前言：想要寫出一篇引人入勝的文章？我們特意為您整理了談無人機機載發電機故障診斷技術范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:在本研究中針對無人機電源系統進行模型構建仿真分析,將神經網絡應用于無人機機載發電機故障診斷過程中,在分析機載電源系統原理和結構的前提下,結合實際數據參數,根據系統模型進一步建立數學模型,完成仿真分析,結合對象特性使用主成分分析法進一步構建發電機故障特征庫,使用神經網絡算法的方式實現發電機故障診斷,通過研究發現,無人機機載發電機故障診斷系統能夠實現對發電機系統快速診斷,具有較強的實用性。

關鍵詞:無人機；機載發電機；故障診斷；技術

當前無人機使用電源系統包括發電機以及控制器,A類關鍵設備系統是無人機氣載主要平臺,在設計實驗中需要完成發電機全面檢測,這對于原發電機早期故障剔除,定位來說起著十分重要的作用。近年來故障診斷是比較重要的研究方向,在研究理論過程中可以使用神經網絡,人工魚群優化算法,小波分析等多種方法。研究學者分析了利用經驗小波變換故障診斷方法,而近年來神經網絡故障診斷方法是新型的算法,能夠適用于不確定系統故障診斷以及非線性故障診斷中,目前該裝置已經用于多種故障模型,診斷中包括電力醫藥等行業已實現廣泛應用,然而機械故障診斷在無人機發電機中的相關研究較少,因此在本研究中深入分析機載無人機發電機系統,所以針對其故障模式,原因,采用神經網絡算法的方式實現對該系統的故障診斷。

1故障特征體系和其仿真效果分析

首先從無人機電源故障系統模式上來看,電源系統主要涉及機械、電氣這兩種類型的故障,結合電源本身的結構設計來看,航空電器故障主要為轉子繞組短路,勵磁系統故障,以及定子繞阻絕緣故障,機械故障,主要涉及軸承故障,根據無人機實際飛行條件、經驗來看,參考國家故障標準診斷,可對故障危害進行準確分析,構建故障模式影響分析表。在上述分析過程中,我們發現按照故障特點和持續時間,可以在整個無人機飛行過程中,機載電氣系統存在三種故障類型,即脈沖、突發以及漸變故障類型,在本研究中著重對突發故障這種類型進行分析,具有較強的容錯性。由于表征對象狀態參數量較大,因此,在龐大的數據中應當找出特征信息并完成特征量的提取,只有這樣才能夠準確進行故障診斷和對象性能檢測分析,采用的方法為主要成分分析法,該方法可對象征討,在特征向量提取和數據壓縮中起著重要作用。其中在規范處理時為確保每個數據能夠處于某一屬性范圍內,采用最大最小規范處理的方式,即能夠完成初始數據線性變化,假定最大值和最小值分別變量,通過下列公式:可以將x值映射到區間中,計算相應的主成分向量,進而按照屬性排序。在電源系統仿真時,為確保故障診斷算法能夠準確驗證,可以以機載電源作為研究對象,綜合分析電源運行情況,在計算機軟件中完成建模,發電機、蓄電池、控制器的仿真分析,可對整個機載電源進行仿真分析,掌握其特性。采用idealswitch模塊實現電路開路,能夠與勵磁電路相接,實現時間控制短路故障發生時刻和持續時間,以此來模擬勵磁回路故障問題。當出現故障時相應的主電源的電流,電壓數據波形圖如圖1所示。我們可以發現是系統的啟動過程,在0.2秒之前系統能夠達到穩定運行狀態,確保電壓實現28伏特穩定運行,電流能夠穩定在53安培的范圍內,在0.2秒時系統出現故障,此時主電源的電流、電壓分別降低為0,出現故障主要表現為主電源電壓、電流迅速降低,逐漸為零,當該系統獲取特征信息之后,我們可以發現該故障主要為勵磁繞阻故障,相比無人機飛行數據來看,進一步驗證了該數據的準確性,表明這種電源仿真模型具有一定的合理性,能夠在該模型的前提下添加故障模式并獲得相應的故障信息,這對于構建特征數據庫是具有重要意義的。構建故障特征庫,實際上故障特征庫是系統故障診斷預測的重要內容,可用于儲存專家知識庫和實際故障特征數據,這種特征庫是否完善將決定最終系統的故障診斷能力和效率,結合發電機故障類型和實際運行過程中獲得的參數檢測情況,我們可以發現將直流電壓28伏特,直流電流28安培作為故障特征向量診斷信號,主要由于電流、電壓信號反應目前系統的故障運行狀態,并且利用電流電源監測傳感器且由于其放置條件較為便利,可用以獲取真實的測量效果,由于在測量時需要借助直流發電機、三相電壓,因此在實際監測時難度是比較大的,最終我們沒有將其納入故障特征庫中。

2神經網絡

神經網絡是逐漸發展的發展的網絡組成之一,在故障診斷預測中具有廣泛適用性,當前網絡可通過數據連接實現建模具有一定的適應性,首先神經系統網絡是單向傳播的網絡,可對非線性函數進行權值訓練,具有輸入層和隱含層,反向傳播網絡激活函數是可微的,這一函數具有非線性放大系數的功能,函數形式如下所示處于隱含層利用s型激活函數,利用線性激活函數,針對輸出層進行神經網絡計算,存在一定的局限性問題,因此可以使用優化算法的方式來解決神經網絡的缺陷問題。在本研究中使用神經網絡改進算法,即Lm方法。基于神經網絡故障診斷的實現過程。在本研究中以無人機發電機和相應的控制系統故障診斷作為研究對象,進一步說明神經故障網絡在診斷過程中的過程需要提取無人機飛行故障特征數據,構建相應的特征庫,按照故障類型進行分類,對所獲取數據完成統一分析處理,作為樣本數據還需要進行持續的訓練操作,通過研究發現該系統存在6個故障特點和故障原因,構建故障特征向量如表1所示。設計3層神經網絡,2位輸入層神經元,6為輸出隱含層神經元,可利用公式表示。通過測試我們發現能夠準確能夠準確識別10萬個特征向量,而單相短路特征向量為01000,識別率為100%,說明在第4次便能夠獲取預期訓練效果。在無人機發電機故障診斷室使用vs開發工具和數據庫構建相應的數據庫模型,通過計算機軟件可借助計算機軟件進行神經網絡函數的調取,實現飛行數據的故障診斷過程,能夠對所涉及的數據進行預處理分析,通過接口能夠將相應的數據傳入到計算機軟件中,進一步檢驗神經網絡故障診斷的效果,在計算引擎中設計三種函數包括存儲數據,執行函數和獲取結果的函數。

3結語

總而言之,在本研究中針對無人機機載電源系統原理、結構進行分析,進一步構建了其電源仿真模型,結合飛行器的特點和在實際飛行過程中獲取的數據,采用主成分分析法進一步確定特征庫構建特征庫后,實現以神經網絡算法作為前提的故障診斷過程,在本研究中采用機載電源的實驗和實際測試數據驗證模型的準確性,構建電源緩存模型,這對于故障診斷來說是十分重要的,同時在本研究中還采用28伏特電流電壓作為特征向量,實現不同故障模型的診斷,隨著未來我國無人機技術的發展,以及逐漸趨于高精度化方向發展,如何獲取更多特征向量,完善故障診斷也是未來研究重點。

參考文獻

[1]李紅,楊善水.無人機交流發電系統故障診斷技術[J].南京航空航天大學學報,2009,41(b12):15-18.

[2]舒暢.無人機傳感器故障診斷方法研究[D].成都:電子科技大學,2017.

作者：葉楊飛 沈寶國 徐露兵 沈朝萍 單位：江蘇航空職業技術學院