural network. Experiments prove that this method can realize fault diagnosis and orientation correctly.

dynamic test, overload, wavelet translation, neural network

2014年6月5日,

2014年7月27日

范紹里,男,副教授,研究方向:飛行器測(cè)試與控制。寇昆湖,男,博士,講師,研究方向:導(dǎo)航制導(dǎo)與控制。陳勇,男,碩士,講師,研究方向:導(dǎo)航制導(dǎo)與控制。

TP206

10.3969/j.issn1672-9730.2014.12.044