和麟, 梁麗嬡, 馬存寶

(1.西北工業(yè)大學 航空學院, 陜西 西安 710072; 2.西安飛豹科技發(fā)展公司 仿真部, 陜西 閻良 710089)

飛機起落架液壓收放系統(tǒng)多故障仿真與健康評估

和麟1, 梁麗嬡2, 馬存寶1

(1.西北工業(yè)大學 航空學院, 陜西 西安 710072; 2.西安飛豹科技發(fā)展公司 仿真部, 陜西 閻良 710089)

起落架不能正常收放嚴重威脅飛行安全,迫切需要掌握其健康狀態(tài)以便提前預防故障發(fā)生。以典型支線客機的起落架收放系統(tǒng)為研究對象,探索了對不同故障模式下的健康程度進行評估的方法。利用AMESim軟件建立了該系統(tǒng)的仿真模型,研究液壓回路中元件參數(shù)性能變化對系統(tǒng)工作性能的影響。選取系統(tǒng)輸出參數(shù),提取故障特征,利用神經(jīng)網(wǎng)絡算法實現(xiàn)了系統(tǒng)的健康評估。結論表明該方法是可行的,為新一代飛機起落架液壓收放系統(tǒng)的健康評估提供了思路。

飛機液壓系統(tǒng);起落架收放;故障模式;AMESim仿真; 健康評估; 神經(jīng)網(wǎng)絡

起落架液壓收放系統(tǒng)是對安全要求最高的飛機系統(tǒng)之一,其工作是否正常直接影響飛機正常起降和乘客生命安全,近年來,飛機起落架不能正常收放的事故屢見報端。飛機系統(tǒng)健康管理是近年來的研究熱點,通過對設備進行狀態(tài)監(jiān)控、故障診斷以及預測等工作,能夠將傳統(tǒng)的定期維修轉變?yōu)橐暻榫S修,提前預防故障的發(fā)生[1-2]。健康評估是健康管理系統(tǒng)中重要的組成部分。一直以來,飛機發(fā)動機等系統(tǒng)的健康管理受到更多重視[1-3],近年來人們也開始研究飛機液壓、起落架系統(tǒng)甚至機載設備的健康管理[4-10]。波音公司已經(jīng)將起落架收放系統(tǒng)健康管理進行了應用,但其采用的方法沒有文獻可以參考。國內(nèi)目前的研究工作主要針對起落架收放過程及故障的仿真,其主要目的是用于指導系統(tǒng)的設計工作[11-16],在健康管理方面開展的研究還很少。起落架液壓收放系統(tǒng)元件性能參數(shù)的退化可能會引起系統(tǒng)工作性能惡化,嚴重時會造成收放工作不能完成,因此,有必要對其開展健康評估工作。

起落架、液壓等系統(tǒng)都是具有分布參數(shù)的復雜非線性系統(tǒng),影響系統(tǒng)工作特性的因素較多,故障模式多樣,仿真分析是比較理想的一種分析方法。AMESim是基于鍵合圖的液壓、機械系統(tǒng)建模、仿真及動力學分析軟件,波音、空客等在系統(tǒng)設計研發(fā)中都不同程度地使用了該軟件[15-17]。本文利用該軟件進行起落架液壓收放系統(tǒng)建模仿真,分析了影響起落架收放的因素,并給出了不同部件在不同故障下對系統(tǒng)輸出參數(shù)的影響,然后對該系統(tǒng)進行了健康評估。

1 起落架液壓收放系統(tǒng)仿真建模

1.1 系統(tǒng)原理模型

起落架收放系統(tǒng)的基本結構如圖1所示。

圖1 起落架液壓收放系統(tǒng)基本原理

液壓源部分包括液壓泵、油箱、油濾組件及蓄壓器等。液壓泵將電動機或發(fā)動機輸出的機械能轉變?yōu)橐簤耗?為起落架收放系統(tǒng)提供一定的壓力和流量,并維持系統(tǒng)出口壓力穩(wěn)定;油液流經(jīng)液壓油濾、單向閥、蓄壓器及卸壓安全閥流向起落架選擇閥,通過選擇閥的收起或放下通道流向起落架收放系統(tǒng)的收起或放下回路,驅動收放系統(tǒng)中各個鎖作動筒及收放作動筒運動,完成起落架的收放動作。

1.2 仿真模型

仿真的主要步驟為:在草圖模式下搭建系統(tǒng)的結構模型,在子模型模式下給每個元件分配合適的數(shù)學模型,在參數(shù)模式下為每個子模型設置參數(shù),最后運行仿真。根據(jù)對起落架收放系統(tǒng)工作原理的分析,建模時需要重點考慮的是起落架收放系統(tǒng)的順序動作實現(xiàn)、前起鎖作動筒的順序動作實現(xiàn),以及作動筒速度的調節(jié),以實現(xiàn)在規(guī)定時間內(nèi)收放到位。所建立的模型如圖2所示。

(1.油箱2.液壓泵3.液壓油濾4.單向閥5.電磁換向閥6.電磁閥和單向閥的組合7.單向節(jié)流閥8.前起收放作動筒9.前起鎖作動筒10.主起收放作動筒11.主起下位鎖作動筒12.主起上位鎖作動筒)圖2 起落架收放系統(tǒng)液壓回路模型

模型初步搭建后,給每個元件分配合適的子模型,并根據(jù)典型支線客機的系統(tǒng)參數(shù)對各元件的參數(shù)進行設置。例如,作動筒為雙腔單桿液壓缸模型,參數(shù)包括作動筒的活塞直徑/行程、活塞桿直徑、運動部件等效質量;電磁換向閥為3位四通電液比例閥,參數(shù)有自然頻率、阻尼率、通道流量/壓降,等等。

模型參數(shù)設置好之后,結合某型飛機起落架收放系統(tǒng)的收放所需時間,設計起落架收起時間為8 s,放下時間為10 s。該時間設置可以通過調節(jié)節(jié)流閥開口量的大小對起落架收放作動筒的運動速度進行調節(jié)來實現(xiàn)。仿真得到的起落架收放作動筒和鎖作動筒的位移曲線如圖3所示,從中可以看出起落架收起和放下符合設計要求。

圖3 前起落架收放及鎖作動筒位移變化

2 系統(tǒng)多故障模式仿真結果

2.1 健康性能影響仿真結果與分析

健康性能影響因素分析是實現(xiàn)健康狀態(tài)監(jiān)測和評估的基礎。元件性能參數(shù)的退化可能會引起系統(tǒng)工作性能惡化,嚴重時會造成收放工作不能完成。下面,我們利用系統(tǒng)的仿真模型,研究元件性能參數(shù)變化對系統(tǒng)工作特性的影響,就可以通過對關鍵的狀態(tài)參數(shù)進行監(jiān)測來評估其健康情況。

根據(jù)故障模式及影響分析(failure mode and effect analysis,FMEA)可知[17],該系統(tǒng)易發(fā)生電磁換向閥開口量不足、作動筒泄漏、液壓泵泄漏等問題。系統(tǒng)液壓回路主要動態(tài)參數(shù)中反映系統(tǒng)健康狀態(tài)信息最多的是壓力、流量和時間3個參數(shù)。作者仿真了不同故障模式下這幾個參數(shù)的變化情況。限于篇幅,我們僅以作動筒發(fā)生不同程度內(nèi)泄漏為例給出仿真結果。

作動筒發(fā)生內(nèi)泄漏時,一部分液壓油會從作動筒的進油腔進入回油腔,使得液壓泵出口壓力減小。為了補充泄漏引起的流量損失,液壓泵出口處的流量會增大。泄漏導致活塞桿運動速度減慢,使得活塞桿縮進到位所需的時間延長,即主起落架放下過程所需的時間增加。隨著內(nèi)泄漏程度的不斷增大(泄漏系數(shù)從0.01變化到0.03 L/min/bar),參數(shù)的減小或增大越明顯。

圖4 作動筒不同程度泄漏時輸出參數(shù)變化曲線

通過全部仿真結果分析可得,當發(fā)生電磁換向閥開口量不足、作動筒泄漏、液壓泵部件功能降級等問題時,壓力、流量和起落架運動到位所需時間均會有明顯的單調變化。

2.2 特征參數(shù)提取

從仿真結果可以看出,利用AMESim建模仿真得到的信號都是時域信號,這些信號能夠直觀反映系統(tǒng)的狀態(tài),因此我們將直接提取相應的統(tǒng)計特征作為后續(xù)診斷模型的輸入。我們以液壓泵動態(tài)工作過程和穩(wěn)定狀態(tài)時泵的出口壓力平均值、壓力的峭度值、起落架放下過程中泵出口流量的均值和起落架放下時間為健康特征,將這其作為輸入量,并采用如下的歸一化映射:

式中,xmin和xmax是原始數(shù)據(jù)的最小值和最大值,ymin和ymax是映射的范圍參數(shù),分別為-1和1。

我們將每種故障類別對應的健康程度分為健康、輕微故障、中等故障和嚴重故障四級。故障類型為選擇閥開口不足故障、作動筒內(nèi)漏故障和液壓泵內(nèi)漏。在此基礎上進行健康評估。

3 多故障健康評估

一般的健康評估是指判斷退化過程中的所處的健康降級程度,本文的健康評估還包括判斷引起健康水平降級的故障模式。這實際上是一個分類問題,但需要同時考慮系統(tǒng)的故障模式以及故障程度?，F(xiàn)有的健康評估方法主要有模型法、層次分析法、模糊評判法、貝葉斯網(wǎng)絡法,這些方法存在建模過程復雜、主觀影響大等問題[18]。而神經(jīng)網(wǎng)絡具有非線性映射關系及較強的分類性能,在已有的歷史對應關系的訓練下,可記憶系統(tǒng)的分類特性,本文即采用該方法。

3.1 算法模型及參數(shù)設置

典型的向前型神經(jīng)網(wǎng)絡具有1個輸入層、數(shù)個隱含層和1個輸出層,層與層之間采用全連接的方式,同一層的神經(jīng)元之間不存在相互連接。理論上已經(jīng)證明[19],具有1個隱含層的3層網(wǎng)絡可以逼近任意非線性函數(shù),因此3層網(wǎng)絡的應用最為普遍[18-19],如圖5所示。

圖5 神經(jīng)網(wǎng)絡結構圖

模型輸入信號為x,x=[x1,x2,…xm]T;輸出信號為y,y=[y1,y2,…yn]T;隱含層共有l(wèi)個節(jié)點,其中第i個節(jié)點的信號為:

(2)

(3)

式中,f1為隱含層的激勵函數(shù)。輸出層的關系與隱含層相似,權值、激勵函數(shù)和閾值分別為w2、f2和b2。網(wǎng)路初始權值設定后,就可以得到網(wǎng)絡輸出,比較該輸出與期望輸出,將誤差信號反向傳播用于調整各層神經(jīng)元的連接權值,使誤差達到精度要求。權值的更新一般采用基于梯度下降的算法:

(4)

式中,η為學習速率或步長,E表示誤差,通常用網(wǎng)絡實際輸出與期望輸出之間誤差平方和的平均值即均方誤差來計算:

(5)

式中,yi表示實際輸出,qi表示期望輸出。

隱含層節(jié)點數(shù)l=2m+a,a為0～8之間的調節(jié)常數(shù),因此隱含層的數(shù)目可以有幾種不同取值。網(wǎng)絡的隱含層神經(jīng)元激勵函數(shù)采用tansig型,輸出層的激勵函數(shù)采用purelin型,學習訓練采用Levenberg-Marquardt算法,期望誤差值選為1×10-5,學習速率設定為0.4,網(wǎng)絡的最大迭代次數(shù)為2 000次。

為了將故障模式和故障程度同時劃分,將特征向量對應的故障模式和健康程度表示為二維矢量,則網(wǎng)絡的輸出層神經(jīng)元個數(shù)為2。每種故障模式的每種健康程度分別有20組數(shù)據(jù)作為訓練樣本,共有200組數(shù)據(jù)構成網(wǎng)絡的訓練樣本。采集系統(tǒng)處于3種故障模式時的狀態(tài)數(shù)據(jù)各27組,和正常狀態(tài)時的12組數(shù)據(jù),共93組數(shù)據(jù)作為測試樣本。

3.2 健康評估結果

在不同隱含層節(jié)點數(shù)下分別對對網(wǎng)絡進行訓練,然后將測試樣本輸入其中進行健康評估。圖6為隱含層節(jié)點為17時網(wǎng)絡的訓練誤差曲線和健康評估結果。

圖6 健康評估結果

經(jīng)過迭代后網(wǎng)絡的最終訓練誤差為8.15×10-6,滿足誤差要求,而且分類效果也比較好。我們分別計算不同隱含層節(jié)點數(shù)下的故障類別和故障程度的診斷正確率,結果如表1所示。

可以看到,隱含層節(jié)點數(shù)目的取值對故障識別正確率有較大的影響,隱含層節(jié)點數(shù)為17時最佳,對故障類別的診斷正確率達到了最高,但故障程度評估正確率略低。以上結果說明該方法能夠對健康進行比較好的分類,診斷出故障類別并評估出故障程度,即采用該方法對系統(tǒng)進行健康評估是可行的,而且故障特征選取也是合理的。由圖4的參數(shù)變化曲線也可以看到,部件參數(shù)退化時起落架收放系統(tǒng)

表1 各隱含層節(jié)點數(shù)下的評估結果

輸出參數(shù)變化值實際上是非常小的,這也給故障程度的判定帶來一定的困難。

4 結 論

本文根據(jù)典型支線客機起落架收放系統(tǒng)的結構和參數(shù),通過AMESim軟件建立系統(tǒng)模型,仿真了電磁換向閥開口量不足、作動筒泄漏、液壓泵泄漏等問題引起的輸出參數(shù)變化,從中選取典型故障和參數(shù)進行了健康評估。結果證明,對起落架收放系統(tǒng)的故障特征選取合理,健康評估結果較理想。通過該方法可以 及時掌握系統(tǒng)的健康狀態(tài),從而為視情維修提供依據(jù),提前預防故障發(fā)生。本文對新研飛機起落架液壓收放系統(tǒng)的健康評估提供了一種思路和方法。

[1] Zhang Huiguo, Kang Rui, Recht Michael. A Hybrid Prognostics and Health Management Approach for Condition-Based Maintenance[C]∥IEEE International Conference on Industrial Engineering and Engineering Management, 2009: 1165-1169

[2] Ahmadi Alireza, Fransson Torbjorn, Crona Anneli, et al. Integration of RCM and PHM for the Next Generation of Aircraft[C]∥IEEE Aerospace Conference, 2009: 1-9

[3] 曹惠玲, 黃樂騰, 李志偉, 龐思凱. 基于SOM神經(jīng)網(wǎng)絡的航空發(fā)動機滑油系統(tǒng)健康評估[J]. 中國民航大學學報, 2014, 32(6):19-22 Cao Huiling, Huang Leteng, Li Zhiwei, Pang Sikai. Health Assessment Study of Aero-Engine Oil System Based on SOM Neural Network[J]. Journal of Civil Aviation University of China, 2014, 32(6):19-22 (in Chinese)

[4] 趙四軍, 王少萍, 尚耀星. 飛機液壓泵源預測與健康管理系統(tǒng)[J]. 北京航空航天大學學報, 2010, 36(1):14-17 Zhao Sijun, Wang Shaoping, Shang Yaoxing. Prognostics and Health Management System of Hydraulic Power Supply[J]. Journal of Beijing University of Aeronautics and Astronautics, 2010, 36(1):14-17 (in Chinese)

[5] 張金春, 張繼軍, 曹彪. 基于HMM的機載設備狀態(tài)健康評估方法研究[J]. 計算機測量與控制, 2015, 23(2):491-493 Zhang Jinchun, Zhang Jijun, Cao Biao. Research on State Health Evaluation Method of Airborne Equipment Based on HMM[J]. Computer Measurement & Control. 2015, 23(2):491-493 (in Chinese)

[6] 崔建國, 林澤力, 陳希成, 等. 飛機液壓系統(tǒng)健康狀態(tài)綜合評估技術研究[J]. 控制工程, 2014, 21(3):446-449 Cui Jianguo, Lin Zeli, Chen Xicheng, et al. Research on Health Assessment of the Aircraft Hydraulic System[J]. Control Engineering of China, 2014, 21(3):446-449 (in Chinese)

[7] Phillips Paul, Diston Dominic, Starr Andrew. Perspectives on the Commercial Development of Landing Gear Health Monitoring Systems[J]. Transportation Research Part C, 2011, 19:1339-1352

[8] Yang Yang. Aircraft Landing Gear Extension and Retraction Control System Diagnostics Prognostics and Health Management[D]. United Kingdom, Cranfield University, 2012

[9] Gokdere L U, Chiu S L, Keller K J, et al. Lifetime Control of Electromechanical Actuators[C]∥IEEE Aerospace conference, United States, 2005:3523-3531

[10] Batzel T D, Swanson D C. Prognostic Health Management of Aircraft Power Generators[J]. IEEE Trans on Aerospace & Electronic Systems. 2009, 45(2): 473-483

[11] 屠毅, 肖翔, 李楠. 大型飛機起落架收放控制系統(tǒng)仿真[J]. 北京航空航天大學學報, 2013, 39(5):595-599 Tu Yi, Xiao Xiang, Li Nan. Computer Analysis of Large-scale Aircraft Landing Gear Retraction and Extension Control System[J]. Journal of Beijing University of Aeronautics and Astronautics, 2013, 39(5):595-599 (in Chinese)

[12] 朱武峰, 李旭東, 丁文勇, 林明. 飛機起落架液壓收放系統(tǒng)仿真分析與維修應用[J]. 液壓與氣動, 2013(6):87-90 Zhu Wufeng, Li Xudong, Ding Wenyong, Lin Ming. Simulation and Maintenance of Aircraft Landing Gear Hydraulic System[J]. Chinese Hydraulics & Pneumatics, 2013(6):87-90 (in Chinese)

[13] 于方圓, 高永, 程釗. 起落架液壓收放系統(tǒng)建模與故障仿真[J]. 液壓與氣動, 2013(4):45-48 Yu Fangyuan, Gao Yong, Cheng Zhao. Modeling and Fault Simulation of Landing Gear Retraction System[J]. Chinese Hydraulics & Pneumatics, 2013(4):45-48 (in Chinese)

[14] 張強, 于輝, 童明波. 某型飛機起落架收放過程仿真[J]. 流體傳動與控制, 2009, 2:29-31 Zhang Qiang, Yu Hui, Tong Mingbo. Simulation of Extending and Retracting Process for Aircraft Landing Gear[J]. Fluid Power Transmission and Control, 2009, 2:29-31 (in Chinese)

[15] 周小軍, 姜樂華, 高經(jīng)緯. 基于AMESim的液壓缸內(nèi)泄漏仿真分析[J]. 機床與液壓, 2012, 40(23):147-150 Zhou Xiaojun, Jiang Lehua, Gao Jingwei. Simulation Analysis for Inner Leakage of Hydraulic Cylinder Based on AMESim[J]. Machine Tool & Hydraulics, 2012, 40(23):147-150 (in Chinese)

[16] 夏鶴鳴, 王鴻鑫. 基于AMESim飛機液壓能源系統(tǒng)用戶可用壓力仿真計算[J]. 機械設計與制造工程. 2014, 43(7):20-23 Xia Heming, Wang Hongxin. The Simulation of Pressure Available to the User in Aircraft Hydraulic Energy System Based on AMESim[J]. Machine Design and Manufacturing Engineering, 2012, 40(23):147-150 (in Chinese)

[17] 梁麗嬡. 飛機起落架收放系統(tǒng)仿真與健康評估[D].西安:西北工業(yè)大學, 2014 Liang Liai. Aircraft Landing Gear Retraction/Extension System Simulation and Health Assessment[D]. Xi′an, Northwestern Polytechnical University, 2014 (in Chinese)

[18] 任占勇. 航空電子產(chǎn)品預測與健康管理技術[M]. 北京:國防工業(yè)出版社, 2013 Ren Zhanyong. Prognostics and Health Management Technology for Avionics[M]. Beijing, National Defence Industry Press, 2013 (in Chinese)

[19] 史峰, 王輝, 郁磊等. MATLAB智能算法30個案例分析[M].北京:北京航空航天大學出版社, 2011 Shi Feng, Wang Hui, Yu Lei, et al. 30 Cases Analysis of MATLAB Intelligence Algorithms[M]. Beijing, Beihang University Press, 2011 (in Chinese)

Multiple Failure Simulation and Health Evaluation of Aircraft Landing Gear Hydraulic Retraction/Extension System

He Lin1, Liang Liai2, Ma Cunbao1

1.School of Aeronautics, Northwestern Polytechnical University, Xi′an 710072, China 2.Xi′an Feibao Technology Development Company, Yanliang 710089, China

Abnormal landing gear retraction/extension(R/E) will make the aircraft unable to land and endanger the flight safety. It is necessary to prevent the failure and avoid the accident by knowing its health condition. A multiple failure modes based health evaluation of aircraft landing gear hydraulic R/E system is developed. For typical regional aircraft, a simulation model of this system is built by AMESim software. The effects of degradation of different component parameters in the hydraulic loop are calculated and fault characteristics are extracted. Health evaluation is performed through neural network algorithm. Simulation and calculation results show that the fault characteristics are reasonable and this method is feasible, which provide a way for health evaluation of new generation aircraft landing gear hydraulic R/E system.

aircraft hydraulic system; landing gear retraction/extension, failure mode, AMESim, health evaluation; neural network

2016-04-20

國家自然科學基金(51475368)與國家重點基礎研究發(fā)展計劃(2014CB744902)資助

和麟(1973—)，女，西北工業(yè)大學副教授，主要從事航電系統(tǒng)仿真、故障診斷與健康管理、系統(tǒng)測試性/安全性研究。

TP3

A

1000-2758(2016)06-0990-06