基于BP神經網絡的小型民機蒸發循環制冷系統故障診斷研究

王玉兵 孫程斌 徐 雷 高贊軍 王 炬

基于BP神經網絡的小型民機蒸發循環制冷系統故障診斷研究

王玉兵1孫程斌2徐 雷3高贊軍1王 炬1

（1.中國航空工業集團公司金城南京機電液壓工程研究中心 南京 210006；2.南京航空航天大學航空學院 南京 210016；3.金陵科技學院 南京 211169）

針對B787蒸發制冷循環系統中常見的9種典型故障進行實驗模擬，建立BP神經網絡故障診斷推理模型對故障進行在線診斷，診斷準確率到達90%以上。同時，為滿足健康管理對“時效性”和“準確性”的故障檢測本質要求，對幾種BP尋優算法及其他相關參數進行了對比分析，優化BP神經網絡結構，并采用主元分析法前處理故障數據，滿足泛化誤差要求的同時，從整體上降低了網絡計算時間，為故障在線診斷的“時效性”提供良好保障。

民機蒸發循環；故障診斷；神經網絡；優化

0 引言

隨著民用航空技術的發展，民用小型飛行器的安全性、可靠性及安全保障體系的經濟有效性等已經成為發展民用航空技術中至關重要的關鍵問 題[1]。小型蒸發循環制冷系統是民用飛行器環控系統中的重要組成部分，小型蒸發循環制冷系統健康管理技術則是目前主要集中在系統部件、子系統的故障診斷與預測上，以故障診斷與預測為技術核心，發展出基于診斷模型、預測規則、關鍵參數測量等方法，但仍有故障診斷不全面、故障產生與傳播不清晰、誤報率高、系統級故障相關性不明顯、預測準精度低、生命周期成本利用率低等問題[2]。

研究民機蒸發循環制冷系統中的故障產生、發展和傳播的機制，并建立診斷和預測的模型構 架[3]，選擇并集成合理的系統診斷與預測方法，提高監測、監測系統的信息利用率，實現對系統故障的多角度、多參數診斷與預測[4]，完善和提高民機蒸發循環制冷系統診斷和預測水平。

1 BP神經網絡的故障診斷模型

1.1 故障診斷模型

利用神經網絡智能診斷方法對民機蒸發循環制冷系統進行故障診斷，首先要從數據庫中獲取先驗信息，建立系統正常工作狀態以及不同故障模式的樣本數據，形成系統故障數據庫，并進行樣本的學習和訓練。在訓練之后，在特征參數偏離健康閾值的狀態下，執行對相應子系統的故障診斷與預測，判斷子系統是否會發生故障，并確定故障模 式[5]。訓練及故障診斷流程如圖1所示。

圖1 民機蒸發循環制冷系統故障診斷流程

1.2 BP神經網絡設計

創建一個具有20個隱含層神經元的BP神經網絡，隱含層和輸出層均使用弓形傳遞函數：

預處理輸入數據和輸出數據不僅加速了網絡的訓練，同時促進了網絡的計算收斂，使不同量綱之間的元素具有一定的可比性。網絡的初始權值和閾值的元素隨機設置在[0,1]范圍內，用近似平均方差作為性能指標函數，采用最陡梯度下降法更新權值和閾值。建立的BP網絡結構如圖2所示。

使用不同的故障類型數據和正常工況數據作為神經網絡的輸入，通過系統實際參數輸出與網絡期望輸出的迭代更新來獲得最佳的BP神經網絡權重和閾值[6]，從而獲得BP神經網絡推理模型。

2 蒸發循環制冷故障模擬實驗系統

2.1 實驗系統組成

圖3 噴氣增焓式蒸發循環制冷系統實驗臺

為獲得系統不同故障類型的數據及正常運行工況數據，設計搭建了一套噴氣增焓式蒸發循環制冷系統實驗臺，如圖3所示。對機載蒸發循環制冷系統的常見故障進行模擬，建立故障診斷程序所需的訓練樣本，并分析機組運行參數和故障之間的關系。

實驗系統由三部分組成：制冷系統、循環/載冷水系統及電控系統。數據采集系統由西門子200模塊、Pt100溫度傳感器和壓力傳感器組成，系統采集的信號通過西門子200數據采集設備與PC機通訊，實現數據的連續采樣和記錄。軟件采用組態軟件將數據存儲在PC機樣本數據庫中。

2.2 測量系統設計

系統關鍵位置狀態點測量是實現故障檢測和診斷功能的基礎。機載條件下，制冷系統具有多種故障特征、系統的各種物理參數互相關聯、部分系統參數難以測量等特點[7]，因此在實驗中，監測測點的選擇應考慮以下原則：

（1）測量集的完備性。所選取的制冷系統物理參數測量集為制冷系統物理參數的一個子集。以常見的正常工況和故障構成描述對象空間，測量集相對于該描述空間具有完備性；

（2）測量的可擴充性。考慮實驗預選的測量集可能不具有完備性，需要在實驗系統中增加富余測量安裝位置，便于對測量集進行擴充；

（3）測量的精簡性。在基于模式識別的故障診斷系統中，參數集的冗余性會增加故障檢測與診斷的傳感器數目，增加系統的成本，增加診斷運算量與運算時間。

圖4 實驗系統測點布置

如存在一組參數，在正常工況下滿足一定函數關系，但在故障工況下呈現不同的變化趨勢，則該組參數對測量集不構成冗余，需要保證參數的完備性[8]。實驗臺設計的測點布置如圖4所示，包括：蒸發器供/出水溫度T1/T2，冷凝器供/出水溫度T3/T4，冷凝器制冷劑進/出口溫度T5/T6，膨脹閥進口溫度T7，蒸發器制冷劑進/出口溫度T8/T9，閃發溫度T10，補氣溫度T11，冷凝器制冷劑進/出口壓力P1/P2，膨脹閥進口壓力P3，蒸發器制冷劑進/出口壓力P4/P5，閃發壓力P6，補氣壓力P7，共計18個測量點。

2.3 實驗模擬故障設計

機載蒸發循環制冷系統中的部件形式多樣、選擇繁多，系統故障的部件與原因種類復雜[9]。根據故障影響系統的方式，分為突發性故障和漸變性故障。突發性故障指某一部件短時間內完全停止工作，導致系統無法運行或者嚴重偏離正常工況的故障，如：壓縮機停機、閥門堵死、風機停轉等。突發性故障影響嚴重，但癥狀明顯、易察覺，便于及時采取維護措施。漸變性故障指系統偏離逐漸積累產生的、短時間內系統運行無顯著影響的故障，如：冷凝器結垢、制冷劑泄漏、冷凍水量不足等。漸變性故障發作周期長、不易察覺，當故障征兆明顯時，系統已帶障運行較長時間，系統部件易產生損害，能耗增大。

針對機載蒸發循環制冷系統的運行特點，對9種典型的漸變故障工況進行了模擬，包括：補氣管路堵塞、不凝性氣體、冷凝器堵塞、冷卻水不足、載冷水不足、蒸發器堵塞、冷卻不足、制冷劑欠充、制冷劑過充。實驗數據經過處理形成機載蒸發循環制冷系統漸變故障數據庫，使用BP神經網絡進行訓練仿真。

3 診斷模型驗證與優化

3.1 BP診斷模型驗證

在MATLAB中建立BP神經網絡模型，設置隱含層神經元個數和基本參數，網絡通過58次迭代，用時14s，學習目標為均方根誤差MSE小于設定值10-4，迭代結束，權值和閾值更新完畢，圖5、6所示為誤差迭代曲線與歷史誤差分布。誤差迭代曲線中顯示神經網絡的訓練誤差降到1e-4，檢驗樣本的誤差降到1e-3，而測試樣本的誤差降到1e-3以下，說明學習目標已經達到。訓練誤差集中于0附近，網絡訓練精度較高。

圖5 誤差迭代曲線

圖6 歷史誤差柱狀圖

對實驗所得400個不同訓練樣本的故障集進行推理模型驗證，驗證結果如圖7所示。

圖7 故障診斷結果

設計的BP神經網絡對系統的故障診斷綜合準確率為95%，對于前8種系統運行狀態能準確判斷，準確率接近100%，但對制冷劑過充故障的診斷率僅為50%，原因可能是儲液罐或者閃發罐等設備過充時，系統參數和正常狀態時很接近，另一方面，該故障在實際情況中發生概率較小，且對于擁有儲液罐或閃發罐的系統影響較小。

3.2 BP診斷模型參數優化

通過對學習算法、學習目標與隱含層節點數三個參數的選擇，根據參數構建正交表16（45），如表1所示。

表1 正交實驗分析表

從訓練時間和泛化誤差兩個優化參數來看，學習算法可以選擇trainbr或者trainlm，學習目標至少設為1e-4，隱含層神經元個數在10～20左右較優。

在完成BP模型參數優化后，使用主元分析法進行診斷輸入參數精簡，對多變量進行降維處理和信息提取。通過線性變換將原始數據變換為一組各維線性無關的表示，用于提取數據的主要特征分量[10]。主元矩陣對應著最大特征值的個主元代表著系統的特征變化。最佳值的選取通過主元矩陣的協方差矩陣的累計貢獻率來獲得[11]。

其中，λi(i∈[1,n])是協方差的非負特征值，且λ1>λ2>?>λn>0。當累計貢獻率超過85%所對應的k值即為較優值。經過處理后得出的特征值和累計貢獻率如圖7、8所示。

圖9 不同主元貢獻率與累計貢獻率

從上圖可知，=4的時候，累計貢獻率CV=86.28%。網絡輸入神經元可以從原始數據對應的18個變成主元空間對應下的4個，大大減少了輸入神經元，降低了內存的占用。

應用主元分析后的BP神經網絡的訓練結果如表2所示。

表2 PCA處理前后的神經網絡訓練結果

應用主元調整后的BP神經網絡降低了故障推理模型的運行時間，泛化誤差變化不明顯，在實時在線檢測民機蒸發循環制冷系統時，由于處理數據量大，主元優化將發揮重要的作用。

4 結論

為建立民機蒸發循環制冷系統的故障診斷模型，對系統9種典型故障進行了實驗模擬，在故障數據庫基礎上，利用BP神經網絡算法進行了故障診斷推理模型開發，對存在或潛在的故障進行定位和判斷，獲得了合理有效的故障推理模型，模型準確率到達90%以上。

在此基礎上，對模型的參數進行優化，提高了泛化準確率以及計算時間，為在線診斷的及時性提供良好的保障。同時，利用主元分析法對輸入變量進行處理，降低了輸入變量的維度，提高了計算速度。

[1] 姜學鵬,洪貝,崔嘉,等.綜合飛行器故障預測與健康管理系統研究[J].工程與技術,2008,(5):14-17.

[2] 常琦,袁慎芳.飛行器綜合健康管理(IVHM)系統技術現狀及發展[J].系統工程與電子技術,2009,31(11):2652- 2657.

[3] 洪晟,陶文輝,路君里,等.基于綜合PHM方法的導彈維修保障綜述[J].計算機測量與控制,2012,20(4):862-864, 868.

[4] 劉志偉,劉銳,徐勁松,等.復雜系統故障預測與健康管理(PHM)技術研究[J].計算機測量與控制,2010,18(12): 2687-2689,2751.

[5] 全佳,王旭.飛機燃油系統健康管理體系研究[J].航空維修與工程,2013,(6):90-92.

[6] 謝春麗,張繼洲.基于遺傳BP神經網絡的電控發動機故障診斷研究[J].湖北汽車工業學院學報,2016,30(2): 18-22,27

[7] 任能.制冷系統故障檢測、診斷及預測研究[D].上海:上海交通大學,2008.

[8] 曹志坤.制冷陳列柜性能仿真SVM方法的研究及應用[D].上海:上海交通大學,2009.

[9] 周觀民,王東霞.基于人工神經網絡的制冷系統工況模擬[J].計算機測量與控制,2015,23(7):2350-2353.

[10] 張新榮.基于PCA的連續過程性能監控與故障診斷研究[D].無錫:江南大學,2008.

[11] [HuaHan, ZhikunCao, BoGu, et al. PCA-SVM-Based Automated Fault Detection and Diagnosis (AFDD) for Vapor-Compression Refrigeration Systems[J]. HVAC&R Research, 2010,16(3):19.

Research on Fault Diagnosis of Small Civil Aircraft Evaporative Circulation Refrigeration System Based on BP Neural Network

Wang Yubing1Sun Chengbin2Xu Lei3Gao Zanjun1Wang Ju1

( 1.Aviation Key Laboratory of Science and Technology on Aero Electromechanical System Integration, Nanjing, 211106;2.Nanjing University of Aeronautics and Astronautics, Nanjing, 210006;3.JinLing Institute of Technology, Nanjing, 211106 )

9 typical faults in the B787 evaporative refrigeration cycle system was simulated by experiment, and the BP neural network was established to diagnose the fault online using the data acquired from experiment, the results showed that diagnostic accuracy reached more than 90%. At the same time, in order to meet the essential requirements of health management for "timeliness" and "accuracy", several BP optimization algorithms and other related parameters were compared, which optimizing the BP neural network structure, and principal component analysis was used to pre-processing fault data. It revealed that the approach met the generalization error requirements and reduced the network computing time as a whole, providing a good guarantee for the "timeliness" of fault online diagnosis.

civil aircraft evaporation cycle; fault diagnosis; neural network; optimization

V245

A

1671-6612（2020）03-316-05

王玉兵（1980.2-），男，碩士，研究員，E-mail：wangyb@neias.cn

孫程斌（1992-），男，在讀博士研究生，E-mail：346945396@qq.com

2019-06-27