作者：王宽, 李盘文, 祁晓鹏

作者单位：中国飞行试验研究院，陕西 西安 710089

关键词：特征信息;故障诊断;加权D-S;数据融合;神经网络;支持向量机

摘要：

针对飞机进气道斜板故障定位难度大、故障诊断准确率低的问题，提出一种特征信息加权融合的进气道斜板故障诊断算法。该方法首先对采集信号进行预处理，计算出能够反映故障信息的多个特征指标；然后分别采用BP神经网络、径向基RBF神经网络和SVM向量机3种不同类型的分类模型对特征指标进行分类，实现故障的预诊断；之后采用加权D-S证据理论对预诊断结果进行融合决策，得到诊断结果，提高故障诊断的准确性。最后通过对比试验，表明该方法的故障诊断准确率高达97%以上，同时通过实际试飞数据进一步证明该算法能够对飞机进气道斜板故障进行诊断，具有较高的工程应用价值。

Fault diagnosis of inlet slant plate based on weighted fusion of feature information
WANG Kuan, LI Panwen, QI Xiaopeng
Chinese Flight Test Establishment, Xi’an 710089, China
Abstract: Aiming at the problems of aircraft slant plate fault location difficulty and low fault diagnosis accuracy, a weighted fusion of feature information for inlet slant plate fault diagnosis algorithm is proposed. This method first preprocesses the collected signals and calculates multiple characteristic indicators that reflect the fault information. Second use three different types of classification models of BP neural network, radial basis RBF neural network and SVM vector machine to classify the feature indicators to realize the pre-diagnosis of faults. Then, the weighted D-S evidence theory is used to make fusion decision on the pre-diagnosis results, and the diagnosis results are obtained, which improves the accuracy of fault diagnosis. Finally, the comparison test shows that the method has a fault diagnosis accuracy rate of more than 97%. At the same time, the actual flight test data further shows that the algorithm can diagnose the aircraft inlet slant plate failure and has high engineering application value.
Keywords: feature information;fault diagnosis;weighted D-S;data fusion;neural networks;support vector machines
2020, 46(11):43-47,58  收稿日期: 2020-04-19;收到修改稿日期: 2020-05-23
基金项目: 军工科研院所稳定支持项目（WD-2019-2-2）
作者简介: 王宽(1989-),男,陕西合阳县人,工程师,硕士,主要从事机载测试与数据处理技术研究
参考文献
[1] 孙科. 航空机载发动机气相音爆测试方法[J]. 中国测试, 2018, 44(1): 27-30
[2] 钱秋朦, 但志宏, 张松, 等. 航空发动机过渡态试验进气压力线性自抗扰控制方法[J]. 航空动力学报, 2019, 34(10): 2271-2279
[3] 刘艺涛, 刘超, 黎森, 等. 航空发动机进气道防冰阀建模与典型故障仿真[J]. 机床与液压, 2019, 47(3): 172-176
[4] 苏金友, 刘冬根, 钟华贵, 等. 自由射流试验中进气道上斜板结构影响仿真评估[J]. 燃气涡轮试验与研究, 2018, 31(5): 45-50
[5] 陶松兵, 柴毅, 王一鸣, 等. 基于Kullback-Leibler距离的闭环系统传感器微小故障诊断[J]. 控制理论与应用, 2019, 36(6): 909-914
[6] 郭胜辉, 朱芳来. 基于区间观测器的执行器故障检测[J]. 控制与决策, 2016, 31(6): 1118-1122
[7] 苏乃权, 熊建斌, 张清华, 等. 旋转机械故障诊断研究方法综述[J]. 机床与液压, 2018, 46(7): 133-139
[8] SAMARA P, FOUSKITAKIS S, SAKELLARIOU J, et al. A statistical method for the detection of sensor abrupt faults in aircraft control systems[J]. IEEE Trans. Control Syst. Technol, 2008, 16(4): 789-798
[9] 王印松, 王珏. 特征指标信息融合的电动调节阀故障诊断[J]. 中国测试, 2019, 45(9): 6-12
[10] 张志, 杨清海. 基于BP神经网络和改进D-S证据理论的目标识别方法[J]. 计算机应用与软件, 2018, 35(3): 151-156
[11] AFSHAR K, KHAKI S, MOSHIRI B, et al. Control performance assessment based on sensor fusion techniques[J]. Control Engineering Practice, 2016, 49: 14-28
[12] 叶春霖, 邱颖宁, 冯延晖. 基于警报信号和D-S证据理论的风电机组故障诊断[J]. 太阳能学报, 2019, 40(12): 3613-3620
[13] 司志宁, 田沛, 张立峰. 基于D-S证据理论的CT/ECT图像融合实验方法[J]. 中国测试, 2018, 44(1): 108-112
[14] 任智博, 谢业平, 杨瀚超, 等. 航空发动机进发匹配优化研究[J]. 航空发动机, 2019, 45(6): 15-19
[15] 朱涛. 进口状态对燃烧室压力损失影响试验研究[J]. 航空发动机, 2019, 45(6): 62-65