基于过载特征曲线的某型导弹故障诊断方法研究*

范绍里 寇昆湖 陈 勇

(1.海军航空工程学院七系 烟台 264001)(2.海军航空工程学院控制工程系 烟台 264001)

基于过载特征曲线的某型导弹故障诊断方法研究*

范绍里1寇昆湖2陈 勇2

(1.海军航空工程学院七系 烟台 264001)(2.海军航空工程学院控制工程系 烟台 264001)

针对某型导弹故障诊断的特点,以动态测试为基础,过载特征曲线为分析对象,借助于小波包变换和神经网络通过松散结合,提出了一种新的基于过载特征曲线的某型导弹故障诊断方法。实验证明它可以实现故障的准确诊断和定位。

动态测试; 过载; 小波包变换; 神经网络

Class Number TP206

1 引言

现有的导弹测试设备基本上延用传统的静态测试方法,存在着测试时间长、被测对象的工作模态不能得到充分激励等缺陷。而动态测试可以很好地解决这些问题,动态测试不只局限于测试某些定点的输出值,而是面向线和面,对被测系统的动态响应过程进行跟踪、记录及分析并判断,其结果是评价被测系统动态性能的依据[1]。

过载控制是导弹控制系统设计的一种方法。控制系统的构造简单,但控制效果要好,既能控制导弹实现全方位、大空域机动,又能实现末端机动。

本文以动态测试为基础,采用过载曲线为分析对象,结合小波包变换和神经网络,讨论了某型导弹进行故障诊断的一种新方法。

2 过载曲线

导弹的机动性能是评价导弹飞行性能的重要指标之一。所谓机动性能是指导弹改变飞行速度的大小和方向的能力,通常用过载向量来衡量。

所谓过载[2],是指作用在导弹上除重力之外的所有外力N与导弹重量G的比值,过载矢量的大小和方向,通常是由它在某坐标系上的投影来确定。

过载与运动参量之间的关系式:

(1)

式中,nx、ny、nz为过载分量;v为导弹速度;θ为弹道倾角;ψ为弹道偏角。

传统的反舰导弹控制系统设计采用的都是姿态控制。所谓姿态控制,就是控制系统通过直接测量和控制导弹的姿态角(俯仰角、航向角、滚动角)来操纵导弹的飞行,达到按期望弹道飞行,最后按一定的制导规律攻击敌舰。而本文采用过载控制设计导弹的控制系统。所谓过载控制,是指控制系统通过直接测量和控制导弹的过载(和过载变化率)来操纵导弹的飞行,达到按期望弹道飞行,末端按一定的制导规律机动攻击敌舰[3]。

某型导弹正常和自动驾驶仪倾斜微分环节失效情况下测得的过载曲线(nx、ny、nz)如图1所示。

图1 某型导弹正常(左)和自动驾驶仪倾斜微分环节失效(右)过载曲线

3 特征提取

小波包变换则弥补了正交小波变换频谱随着小波尺度指数的增大而其分辨率却愈粗的不足,在提高时间分辨率的同时,对信号高频部分逐渐变宽的频谱进一步分割细化,能精确反映系统状态。当系统的动态测试中出现故障时,其输出与正常系统输出相比,相同频带内信号的能量会有着较大的差别,它使某些频带内的信号能量减小,而使另外一些频带内的信号能量增大,因此,在各频率成分信号的能量中,包含着丰富的故障信息[4～5]。因此,本文采用基于“残差能量——故障”的故障特征提取方法,即把故障信号与正常信号相减,计算出故障残差信号。把所得到的残差信号利用小波包变换在多层分解后的不同频带内分析信号,使本不明显的信号频率特征在不同分辨率的若干子空间中以显著的能量变化的形式表现出来,从而提取反映系统故障的特征信息。其基本方法和步骤如下:

1) 计算残差信号。残差信号=故障信号-正常信号。

2) 对得到的残差信号进行3层小波包分解,分别提取第3层从低频到高频8个频段的信号特征。其中,小波基函数采用Daubechies小波db1,分解结构树如图2所示[6]。

图2 小波包3层分解结构树

图2中,(i,j)表示第i层的第j个节点,其中,i=0,1,2,3,j=0,1,2,…,7。每个节点都代表该节点对应的小波包分解系数向量,可用Ci,j表示。

3) 对小波包分解系数重构,提取各频带范围的信号。设各节点小波包系数Ci,j对应的重构信号为Si,j,这里只对第3层的所有节点进行分析,则总信号可以表示为

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

(2)

4) 求各频带信号的总能量。设各节点S3,i(j=0,1,…,7)对应的能量E3,j(j=0,1,…,7),则有

其中,cj,k(j=0,1,…,7;k=1,2,…,n)表示重构信号S3,j的离散点的幅值。

5) 构造特征向量。由于系统出现故障时,会对各频带内信号的能量有较大的影响,因此,可以以能量为元素构造一个特征向量。特征向量T可以如下构造:

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

(4)

当能量较大时,E3,j(j=0,1,…,7)通常是一个较大的数值,在数据分析上会带来一些不便的地方。由此,可以对特征向量T进行改进,即对向量进行归一化处理。令

(5)

则归一化后的特征向量为

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)

用上述残差小波包变换方法进行处理,得到的某型导弹自动驾驶仪倾斜微分环节失效故障情况下四个舵机的故障残差信号及残差能量归一化直方图,如图3所示。

其中

T′表示在倾斜微分环节失效故障状态下的残差能量归一化特征向量。

图3 某型导弹自动驾驶仪倾斜微分环节失效故障情况过载曲线的故障残差信号(0.01S采样)及残差能量归一化直方图

4 故障诊断

神经网络因具有较好的非线性拟合能力而成为故障诊断的一种有效方法,这里用BP神经网络对某型导弹自动驾驶仪进行智能故障诊断。

BP网络一般由输入层、输出层和中间层(或称隐层)组成,输入层从对象接受各种故障信息和现象;中间层是把输入层得到的故障信息,经内部的学习和处理,转化为针对性的解决办法[7～8]。中间层含有隐节点,它通过权值连接着输入层与输出层;输出层是针对输入的故障形式,经过调整权值后,得到的故障处理方法。BP神经网络在其学习训练的过程中,采用的是BP算法。BP网络的训练过程主要由两个阶段组成:一个是学习过程,该过程中神经元的连接权值将依据学习算法而有所调整;另一个是计算过程,该过程实现神经网络的活跃状态的模式变换[9]。

根据某型反舰导弹自动驾驶仪故障特征特点,根据征兆输入和故障种类,建立3层神经元组成的BP网络,取BP网络输入层节点数24,隐层节点数10,输出层节点为2,最大训练次数1000,最大允许误差0.0001,学习速率0.1。训练函数trainlm是利用Levenberg-Marquardt算法对网络进行训练的,通过以下代码调用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分别为网络的输入向量和目标向量,P是从表1中得到的。

网络训练结果为

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.

可见,经过11次训练后,网络性能达到了要求,如图4所示。

图4 训练结果

测得四组新的数据作为网络的测试输入数据,对训练好的网络进行测试,如表2所示。

表1 某型导弹自动驾驶仪状态样本数据

表2 利用训练好的BP神经网络故障诊断测试情况

由此可得,网络成功诊断出这三种状态,网络的分类结果是正确的,网络用于某型导弹自动驾驶仪故障诊断是有效的。

5 结语

基于过载曲线的某型导弹故障诊断方法以导弹动态测试中得到的过载特征曲线为分析对象,小波包变换和神经网络通过松散结合应用于故障诊断,能够有效地实现导弹故障的诊断和定位。

[1] 王跃科,叶相滨,等.现代动态测试技术[M].北京:国防工业出版社,2003:3.

[2] 马金铎,周绍磊,程继红.导弹控制系统原理[M].北京:航空工业出版社,1996.

[3] 赵国荣,洪海斌,宋超,等.变质心再入飞行器过载控制系统的反演设计[J].飞行力学,2013,5(3):40-46.

[4] 袁海英,孙迅,黎海涛.基于提升小波变换的模拟电路故障特征识别[J].电子测量与仪器学报,2011,25(8):700-703.

[5] 何星,王宏力,陆敬辉,等.基于优选小波包和ELM的模拟电路故障诊断[J].仪器仪表学报,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] 赵鹏,陈斌,李渊.基于BP神经网络的虚拟故障诊断的实现[J],舰船电子工程,2014,34(3):97-99.

[8] 白帆,孙宁.基于BP神经网络的舰船组合导航算法研究[J].舰船电子工程,2014,33(2):50-51.

[9] 虞和济,陈长征,等.基于神经网络的智能诊断[M].北京:冶金工业出版社,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

范绍里,男,副教授,研究方向:飞行器测试与控制。寇昆湖,男,博士,讲师,研究方向:导航制导与控制。陈勇,男,硕士,讲师,研究方向:导航制导与控制。

TP206

10.3969/j.issn1672-9730.2014.12.044