摘要
升降舵系统作为飞机主操纵系统的一个重要部分，控制着飞机的纵向运动，对飞机的飞行安全具有实际意义，然而，飞控系统内部之间存在强耦合关系，难以精确地建立物理模型，深度学习由于其具有多隐层结构，能够逐层提取信息，自适应提取故障特征进行故障诊断与预测。因此，本文重点研究基于深度学习的升降舵伺服系统健康管理中的故障诊断与预测。 针对传统的飞机舵面故障诊断准确性不高及泛化能力弱的问题，提出了将卷积神经网络（CNN）算法结合支持向量机（SVM）分类器搭建适于民机升降舵的故障诊断模型。在AMESim液压仿真平台上搭建升降舵故障仿真模型进行故障仿真获取相应的故障数据，并对所获取的高维数据引入了主成分分析法（PCA）降维，PCA处理非线性系统时难以提取特征值，因此加入核函数进行改进，经实验选取径向基核函数改进的PCA算法对数据降维。对降维之后的数据用CNN-SVM模型进行故障诊断，并且与传统的CNN网络、深度置信网络（DBN）模型进行测试结果对比，实验结果表明：所提的方法对升降舵故障识别精确率可达99%以上，为了能够直接观察这三种模型在特征表示上的差异性，对识别结果进行了降维可视化（T-SNE），通过可视化之后的图形可以看出CNN-SVM模型所提取的特征表示具有明显的聚类团。最后，数据集中加入噪声，验证了所提模型相比其他两个模型具有良好的抗噪能力、泛化能力以及强化学习能力。 针对升降舵故障预测的复杂性，本文提出一种基于故障数据训练预测模型和分类模型相结合的舵面故障预测方法。经过KPCA方法降维之后的数据训练胶囊网络和长短时记忆网络相结合（CapsNet-LSTM）的预测模型，预测出特征值在未来单步及多步的时刻变化值，将预测之后的输出作为分类模型的输入，预测未来时刻是否发生故障以及发生哪种故障，实验表明，CapsNet-LSTM在单步及多步预测上误差比CapsNet平均降低12.78%，相比LSTM平均降低25.13%。最后，在真实的B777飞行数据上进行了验证，选取与飞行航迹角相关的21个参数，预测航迹角的变化，通过拟合预测值和真实值之间的曲线，表明所选模型的有效性。
NETL