西安交通大学科研团队提出飞机机电作动器的智能故障诊断方法

针对机电作动器的传统故障诊断方法依赖于人工特征提取和工程经验的问题，电力设备电气绝缘国家重点实验室（西安交通大学）的研究人员李世晓、杜锦华、龙云，在2022年《电工技术学报》增刊1上撰文，提出一种基于一维卷积神经网络（1DCNN）的智能故障诊断方法。相较于传统故障诊断算法中特征提取和分类的分开处理，该方法将两者合二为一、共同进行，可以有效地诊断出机电作动器的故障，且故障识别率可以达到98%左右。另外，该方法在不同白噪声下仍可以保持较高的故障识别率，具有比较好的鲁棒性和泛化能力。

客机降落跑道,Passenger airplane landing to runway

随着高密度伺服电动机、电力电子和数字控制技术的发展，电力作动系统以其质量轻、成本低、效率高、可靠性高及便于维护等优点被广泛认可。因此在航空、航天和航海等很多领域，电力作动系统正在逐步取代传统的液压作动系统。

机电作动器作为电力作动系统的一种典型代表，广泛应用于现代飞行控制系统，来控制飞机舵面，从而改变飞机的飞行姿态和轨迹，其健康状态对于飞机的飞行状态和安全至关重要。因此，准确及时地诊断、预测机电作动器的实时状况，对保障飞机安全运行和经济维护具有重要意义。

目前，机电作动器故障时的故障诊断方法主要可以分为基于模型和基于数据驱动两类方法。其中，基于模型的故障诊断方法通常需要建立精确的系统模型，但模型的确定性也决定了其通用性较差；而基于数据驱动的故障诊断方法，无需精确的数学模型，但要求有比较完备的数据集。随着互联网技术的发展和智能制造水平的提高，社会的数据量和数据面呈指数式增长，使基于数据驱动的故障诊断方法得到更广泛的应用。

随着人工智能的不断兴起和蓬勃发展，机器学习成为了数据驱动下故障诊断的主流方法之一。机器学习的故障诊断通常包括特征提取、特征降维和故障分类三个部分。由于现实中采集到的原始数据存在大量的冗余信息和噪声，难以直接处理，因此通常需要先对原始数据进行特征提取来获取与故障相关的特征。

如小波包变换（Wavelet Packet Transform，WPT）、快速傅里叶变换（Fast Fourior Transfermation, FFT）、统计特征以及经验模态分解等常见的特征提取方法；然后对上一步提取后的特征进行降维，剔除冗余和无用的特征，常用方法有主成分分析、核主元分析和流形学习等；最后将得到的有效故障特征进行故障分类，其中比较有代表的分类器有BP神经网、自组织映射（Self-Organizing Maps，SOM）神经网络、支持向量机（Support Vector Machine，SVM）以及概率神经网络（Probabilistic Neural Network，PNN）等。

上述方法可以看作是不同的特征提取器与分类器的相互组合，虽然取得了较为不错的效果，但也存在两个主要问题：一是特征提取作为故障诊断的重要一环，但操作时往往依赖人工设计和一定的工程经验；二是特征提取和故障分类虽然形式上组合，但两个过程实质上是先后单独进行的，因此当设备或装置变化时，难以保证二者组合的最优性，即无法保证智能故障诊断算法的通用性，同时这种分段进行的组合方式也难以保证诊断的实时性。

而近年来，由于训练资源的大幅增加和计算能力的快速发展，深度学习逐渐成为智能故障诊断领域中的新秀。卷积神经网络（Convolutional Neural Network，CNN）的概念最早可以追溯到Hubel等对猫脑视觉皮层研究中提出的感受野，后经过Fukushima、LeCun等的研究工作，现在已经成为深度学习的经典算法之一，并广泛应用于计算机视觉、语音识别以及自然语言处理等领域。

卷积神经网络是一种前馈式多层监督学习神经网络，通常由卷积层、激活层、池化层、全连接层4个部分构成。其中，卷积层利用卷积核对输入信号进行特征提取，激活层用来提高网络的非线性特性，池化层对卷积层产生的特征图进行维度约简，最后全连接层对高维特征进行具体的分类操作。与普通神经网络相比，卷积层具有局部连接和权值共享的特性，这有利于减少卷积层的训练参数，在一定程度上降低了网络的复杂度和计算量。

针对目前机电作动器诊断依赖人工特征提取和工程经验以及浅层学习模型特征提取能力不足的问题，西安交通大学的研究人员将一维卷积神经网络结构引入机电作动器故障诊断中，直接以作动器输出的原始信号作为网络输入，把特征提取和分类合二为一，实现端到端的智能故障诊断。

图1 基于1DCNN的故障诊断流程图

他们首先是获取和处理数据，其次优选参数进行网络模型构建，然后通过实验对模型进行验证，最后将所提方法与其他算法对比验证，并进行鲁棒性测试。实验结果表明，该算法可以有效地实现机电作动器的故障诊断。

图2 直驱式机电作动器结构

研究人员指出，相比于传统故障诊断方法，该方法不需要人工特征提取，可以直接作用于原始信号并自适应地提取对诊断有益的特征，同时具有很高的故障诊断准确率。另外，该方法直接以原始数据作为模型输入，把特征提取和分类合二为一，并具有很短的诊断时间，可以真正实现端到端的智能故障诊断，因此具有更好的可操作性和通用性，有利于实现在线监测和快速智能诊断的应用。

他们最后表示，该方法的泛化能力和鲁棒性较强，在较大噪声的情况下，仍然可以保持较高的诊断准确率。

本文编自2022年《电工技术学报》增刊1，论文标题为“基于一维卷积神经网络的机电作动器故障诊断”。本课题得到了国家自然科学基金项目、中央高校基本科研业务费专项资金项目和陕西省自然科学基础研究计划青年项目的支持。