谈无人机机载发电机故障诊断技术

摘要:在本研究中针对无人机电源系统进行模型构建仿真分析,将神经网络应用于无人机机载发电机故障诊断过程中,在分析机载电源系统原理和结构的前提下,结合实际数据参数,根据系统模型进一步建立数学模型,完成仿真分析,结合对象特性使用主成分分析法进一步构建发电机故障特征库,使用神经网络算法的方式实现发电机故障诊断,通过研究发现,无人机机载发电机故障诊断系统能够实现对发电机系统快速诊断,具有较强的实用性。

关键词:无人机；机载发电机；故障诊断；技术

当前无人机使用电源系统包括发电机以及控制器,A类关键设备系统是无人机气载主要平台,在设计实验中需要完成发电机全面检测,这对于原发电机早期故障剔除,定位来说起着十分重要的作用。近年来故障诊断是比较重要的研究方向,在研究理论过程中可以使用神经网络,人工鱼群优化算法,小波分析等多种方法。研究学者分析了利用经验小波变换故障诊断方法,而近年来神经网络故障诊断方法是新型的算法,能够适用于不确定系统故障诊断以及非线性故障诊断中,目前该装置已经用于多种故障模型,诊断中包括电力医药等行业已实现广泛应用,然而机械故障诊断在无人机发电机中的相关研究较少,因此在本研究中深入分析机载无人机发电机系统,所以针对其故障模式,原因,采用神经网络算法的方式实现对该系统的故障诊断。

1故障特征体系和其仿真效果分析

首先从无人机电源故障系统模式上来看,电源系统主要涉及机械、电气这两种类型的故障,结合电源本身的结构设计来看,航空电器故障主要为转子绕组短路,励磁系统故障,以及定子绕阻绝缘故障,机械故障,主要涉及轴承故障,根据无人机实际飞行条件、经验来看,参考国家故障标准诊断,可对故障危害进行准确分析,构建故障模式影响分析表。在上述分析过程中,我们发现按照故障特点和持续时间,可以在整个无人机飞行过程中,机载电气系统存在三种故障类型,即脉冲、突发以及渐变故障类型,在本研究中着重对突发故障这种类型进行分析,具有较强的容错性。由于表征对象状态参数量较大,因此,在庞大的数据中应当找出特征信息并完成特征量的提取,只有这样才能够准确进行故障诊断和对象性能检测分析,采用的方法为主要成分分析法,该方法可对象征讨,在特征向量提取和数据压缩中起着重要作用。其中在规范处理时为确保每个数据能够处于某一属性范围内,采用最大最小规范处理的方式,即能够完成初始数据线性变化,假定最大值和最小值分别变量,通过下列公式:可以将x值映射到区间中,计算相应的主成分向量,进而按照属性排序。在电源系统仿真时,为确保故障诊断算法能够准确验证,可以以机载电源作为研究对象,综合分析电源运行情况,在计算机软件中完成建模,发电机、蓄电池、控制器的仿真分析,可对整个机载电源进行仿真分析,掌握其特性。采用idealswitch模块实现电路开路,能够与励磁电路相接,实现时间控制短路故障发生时刻和持续时间,以此来模拟励磁回路故障问题。当出现故障时相应的主电源的电流,电压数据波形图如图1所示。我们可以发现是系统的启动过程,在0.2秒之前系统能够达到稳定运行状态,确保电压实现28伏特稳定运行,电流能够稳定在53安培的范围内,在0.2秒时系统出现故障,此时主电源的电流、电压分别降低为0,出现故障主要表现为主电源电压、电流迅速降低,逐渐为零,当该系统获取特征信息之后,我们可以发现该故障主要为励磁绕阻故障,相比无人机飞行数据来看,进一步验证了该数据的准确性,表明这种电源仿真模型具有一定的合理性,能够在该模型的前提下添加故障模式并获得相应的故障信息,这对于构建特征数据库是具有重要意义的。构建故障特征库,实际上故障特征库是系统故障诊断预测的重要内容,可用于储存专家知识库和实际故障特征数据,这种特征库是否完善将决定最终系统的故障诊断能力和效率,结合发电机故障类型和实际运行过程中获得的参数检测情况,我们可以发现将直流电压28伏特,直流电流28安培作为故障特征向量诊断信号,主要由于电流、电压信号反应目前系统的故障运行状态,并且利用电流电源监测传感器且由于其放置条件较为便利,可用以获取真实的测量效果,由于在测量时需要借助直流发电机、三相电压,因此在实际监测时难度是比较大的,最终我们没有将其纳入故障特征库中。

2神经网络

神经网络是逐渐发展的发展的网络组成之一,在故障诊断预测中具有广泛适用性,当前网络可通过数据连接实现建模具有一定的适应性,首先神经系统网络是单向传播的网络,可对非线性函数进行权值训练,具有输入层和隐含层,反向传播网络激活函数是可微的,这一函数具有非线性放大系数的功能,函数形式如下所示处于隐含层利用s型激活函数,利用线性激活函数,针对输出层进行神经网络计算,存在一定的局限性问题,因此可以使用优化算法的方式来解决神经网络的缺陷问题。在本研究中使用神经网络改进算法,即Lm方法。基于神经网络故障诊断的实现过程。在本研究中以无人机发电机和相应的控制系统故障诊断作为研究对象,进一步说明神经故障网络在诊断过程中的过程需要提取无人机飞行故障特征数据,构建相应的特征库,按照故障类型进行分类,对所获取数据完成统一分析处理,作为样本数据还需要进行持续的训练操作,通过研究发现该系统存在6个故障特点和故障原因,构建故障特征向量如表1所示。设计3层神经网络,2位输入层神经元,6为输出隐含层神经元,可利用公式表示。通过测试我们发现能够准确能够准确识别10万个特征向量,而单相短路特征向量为01000,识别率为100%,说明在第4次便能够获取预期训练效果。在无人机发电机故障诊断室使用vs开发工具和数据库构建相应的数据库模型,通过计算机软件可借助计算机软件进行神经网络函数的调取,实现飞行数据的故障诊断过程,能够对所涉及的数据进行预处理分析,通过接口能够将相应的数据传入到计算机软件中,进一步检验神经网络故障诊断的效果,在计算引擎中设计三种函数包括存储数据,执行函数和获取结果的函数。

3结语

总而言之,在本研究中针对无人机机载电源系统原理、结构进行分析,进一步构建了其电源仿真模型,结合飞行器的特点和在实际飞行过程中获取的数据,采用主成分分析法进一步确定特征库构建特征库后,实现以神经网络算法作为前提的故障诊断过程,在本研究中采用机载电源的实验和实际测试数据验证模型的准确性,构建电源缓存模型,这对于故障诊断来说是十分重要的,同时在本研究中还采用28伏特电流电压作为特征向量,实现不同故障模型的诊断,随着未来我国无人机技术的发展,以及逐渐趋于高精度化方向发展,如何获取更多特征向量,完善故障诊断也是未来研究重点。

参考文献

[1]李红,杨善水.无人机交流发电系统故障诊断技术[J].南京航空航天大学学报,2009,41(b12):15-18.

[2]舒畅.无人机传感器故障诊断方法研究[D].成都:电子科技大学,2017.

作者：叶杨飞 沈宝国 徐露兵 沈朝萍 单位：江苏航空职业技术学院