何德雨，胡蔦慶，胡 雷，陳 凌，郭亦平

(1. 國(guó)防科技大學(xué) 裝備綜合保障技術(shù)重點(diǎn)實(shí)驗(yàn)室， 湖南 長(zhǎng)沙 410073；2. 國(guó)防科技大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院， 湖南 長(zhǎng)沙 410073；3. 中船重工集團(tuán)707研究所九江分部， 江西 九江 332007)

基于VR與PNN相結(jié)合的機(jī)電液控制系統(tǒng)故障診斷方法*

何德雨1,2，胡蔦慶1,2，胡 雷1,2，陳 凌1,2，郭亦平3

(1. 國(guó)防科技大學(xué) 裝備綜合保障技術(shù)重點(diǎn)實(shí)驗(yàn)室， 湖南 長(zhǎng)沙 410073；2. 國(guó)防科技大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院， 湖南 長(zhǎng)沙 410073；3. 中船重工集團(tuán)707研究所九江分部， 江西 九江 332007)

針對(duì)大型復(fù)雜機(jī)電液控制系統(tǒng)故障診斷中存在的數(shù)學(xué)模型獲取困難、歷史故障數(shù)據(jù)匱乏問(wèn)題，提出了一種將虛擬樣機(jī)與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷混合方法。建立系統(tǒng)的虛擬樣機(jī)，并對(duì)其可信性進(jìn)行校核與驗(yàn)證。在此基礎(chǔ)上進(jìn)行大量隨機(jī)性故障植入與仿真實(shí)驗(yàn)，獲取故障仿真數(shù)據(jù)。經(jīng)過(guò)特征提取與概率神經(jīng)網(wǎng)絡(luò)模式識(shí)別訓(xùn)練，形成用于診斷的知識(shí)庫(kù)，從而實(shí)現(xiàn)故障診斷。以操舵系統(tǒng)作為研究案例，得到了較高的故障檢測(cè)和隔離精度與較低的虛警及漏警率，驗(yàn)證了該方法的可行性，為大型復(fù)雜機(jī)電液控制系統(tǒng)故障診斷提供新的思路。

虛擬樣機(jī)；機(jī)電液控制系統(tǒng)；概率神經(jīng)網(wǎng)絡(luò)；故障診斷

大型復(fù)雜機(jī)電液控制系統(tǒng)在國(guó)民經(jīng)濟(jì)生產(chǎn)和國(guó)防軍事等領(lǐng)域中發(fā)揮著不可替代的作用，這類(lèi)裝備一旦發(fā)生故障，往往會(huì)導(dǎo)致非常大的經(jīng)濟(jì)財(cái)產(chǎn)和人員損失，因此對(duì)其進(jìn)行實(shí)時(shí)的狀態(tài)監(jiān)控與故障診斷顯得尤為迫切。然而，由于系統(tǒng)規(guī)模大，結(jié)構(gòu)原理復(fù)雜，機(jī)電液混合造成的能量轉(zhuǎn)換多變，使得對(duì)其進(jìn)行系統(tǒng)級(jí)的故障診斷難度徒增，主要體現(xiàn)在以下兩個(gè)方面。其一，系統(tǒng)的準(zhǔn)確數(shù)學(xué)模型難以建立，導(dǎo)致基于模型的故障診斷策略難以實(shí)施；其二，歷史故障數(shù)據(jù)的缺乏，導(dǎo)致專(zhuān)家經(jīng)驗(yàn)知識(shí)的嚴(yán)重不足，也是制約裝備定量故障安全分析技術(shù)的主要瓶頸[1]。

近年來(lái)，隨著計(jì)算機(jī)科學(xué)技術(shù)的飛速發(fā)展，基于仿真的方法在各個(gè)學(xué)科領(lǐng)域和社會(huì)實(shí)踐中得到了廣泛的應(yīng)用，這主要得益于仿真技術(shù)極強(qiáng)的靈活性、廉價(jià)性和高效性。將仿真技術(shù)應(yīng)用于大型機(jī)電液控制系統(tǒng)的故障診斷中是一種可行的研究思路。本文在對(duì)控制系統(tǒng)故障診斷技術(shù)的研究現(xiàn)狀進(jìn)行總結(jié)后，提出一種將虛擬樣機(jī)與概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network, PNN)相結(jié)合的機(jī)電液控制系統(tǒng)故障診斷混合方法，克服了傳統(tǒng)控制系統(tǒng)故障診斷方法存在的建模困難、數(shù)據(jù)匱乏等缺點(diǎn)。案例驗(yàn)證結(jié)果顯示該方法具有較好的診斷效果。

1 控制系統(tǒng)故障診斷研究現(xiàn)狀

故障診斷包含三層含義，即故障檢測(cè)、隔離和辨識(shí)(Fault Detection, Isolation, and Identification, FDII)[2]。實(shí)際應(yīng)用中，有效的故障檢測(cè)和隔離一般必不可少，而故障辨識(shí)對(duì)于故障恢復(fù)、健康檢測(cè)和維修決策非常重要。本文中的故障診斷是指故障檢測(cè)和隔離。

控制系統(tǒng)故障診斷方法，總體上可分為以下三類(lèi)：①基于信號(hào)處理的方法；②基于數(shù)學(xué)模型的方法；③基于學(xué)習(xí)和知識(shí)的方法。

基于信號(hào)處理的方法對(duì)系統(tǒng)傳感器測(cè)量信號(hào)進(jìn)行處理分析，按處理的方式又可分為兩種。第一種對(duì)信號(hào)進(jìn)行時(shí)域閾值檢測(cè)或趨勢(shì)分析[3]，從數(shù)據(jù)中提取時(shí)域趨勢(shì)特征；第二種對(duì)信號(hào)進(jìn)行頻域或時(shí)-頻域混合分析，提取頻域和時(shí)-頻域特征，主要應(yīng)用在齒輪箱和軸承等機(jī)械部件的故障診斷[4-5]。該類(lèi)方法的主要問(wèn)題是沒(méi)用考慮測(cè)量信號(hào)之間的關(guān)聯(lián)性，本質(zhì)上加劇了虛警風(fēng)險(xiǎn)。

基于數(shù)學(xué)模型的方法通過(guò)分析實(shí)際系統(tǒng)與模型估計(jì)之間的殘差以實(shí)現(xiàn)故障診斷。根據(jù)殘差生成的方式，該類(lèi)方法又可分為三種，分別是基于觀測(cè)器(或者基于濾波器、基于狀態(tài)估計(jì))的方法[6]、奇偶空間法[7]和參數(shù)估計(jì)法[8]。這類(lèi)方法的應(yīng)用基礎(chǔ)是必須獲得控制系統(tǒng)的準(zhǔn)確數(shù)學(xué)模型，而這對(duì)于大型復(fù)雜系統(tǒng)往往難以實(shí)現(xiàn)。

基于學(xué)習(xí)和知識(shí)的方法緊密依賴(lài)于系統(tǒng)的歷史數(shù)據(jù)和專(zhuān)家經(jīng)驗(yàn)知識(shí)。前者從系統(tǒng)的歷史輸入輸出數(shù)據(jù)中通過(guò)學(xué)習(xí)獲取數(shù)據(jù)驅(qū)動(dòng)模型，以此作為殘差估計(jì)的解析模型，這類(lèi)方法又稱(chēng)為基于計(jì)算智能或人工智能的方法，主要包括人工神經(jīng)網(wǎng)絡(luò)[9]和模糊邏輯[10]等。后者使用系統(tǒng)if-then規(guī)則的專(zhuān)家知識(shí)和失效模式等經(jīng)驗(yàn)，主要包括專(zhuān)家系統(tǒng)法[11]和故障樹(shù)法等。這類(lèi)方法的主要缺陷在于依賴(lài)于歷史運(yùn)行數(shù)據(jù)，診斷主觀性強(qiáng)。

綜上所述，控制系統(tǒng)故障診斷的三類(lèi)方法各有優(yōu)缺點(diǎn)。而對(duì)于大型復(fù)雜機(jī)電液控制系統(tǒng)，由于系統(tǒng)組成結(jié)構(gòu)復(fù)雜，各種參數(shù)可測(cè)性差且存在較強(qiáng)的耦合現(xiàn)象，系統(tǒng)的故障征兆和故障原因之間又具有復(fù)雜的非線性映射關(guān)系[12]，相比于簡(jiǎn)單的控制系統(tǒng)更難診斷。在前述的常規(guī)故障診斷方法中，第一類(lèi)方法無(wú)法實(shí)現(xiàn)系統(tǒng)級(jí)診斷，第二類(lèi)方法存在模型獲取困難的問(wèn)題，而第三類(lèi)方法又缺乏歷史運(yùn)行數(shù)據(jù)，所以單獨(dú)運(yùn)用某種方法都很難勝任。為克服以上三類(lèi)方法各自的缺陷，將第二類(lèi)和第三類(lèi)方法進(jìn)行延伸和融合，提出一種基于虛擬樣機(jī)與PNN相結(jié)合的故障診斷混合方法，試圖開(kāi)發(fā)出一條解決復(fù)雜機(jī)電液控制系統(tǒng)故障診斷問(wèn)題的新途徑。

2 基于虛擬樣機(jī)與PNN的故障診斷方法

2.1 理論基礎(chǔ)

作為仿真技術(shù)的一個(gè)分支，虛擬樣機(jī)是從20世紀(jì)80年代逐漸發(fā)展起來(lái)的新技術(shù)，它是指建立在計(jì)算機(jī)上的系統(tǒng)仿真模型，在一定程度上具有與物理樣機(jī)(原系統(tǒng))相當(dāng)?shù)墓δ苷鎸?shí)度。能夠描述系統(tǒng)的基本功能和工作原理。虛擬樣機(jī)可應(yīng)用于系統(tǒng)設(shè)計(jì)、生產(chǎn)和評(píng)估的全壽命周期，在可靠性設(shè)計(jì)、制造、動(dòng)態(tài)特性分析等領(lǐng)域有廣泛的應(yīng)用，能夠節(jié)約成本、提高效率[13]。本文虛擬樣機(jī)用于系統(tǒng)服役階段的故障診斷，研究中選用AMESim(advanced modeling environment for performing simulation of engineering systems)作為虛擬樣機(jī)建立模仿真平臺(tái)，它是法國(guó)Imagine公司于20世紀(jì)末推出的基于鍵合圖的系統(tǒng)建模、仿真及動(dòng)力學(xué)分析軟件，涵蓋了機(jī)械、液壓、氣動(dòng)、熱、電磁等多學(xué)科領(lǐng)域，具有界面友好、模型庫(kù)豐富和分析工具齊全等優(yōu)點(diǎn)。

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network, PNN)是基于貝葉斯決策理論發(fā)展的一種徑向基函數(shù)(Radial Basis Function, RBF)神經(jīng)網(wǎng)絡(luò)，具有分類(lèi)能力強(qiáng)、學(xué)習(xí)速度快等優(yōu)點(diǎn)，在模式識(shí)別與故障診斷等領(lǐng)域中應(yīng)用十分廣泛[14]。典型的兩種模式的PNN神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示[15]。

圖1 兩種模式的PNN拓?fù)浣Y(jié)構(gòu)Fig.1 Topological structure of PNN for two modes

網(wǎng)絡(luò)共分為四層，分別為輸入層、模式層、求和層和輸出層。其中輸入層的神經(jīng)元數(shù)量與訓(xùn)練樣本的維數(shù)(特征向量維數(shù))相對(duì)應(yīng)。模式層中的神經(jīng)元數(shù)量和各模式的樣本數(shù)相對(duì)應(yīng)。而在求和層，故障模式和神經(jīng)元一一對(duì)應(yīng)，這些神經(jīng)元將模式層中一組神經(jīng)元的輸出求和，得到該模式的估計(jì)概率。決策層選擇求和層中輸出最大者為輸出模式。

2.2 故障診斷混合方法框架

基于虛擬樣機(jī)與PNN相結(jié)合的故障診斷混合方法的基本框架如圖2所示。所謂的仿真知識(shí)，是指通過(guò)虛擬樣機(jī)的仿真數(shù)據(jù)獲取的診斷知識(shí)。該框架主要分為四個(gè)階段。

圖2 基于虛擬樣機(jī)的故障診斷框架Fig.2 Fault diagnosis framework based on virtual prototyping

第一階段，虛擬樣機(jī)的確立。根據(jù)系統(tǒng)的工作原理和結(jié)構(gòu)組成，選擇合適的建模軟件平臺(tái)，搭建系統(tǒng)的虛擬樣機(jī)。為確保虛擬樣機(jī)具備較高的可信性，并且能否滿足潛在應(yīng)用的需求，必須經(jīng)過(guò)嚴(yán)格的校核與驗(yàn)證(Verification and Validation，V&V)[16]。V&V是確保模型可信性的基礎(chǔ)，是本方法的關(guān)鍵環(huán)節(jié)，應(yīng)予以足夠重視。V&V不是建模與仿真的末端工作，而是應(yīng)該貫穿于建模與仿真的全壽命周期中。

第二階段，故障數(shù)據(jù)的獲取。要想獲取仿真故障數(shù)據(jù)，需要經(jīng)過(guò)故障植入與故障仿真兩個(gè)步驟。故障植入是指在虛擬樣機(jī)中通過(guò)改變參數(shù)、增減元件等手段人為地模擬某種故障發(fā)生的手段。而故障仿真是指在故障植入的基礎(chǔ)上，指定采樣間隔與仿真時(shí)間和其他初始化參數(shù)設(shè)置，通過(guò)仿真模擬故障發(fā)生對(duì)系統(tǒng)輸出(或其他感興趣的內(nèi)容)所造成的影響。

為得到較為全面的診斷知識(shí)，仿真數(shù)據(jù)應(yīng)該具備一定的全面性，即故障仿真須涵蓋盡量多的運(yùn)行場(chǎng)景。運(yùn)行場(chǎng)景包含大量的隨機(jī)變量，首先指定其中較為重要的幾種隨機(jī)變量及其概率分布，應(yīng)用蒙特卡洛仿真方法，對(duì)這些變量進(jìn)行隨機(jī)抽樣，在每次故障仿真中采用一個(gè)抽樣值，通過(guò)足量的故障仿真實(shí)驗(yàn)完善仿真數(shù)據(jù)庫(kù)。

第三階段，故障知識(shí)的形成。首先根據(jù)故障仿真的結(jié)果，對(duì)所有故障模式進(jìn)行分類(lèi)。對(duì)仿真數(shù)據(jù)中表征故障發(fā)生的數(shù)據(jù)進(jìn)行提取，從而減少數(shù)據(jù)存儲(chǔ)量、提高訓(xùn)練效率，實(shí)現(xiàn)特征提取。在此基礎(chǔ)上，運(yùn)用PNN模式識(shí)別方法對(duì)所提取出的故障特征進(jìn)行訓(xùn)練，生成用于故障診斷的知識(shí)庫(kù)。每種故障類(lèi)型對(duì)應(yīng)一個(gè)診斷知識(shí)庫(kù)，從而提高故障診斷的準(zhǔn)確性。

第四階段，故障檢測(cè)和隔離。本方法致力于實(shí)時(shí)監(jiān)測(cè)式的故障診斷。首先根據(jù)故障檢測(cè)特征，基于PNN模式識(shí)別方法對(duì)系統(tǒng)是否發(fā)生故障以及故障的類(lèi)型進(jìn)行判斷。在此基礎(chǔ)上，應(yīng)用發(fā)生的故障類(lèi)型對(duì)應(yīng)的故障診斷知識(shí)庫(kù)，根據(jù)故障隔離特征，基于PNN方法對(duì)故障模式進(jìn)行識(shí)別，從而隔離故障發(fā)生的部位，實(shí)現(xiàn)故障診斷。

3 案例研究

某型泵控液壓缸操舵伺服控制系統(tǒng)由操舵裝置、泵控裝置、控制電路、舵機(jī)油缸以及舵角反饋機(jī)構(gòu)等組成。它是一個(gè)典型的大型復(fù)雜、雙閉環(huán)、機(jī)電液混合伺服控制系統(tǒng)，其控制原理如圖3(a)所示[17]。

3.1 虛擬樣機(jī)確立

在控制線路中有兩個(gè)控制閉環(huán)，分別為舵角控制閉環(huán)與斜盤(pán)控制閉環(huán)。根據(jù)控制原理及實(shí)際系統(tǒng)液壓部件參數(shù)，在AMESim的“信號(hào)與控制”“液壓”和“機(jī)械”等元件庫(kù)中選擇相對(duì)應(yīng)的元件搭建虛擬樣機(jī)。其中，液壓部分與實(shí)際系統(tǒng)基本達(dá)到元件級(jí)的一一對(duì)應(yīng)，而電控部分及機(jī)械部分則力求實(shí)現(xiàn)模塊功能，這樣做既可以有效降低建模的復(fù)雜性，又能最大限度地保證虛擬樣機(jī)與實(shí)際系統(tǒng)的逼真程度。最終所建立的虛擬樣機(jī)如圖3(b)所示。

本文對(duì)V&V的詳細(xì)實(shí)施流程不做贅述，只研究最為關(guān)鍵的仿真結(jié)果驗(yàn)證環(huán)節(jié)。假設(shè)xt和yt分別是實(shí)際系統(tǒng)觀測(cè)序列X仿真模型觀測(cè)序列Y，則二者的誤差序列為：

(a) 操舵系統(tǒng)控制原理圖(a) Control principle of steering system

(b) 操舵系統(tǒng)虛擬樣機(jī)(b) Virtual prototyping of steering system圖3 操舵系統(tǒng)控制原理圖和虛擬樣機(jī)Fig.3 Control principle and virtual prototyping of steering system

et=xt-yt,t=1,2,…,N

(1)

其中N為序列長(zhǎng)度。經(jīng)過(guò)對(duì)相關(guān)文獻(xiàn)中類(lèi)似研究工作的總結(jié)分析，提出以下兩個(gè)相似度驗(yàn)證指標(biāo)。

1)相關(guān)系數(shù)：相關(guān)系數(shù)可以很好地比較兩列數(shù)據(jù)的趨勢(shì)相似性。相關(guān)系數(shù)的計(jì)算公式為：

(2)

2)差均方根(RootMeanSquare,RMS)：采用誤差序列的均方根值，考察仿真數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)之間的幅值相似度。 誤差序列的RMS計(jì)算公式為：

(3)

在V&V方案中，共有7個(gè)驗(yàn)證測(cè)點(diǎn)，如圖3中的1#～7#所示。根據(jù)上文設(shè)計(jì)的驗(yàn)證指標(biāo)的精確計(jì)算得到的驗(yàn)證結(jié)果如表1所示，說(shuō)明所建立的虛擬樣機(jī)與實(shí)際系統(tǒng)具備較高的相似度。

表1 虛擬樣機(jī)模型校核與驗(yàn)證結(jié)果Tab.1 V&V result of virtual prototyping

3.2 故障數(shù)據(jù)獲取

故障仿真的基礎(chǔ)和核心是故障的植入。故障植入即根據(jù)待仿真故障類(lèi)型和需求，構(gòu)造故障模型，用人工的方法有意識(shí)地產(chǎn)生故障并施加于特定的被測(cè)系統(tǒng)中，以模擬該系統(tǒng)故障的發(fā)生。依據(jù)實(shí)際工程中功能故障建模與仿真的需求，功能故障植入可通過(guò)以下兩種方式實(shí)現(xiàn)：①修改模型結(jié)構(gòu)，即在模型中增加、刪除一些與故障相關(guān)的圖形元件，從而將正常部件模型轉(zhuǎn)換為故障部件模型；②修改模塊關(guān)鍵性能參數(shù)，即對(duì)圖形元件中一些能準(zhǔn)確表示故障現(xiàn)象的性能參數(shù)，包括輸入輸出參數(shù)或局部變量進(jìn)行修改，以生成故障部件模型。

對(duì)系統(tǒng)可能的故障模式進(jìn)行植入與仿真，根據(jù)仿真結(jié)果可以對(duì)故障模式進(jìn)行分類(lèi)。本案例中，基于舵角的變化情況，可以將所有故障模式分為三大類(lèi)，即卡舵類(lèi)(失效)故障(A類(lèi))、穩(wěn)態(tài)誤差故障(B類(lèi))和瞬態(tài)誤差故障(C類(lèi))。三種故障類(lèi)型的典型故障模式的故障仿真結(jié)果如圖4所示。其中，A類(lèi)故障選取模放板輸出為0，B類(lèi)故障選取斜盤(pán)反饋為0，C類(lèi)故障選取模放板輸出恒增益故障。相對(duì)來(lái)說(shuō)，卡舵類(lèi)故障所造成的危害性比其他兩種更大。因此，本文主要對(duì)卡舵故障進(jìn)行研究。

圖4 典型故障的仿真結(jié)果Fig.4 Simulation results of typical faults

卡舵故障是指舵角保持原值，不跟隨操舵指令變化。除了執(zhí)行器故障外，有三種導(dǎo)致卡舵故障的故障模式，分別是模放板輸出為0(故障 A1)，泵控箱輸出為0(故障 A2)以及舵角反饋為0(故障 A3)。這三種故障的故障植入方法如圖3(b)的灰色框所示。

3.3 故障知識(shí)形成

仿真數(shù)據(jù)不能完全作為知識(shí)進(jìn)行存儲(chǔ)，這是因?yàn)橛械臄?shù)據(jù)對(duì)于故障診斷非但不起作用，而且有可能造成負(fù)面效果，這時(shí)就需要對(duì)仿真數(shù)據(jù)進(jìn)行“篩選”，提取出對(duì)于故障診斷有用的特征。如圖5所示為正常、故障A1，A2和A3的各100次故障仿真的故障特征提取結(jié)果。為模擬實(shí)際情況，每次故障仿真中，指令舵角和初始舵角都是-30°～30°平均分布內(nèi)的隨機(jī)值。

圖5 不同故障模式的卡舵故障特征Fig.5 Fault features of different fault modes of stuck rudder

卡舵故障既是一種瞬態(tài)性故障，也是一種穩(wěn)態(tài)性故障。為盡早實(shí)現(xiàn)故障診斷，提取出卡舵的瞬態(tài)故障特征是最為理想的。根據(jù)對(duì)操舵系統(tǒng)瞬態(tài)特性的分析，從發(fā)出操舵指令后0.5 s時(shí)刻的測(cè)點(diǎn)數(shù)據(jù)，在故障與正常狀態(tài)下就會(huì)有很大區(qū)別。因此，將相關(guān)測(cè)點(diǎn)0.5 s時(shí)的數(shù)據(jù)點(diǎn)提取出來(lái)作為故障特征，舍棄其他時(shí)刻的數(shù)據(jù)點(diǎn)。這樣處理的依據(jù)是0.5 s前的數(shù)據(jù)故障特征尚不夠明顯，不利于診斷，而0.5 s時(shí)正常狀態(tài)下舵角應(yīng)有較明顯的變化，已能夠區(qū)分是否卡舵?？s短故障特征時(shí)間能夠有效提高分析效率，減少仿真時(shí)間，有利于大量進(jìn)行故障仿真試驗(yàn)以生成和完善故障數(shù)據(jù)庫(kù)。例如本案例中的單次仿真時(shí)間可以縮短至0.5 s。用于故障檢測(cè)的特征是當(dāng)前舵角與初始舵角的差Di，用于故障隔離的特征是MP3#，MP4#和MP5#。

本案例驗(yàn)證中的仿真—訓(xùn)練—測(cè)試的流程如圖6所示。故障模式A1，A2，A3和正常狀態(tài)的虛擬樣機(jī)，分別在隨機(jī)指令和隨機(jī)初始舵角下進(jìn)行200次仿真實(shí)驗(yàn)，進(jìn)行特征提取后，各隨機(jī)抽取(打亂樣本順序)其中的100次作為訓(xùn)練樣本，另外100次作為測(cè)試樣本，進(jìn)行10次這樣的隨機(jī)抽樣，以測(cè)試結(jié)果的平均值作為診斷效果的評(píng)判依據(jù)。

圖6 仿真—訓(xùn)練—測(cè)試的流程Fig.6 Flow path of simulation-train-test

3.4 故障診斷

采用測(cè)試樣本對(duì)經(jīng)過(guò)訓(xùn)練的PNN網(wǎng)絡(luò)進(jìn)行測(cè)試，從而用仿真數(shù)據(jù)實(shí)現(xiàn)對(duì)故障診斷方法的驗(yàn)證。如3.3節(jié)中所述，進(jìn)行20次隨機(jī)抽樣。每次故障診斷的結(jié)果見(jiàn)表2。

表2 卡舵故障診斷結(jié)果Tab.2 Fault diagnosis accuracy of stuck rudder

從診斷結(jié)果可以看出，對(duì)于正常樣本，平均的識(shí)別精度是99.2%，即虛警率為0.8%。對(duì)于卡舵類(lèi)故障的整體故障檢測(cè)精度是99.4%，即漏警率為0.6%。而在成功檢測(cè)出的卡舵故障中，故障A1，A2和A3的故障隔離精度分別達(dá)到了100%，97.8%和96.7%。以上指標(biāo)說(shuō)明所提出的方法具備較好的故障診斷效果。

依照上述研究思路，可以進(jìn)一步對(duì)B類(lèi)故障和C類(lèi)故障的診斷進(jìn)行研究，實(shí)質(zhì)上涉及早期微小故障的診斷，對(duì)于故障特征及診斷模型的要求更高，現(xiàn)階段研究中的診斷效果比A類(lèi)故障較差，有待更深入的研究。

4 結(jié)論

基于虛擬樣機(jī)與PNN的混合方法的基本思想是建立原系統(tǒng)的虛擬樣機(jī)，并對(duì)虛擬樣機(jī)進(jìn)行校核與驗(yàn)證；在此基礎(chǔ)上，對(duì)虛擬樣機(jī)進(jìn)行隨機(jī)性的故障植入與仿真試驗(yàn)，模擬真實(shí)工況獲取仿真數(shù)據(jù)；進(jìn)一步對(duì)仿真數(shù)據(jù)進(jìn)行故障特征提取，并以PNN這種模式識(shí)別方法進(jìn)行訓(xùn)練，形成用于診斷的知識(shí)庫(kù)。診斷過(guò)程中，首先基于PNN進(jìn)行故障檢測(cè)，判定故障類(lèi)型，進(jìn)而基于PNN進(jìn)行故障隔離。用操舵系統(tǒng)作為案例對(duì)所提出的方法進(jìn)行驗(yàn)證。診斷結(jié)果表明，所提出的故障診斷方法具備較低的虛警率和漏警率以及較高的故障檢測(cè)和隔離精度，從而證明了所提出方法的有效性。

所提方法的潛在應(yīng)用對(duì)象并不局限于控制系統(tǒng)，凡是可以進(jìn)行虛擬樣機(jī)建模的系統(tǒng)，都可以嘗試用此方法進(jìn)行故障診斷。但同時(shí)需要指出的是，本文的研究過(guò)程中，并沒(méi)有實(shí)測(cè)故障數(shù)據(jù)的驗(yàn)證支持，也未對(duì)噪聲和干擾等負(fù)面影響進(jìn)行研究，因此，在實(shí)際應(yīng)用中還有待進(jìn)一步研究。

References)

[1] 趙廷弟．安全性設(shè)計(jì)分析與驗(yàn)證[M]．北京：國(guó)防工業(yè)出版社， 2011. ZHAO Tingdi. Safety design, analysis and verification[M]. Beijing: National Defense Industry Press, 2011.(in Chinese)

[2] Sobhani-Tehrani E, Khorasani K.Fault diagnosis of nonlinear systems using a hybrid approach[M]. New York,USA: Springer, 2009.

[3] Maurya M R, Rengaswamy R, Venkatasubramanian V.Fault diagnosis using dynamic trend analysis: a review and recent developments[J].Engineering Applications of Artificial Intelligence, 2007, 20(2): 133-146.

[4] 于德介， 程軍圣， 楊宇． Hilbert-Huang變換在齒輪故障診斷中的應(yīng)用[J]．機(jī)械工程學(xué)報(bào)， 2005， 41(6)： 102-107. YU Dejie, CHENG Junsheng, YANG Yu. Application of Hilbert-Huang transform method to gear fault diagnosis[J]. Chinese Journal of Mechanical Engineering, 2005, 41(6): 102-107. (in Chinese)

[5] Loparo K. Bearing fault diagnosis based on wavelet transform and fuzzy inference[J].Mechanical Systems and Signal Processing, 2004, 18(5): 1077-1095.

[6] 翟旭升， 謝壽生， 苗卓廣， 等．基于T-S模糊模型的航空發(fā)動(dòng)機(jī)非線性分布式控制系統(tǒng)故障診斷[J]．航空動(dòng)力學(xué)報(bào)， 2013， 28(6)： 1429-1435. ZHAI Xusheng, XIE Shousheng, MIAO Zhuoguang, et al. Fault detection of aero-engine non-linear distributed control system based on T-S fuzzy model[J]. Journal of Aerospace Power, 2013, 28(6): 1429-1435.(in Chinese)

[7] Nguang S K, Zhang P, Ding S.Parity relation based fault estimation for nonlinear systems: an LMI approach[C]//Proceedings of American Control Conference, 2006: 5141-5146.

[8] Wang A P, Wang H. Fault diagnosis for nonlinear systems via neural networks and parameter estimation[C]//Proceedings of International Conference on Control and Automation, 2005: 559-563.

[9] Rengaswamy R, Mylaraswamy D, rzén K E, et al. A comparison of model-based and neural network-based diagnostic methods[J].Engineering Applications of Artificial Intelligence, 2001, 14(6): 808-818.

[10] 黃明．基于模糊聚類(lèi)和灰色預(yù)測(cè)的飛行器控制系統(tǒng)故障診斷方法研究[D]．長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)， 2012. HUANG Ming.The research of fault diagnosis approach based on fuzzy C-means clustering and grey forecasting for flight control system[D].Changsha: National University of Defense Technology, 2012. (in Chinese)

[11] Cen N, Khan F, Iqbal M T.Real-time fault diagnosis using knowledge-based expert system[J].Process Safety and Environmental Protection, 2008, 86(1): 55-71.

[12] 馮文潔．典型工程機(jī)械機(jī)電液系統(tǒng)故障診斷[D]．上海：同濟(jì)大學(xué)， 2014. FENG Wenjie.Typical construction machinery electro-hydraulic system fault diagnosis[D]．Shanghai: Tongji University, 2014. (in Chinese)

[13] 趙雯， 王維平， 朱一凡, 等．武器系統(tǒng)虛擬樣機(jī)技術(shù)研究[J]．國(guó)防科技大學(xué)學(xué)報(bào)， 1999， 2(1)： 58-61. ZHAO Wen, WANG Weiping, ZHU Yifan, et al.Towards technology of virtual prototyping in weapon systems[J]．Journal of National University of Defense Technology, 1999, 2(1)： 58-61.(in Chinese)

[14] Malik H, Mishra S. Application of probabilistic neural network in fault diagnosis of wind turbine using fast, turbsim and simulink[J]. Procedia Computer Science, 2015, 58: 186-193.

[15] 葉志鋒， 孫健國(guó)．基于概率神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)故障診斷[J]．航空學(xué)報(bào)， 2002， 23(2)： 155-157. YE Zhifeng, SUN Jianguo.Probabilistic neural networks based engine fault diagnosis[J]．Acta Aeronautica Et Astronautica Sinica, 2002, 23(2): 155-157. (in Chinese)

[16] Department of Defense. Instruction DoD modeling and simulation verification, validation and accreditation (VV&A) recommended practices guide 5000.61[S].USA: Department of Defense Directive, 1996.

[17] 胡良謀， 曹克強(qiáng)， 徐浩軍．基于改進(jìn)LS-SVM的液壓舵機(jī)雙閉環(huán)系統(tǒng)故障診斷[J]．系統(tǒng)仿真學(xué)報(bào)， 2009， 21(17)： 5477-5480. HU Liangmou, CAO Keqiang, XU Haojun. Fault diagnosis for hydraulic actuator double closed-loop system based on improved LS-SVM[J]. Journal of System Simulation, 2009, 21(17): 5477-5480. (in Chinese)

Fault diagnosis method of mechanic-electronic-hydraulic control system based on the combined virtual prototyping and probabilistic neural network

HE Deyu1,2, HU Niaoqing1,2, HU Lei1,2, CHEN Ling1,2, GUO Yiping3

(1. Laboratory of Science and Technology on Integrated Logistics Support, National University of Defense Technology, Changsha 410073, China；2. College of Mechatronics Engineering and Automation, National University of Defense Technology, Changsha 410073, China；3. The Jiujiang Branch of 707 Research Institution, China Shipbuilding Industry Corporation, Jiujiang 332007, China)

In the diagnosis of large-scale mechanic-electronic-hydraulic control system, and for the mathematical model was hard to build and the historic fault data was short, a hybrid fault diagnosis method based on virtual prototyping and PNN (probabilistic neural network) was proposed. Virtual prototyping was first built and its credibility was validated. On this basis, fault injection and simulation were conducted to obtain fault data, which was then extracted as fault features and trained by PNN to form diagnosis knowledge library. A case study of steering system was presented to verify the correctness of the proposed method, which shows that the accuracy of fault detection and isolation is high and the rate of false/missing alarm is low. The proposed method may bring a novel idea for the fault diagnosis of large-scale and complicated mechanic-electronic-hydraulic control system.

virtual prototyping; mechanic-electronic-hydraulic control system; probabilistic neural network; fault diagnosis

10.11887/j.cn.201606019

2015-08-18

國(guó)家自然科學(xué)基金資助項(xiàng)目(51475463)

何德雨(1987—)，男，遼寧大連人，博士研究生，E-mail：hedeyu@nudt.edu.cn； 胡蔦慶(通信作者)，男，教授，博士，博士生導(dǎo)師，E-mail：hnq@nudt.edu.cn

TP206；TP273

A

1001-2486(2016)06-117-07

http://journal.nudt.edu.cn