基于数据驱动的民机电液联合舵机故障预测研究

The support vector regression (SVR) algorithm is combined with the particle filter (PF) algorithm in depth for the fault prediction of the electro-hydraulic actuator on civil aircraft. The uncertain expression from the export to the import is already fully considered during the combination process and a novel deeply integrated fault prediction algorithm is put forward, which provides prediction results with probability..An improved SVR algorithm is proposed. In order to reduce the scale of the data sample and improve the computational efficiency of the algorithm, “selective forgetting” is carried out on the data sample and the combination of global and local kernel functions is adopted for characterizing the data finely. The probability density model of the deviations in the prediction results is set up so that the confidence level of the coming data predicted can be provided along with the predicted data, supporting the following PF algorithm with more reliable “ignition data”..A modified PF algorithm is proposed. The cubature Kalman filter technique is adopted to design the importance density function, which is supposed to approximate the posterior probability density function of the real state of the system further. Moreover, “Fine Resampling” is implemented to solve the degeneration and impoverishment problem of the particles. Finally, the probability density functions of the invisible state variables inside the “black box” of the electro-hydraulic actuator are obtained according to the data predicted by SVR, so that the fine-grained faults of the system state variables are predicted with probability and the final results are provided with uncertainties.

把基于数据驱动的支持向量回归(SVR)算法和粒子滤波(PF)算法深度融合，应用于民机电液联合舵机的故障预测。在融合过程中就充分考虑到这两类算法在输出—输入端的不确定性表达，创建一种新的深度融合型暨具有不确定性集成特点的故障预测方法。.提出一种改进的SVR算法。对样本进行“选择性遗忘”，缩减建模数据规模，提高计算效率；应用组合核函数同时获取建模数据的全局和局部特征，完整刻画数据特性；对预测误差进行半参数化概率密度估计，给出带有误差置信度的输出数据预测值，为PF提供可靠的激励数据。.提出一种改进的PF算法。采用容积卡尔曼滤波技术设计重要性密度函数，使其更加逼近系统真实状态的后验概率密度；对粒子进行“精细重采样”，解决粒子退化和贫化问题；根据SVR给出的输出预测数据精确估计舵机 “黑箱”内部不可见状态变量的概率密度函数，实现细粒度的故障预测，并最终以故障概率暨不确定表达的形式给出预测结果。

电液联合舵机（简称舵机）是机、电、液深度耦合的多输入多输出、存在严重非线性的闭环系统，也是故障率较高的环节。随着现代民机自动飞行系统的发展，矛盾的焦点正逐渐向舵机转移。因此，对舵机的故障预测研究成为一项必须的课题。. 本项目研究内容包括理论研究和实物系统开发两大部分，其中实物系统开发属于拓展研究内容。理论研究包含三个方面，即(1)基于支持向量回归算法(SVR)的非线性输出数据预测。引入“样本熵”的概念对所采集的原始样本序列进行处理；应用半参数化概率密度估计技术对SVR预测误差序列进行估计；融合运用局部性和全局性两种类型的核函数进行在线组合预测。(2)基于粒子滤波算法(PF)的系统状态估计。利用容积卡尔曼滤波技术设计出合理的重要性密度函数；采用“精细重采样”技术缓解粒子的退化程度；证明了改进PF算法的收敛性。(3) SVR输出数据预测和PF状态估计的融合，形成了改进的深度融合型故障预测方法。实物系统开发部分，研制了一套“民用电液联合舵机齿轮/轴承部件故障预测测试台”。. 本项目着重探索了四个方面的关键理论问题并给出了解决方案：(1)带有误差置信度的SVR输出预测；(2)SVR中核函数的构造；(3)基于容积卡尔曼滤波的重要性密度函数设计；(4) PF中的“精细重采样”技术。. 本项目超额完成了既定的研究任务，在高水平期刊上发表SCI检索论文13篇，EI检索论文3篇；出版图书1本；申请发明专利4项；获省部级科技成果三等奖1项。项目负责人获得省部级荣誉称号1项，省部级人才称号3项；培养了3名青年骨干教师和6名硕士毕业生，其中3篇论文被推荐申报天津市优秀硕士论文；共采集并深入分析了约10G的舵机运行数据，目前数据的规模共计达到20G，能够完全覆盖舵机部件的全寿命周期。. 本项目研究所取得的理论和实践成果对于推动中国民航维修理论创新和新型装备研发具有战略层面的重大意义。