專利名稱：基于分數(shù)階小波變換的航空直流變換器在線故障組合預測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及航空直流變換器在線故障預測算法及方法實現(xiàn)，具體涉及一種基于分數(shù)階小波變換及組合預測的航空直流變換器故障預測新方法。
背景技術(shù)：
隨著飛機用電設(shè)備的日益增多，機載電子設(shè)備的用電量大幅增加，對航空電源系統(tǒng)的供電品質(zhì)提出了更高的要求。航空電源系統(tǒng)主要包括主電源、輔助電源、應(yīng)急電源和二次電源。二次電源將主電源的電能形式轉(zhuǎn)換為用電設(shè)備所需的多種電能形式，是航空電源系統(tǒng)中必不可少的組成部分。航空直流變換器作為一種重要的二次電源，廣泛應(yīng)用于高壓直流航空電源系統(tǒng)中，為各種用電設(shè)備提供低壓直流電源。航空直流變換器長期運作在高 空惡劣環(huán)境下，其發(fā)生故障的潛在可能性相對較大，可靠性和安全性問題越來越受到重視。因此，對航空直流變換器進行在線故障預測技術(shù)研究具有重要的理論與工程應(yīng)用價值。故障預測方法可分為基于模型和基于數(shù)據(jù)兩大類，基于模型的方法需要了解待研究對象的失效物理模型，隨著設(shè)備復雜度的增大，其建模難度也相應(yīng)增大；而基于數(shù)據(jù)的方法即對部件或系統(tǒng)的性能退化數(shù)據(jù)進行現(xiàn)場監(jiān)控，并利用相應(yīng)的數(shù)據(jù)驅(qū)動算法預測其性能退化數(shù)據(jù)，為一種較實用的故障預測方法。目前，以航空直流變換器作為故障預測對象的研究甚少，在航空直流變換器的實際使用過程中，其性能退化數(shù)據(jù)通常為復雜的非線性、非平穩(wěn)時間序列，不僅包含整體退化趨勢，還包含多種隨機波動分量以及隨環(huán)境因素變化的噪聲量。使用單一模型難以對其進行準確預測，同時預測結(jié)果中含有噪聲項，也會造成預測的不確定性。因此，采用一種信號處理方法對性能退化數(shù)據(jù)進行去噪預處理，并針對處理后信號的具體特征選用組合故障預測方法，從而提高在線預測的準確性，提高航空直流變換器乃至整個航空電源系統(tǒng)的可靠性。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于分數(shù)階小波變換的航空直流變換器在線故障組合預測方法，分數(shù)階小波變換結(jié)合了小波的多分辨分析和分數(shù)階時頻表示的雙重優(yōu)點，與傳統(tǒng)的時頻分析方法相比，具有無窮多個分數(shù)階時頻空間，更能展現(xiàn)出多樣化的信號局部特征。本發(fā)明通過分數(shù)階小波變換，將性能退化數(shù)據(jù)的時間序列分解為規(guī)律性較強的不同頻率分量，并且通過計算高頻分量與環(huán)境因素的聯(lián)合熵，剔除由于環(huán)境波動引起的干擾噪聲，還原真實的性能退化數(shù)據(jù)。針對不同分量的時頻特性，建立組合預測模型，預測實時性能退化數(shù)據(jù)，進而實現(xiàn)航空直流變換器的在線故障預測。高頻分量的預測要求預測方法具有較快的速度和較強的跟蹤能力，因此以神經(jīng)網(wǎng)絡(luò)預測模型為基礎(chǔ)，利用小波多分辨理論對其進行改進，通過建立多分辨率小波神經(jīng)網(wǎng)絡(luò)預測模型實現(xiàn)其時序預測。低頻分量表征系統(tǒng)整體的退化趨勢，具有單調(diào)性，將灰色模型反映確定性信息趨勢的優(yōu)勢與神經(jīng)網(wǎng)絡(luò)的強大的學習能力相結(jié)合，利用灰色神經(jīng)網(wǎng)絡(luò)對低頻分量進行預測。通過組合預測方法使得預測風險分散化，從而提高在線故障預測的準確性。本發(fā)明為了實現(xiàn)上述目的，采取基于分數(shù)階小波變換的航空直流變換器在線故障組合預測方法，包括如下步驟(I)實時采集航空直流變換器的輸出電壓和環(huán)境數(shù)據(jù)，計算不同時刻的輸出電壓變化率，以此作為變換器性能退化參數(shù)，獲取不同時刻的性能退化數(shù)據(jù)；(2)利用3 σ方法和插值方法對性能退化數(shù)據(jù)進行異常值剔除和缺失數(shù)據(jù)填補，獲取等時間間隔的性能退化數(shù)據(jù)和環(huán)境數(shù)據(jù)；(3)對性能退化數(shù)據(jù)進行分數(shù)階小波變換，分解為不同尺度的子分量，通過計算不同高頻分量與環(huán)境數(shù)據(jù)之間的聯(lián)合熵，確定噪聲分量并將其剔除；(4)針對低頻分量具有規(guī)律性及周期性較強的特點，選擇灰色神經(jīng)網(wǎng)絡(luò)進行預測，針對高頻分量具有波動性、隨機性較強的特點，采用多分辨率小波神經(jīng)網(wǎng)絡(luò)進行預測；(5)將低頻分量與高頻分量的預測值疊加得到最終預測值，結(jié)合相應(yīng)的故障閾值對航空直流變換器進行性能評估，實現(xiàn)其在線故障預測。


圖I是航空直流變換器結(jié)構(gòu)框圖；圖2是航空直流變換器故障預測流程圖。
具體實施例方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案進行詳細說明圖I為航空直流變換器的結(jié)構(gòu)框圖，其核心部件為DC-DC變換主電路，變換器的輸入信號為270V直流高壓，輸出信號為28V直流低壓，ARM芯片用于控制變換器產(chǎn)生穩(wěn)定輸出，同時采集和處理變換器的輸出電壓。圖2為航空直流變換器故障預測流程圖，本發(fā)明采用基于分數(shù)階小波變換和組合預測的方法對航空直流變換器進行在線故障預測，主要分為數(shù)據(jù)采集、數(shù)據(jù)分解及去噪、子序列預測以及變換器在線故障預測，具體實施方式
如下(I)實時采集航空直流變換器的輸出電壓Uwt⑴和環(huán)境數(shù)據(jù)(包括溫度T⑴、濕度w(t)、振動v(t)等)，計算不同時刻的輸出電壓變化率，以此作為變換器性能退化參數(shù)，獲取不同時刻的性能退化數(shù)據(jù)X (t)。輸出電壓變化率的計算公式為
X(t) =X100%( I )
Tl
U OHf理想其中，Uwtaig為變換器工作在標準環(huán)境(即溫度為27°C、相對濕度為40%以及無振動的環(huán)境)且元器件參數(shù)均為標稱值時，其輸出平均電壓；υ_α)為變換器工作在實際環(huán)境中，從時刻t開始，一個開關(guān)周期內(nèi)的變換器輸出平均電壓。(2)利用3 σ方法和插值方法對數(shù)據(jù)進行異常值剔除和缺失數(shù)據(jù)填補，得到當前時刻η和歷史時刻I η-I的等間隔性能退化數(shù)據(jù)X' (t)與環(huán)境數(shù)據(jù)T' (t)、W' (t)、V' (t), (t = 1,2,…，η)。(3)對性能退化數(shù)據(jù)進行分數(shù)階小波變換，并去除隨環(huán)境波動的噪聲項，主要包括如下步驟(3. I)通過歷史性能退化數(shù)據(jù)學習，得到分數(shù)階小波變換中的最優(yōu)分數(shù)階次P，對性能退化數(shù)據(jù)X, (t)作P階分數(shù)階小波變換，如式(2)，得到低頻分解系數(shù)和I層高頻分解系數(shù)，然后通過單支重構(gòu)提取出各不同頻帶范圍內(nèi)的時頻信號，最終信號分解如式(3)所

權(quán)利要求
1.基于分數(shù)階小波變換的航空直流變換器在線故障組合預測方法，其特征在于該方法包括以下步驟 步驟I、實時采集航空直流變換器的輸出電壓Uwt (t)和環(huán)境數(shù)據(jù)(包括溫度T (t)、濕度W(t)、振動V(t))，計算不同時刻的輸出電壓變化率，以此作為變換器性能退化參數(shù)，獲取不同時刻的性能退化數(shù)據(jù)X(t)； 步驟2、利用3 σ方法和插值方法對獲取數(shù)據(jù)進行異常值剔除和缺失數(shù)據(jù)填補，得到當前時刻η和歷史時刻I η-I的等間隔性能退化數(shù)據(jù)X' (t)與環(huán)境數(shù)據(jù)T' (t)、W' (t)、V' (t), (t = 1,2,…，η); 步驟3、對步驟2中的等間隔性能退化數(shù)據(jù)V (t)進行分數(shù)階小波變換，將其分解為不同尺度的子分量，通過計算不同高頻分量與環(huán)境數(shù)據(jù)之間的聯(lián)合熵，確定噪聲分量并將其剔除； 步驟4、分別對分解數(shù)據(jù)中的高頻分量和低頻分量進行故障預測，采用小波神經(jīng)網(wǎng)絡(luò)建立高頻分量的預測模型，采用灰色神經(jīng)網(wǎng)絡(luò)建立低頻分量的預測模型，分別進行時序預測； 步驟5、將各子分量預測結(jié)果進行疊加，獲取性能退化數(shù)據(jù)的最終預測結(jié)果，將預測結(jié)果與故障閾值比較，對航空直流變換器進行在線故障預測。
2.如權(quán)利要求I所示的基于分數(shù)階小波變換的航空直流變換器在線故障組合預測方法，其特征在于，所述步驟3中數(shù)據(jù)分解及去噪的具體步驟為 (1)通過歷史數(shù)據(jù)學習，得到分數(shù)階最優(yōu)P值，對性能退化數(shù)據(jù)Γ(t)作P階分數(shù)階小波變換，進行分數(shù)階P域內(nèi)的I層低頻分解和高頻分解，得到不同頻段的分解系數(shù)，然后通過單支重構(gòu)提取出各頻段的時頻信號，表示為其中，D(t)為低頻分量，即粗糙信息，表示性能退化數(shù)據(jù)的整體退化趨勢；Gi(t) (i =1,2,…，I)為不同頻段的高頻分量，即細節(jié)信息，包含性能退化數(shù)據(jù)的隨機分量和隨環(huán)境波動的噪聲； (2)分別計算不同高頻分量Gi(t) (i = 1,2,…，I)與環(huán)境數(shù)據(jù)之間的多元聯(lián)合熵，由于多元聯(lián)合熵表現(xiàn)的是序列之間的隨機程度，如果秩序混亂，則其聯(lián)合熵相應(yīng)較大，本發(fā)明將環(huán)境因素的波動視為噪聲，則噪聲分量與環(huán)境量具有一定的關(guān)聯(lián)性，將計算得到的最小多元聯(lián)合熵對應(yīng)的頻段分量Gk(t)視為噪聲分量，從分解數(shù)據(jù)中剔除，進行數(shù)據(jù)去噪。
3.如權(quán)利要求I所示的基于分數(shù)階小波變換的航空直流變換器在線故障組合預測方法，其特征在于，步驟4對步驟3中去除噪聲分量Gk(t)后的子分量進行預測，具體描述為 (1)低頻分量D(t)相對原始序列而言，隨機波動較小，規(guī)律性較強，采用灰色神經(jīng)網(wǎng)絡(luò)模型對其進行時間序列預測首先，利用I η時刻的低頻分量{D(l)，…，D(η)}建立退化趨勢的灰色方程，然后根據(jù)灰色方程獲取后m時刻的低頻分量預測值{Z)(n+l),Z)(n+ 2),* ··,￡)( + /η)}； (2)高頻分量61(1:)(i = 1,2, ···, I, i ^ k)相對原始序列而言,具有一定的隨機波動性，通過建立多分辨率小波神經(jīng)網(wǎng)絡(luò)預測模型實現(xiàn)其時序預測首先，確定小波神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，設(shè)置網(wǎng)絡(luò)參數(shù)、學習誤差以及最大迭代次數(shù)；然后對GJt)在I η時刻的時間序列{Gdl)，GiO),…，Gi(Ii)I進行歸一化處理，輸入神經(jīng)網(wǎng)絡(luò)中，進行網(wǎng)絡(luò)訓練學習；最后利用訓練好的小波神經(jīng)網(wǎng)絡(luò)對各高頻分量分別進行時序預測，獲取相應(yīng)的預測結(jié)果(G1 ( + 1),G,( + 2), ■■■,G^n + m)}。
4.如權(quán)利要求I所示的基于分數(shù)階小波變換的航空直流變換器在線故障組合預測方法，其特征在于，所示步驟5中，將各分量的預測結(jié)果相疊加，即可得到最終預測結(jié)果，將預測結(jié)果與故障閾值進行對比，判定航空直流變換器的健康狀況，若預測值超過故障閾值，則判定設(shè)備發(fā)生故障；反之，航空直流變換器仍處于正常工作范圍內(nèi)，繼續(xù)對電路進行實時監(jiān)測和在線故障預測。
全文摘要
本發(fā)明公開基于分數(shù)階小波變換的航空直流變換器在線故障組合預測方法，具體步驟為(1)實時監(jiān)測并采集航空直流變換器的輸出電壓信號，計算不同時刻的輸出電壓變化率，以此作為變換器性能退化參數(shù)；(2)利用3σ方法和插值方法對性能退化數(shù)據(jù)進行異常值剔除和缺失數(shù)據(jù)填補；(3)對性能退化數(shù)據(jù)進行分數(shù)階小波變換，分解為不同尺度的子分量，通過計算高頻分量與環(huán)境數(shù)據(jù)之間的聯(lián)合熵，確定噪聲分量并將其剔除；(4)采用小波神經(jīng)網(wǎng)絡(luò)建立分解數(shù)據(jù)中高頻分量的預測模型，采用灰色神經(jīng)網(wǎng)絡(luò)建立低頻分量的預測模型，進行時序預測；(5)將低頻分量與高頻分量的預測值疊加得到最終預測值，結(jié)合故障閾值對航空直流變換器進行性能評估和故障預測。本發(fā)明剔除了性能退化數(shù)據(jù)中環(huán)境因素波動造成的干擾，還原了真實的性能退化數(shù)據(jù)，同時將性能退化數(shù)據(jù)分解為規(guī)律性較強的不同頻率子分量，利用組合預測模型預測子分量，使得預測風險分散化，提高了在線故障預測的準確性。
文檔編號G06F19/00GK102867132SQ20121039787
公開日2013年1月9日 申請日期2012年10月16日 優(yōu)先權(quán)日2012年10月16日
發(fā)明者吳祎, 王友仁, 姜媛媛, 孫權(quán) 申請人:南京航空航天大學