FTA与RBF方法结合的某型飞机起落架故障诊断.pdf

液压气动与密封/2 0 2 4年第5期doi:10.3969/j.issn.1008-0813.2024.05.004FTA与RBF方法结合的某型飞机起落架故障诊断李锋，冯珂，李晨旭，赵德中，陈振（西安航空学院飞行器学院，陕西西安7 1 0 0 8 9）摘要：为了提高某型飞机起落架故障诊断率，分别采用故障树分析法（Fault TreeAnalysis,FTA）和FTA与RBF神经网络（RadialBasisFunction，R BF)的方法对起落架常见故障进行诊断。首先根据起落架工作原理图，采用FTA方法建立故障树及故障结构函数，得到所有的最小割集，计算故障失效概率；然后按照最小割集重要度，筛选出RBF神经网络训练样本的变量数目；最后再结合国内某维修单位的故障统计数据,运用RBF神经网络建立了故障诊断模型,并对模型进行了训练和测试。结果表明,FTA定量计算得到的故障失效概率为7 1.6 0%,FTA+RBF结合方法的故障诊断平均预测误差为1.0%。关键词：起落架;FTA;RBF神经网络；故障诊断中图分类号：TH137;TP391文献标志码：BFault Diagnosis on Landing Gear of a Certain Type of Aircraft Based on FTA and RBFLI Feng,FENG Ke,LI Chen-xu,ZHAO De-zhong,CHEN Zhen(School of Aircraft,Xian Aviation University,Xian 710089,China)Abstract:In order to improve the fault diagnosis rate of the landing gear of a certain type of aircraft,FTA and RBF neural network were usedto diagnose the common faults of the landing gear.Firstly,according to the schematic diagram of the landing gear,the fault tree and thestructure function of the fault were established by FTA,and all the minimal cut sets were obtained,and the failure probability was calculated.Then,the training samples of RBF neural network were screened according to the importance of the minimal cut sets.Finally,based on thefault statistics of a domestic maintenance unit,the fault diagnosis model was established by using the RBF neural network,and the model wastrained and tested.The results show that the failure rate of the common fault is 71.60%by FTA.The average prediction error of the faultdiagnosis method using“FTA+RBF is 1.0%.Key words:landing gear;FTA;RBF neural network;fault diagnosis0引言起落架 主要用于支撑飞机，吸收飞机降落时的撞击载荷和能量，是保证飞机安全飞行的重要部件。据报道 2】,起落架故障在所有飞机故障中的占比较高，而与起落架控制有关的故障高达约30%。起落架系统一般由承力结构、机轮、减震器、刹车、转弯操纵机构、减摆器和收放机构等组成，各组成部分又由若干小部件组成。因而，当起落架系统出现故障时,故障的诊断与定位花费时间较长,航班的准点率、任务的执行率都会受到一定程度的影响。目前，飞机常见故障的诊断主要依靠专家系统，机务人员可以通过故障代码了解故障情况。但对于复收稿日期：2 0 2 3-0 6-2 7基金项目：陕西省自然科学基础研究计划（2 0 2 2 JQ-503）作者简介：李锋（1 98 2-），男，陕西西安人，副教授，硕士，主要从事航空维修与制造的科研和教学工作。20文章编号：1 0 0 8-0 8 1 3(2 0 2 4)0 5-0 0 2 0-0 41.1FTA方法FTA5是一种用图形演绎系统失效的方法。它的结构是一种由上往下的倒立、树状逻辑因果图。树的顶事件是系统不希望发生的事件，中间事件是导致顶杂、异常故障，仍然需要传统的逻辑诊断法、地面试验法等进行分析、诊断。FTA3就是逻辑诊断法的一种，这种方法可直观清晰地说明系统是如何失效的，对于复杂故障的查找是一种有效途径。然而,FTA方法也有一定的缺陷 3，比如：当样本数据较大时，计算速度慢,诊断效率低。因此,对于复杂故障的诊断,仅仅使用FTA方法进行分析存在缺陷。本研究采用FTA+RBFL41结合的方法进行故障诊断,以某飞机起落架收放故障为例进行分析。两种方法的结合克服了各自单独使用的不足,提高了故障诊断的准确性和高效性。1基于FTA方法的故障树建立Hydraulics Pneumatics&Seals/No.5.2024TMiM2M3M4Ms(X10）XX4XXX图1 右起落架信号灯指示异常故障树事件发生的直接事件，再找出导致中间事件发生的直接事件作为底事件,应用各种符号及逻辑门建立的一种树状逻辑图。因此,故障树建立的正确与否,对分析系统失效原因具有重要作用，故障树建立的一般流程在很多文献中都有描述，文中不再赘述。1.2某飞机起落架故障树的建立起落架的故障类型很多，本研究以某型飞机右起落架放下锁定时，绿色信号灯不亮为顶事件，通过查看起落架系统原理图,利用下行分析法画出故障树，如图1所示，图中T为右起落架放下锁定时绿色信号灯不亮。首先,该故障原因可分为电路故障与液压故障两大部分：M，为电路部分故障,M，为液压部分故障。电路故障主要由信号灯故障、终点电门机构故障、插钉与插孔接触不良等因素造成；液压故障主要由油压不足、附件故障等因素造成。M，为右起落架放下位置终点电门机构故障；M4为右起落架放下位置6 号插孔接触不良；M，为右起落架放下位置信号灯灯泡故障；X，为自动保险电门故障；X，为右起落架放下位置终点电门活动触头磨损导致接触不良；X，为右起落架放下位置终点电门剩余行程过大导致不能接通电路；X4为右起落架放下位置终点电门剩余行程过小导致压坏电门；X，为右起落架放下位置6 号插孔插拔次数过多使插孔变大导致接触不良；X。为右起落架放下位置6 号插孔积碳过多；X，为右起落架放下位置信号灯灯泡底座与玻璃罩发生松动；X：为右起落架放下位置信号灯灯泡钨丝断裂；X。为右起落架放下位置信号灯灯泡触点磨平；X1o为负极线没有接好X为管路油压不足；X12为起落架电磁开关故障；X13为开锁动作筒故障；X14为节流器故障；Xi5为两用活门故障;X16为液压锁故障；Xi为膨胀活门故障,Xi8为右起落架收放动作筒故障。因而，故障树的结构函数可表示为：(X)=M,UM,=(X,UM,UM,UM,UXIo)U(X,UX2UXI,UXi4 UXi,UXi:UXi,UXIs)=X,UX,UX,UX,UX,UX6UX,UX,UX,UXio UX.,UXi,UXI,UXi4 UXi,UXi UXi,UXi8 其中,(X)表示顶事件,X,（i=1,2,1 8)表示底事件。因而可以得到最小割集为：X,，X,，,(Xi,每一个最小割集代表一种故障模式。当系统中有一个底事件发生时，顶事件就会发生。实际诊断过程中,如果故障树结构复杂,故障模式较多时,在计算顶事件失效概率时，容易出现计算速度慢、甚至组合爆炸 6 问题。本研究按照最小割集重要度,剔除了非重要最小割集（X14和1 X17/。再按照故障类别,将所有最小割集分为2 大组、5小类,基本上可以覆盖所有的故障模式空间。其中电路故障为1 大组，可分为3小类,分别记为：Y,Y2,Y3。其中,Y=1(X，X,(X,/,(X4),X10/;Y2(/X,1,(X/;Y,3(X,/,X。，(X，1 。液压故障为另1 大组,可分为2 小类，分别记为:Y4,Ys。其中,Y4=Xn,Y1(X2,(Xi3/,(Xis/,(X16,(Xi8/。下面以国内某维修单位统计的该飞机此类故障数据为基础,应用FTA方法计算该故障现象的失效概率，如表1 所示。首先计算出5类基本事件的平均概率，作为每一种故障模式的概率，如表2 所示。再代人式(1）,计算顶事件的失效概率。式中：P代表顶事件发生的概率;Pyi代表各故障模式的概率。P=1-II(1-Py.)i=1通过计算，得到顶事件的失效概率为7 1.6 0%，说明该故障发生的可能性较大,需要加强预防。215(1)液压气动与密封/2 0 2 4年第5期表1 某型飞机前起落架收上锁定时红色信号灯不亮故障统计数据样本输人量/%样本编号YYYY410.04020.0500.1100.6000.0300.12030.03840.0450.0800.700 0.0340.12050.02060.0100.2100.5500.03170.03580.06090.031100.030110.037120.0430.0900.6500.029130.0400.1000.6000.0350.159140.0440.120 0.540 0.045 0.140150.053故障模式YY,YY4Y2RBF神经网络故障诊断模型的建立2.1RBF神经网络RBF神经网络 4也称作径向基函数神经网络,是一类常用的三层前馈神经网络,其结构如图2 所示。第一层到第二层的变换是非线性的,第二层到第三层的变换是线性的,与其他人工神经网络相比,RBF神经网络具有结构简单、学习速度快、逼近性能优良、泛化能力强等优势。RBF神经网络能够以任意精度逼近任意连续函数，是一种实现非线性输入输出关系的建模方法。输入层首先接收输人信号，并将输人信号22传递到隐含层。隐含层根据RBF函数的参数计算出响应信号进行综合处理，并计算出最终的输出结果。RBF实际统函数是一种非线性函数，它能够有效地提取非线性的计故障特征和信息。Y率/%0.1200.6000.0380.1520.1400.5600.0400.1500.6100.0240.1200.0900.5250.0460.0900.6300.0250.1500.0900.6300.0430.1550.1300.5300.0200.1300.5800.0330.1300.590 0.0360.160表2故障模式含义及概率事件描述控制电路附件故障控制电路接触故障灯泡故障油压故障液压油路附件故障0.9520.9710.1500.9420.9810.0800.9630.9310.1510.9290.9620.9780.1700.9380.1800.9830.1000.9240.9470.9250.974概率/%0.0380.1200.5970.0330.139W1X1W2X2W3：Xn2.2RBF神经网络的建立RBF神经网络建立流程 7 如图3所示。确定输入层节点确定输出层节点图3RBF神经网络结构图（1）确定输人层节点，采用FTA方法得到了1 8 个故障模式,最终分为5类，以这5类故障概率作为RBF神经网络的输入层节点,因此输人层节点数为5；（2）确定输出层节点，以5个故障模式对应的起落架故障率为输出,因此输出层节点数确定为1；（3）确定隐含层节点，隐含层的设置会影响模型精度、误差和运行速度，一般应结合实际情况试探性选择,再逐步优化,隐含层节点数采用 Newrbe函数的自动设置；（4）规范化处理，有时输入参数的取值范围及量纲不同,因而不能在同一标准下确定各参数对输出量的影响大小,所以要先对样本数据进行规范化处理，本研究采取最大最小值归一法,把数据都转化为 0,1 之间的数；（5）网络模型的训练，将表1 中经过归一化处理的第1 1 2 组作为训练样本,第1 3 1 5组作为测试样本,用MATLABR2021b神经网络工具箱中的Newrbe函数 7 1 创建RBF神经网络。RBF神经网络的创建是一个不断尝试的过程,过程中需要不断增加中间层神经元的个数，直到网络的输出误差满足预定要求或达到最大神经元数量为止。其中，径向基函数的扩展系数Wn输入层隐含层图2 RBF神经网络结构图确定隐含层节点规范化处理输出层网络训练模型Hydraulics Pneumatics&Seals/No.5.2024Spread 的选择 7 至关重要,太大或太小都不利于实现收上锁定时红色信号灯不亮故障预测结果较好，故障神经网络的预测。本研究采用试探法确定 Spread 的预测值与实际统计值比较,最大相差1.2%、最小相差值,当Spread分别取2,4，,1 6 时,计算得到的输出误0.7%、平均误差约为1.0%，说明了预测精度较高。差分别为：0.7 1 5%,0.7 1 3%，,0.8 7%。其中Spread表3神经网络预测数据与实际统计数据结果对比=11时,输出误差最小,值为0.6 9%。因此Spread的总体故障率/%值取1 1。输出误差的计算见式(2）,其中yeror为输出误序号差,T,为预测值,T,为统计值。3ITp:-T.:TYerror3为了检验建立的RBF神经网络模型对训练样本的逼近程度和对测试样本的预测误差,经过反归一化处理，分别可以得出训练样本、测试样本的故障率输出值,再与统计值进行对比,结果如图4所示。0.99统计值0.98+预测值0.97%索款0.960.950.940.930.920.910图4RBF神经网络训练预测值、统计值结果0.990.98统计值预测值0.970.960.950.940.930.920.911图5RBF神经网络预测值、统计值结果从图5可以看出,建立的RBF神经网络模型对训练样本的逼近较好，对测试样本的预测虽然有一定误差，但误差不大，且趋势一致性较好。具体误差如表3所示。可以看出，用RBF神经网络对某型飞机前起落架引用本文：李锋，冯珂，李晨旭，等.FTA与RBF方法结合的某型飞机起落架故障诊断 J.液压气动与密封,2 0 2 4,44（5）：2 0-2 3.LI Feng,FENG Ke,LI Chenxu,et al.Fault Diagnosis on Landing Gear of a Certain Type of Aircraft Based on FTA and RBF J.Hydraulics Pneumatics&Seals,2024,44(5):20-23.误差/%实际统计值预测值10.947 020.925 0(2)33结论（1）FT A 故障诊断失效概率为7 1.6 0%，说明该故障发生的可能性较大。FTA定量计算方法针对飞机上一些线性的简单部件或系统的故障诊断,可直接采用，对于故障树结构复杂的线性或非线性部件及系统不宜采用。（2）“FT A+R BF神经网络 的故障诊断方法平均误差约为1.0%，预测精度较高，克服了FTA与RBF神经网络方法各自的缺陷,提高了故障诊断的准确性。24训练样本2测试样本0.940 70.913 40.974 00.985 4680.71.21.110123参考文献1王立纲.起落架收放系统典型故障研究 J.内燃机与配件,2 0 2 2,359(1 1):6 8 -7 0.2HSU T H,CHANG Y J,HSUH K,et al.Predicting theRemaining Useful Life of Landing Gear with Prognostics andHealth Management(PHM)J.Aerospace,2022,9(8):462.3IVEN Leander,ZAIDI Yaseen.Validation of the SafetyRequirements of the Landing Gear Using Fault Tree AnalysisJ.CEAS Aeronautical Journal,2022,13(2):503-520.4蒋星红，孙丽娜.基于RBF神经网络的拖拉机齿轮箱故障诊断 J.南方农机,2 0 1 8,49(5):48-49.5丰赢政,赵东标，申珂楠，等.飞机起落架液压收放系统的故障程度诊断 J.机械制造与自动化,2 0 2 2,51（1）:2 1 7-2 2 0.6梁志文,胡严思，杨金民.基于FTA与BAM神经网络融合的飞机故障诊断方法J.湖南大学学报（自然科学版），2013,40(5):61-64.7李锋,陈振，王腾飞，等.FTA与BP神经网络结合的地平仪故障诊断方法研究 J.自动化仪表,2 0 2 3,44（4）：39-42.23