基于稀疏分解的航空裝備機電故障檢修仿真

王端民

(陸軍航空兵學院第一飛行訓練旅，四川 宜賓 644000)

1 引言

航空工業是技術密集的產業，在軍事和經濟上具有重要地位和作用，保證航空領域的領土安全對于國家安全與穩定來說具有重要的意義。各種先進的航空裝備相繼研制出來，投入到巡航、物資運輸、軍事作戰中。然而，航空裝備機電故障問題至今仍是航空裝備制造領域面臨的一大問題。機電不是單一某個裝置，而是由各種機械設備和電氣設備組成的一個系統。機電設備是航空裝備運行自動控制裝置，主要用于動力輸出、自動化控制等[1]。一旦航空裝備的機電出現故障，不僅影響裝備正常運行，還會失去對其控制。針對上述情況，對航空裝備機電故障進行實時檢修是必要的，預防和避免故障帶來的危害，保證裝備正常運行。

當前，航空裝備機電故障檢修多是通過采集故障信號，然后進行故障診斷，最后進行故障維修。在這一過程中，由于開始采集到的故障信號是混合信號，所以為保證故障診斷結果的準確性，需要對故障信號進行處理，從混合信號找出真正的故障信號，這是整個故障檢修工作的關鍵環節，一般在這個故障信號處理環節，經常采用小波變換、盲源分離以及奇異值分解等三種方法對混合信號進行去噪，但是三種方法分離能力不足，分解出來的信號質量并不好，影響了整體檢修效果[2]。

針對上述問題，將稀疏分解應用到故障信號分解環節當中，改善航空裝備機電故障檢修效果。其具體過程如下：首先采集機電設備故障信號，然后利用稀疏分解對混合故障信號進行分解，提取出真正的故障信號，最后在上述處理結果的基礎上進行故障檢修[3-5]。為驗證基于稀疏分解的航空裝備機電故障檢修方法的有效性，進行仿真。仿真包括兩方面內容：稀疏分解算法去噪能力檢驗以及方法整體檢修質量檢驗。結果表明：稀疏分解去噪后，故障信號的信噪比更高，去噪效果更好，彌補了小波變換、盲源分離以及奇異值分解等三種去噪方法存在的不足，使得方法的整體檢修質量提高，保證了航空裝備的正常運行。

2 基于稀疏分解的航空裝備機電故障檢修方法

在航空機電運轉過程中，受各種因素的影響，不可以避免的會出現各種故障，影響了航空裝備的正常運行。航空裝備機電主要由機械設備和電氣設備兩部分組成，所以出現的故障也就分為兩大類：機械故障和電氣故障，具體如表1所示。

表1 航空裝備機電故障

本次針對表1中這些機電故障進行檢修，檢修過程如圖1所示。

圖1 航空裝備機電故障檢修過程

從圖1中可以看出，航空裝備機電故障檢修主要包括四個步驟：第一步利用信號采集裝置對故障信號進行采集；第二步利用稀疏分解對混合故障信號進行分解，找出其中真實的故障信號；第三步根據故障特征識別故障類型；第四步對已知故障進行維修，排除故障[6-8]。

綜上所述，完成了基于稀疏分解的航空裝備機電故障檢修過程的敘述。

2.1 故障信號采集

航空裝備機電在運行過程中必然會產生振動[9]，所以一旦發生故障，產生的振動信號必然與正常振動信號有所區別，所以只要采集包含故障的振動信號，并與正常信號特征進行對比，即可識別故障，從而完成修復[10-12]。

航空裝備機電故障信號采集工作主要利用信號采集裝置來完成，裝置主要包括以下四個設備：傳感器、放大器、數據記錄儀、A/D轉換器。其工作流程如下：由于機電系統包括眾多個獨立設備組成，所以為提高故障檢修效率，一般會通過專業維修人員確定大致故障發生范圍，然后對該范圍內發生的故障進行檢測。機電故障信號采集流程如圖2所示。

圖2 機電故障信號采集流程

2.2 基于稀疏分解的故障信號處理

由于采集到的故障信號是一個混合了噪聲信號和真實故障信號的混合信號，如果直接用于故障診斷分析中，會影響故障診斷結果的準確性，所以需要將混合信號分解，提取出故障信號，也就是去除混合信號中的噪聲信號，其原理用數學公式描述如下

y(t)=x(t)+z(t)

(1)

其中

(2)

式中，y(t)為混合信號；x(t)為真實故障信號；z(t)為噪聲信號；k為信號源；ak、fk、bk為真實故障信號的幅度、頻率以及初相位。

在這里信號去噪采取稀疏分解算法來完成，其原理如下：首先用超完備的冗余基函數原子庫取代正交的基函數庫，原子庫可以由任意基函數構成，然后匹配原始信號結構，最后從原子庫中尋求信號的最佳線性組合來表示信號。

用數學描述如下

y(t)=Dλ+z(t)

(3)

式中，D為信號稀疏字典；λ為真實故障信號所對應的稀疏系數向量。

假設，噪聲信號也可以通過稀疏字典D進行分解，分解系數為m，則有

z(t)=D·m

(4)

則混合信號的稀疏分解可以改寫成

y(t)=D(λ+m)

(5)

現在利用貪婪算法中匹配追蹤算法進行真實故障信號提取過程如下(見圖3)。

第一步：確定匹配追蹤算法輸入參數。

第二步：初始化參數。

第三步：設置迭代過程，在第i次循環，運行下述步驟。

1)相關最大計算尋找最佳原子索引：

2)更新原子索引集合；

3)更新子字典；

4)更新系數估計；

5)更新殘差；

6)判斷是否符合終止條件，即i是否大于K。若大于，則算法結束；若不大于，則進入到步驟四；

第四步：輸出分解系數。

第五步：輸出去噪信號。

第六步：得出真實故障信號。

第七步：記錄分解結果，算法結束。

圖3 故障信號處理流程

利用匹配追蹤算法進行故障混合信號分解，最大的優勢在于收斂速度快，為后續航空裝備故障識別奠定基礎。

2.3 故障識別

故障信號處理結束后，接下來開始利用得到的真實故障信號進行故障識別，其過程主要分為兩個階段：第一階段：提取故障特征；第二階段判斷故障所屬類別，識別機電故障類型。具體過程如下(見圖4)：

第一階段：提取故障特征。在這里主要采用模糊神經網絡來進行故障特征提取，其過程如下：

1)選取故障樣本，并構建故障樣本矩陣；

2)計算特征根及特征向量；

3)計算特征值的累積貢獻率；

4)根據每個樣本個體特征值的累積貢獻率進行排序，確定主成分個數；

5)計算各個樣本個體的載荷值以及平方和，得到n個特征參數；

6)確定隸屬度函數；

7)進行神經網絡學習，提取故障特征。

第二階段：機電故障類型識別。在這里主要采用免疫聚類算法，其過程如下：

1)根據提取出來的故障特征隨機生成初始抗體；

2)計算初始抗體和輸入抗原(故障信號)的親和度；

3)對輸入抗原歸類并生成初始抗體群；

4)對初始抗體群進行變異，選擇、死亡、抑制操作，生成記憶抗體群；

5)輸出檢測半徑和抗體中心。

6)計算輸入檢測抗原和抗體中心的空間距離；

7)歸屬輸入檢測抗原的類型；

8)輸出故障類型識別結果。

圖4 免疫聚類算法故障類型識別流程

2.4 故障維修

故障修復是一個航空裝備機電重新啟動的過程，即在故障診斷的基礎上，對出現故障的機電部件進行故障排除，盡快恢復航空裝備的正常運行。由于故障類型不同，所以采用的故障修復方法也就不同，具體需要根據診斷出來的結果而定。

3 仿真研究

為測試基于稀疏分解的航空裝備機電故障檢修方法的有效性，進行仿真。仿真包括兩方面內容：稀疏分解算法去噪能力驗證以及方法整體檢修質量驗證。稀疏分解算法去噪能力驗證即驗證在故障信號分解之后，得到的真實故障信號的信噪比，信噪比越大，稀疏分解算法分解能力越強；方法整體檢修質量驗證即驗證故障檢修的質量(漏檢率與誤檢率)。

3.1 稀疏分解算法去噪能力測試

選取某一個出現故障的航空裝備機電，利用上述平臺采集到的混合信號波形如圖5所示。

圖5 原始混合信號波形

現在利用稀疏分解、小波變換、盲源分離以及奇異值分解對圖1中的含噪信號進行分解，去除其中的噪聲信號，得到的信號波形分別如圖6所示。

圖6 分解后信號波形

上述三幅去噪后的真實故障信號信噪比(dB)分別如下表2所示。

表2 故障信號信噪比

從表2中可以看出，稀疏分解后的真實故障信號信噪比為25.5dB，比其余三種去噪方法：小波變換、盲源分離以及奇異值分解去噪后的信噪比分別提高1.4dB、5.3dB、9.8dB。由此可見，稀疏分解的去噪能力更好。

3.2 方法檢修質量測試

為保證測試結果的可靠性，檢修質量測試實驗不再選取一個故障航空裝備機電作為實驗對象，而是選取1000個故障航空裝備機電，這1000個故障航空裝備機電存在的故障情況如表3所示。

表3 1000個航空裝備機電故障存在情況

現在利用基于稀疏分解、小波變換、盲源分離以及奇異值分解這四種方法對1000個航空裝備機電故障進行檢修，檢修結果表4所示。

表4 航空裝備機電故障檢修結果

由表4可知，基于稀疏分解的航空裝備機電故障檢修方法的誤檢率為1.24%、漏檢率為1.08%，是四種故障檢修方法中最低的，由此可見本方法檢修質量更高，更能全面、準確的檢測出航空裝備發生的故障問題。

4 結束語

綜上所述，航空裝備機電故障問題一直是航空裝備維修領域重點關注的問題，因為航空裝備機電結構復雜，一旦發生故障，造成的損失也將是巨大的。針對上述這種情況，研究有效的檢修方法具有重要的意義。本次通過稀疏分解取代小波變換、盲源分離以及奇異值分解三種方法進行故障信號去噪。經驗證，稀疏分解的去噪效果更好，提高了方法的整體檢修質量，為故障排除提供技術參考。