基于Simulink模型的副翼作动器故障诊断方法

摘要

本发明公开了一种基于Simulink模型的副翼作动器故障诊断方法，属于直接驱动阀式多余度副翼作动器故障诊断领域，该故障诊断方法的主要步骤为：分析副翼作动器结构，搭建副翼作动器的仿真模型；分析作动器故障模式的发生概率和严酷度，构建危害性矩阵图，梳理需要诊断的关键故障模式；在作动器仿真模型中植入不同种类的故障，采集故障数据；分析故障数据特性，对不同类型的故障模式采用不同的故障诊断方法，并建立整体故障诊断规则，最后实现对作动器准确故障诊断，以解决副翼作动器多种故障模式的故障诊断问题。

权利要求

1.一种基于Simulink模型的副翼作动器故障诊断方法，其特征在于，该故障诊断方法主要包括以下步骤：步骤1：根据直接驱动阀式副翼作动器的结构和工作原理，搭建完整的副翼作动器仿真模型；

步骤2：分析副翼作动器故障模式的发生概率和严酷度，梳理出需要诊断的关键故障模式；

步骤3：针对步骤2中需诊断的关键故障模式，在副翼作动器仿真模型中植入不同种类的故障，完成故障数据的采集；

步骤4：通过分析不同故障模式下故障数据的特性，将需诊断的关键故障模式分为四类，针对不同类型的故障模式采用不同的故障诊断方法，并在此基础上建立整体故障诊断规则；

步骤41：根据四通道数据之间的差异是否超过故障阈值，将故障区分为通道故障和非通道故障，再根据两两通道之间的差异判定具体故障通道；

步骤42：将非通道故障进一步区分为非液压故障和液压故障，采用基于模型残差的方法判定非液压故障的具体故障模式；

步骤43：液压故障依据系统响应延迟时间的大小判定为左液压系统故障或右液压系统故障；

步骤44：将液压故障判定结果与液压故障检测器显示结果对比，判定液压故障检测器是否故障；

步骤45：若上述步骤中的判定结果都为非故障，则判定副翼作动器处于正常状态。

2.根据权利要求1所述的基于Simulink模型的副翼作动器故障诊断方法，其特征在于，所述步骤1中所搭建副翼作动器仿真模型包括基于副翼作动器结构和控制方程搭建的Simulink模型和AMEsim模型。

3.根据权利要求1所述的基于Simulink模型的副翼作动器故障诊断方法，其特征在于，所述步骤2中根据副翼作动器故障模式的发生概率和严酷度建立副翼作动器故障模式的危害性矩阵图。

4.根据权利要求1所述的基于Simulink模型的副翼作动器故障诊断方法，其特征在于，所述步骤3中故障数据的采集信号包括：飞控指令信号、力马达线圈电流信号、直接驱动阀位移传感器信号和作动筒位移传感器信号。

5.根据权利要求4所述的基于Simulink模型的副翼作动器故障诊断方法，其特征在于，所述力马达线圈电流信号、直接驱动阀位移传感器信号和作动筒位移传感器信号均包括A/B/C/D四通道。

说明书

基于Simulink模型的副翼作动器故障诊断方法

技术领域

[0001] 本发明涉及直接驱动阀式多余度副翼作动器故障诊断的技术领域，具体而言，涉及一种基于Simulink模型的副翼作动器故障诊断方法。

背景技术

[0002] 随着航空科技的不断发展进步，飞行控制系统的精度要求和复杂程度越来越高。一旦相应的系统或者装备出现故障，将会带来巨大的财产损失和人员伤亡，因此，需要不断提升飞行控制系统的可靠性。据统计表明，造成飞机损伤的原因有相当一部分来自于飞控系统的故障，飞控系统的故障又是由副翼、升降舵等关键部件造成的。由此可见，飞机能否保证正常运行很大程度上取决于副翼作动器是否可以正常运作。而副翼作动器要保持正常运作，不仅要在控制精度和响应速度等方面达到预定要求，更要保证其可靠性满足要求。因此副翼作动器在设计时往往都是要考虑冗余设计来保证其可靠性的。当作动器某个部件或通道发生故障时，会有相应的其他部件或通道来保证其正常的工作。但是冗余设计余度不宜过多，过多的冗余设计虽然保证了其运行的高可靠性，却会增加它的重量及体积，这对整体飞机设计是不利的。因此对副翼作动器一般采用三余度或四余度的设计方案来保证系统的可靠性。综上，副翼作动器作为飞机控制系统的重要执行部件，对其进行故障诊断对于保持装备完好、保证飞机的飞行品质和飞行安全、减少维修保障费用等方面都具有十分重要的意义。

[0003] 目前提出的作动器故障诊断方法主要有三种：

[0004] 1、基于模型的故障诊断方法：这类方法的核心思想是构建一个模型来估计作动器的正常输出值，用作动器的真实输出值和估计输出值进行比较形成残差。当作动器正常工作时，残差理论上为零；而当作动器发生故障时，残差非零。最后从残差信号中提取故障特征并通过相应的故障诊断算法实现故障诊断。采用的模型通常有两种：数学模型和观测器。数学模型是基于作动器的控制方程建立的能完整描述作动器控制回路的精确模型；观测器则是对作动器输入输出间非线性关系的一种拟合，常用到的观测器有卡尔曼滤波器、支持向量机、神经网络等。

[0005] 2、基于知识的故障诊断方法：这类方法引入了作动器的许多知识和故障信息，通过知识和经验判断作动器是否故障及故障模式。常用的基于知识的故障诊断方法有：基于模糊推理的方法和基于知识库的方法；基于模糊推理的故障诊断方法是根据模糊集合征兆空间与故障状态空间的某种映射关系，通过征兆来判断故障，它利用模糊逻辑的概念阐述设备故障现象与故障产生原因之间的模糊关系，并利用模糊集合论中的元素隶属度和模糊关系方程，解决故障诊断问题。基于知识库的故障诊断方法的基本原理为：知识库管理诊断对象的知识，将其提取到故障规则集，当实际信息与规则某部分相匹配时，则可对应到相应故障。

[0006] 3、基于数据的故障诊断方法：这类方法直接依赖于数据结的类型和特征，它首先采用数据处理方法对故障特征进行提取，然后用不同的分类方法对故障特征进行分类。与基于模型的故障诊断方法相比，基于数据的故障诊断方法不需要建立复杂的模型，但是要对数据进行最为恰当的处理，才可以实现故障的分类。

发明内容

[0007] 有鉴于此，为了解决现有技术存在的上述问题，本发明的目的在于提供一种基于副翼作动器Simulink模型的故障诊断方法，以达到在固定指令驱动的情况下，通过对采集到的副翼作动器传感器数据进行分析，实现副翼作动器故障诊断的目的。

[0008] 为实现上述目的，本发明采用的技术方案是：一种基于Simulink模型的副翼作动器故障诊断方法，该故障诊断方法主要包括以下步骤：

[0009] 步骤1：根据直接驱动阀式副翼作动器的结构和工作原理，搭建完整的副翼作动器仿真模型；

[0010] 步骤2：分析副翼作动器故障模式的发生概率和严酷度，梳理出需要诊断的关键故障模式；

[0011] 步骤3：针对步骤2中需诊断的关键故障模式，在副翼作动器仿真模型中植入不同种类的故障，完成故障数据的采集；

[0012] 步骤4：通过分析不同故障模式下故障数据的特性，将需诊断的关键故障模式分为四类，针对不同类型的故障模式采用不同的故障诊断方法，并在此基础上建立整体故障诊断规则；

[0013] 步骤41：根据四通道数据之间的差异是否超过故障阈值，将故障区分为通道故障和非通道故障，再根据两两通道之间的差异判定具体故障通道；

[0014] 步骤42：将非通道故障进一步区分为非液压故障和液压故障，采用基于模型残差的方法判定非液压故障的具体故障模式；

[0015] 步骤43：液压故障依据系统响应延迟时间的大小判定为左液压系统故障或右液压系统故障；

[0016] 步骤44：将液压故障判定结果与液压故障检测器显示结果对比，判定液压故障检测器是否故障；

[0017] 步骤45：若上述步骤中的判定结果都为非故障，则判定副翼作动器处于正常状态。

[0018] 进一步地，所述步骤1中所搭建副翼作动器仿真模型包括基于副翼作动器结构和控制方程搭建的Simulink模型和AMEsim模型。

[0019] 进一步地，所述步骤2中根据副翼作动器故障模式的发生概率和严酷度建立副翼作动器故障模式的危害性矩阵图。

[0020] 进一步地，所述步骤3中故障数据的采集信号包括：飞控指令信号、力马达线圈电流信号、直接驱动阀位移传感器信号和作动筒位移传感器信号。

[0021] 进一步地，所述力马达线圈电流信号、直接驱动阀位移传感器信号和作动筒位移传感器信号均包括A/B/C/D四通道。

[0022] 进一步地，所述步骤42中所提到的基于模型残差的方法是：基于副翼作动器的正常Simulink模型建立残差库，然后将待诊断残差信号与残差库中各残差信号之间的皮尔逊相关系数作为分类依据，其中，皮尔逊相关系数的计算公式如下：

[0023]

[0024] 本发明的有益效果是：

[0025] 1、本发明通过对副翼作动器的结构和工作原理进行分析，搭建了作动器的Simulink和AMEsim仿真模型；在建立副翼作动器故障模式的危害性矩阵图的基础上，梳理出需要诊断的关键故障模式；并在副翼作动器AMEsim模型中植入不同种类的故障模式，完成故障数据的采集；通过分析不同故障模式下故障数据的特性，可将需诊断的故障模式分类四类，针对不同类型的故障模式采用不同的故障诊断方法，并在此基础上建立副翼作动器整体故障诊断规则。

[0026] 2、本发明以诊断规则为基础与核心，并结合不同的故障诊断方法，能以一种更简单更快速的算法实现副翼作动器多种故障模式的故障诊断，并将上述算法转化成完整的Simulink模型进行封装，以便于实际工程的应用。

附图说明

[0027] 图1是本发明提供的基于Simulink模型的副翼作动器故障诊断方法的流程图；

[0028] 图2是本发明提供的基于Simulink模型的副翼作动器故障诊断方法中副翼作动器的Simulink仿真模型图；

[0029] 图3是本发明提供的基于Simulink模型的副翼作动器故障诊断方法中副翼作动器的AMEsim仿真模型图；

[0030] 图4是本发明提供的基于Simulink模型的副翼作动器故障诊断方法中副翼作动器故障模式的危害性矩阵图；

[0031] 图5a为DDV零偏超差故障值为+1时的力马达线圈电流信号图；

[0032] 图5b为DDV零偏超差故障值为+2时的力马达线圈电流信号图；

[0033] 图6a为DDV零偏超差故障值为+1时的DDV位移传感器信号图；

[0034] 图6b为DDV零偏超差故障值为+2时的DDV位移传感器信号图；

[0035] 图7a为DDV零偏超差故障值为+1时的作动筒位移传感器信号图；

[0036] 图7b为DDV零偏超差故障值为+2时的作动筒位移传感器信号图；

[0037] 图8是本发明提供的基于Simulink模型的副翼作动器故障诊断方法中副翼作动器诊断模型的整体诊断规则；

[0038] 图9是本发明提供的基于Simulink模型的副翼作动器故障诊断方法中通道故障的诊断流程图；

[0039] 图10是本发明提供的基于Simulink模型的副翼作动器故障诊断方法中基于模型残差的故障诊断方法的诊断流程图；

[0040] 图11是本发明提供的基于Simulink模型的副翼作动器故障诊断方法中液压故障的诊断流程图；

[0041] 图12是实施例1中建立的副翼作动器故障诊断Simulink模型；

[0042] 图13是实施例1中的待诊断故障数据；

[0043] 图14是实施例1中的故障诊断结果；

[0044] 图15是实施例1中故障诊断结果的置信度。

具体实施方式

[0045] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

[0046] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0047] 为实现固定指令下副翼作动器的故障诊断问题，本发明提供了一种基于Simulink模型的故障诊断方法，如图1所示，其包括以下步骤：

[0048] 步骤1：根据直接驱动阀式副翼作动器的结构和工作原理，搭建副翼作动器的Simulink仿真模型和AMEsim仿真模型。

[0049] 步骤2：根据副翼作动器故障模式的发生概率和严酷度建立副翼作动器故障模式的危害性矩阵图，梳理出需要诊断的20种关键故障模式。

[0050] 步骤3：针对步骤2中梳理出的关键故障模式，在副翼作动器的AMEsim模型中植入不同种类的故障以完成故障数据的采集；其中，该步骤中对故障数据的采集信号包括：飞控指令信号、力马达线圈电流信号(A/B/C/D四通道)、第二级直接驱动阀位移传感器信号(A/B/C/D四通道)和作动筒位移传感器信号(A/B/C/D四通道)。

[0051] 步骤4：针对步骤3中采集到的故障数据，通过分析不同故障模式下故障数据的特性，将需诊断的关键故障模式分为四类，对不同类型的故障模型采用不同的故障诊断方法，并在此基础上建立整体故障诊断规则，最终得到故障诊断结果。

[0052] 实施例1

[0053] 通过实施例1对本发明再做进一步说明。实施例1中具体提供了一种基于副翼作动器Simulink模型的故障诊断方法，其具体步骤如下：

[0054] 步骤1：根据副翼作动器的结构和工作原理，搭建副翼作动器的Simulink仿真模型和AMEsim仿真模型。本实施例中选取的副翼作动器为直接驱动阀式副翼作动器，它由伺服控制回路、液压系统和机械系统三大部分组成。所述伺服控制回路接收来自飞控计算机的指令，根据控制律要求实现对副翼作动器工作模态的控制；所述液压系统通常由电磁阀、伺服阀、模式转换阀等组成，实现液压供应和调节的功能；所述机械系统主要是由作动筒等各类执行部件组成，最终执行接收到的飞控指令。为了保证副翼作动器工作的可靠性，直接驱动阀式副翼作动器采用了电气四余度、机械液压二余度的设计。当副翼作动器正常工作时，飞控指令经过伺服控制回路的转换，传递给直接驱动阀(DDV)的力马达并驱动DDV阀芯运动，阀芯运动带来的负载流量经过模态选择回中阀，分别作用于双腔串联式作动筒的两腔，推动作动筒运动。在DDV及作动筒上分别装有四余度的线性位移传感器形成内外回路的闭环控制。伺服控制回路主要结构如图2所示，液压系统主要结构如图3所示。

[0055] 步骤2：副翼作动器的故障模式众多，不可能对每一种故障模式都进行故障诊断，因此需要对故障模式进行梳理。根据副翼作动器故障模式的发生概率和严酷度，可以建立副翼作动器故障模式的危害性矩阵图，如图4所示。

[0056] 在危害性矩阵图中，可以将故障模式的分布划分为四个象限。第一象限中的故障模式发生概率较高且严酷度高，一旦发生对副翼作动器整体性能影响较大，所以针对这些故障模式一般需要在设计中采用多余度设计加以改进；第二象限中的故障模式虽然严酷度较低但发生概率高，为了保证副翼作动器工作的高可靠性，需要将这些故障模式考虑在内；第三象限中的故障模式发生概率较低且严酷度较低，处于经济性和算法效率考虑，这些故障模式一般不进行故障诊断；第四象限中的故障模式虽然发生概率低但严酷度高，一旦发生对副翼作动器影响很大，因此这类故障也需要故障诊断。综上所述，梳理出20中需要故障的关键故障模式，如表1所示。

[0057] 表1 20种需诊断的故障模式

[0058]

[0059]

[0060] 步骤3：针对步骤2中梳理出来的关键故障模式，在副翼作动器AMEsim模型中改变副翼作动器各结构部分的参数，分别模拟副翼作动器的不同故障模式，如表1和图4所示。通过不同故障模式的植入，可获取相应的故障数据，采集到的数据包括4类如表2所示。副翼作动器是电气四余度设计，具有4个电气通道，因此，采集到的MOT、DDV和RAM还包含四个通道的数据。液压故障监测器(FD)的功能为当液压系统液压丧失时报故，FD故障的判定取决于故障诊断结果和报故信息是否一致，是一种逻辑判断，因此不需要进行故障数据的模拟。本实施例中是固定指令下的副翼作动器故障诊断方法，在获取故障数据时所用的指令都是频率为1Hz，幅值为±5V的周期方波信号。以DDV零偏超差故障模式为例，获取不同故障程度下的三类输出信号如图5a-图5b、图6a-图6b及图7a-图7b所示。

[0061] 表2 4类采集数据

[0062]

[0063] 步骤4：对步骤3中采集到的故障数据进行比对分析，探寻不同故障模式下故障数据的特性。依据故障数据表现出来的特性，将故障区分为两类：通道故障和非通道故障；非通道故障经过进一步地判定又可区分为非液压故障和液压故障。针对区分出每一类故障采取不同的故障诊断方法，可以得出最终的故障诊断结果。依据以上分析建立的整体故障诊断规则如图8所示。

[0064] 通道故障是指4个电气通道中有某个通道发生故障，进而影响整个副翼作动器的控制精度。通道故障有三类：力马达线圈断开、DDV位移传感器跟踪精度超差和作动筒位移传感器跟踪精度超差。依据这三种故障模式的故障数据表现出来的特性，可以根据图9的诊断规则进行区分。记A/B/C/D四通道数据两两之间的最大差值的绝对值为Δ，若Δ超过故障阈值，Δ＝1，否则Δ＝0。则具体故障通道的判定可根据表3实现。

[0065] 表3 具体故障通道判定方法

[0066]

[0067] 非液压故障采用基于模型残差的故障诊断方法进行判定，该方法的核心在于构建一个残差库。通过对正常副翼作动器Simulink模型的中部分数值的改变或引入数值偏置模块来模拟故障作动器，构造故障作动器模型。针对DDV零偏超差、DDV位移传感器位置精度超差、作动筒零偏超差和作动筒位移传感器位置精度超差这四种故障模式，构造四个不同的故障模型。同时，在诊断模型中植入一个正常副翼作动器Simulink模型，它产生的数据分别与四个故障模型产生的数据作差，可以得到四个不同的残差：残差1、残差2、残差3和残差4，即构建好的残差库。带诊断的数据源输入到诊断模型中，与正常副翼作动器Simulink模型产生的数据作差，得到待诊断残差。然后求待诊断残差与残差库中的四个残差间的相关系数，最大相关系数对应的故障模式则为待诊断数据的故障模式。基于模型残差的故障诊断方法流程如图10所示。相关系数的计算方法采用皮尔逊相关系数，它的计算公式如下：

[0068]

[0069] 副翼作动器为双液压系统设计，且左右液压系统的结构不一致。左系统液压下降对作动器的影响相对较小，右系统液压下降对作动器的影响较大。由此特性，可根据作动筒位移传感器数据与正常数据残差的大小来判定具体故障液压系统。液压故障的判定流程如图11所示。左液压系统的故障监测器为FD1，右液压系统的故障检测器为FD2。若判定左液压系统无故障而FD1报故，则判定FD1故障；同样地若判定右液压系统无故障而FD2报故，则判定FD2故障。若以上的诊断结果都为非故障，则判定副翼作动器处于正常状态。

[0070] 步骤5：基于上述的诊断规则和诊断算法，基于Simulink平台建立完整的副翼作动器故障诊断模型。如图12所示，该副翼作动器故障诊断模型的输入为飞控指令和待诊断数据源，根据故障分类规则通过相应的判断模块进行判断；针对不同类型的故障模式采取不同的故障诊断算法进行故障诊断；得到最终的故障诊断结果和诊断结果置信度；最后通过显示模块对诊断结果进行显示。

[0071] 本实施例为检验诊断模型的可行性，针对DDV零偏超差和作动筒零偏超差这两种故障模式进行故障诊断。在诊断模型中赋给DDV零偏超差的故障编号为5，赋给作动筒零偏超差的故障编号为10。待诊断数据由两段故障数据组成，0-2s时为DDV零偏超差(故障模式5)的故障数据，2-4s时为作动筒零偏超差(故障模式10)的故障数据，带诊断数据中的DDV位移传感器信号如图13所示。将待诊断数据送入故障诊断模型，故障诊断模型给出的诊断结果如图14和图15所示。由于故障诊断结果需要基于一段时间累积的数据才能给出，0-2s是处于数据累积阶段，因此诊断结果会存在一个2s的延迟。从图中可以看到，故障诊断模型对于两种不同的故障模式都给出了准确的故障诊断结果。

[0072] 需要指出的是，上面所述只是说明本发明的一些原理，由于对相同技术领域的普通技术人员来说是很容易在此基础上进行若干修改和改动的。因此，本说明书并非是要将本发明局限在所示和所述的具体结构和适用范围内，故凡是所有可能被利用的相应修改以及等同物，均属于本发明所申请的专利范围。