摘要
飞行操控系统的可靠性是飞行器安全飞行的重要保证，其三大主舵面系统——副翼、升降舵和方向舵的故障会直接影响操控系统的性能，因此，对飞行器舵面系统的状态监测和故障诊断研究具有重要意义。本文利用数据驱动的机器学习技术，着重对系统信号表征故障进行了深入研究，并开发了智能故障诊断系统。本文的主要工作如下： 首先，本文对飞行器舵面系统的故障进行分析，介绍了执行器和传感器的常见故障类型，并选择方向舵系统作为故障诊断的具体研究对象。考虑到基于数据的方法不依赖于研究对象的精确数学模型，并能实现与智能算法的融合，因此本文选择数据驱动下的机器学习方法开展故障诊断研究。 其次，针对激励的响应信号容易受到环境中噪声污染的问题，本文首先改进了奇异值消噪方法，然后结合数学形态学提出了一种奇异值形态滤波算法，对方向舵系统的响应信号进行消噪预处理。仿真结果表明该算法不仅可以较好地滤除噪声，还能保持信号的原始特征。 进一步地，针对含噪信号的经验模式分解结果模式混叠严重的问题，本文提出利用总体平均经验模式分解法解析故障信号；并针对总体平均经验模式分解法的端点效应问题，设计了一种基于包络点支持向量回归机-总体平均经验模式分解的特征提取方法。仿真实验表明，该方法不仅可以提取到具有真实物理意义的信号成分，还能得到不同频段对应的能量特征信息。 最后，针对标准支持向量机在故障诊断中误判后需人工干预的问题，本文构建了基于后验概率的分类机模型。同时，针对概率分类机中的参数优化问题，本文设计了广义框架下的分类机模型，并利用粒子群算法对模型参数进行整体寻优，仿真结果表明故障类型能够被准确有序的识别，从而验证了诊断模型的有效性。最后，通过整合研究内容，设计和开发了具有人机交互界面的舵面故障诊断系统，为文中所提算法应用于实际系统的故障检测提供了良好的平台。
NETL