[發明專利]一種直升機自動傾斜器多故障模式識別方法及裝置

無效

• 申請號: 201310701221.7
• 申請日: 2013-12-18
• 公開（公告）號: CN103674538A
• 公開（公告）日: 2014-03-26
• 發明（設計）人: 熊毅;房紅征;文博武;羅凱;鄧薇;王偉;李蕊
• 申請（專利權）人: 北京航天測控技術有限公司
• 主分類號: G01M13/00
• 分類號: G01M13/00;G01M13/04
• 代理公司: 工業和信息化部電子專利中心 11010
• 代理人: 梁軍

技術領域

本發明涉及測量測試以及故障診斷等技術領域，特別是涉及一種直升機自動傾斜器多故障模式識別方法及裝置。

背景技術

隨著低空領域的開放，直升機將在救援、搜索、航拍、運輸等領域井噴式發展。自動傾斜器是直升機上最重要的部件之一，是將經直升機飛行操縱系統傳遞過來的駕駛員或自動駕駛儀的指令轉換為旋翼槳葉受控運動的一種裝置。其中，大軸承又是自動傾斜器的核心部件，旋翼的總距及周期變距操縱都要通過它來實現，運行中的直升機軸承的任何故障或失效都可能導致操縱系統發生故障，造成重大人身和財產損失。國內現有運行的直升機都是通過定檢定修的方式對自動傾斜器軸承進行維護，以便讓飛行員及時采取降落或降級使用等措施，避免重大事故發生。

國內目前現有的直升機自動傾斜器軸承檢測分析裝置，主要包括試驗機、數據轉換器、計算機、電控系統、液壓系統及冷卻器等，能夠實現對航空螺旋槳、飛行器的軸承異常信息、結構健康、故障診斷進行初步判斷，可部分提高軸承的運行安全可靠性。

然而，其缺陷在于，對故障監測、診斷效率不高。因此，迫切需要研究一種快速、準確的故障診斷手段，實現直升機自動傾斜器多故障模式識別的在線監測與診斷，提高檢測的準確率，確保直升機自動傾斜器的安全使用。

發明內容

本發明要解決的技術問題是直升機自動傾斜器多故障模式的在線監測與識別，確保軸承的安全使用。本發明提供了一種直升機自動傾斜器多故障模式識別方法及裝置。用以解決現有技術對直升機自動傾斜器的故障監測、診斷效率不高的問題。

為解決上述技術問題，本發明提供一種直升機自動傾斜器多故障模式識別方法。所述方法包括以下步驟：對實時采集的直升機自動傾斜器的模擬量信號進行預處理，以得到實時數據；提取所述實時數據中的一個或多個時域特征；通過將每個所述時域特征和與其對應的時域特征門限閾值范圍進行比較，確定一個或多個疑似故障；基于所述一個或多個疑似故障對應的實時數據，通過預先訓練的徑向基神經網絡獲得一個或多個故障信息。

其中，所述模擬量信號包括振動模擬量信號和溫度模擬量信號；對實時采集的模擬量信號進行預處理，以得到所述模擬量信號對應的實時數據，包括：對采集的振動模擬量信號和溫度模擬量信號進行信號調整；對調整后的振動模擬量信號和溫度模擬量信號進行模數轉換，以獲得振動模擬量信號對應的實時數據，以及溫度模擬量信號對應的實時數據。

其中，所述時域特征至少包括：峭度、峰值因子、脈沖因子、裕度因子及波形因子。

其中，將每個所述時域特征和與其對應的時域特征門限閾值范圍進行比較，以確定一個或多個疑似故障，包括：如果所述時域特征不在所述時域特征門限閾值范圍內，則判定為針對所述時域特征的疑似故障。

其中，預先訓練徑向基神經網絡的步驟如下：采集性能完好的直升機自動傾斜器的實時數據和發生各類故障的直升機自動傾斜器的實時數據，作為訓練集；基于所述訓練集對預設的徑向基神經網絡進行訓練，以獲得預測出正確故障信息的徑向基神經網絡。

其中，基于所述一個或多個疑似故障對應的實時數據，通過預先訓練的徑向基神經網絡獲得一個或多個故障信息，包括：提取所述實時數據中的一個或多個特定特征；將所述產生疑似故障的一個或多個時域特征，以及所述一個或多個特定特征作為預先訓練的徑向基神經網絡的輸入，以獲得一個或多個故障信息。

本發明還提供了一種直升機自動傾斜器多故障模式識別裝置，所述裝置包括：直升機自動傾斜器軸承、一個或多個傳感器、與傳感器數量相等的信號調理器、模數轉換器、數字信號處理器、時序及邏輯控制器；每個傳感器實時采集直升機自動傾斜器軸承的模擬量信號，并傳送給對應的信號調理器，以對所述模擬量信號進行信號調理；時序及邏輯控制器控制模數轉換器對調整后的模擬量信號進行模數轉換，以得到模擬量信號對應的實時數據，并將所述實時數據轉發至數字信號處理器；數字信號處理基于預先獲得的時域特征門限閾值范圍和預先訓練的徑向基神經網絡對所述實時數據進行處理，以獲得一個或多個故障信息。

其中，所述數字信號處理器還用于：提取所述實時數據中的一個或多個時域特征；通過將每個所述時域特征和與其對應的時域特征門限閾值范圍進行比較，確定一個或多個疑似故障；基于所述一個或多個疑似故障對應的實時數據，通過預先訓練的徑向基神經網絡獲得一個或多個故障信息。

其中，所述數字信號處理器還用于：如果所述時域特征不在所述時域特征門限閾值范圍內，則判定為針對所述時域特征的疑似故障。

其中，所述時域特征至少包括：峭度、峰值因子、脈沖因子、裕度因子及波形因子。