飞机起落架液压收放系统的故障程度诊断

丰赢政，赵东标，申珂楠，赵世超

(南京航空航天大学 机电学院，江苏 南京 210016)

0 引言

起落架液压收放系统是飞机的重要组成部分，其性能的好坏直接影响飞机的起降安全。从美国国家航空航天局(NASA)发布的报告中分析，起落架系统故障在所有飞机故障中占比较高，而与收放系统相关的故障占到起落架系统故障的35%左右[1]。从飞机液压系统故障诊断的方法层面看，对故障的诊断大多数停留在依靠经验和地面试验上[2]。目前随着人工智能的成熟，神经网络在故障诊断方面的应用得到了飞速发展。林嘉琦等在航空发动机气路故障诊断中运用深度信念网络提升故障诊断的准确率[3]。金棋在直升机行星齿轮箱故障诊断中利用条件变分自编码网络(conditional variational autoencoder, CVAE)捕捉原始样本的分布来生成大量有效样本，以此提高故障诊断精度[4]。宋亚等在涡扇发动机剩余寿命预测中采用双向长短期记忆神经网络(bidirectional long short-term memory, BLSTM)捕捉状态监测数据等时间序列与涡扇发动机寿命的复杂关系，提升预测精度[5]。

1 算法理论介绍

1.1 条件变分自编码器

条件变分自编码器的结构如图1所示。左半部分表示编码结构，右半部分表示解码结构。

图1 条件变分自编码器结构

CVAE本质上是通过编码改变输入数据集的分布，使之成为已知的分布函数，再从这个分布函数中随机取样本，通过解码过程生成符合输入数据集规律的新数据。通常，数据集x的分布是未知且复杂的，而任何复杂分布都可以通过已知的简单分布映射得到。CVAE编码的目的就是改变输入数据集x的分布，使之尽可能地贴合已知分布，再从已知分布中采样，通过解码部分生成数据。在编码与解码的过程加入标签y，可使模型根据标签生成不同类别的数据。

输入数据集x和标签y通过编码过程Q映射到隐变量z，其中编码后产生的数据μ(x,y)和∑(x,y)分别代表隐变量z的均值和方差。假设使之贴合的已知分布为标准正态分布N(0,1)，通过计算隐变量z与标准正态分布N(0,1)的KL离散度，可知两个分布之间的差异，并由此优化编码器。编码器的损失函数如式(1)所示。

le=KL[N(μ(x,y),∑(x,y))‖N(0,1)]=

(1)

解码部分将隐变量z和标签y通过解码过程P生成重构数据f(z,y)，再计算f(z,y)与输入x的平方差来优化解码器部分。其中z由式(2)获得，解码器损失函数如式(3)所示。

z=μ(x,y)+ε·∑(x,y)

(2)

ld=[x-f(z,y)]2

(3)

CVAE损失函数如式(4)所示。

li=le+ld

(4)

CVAE模型训练完成后，可将模型的解码部分作为生成模型，将N(0,1)中随机采样的数据与标签y相组合来生成与训练数据集类似的数据。

1.2 BLSTM神经网络

为了充分利用输入数据的前后依赖关系，本文选用双向长短期记忆神经网络(BLSTM)进行故障程度诊断。BLSTM是在长短期记忆神经网络(LSTM)的基础上发展而来，由两层方向相反的LSTM构成。它既能避免传统循环神经网络在处理时间序列上距离较远节点时带来的梯度消失或者梯度膨胀问题，又能解决LSTM捕捉不了时间序列的反向规律问题。LSTM神经网络的细胞结构如图2所示。

图2 LSTM细胞结构

LSTM细胞结构相较与传统循环神经网络加入了忘记门、输入门和输出门，其公式如式(5)-式(10)所示。

ft=σ(Wfxt+Ufht-1+bf)

(5)

it=σ(Wixt+Uiht-1+bi)

(6)

(7)

(8)

ot=σ(Woxt+Uoht-1+bo)

(9)

ht=ot×tanh(Ct)

(10)

BLSTM展开结构如图3所示。BLSTM模型计算公式如式(11)-式(13)所示。

ht=LSTM(xt,ht-1)

(11)

(12)

(13)

图3 BLSTM展开结构

BLSTM的损失函数为

(14)

2 建模与仿真

图4为某型飞机起落架液压收放系统AMESim仿真模型[6]。该仿真模型包括收放作动模块、锁作动模块和液压源模块。模型具体参数设置来自文献[7-8]。选取收放作动筒内泄漏进行不同故障程度仿真来验证算法有效性。故障程度设置如表1所示。

图4 某型飞机起落架液压收放系统AMESim仿真模型

表1 故障程度设置

将仿真时长设置为40s，其中0～3s开始仿真，3～14s起落架收上，到位后上锁，20s开始解锁，解锁后起落架立即放下，40s仿真停止。本文将作动筒有杆腔压力作为故障程度识别数据。

如表1所示，根据故障程度划分了多个分类区间。仿真时，每个分类区间等间距取100个数值。调整故障参数进行多次故障仿真，根据分类区间得到6组仿真数据，作为训练集数据，每组数据作为一个类别。每个分类区间随机取30个与训练集不同的数值进行仿真，得到6组仿真数据，作为测试集数据。

3 CVAE-BLSTM故障程度诊断

3.1 数据预处理

将数据的采样时间设为0.1s，即每条曲线采样400个数据点。每个分类区间各取1条曲线组成如图5所示。

图5 不同故障程度有杆腔压力曲线

从图5可看出，10～14s曲线有一个小凸起，表明起落架收上到位后，有杆腔压力达到最大值。而不同故障程度的作动筒内泄漏到达的压力最大值的时间不同，泄漏程度大的有更明显的延时现象。14～21s压力曲线有不同程度的下降，表明在换向阀中位时，出现高压油腔向低压油腔泄漏的现象，且泄漏程度越大，压力下降得越快。25～33s压力曲线接近于0，表明起落架放下到位。而这段时间也出现泄漏延时现象。本文将40s曲线作故障程度诊断模型的训练数据，共400个数据点。

为了加快模型训练速度和收敛速度，采用式(15)进行归一化处理。

(15)

式中：xi为数据曲线中第i个数据点；xmax和xmin为数据曲线中最大值和最小值；xnorm为xi归一化后的值。

3.2 CVAE-BLSTM模型

CVAE-BLSTM模型结构如图6所示。

图6 CVAE-BLSTM模型结构

本文先用训练集训练CVAE模型，再截取CVAE的解码器作为生成模型，与BLSTM相结合，混合成CVAE-BLSTM模型，并再次使用训练集训练。输入带标签的原始数据后，CVAE生成模型将根据标签生成n个与输入标签同一类型的伪数据，并将n个伪数据与原始数据一同输入BLSTM训练该模型，取BLSTM最后一个时间步输出节点作为最终结果与输入标签相比较，更新网络权值。

4 结果分析

4.1 模型参数设定

CVAE-BLSTM模型主要参数设置如表2所示。

表2 模型主要参数设置

4.2 与其他模型对比

将CVAE-BLSTM的测试集准确率与BP神经网络、CVAE-BP神经网络、CNN[9]模型、CVAE-CNN模型、LSTM[10]模型、CVAE-LSTM模型等其他算法进行比较，结果如表3所示。

表3 与其他模型对比

BP神经网络采用双隐藏层，sigmoid激活函数；CNN训练时将输入数据reshape组成20×20二维数据，并采用两个卷积层、两个池化层和一个全连接层组成；LSTM模型参数与本文BLSTM中的LSTM单元设置相同。各CVAE混合模型的CVAE参数设置相同。

由表3对比结果可知，CNN、LSTM和BLSTM混合了CVAE生成模型后，测试集准确率有明显上升，而对BP神经网络的提升不大，说明CVAE可以提升其他深度学习算法的泛化能力，但对传统机器学习算法提升不明显。CVAE-BLSTM模型与CVAE-LSTM模型的测试集准确率大于CVAE-CNN模型，说明循环神经网络比卷积神经网络更适合处理时间序列数据。本文所提的CVAE-BLSTM模型较CVAE-LSTM提升了4%，较BLSTM提升了10%，这得益于BLSTM模型对数据进行双向学习能力和CVAE生成模型伪数据生成能力。这两项能力增加了模型诊断的准确率与泛化能力，使模型具有高准确率和对未仿真故障参数带的学习诊断能力。

5 结语

针对飞机起落架液压收放系统故障样本少，故障数据时域上的高相关性以及故障数据集样本不足的问题，本文提出一种基于CVAE-BLSTM的混合模型来进行故障程度诊断。首先建立某型飞机起落架液压收放系统AMESim仿真模型，植入故障，提取故障数据，其次利用故障样本训练CVAE生成模型，最后组成CVAE-BLSTM混合模型进行故障程度诊断。与其他算法相比，CVAE-BLSTM混合模型具有高准确率与强泛化能力，可对飞机起落架液压收放系统故障程度进行有效诊断。