基于数字孪生的飞机起落架健康管理技术

doi:10.7527/S1000-6893.2022.27629

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于数字孪生的飞机起落架健康管理技术

郭丞皓¹, 于劲松¹(), 宋悦¹, 尹琦², 李佳璇²

^1.北京航空航天大学自动化科学与电气工程学院，北京 100191
^2.航空工业成都飞机工业（集团）有限责任公司，成都 610073

收稿日期:2022-06-15 修回日期:2022-07-02 接受日期:2022-07-06 出版日期:2023-06-15 发布日期:2022-07-14
通讯作者: 于劲松 E-mail:yujs@buaa.edu.cn
基金资助:
国家重点研发计划(2022YFB3304600);国家自然科学基金(51875018)

Application of digital twin⁃based aircraft landing gear health management technology

Chenghao GUO¹, Jinsong YU¹(), Yue SONG¹, Qi YIN², Jiaxuan LI²

^1.School of Automation Science and Electrical Engineering，Beihang University，Beijing 100191，China
^2.Avic Chengdu Aircraft Industrial （Group） Co. Ltd，Chengdu 610073，China

Received:2022-06-15 Revised:2022-07-02 Accepted:2022-07-06 Online:2023-06-15 Published:2022-07-14
Contact: Jinsong YU E-mail:yujs@buaa.edu.cn
Supported by:
National Key R&D Program of China(2022YFB3304600);National Natural Science Foundation of China(51875018)

摘要/Abstract

摘要：

针对飞机起落架系统，传统健康管理方式存在知识不完备、数据不平衡和模型固化等问题，开展了数字孪生驱动的健康管理技术研究，提出以自更新模型为基础实现故障诊断与预测的数字孪生健康管理框架。从起落架系统物理和行为2个维度建立孪生模型来实现真实系统的数字映射，依托强化学习算法实现数字孪生模型参数的更新，确保孪生模型实时跟踪和反映实体健康状态，并以此为基础设计基于事件的故障诊断和基于粒子滤波的故障预测方案。以起落架收放系统为例完成实验验证，与传统方法相比，本文方法在实时性、准确性和鲁棒性方面表现更优。

关键词: 起落架, 数字孪生, 健康管理, 基于事件的故障诊断, 模型跟踪, 故障预测

Abstract:

Traditional health management methods for aircraft landing gear systems face the problems of inadequate knowledge， unbalanced data， and rigidified models. This paper explores the application of the digital twin-driven health management technology， and proposes a digital twin health management framework based on self-updating models to reliably complete diagnostic and prediction tasks. The digital twin model is established from physical and behavior dimensions to realize the digital mapping of real systems. The reinforcement learning algorithm is used to update the parameters of the digital twin model to ensure real-time tracking and reflection of the entity health status by the twin model. Further， event-based fault diagnosis and particle filter scheme-based fault prediction are designed. In the validation experiment with the retraction/extension as an example， our method exhibits better performance in terms of real-time， accuracy and robustness than traditional methods.

Key words: landing gear, digital twin, health management, event-based fault diagnosis, model tracking, fault prediction

中图分类号:

郭丞皓, 于劲松, 宋悦, 尹琦, 李佳璇. 基于数字孪生的飞机起落架健康管理技术[J]. 航空学报, 2023, 44(11): 227629-227629.

Chenghao GUO, Jinsong YU, Yue SONG, Qi YIN, Jiaxuan LI. Application of digital twin⁃based aircraft landing gear health management technology[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(11): 227629-227629.

图/表 24

图 1

图 2

算法强化学习AC算法

输入：学习率等超参数

输出：网络结构与控制策略 $π$

1. $f o r e a c h i t e r a t i o n d o :$

2. $S a m p l e s 0 a c c o r d i n g t o ρ$

3. $f o r e a c h t i m e s t e p d o :$

4. $S a m p l e a t f r o m π s a n d s t e p f o r w a r d$

5. $O b s e r v e s t + 1, π t$

6. $S t o r e s t, a t, r t, s t + 1 i n D M$

7. $e n d f o r$

8. $f o r e a c h u p d a t e s t e p d o :$

9. $S a m p l e m i n i b a t c h e s o f t r a n s i t i o n s f r o m D M$

10. $U p d a t e π w i t h g r a d i e n t s$

11. $U p d a t e n e t w o r k s w i t h s o f t r e p l a c e m e n t$

12. $e n d f o r$

13. $e n d f o r$

图 3

表 1

起落架收放系统故障事件特征

故障	$q p$	$p p u m p$	$p 1$	$F i n f l o w 1$	$v$	$x$	信号优先级（Measurement Orderings）
泵泄漏	$+ 0$	$- -$	$- 0$	$- -$	$- 0$	$- -$	$p p u m p < q p$
作动筒泄漏	$+ +$	$- -$	$- +$	$- +$	$+ 0$	$+ -$	$F i n f l o w 1 < v < x, p 1$
节流阀阻塞	$- 0$	$- +$	$+ 0$	$- 0$	$- 0$	$- -$
油滤污染	$+ -$	$- -$	$- 0$	$- 0$	$+ -$	$- 0$
作动筒磨损	$00$	$00$	$+ 0$	$- 0$	$+ -$	$- 0$	$F i n f l o w 1 < v < x, p 1$

表 1

图 4

算法基于编辑距离的模糊匹配故障隔离算法

输入：系统响应特征向量 $V m e a s u r e = S f + M O$

故障事件信号特征向量 $V s i g n a t u r e = S f + M O$

输出：模糊匹配近似度 $f u z z y m a t c h i n g s c o r e s$

1. $n = l e n V m e a s u r e$ ， $m = l e n V s i g n a t u r e$

2. $i n i t i a l i z e m a t r i x D m × n$

3. $t e m p = 0 V m e a s u r e i = = V s i g n a t u r e 1 其他$

4. $i n s e r t : D i - 1 . j + 1$

5. $d e l e t e : D i . j - 1 + 1$

6. $s w a p : D i - 1 . j - 1 + t e m p$

7. $f o r i, j i n D :$

8. $D i, j = m i n i n s e r t, d e l e t e, s w a p$

9. $D i s t a n c e = d n m$

10. $f u z z y m a t c h i n g s c o r e s = 1 - D i s t a n c e m a x n, m$

图 5

算法重要性重采样（SIR）

1. 输入： ${(x k - 1 i, θ k - 1 i), ω k - 1 i} i = 1 N, u k - 1 : k, y k$

2. 输出： ${(x k j, θ k j), ω k j} i = 1 N$

3. 初始状态随机游走，分配粒子权重

$f o r i i n 1, N :$

$θ k i = θ k - 1 i + ξ k - 1 i, ξ k - 1 i ∼ N μ, σ 2$

$x k i = p f x k - 1 i, θ k - 1 i, u k - 1$

$ω k i = p h x k i, θ k i, u k$

$e n d f o r$

$n o r m a l i z e ω k i$

4. 旧粒子集中重采样得到新粒子集

$i ← 1$

$u 1 ~ U C D F (0,1 / N)$

$f o r j i n 1, N :$

$u ← u 1 + (j + 1) / N$

$w h i l e u > C D F i d o :$

$i ← i + 1$

$e n d w h i l e$

$x k j, θ k j, ω k j ← x k i, θ k j, 1 N$

$e n d f o r$

图6

表 2

图7

图8

图 9

表 3

图 10

表 4

网络超参数设置

超参数	数值
批尺寸（Batch Size）	256
Actor网络学习率（Learning Rate）/10^-4	2
Critic网络学习率（Learning Rate）/10^-4	2
折扣因子 $γ$	0.995
衰减率（网络软更新）/10^-3	1~5

表 4

图 11

图 12

图 13

表 5

模型跟踪算法对比

算法

准确性

实时性

鲁棒性

RMSE/（10⁵

L ⋅ m i n - 1 ⋅ P a - 1

）

训练速度/s

部署速度/（10^-3 s）

在60 dB信噪比下的RMSE

/（10⁵ $L ⋅ m i n - 1 ⋅ P a - 1$ ）

0.167

24 000

1.37

0.204

DNN

0.243

100

1.68

0.276

表 5

图 14

表 6

预测算法实验效果

粒子数	随机游走方差相乘系数	RMSE_ $x a 1 / m$	RMSE_ $F i n f l o w_a 1 /$ （L·min^-1）
100	1	2.17×10^-2	0.922
100	10	3.48×10^-2	1.050
1 000	1	5.81×10^-3	0.721
1 000	10	2.31×10^-2	1.540

表 6

图 15

参考文献 36

1	EASA. Annual safety review 2021［R］. Germany： European Union Aviation Safety Agency， 2021.
2	陈新霞，刘煜原，黄加阳，等. 基于贝叶斯网络推理的起落架系统故障诊断技术研究［J］. 计算机测量与控制， 2016， 24（10）： 24-27.
	CHEN X X， LIU Y Y， HUANG J Y， et al. Fault diagnosis of landing gear system based on Bayesian network inference［J］. Computer Measurement & Control， 2016， 24（10）： 24-27 （in Chinese）.
3	PHILLIPS P， DISTON D， STARR A. Perspectives on the commercial development of landing gear health monitoring systems［J］. Transportation Research Part C： Emerging Technologies， 2011， 19（6）： 1339-1352.
4	ZHANG H G， KANG R， PECHT M. A hybrid prognostics and health management approach for condition-based maintenance［C］∥2009 IEEE International Conference on Industrial Engineering and Engineering Management. Piscataway： IEEE Press， 2010： 1165-1169.
5	AHMADI A， FRANSSON T， CRONA A， et al. Integration of RCM and PHM for the next generation of aircraft［C］∥2009 IEEE Aerospace Conference. Piscataway： IEEE Press， 2009： 1-9.
6	CHEN J， CHEN S Y， LIU Z B， et al. Health monitoring of landing gear retraction/extension system based on optimized fuzzy C-means algorithm［J］. IEEE Access， 2020， 8： 219611-219621.
7	YANG Y. Aircraft landing gear extension and retraction control system diagnostics， prognostics and health management［D］. Bedfordshire： Cranfield University， 2012.
8	HOLMES G， SARTOR P， REED S， et al. Prediction of landing gear loads using machine learning techniques［J］. Structural Health Monitoring， 2016， 15（5）： 568-582.
9	BYINGTON C S， WATSON M， EDWARDS D. Data-driven neural network methodology to remaining life predictions for aircraft actuator components［C］∥ 2004 IEEE Aerospace Conference Proceedings. Piscataway： IEEE Press， 2004： 3581-3589.
10	DZIENDZIKOWSKI M， KURNYTA A， REYMER P， et al. Application of operational load monitoring system for fatigue estimation of main landing gear attachment frame of an aircraft［J］. Materials， 2021， 14（21）： 6564.
11	SARTOR P， SCHMIDT R K. Aircraft landing gear structural health monitoring using a loads monitoring approach［J］. Revue Internationale de la Croix-Rouge et Bulletin international des Sociétés de la Croix-Rouge， 2008， 33（387）： f1-f10.
12	LI C Z， MAHADEVAN S， LING Y， et al. Dynamic Bayesian network for aircraft wing health monitoring digital twin［J］. AIAA Journal， 2017， 55（3）， doi： 10.2514/1.J055201 .
13	TAO F， ZHANG M， LIU Y S， et al. Digital twin driven prognostics and health management for complex equipment［J］. CIRP Annals， 2018， 67（1）： 169-172.
14	LI W H， RENTEMEISTER M， BADEDA J， et al. Digital twin for battery systems： Cloud battery management system with online state-of-charge and state-of-health estimation［J］. Journal of Energy Storage， 2020， 30： 101557.
15	HE B， LIU L， ZHANG D. Digital twin-driven remaining useful life prediction for gear performance degradation： a review［J］. Journal of Computing and Information Science in Engineering， 2021， 21（3）： 030801.
16	WANG Y C， TAO F， ZHANG M， et al. Digital twin enhanced fault prediction for the autoclave with insufficient data［J］. Journal of Manufacturing Systems， 2021， 60： 350-359.
17	YE Y M， YANG Q， YANG F， et al. Digital twin for the structural health management of reusable spacecraft： a case study［J］. Engineering Fracture Mechanics， 2020， 234： 107076.
18	PILTAN F， TOMA R N， SHON D， et al. Strict-feedback backstepping digital twin and machine learning solution in AE signals for bearing crack identification［J］. Sensors， 2022， 22（2）： 539.
19	NASA. 2020 NASA technology taxonomy［R］. Washington D.C.： NASA， 2020.
20	MOSTERMAN P J， BISWAS G. A theory of discontinuities in physical system models［J］. Journal of the Franklin Institute， 1998， 355（3）： 401-439.
21	DAIGLE M J， ROYCHOUDHURY I， BISWAS G， et al. A comprehensive diagnosis methodology for complex hybrid systems： a case study on spacecraft power distribution systems［J］. IEEE Transactions on Systems， Man， and Cybernetics - Part A： Systems and Humans， 2010， 40（5）： 917-931.
22	DAIGLE M J， KOUTSOUKOS X D， BISWAS G. A qualitative event-based approach to continuous systems diagnosis［J］. IEEE Transactions on Control Systems Technology， 2009， 17（4）： 780-793.
23	ROYCHOUDHURY I， DAIGLE M， BREGON A， et al. A structural model decomposition framework for systems health management［C］∥ 2013 IEEE Aerospace Conference. Piscataway： IEEE Press， 2013： 1-12.
24	LILLEY D S， MATHÉ P， SCHLOßHAUE V. Calibration and uncertainty quantification of gas turbine performance models［C］∥ASME Turbo Expo 2015： Turbine Technical Conference and Exposition. New York： AMSE， 2015， doi： 10.1115/GT2015-42392 .
25	BORGUET S. Variations on the Kalman filter for enhanced performance monitoring of gas turbine engines［D］. Liège： University of Liège， 2012.
26	RUTTER C M， MIGLIORETTI D L， SAVARINO J E. Bayesian calibration of microsimulation models［J］. Journal of the American Statistical Association， 2009， 104（488）： 1338-1350.
27	LIU S Q， BOROVYKH A， GRZELAK L A， et al. A neural network-based framework for financial model calibration［J］. Journal of Mathematics in Industry， 2019， 9（1）： 9.
28	TIAN Y， CHAO M A， KULKARNI C， et al. Real-time model calibration with deep reinforcement learning［DB/OL］. arXiv preprint： 2006.04001， 2020.
29	MOSTERMAN P J， BISWAS G. Diagnosis of continuous valued systems in transient operating regions［J］. IEEE Transactions on Systems， Man， and Cybernetics - Part A： Systems and Humans， 1999， 29（6）： 554-565.
30	DAIGLE M J， KOUTSOUKOS X D， BISWAS G. An event-based approach to integrated parametric and discrete fault diagnosis in hybrid systems［J］. Transactions of the Institute of Measurement and Control， 2010， 32（5）： 487-510.
31	BISWAS G， SIMON G， MAHADEVAN N， et al. A robust method for hybrid diagnosis of complex systems［J］. IFAC Proceedings Volumes. 2003， 36（5）： 1023-1028.
32	SAHA B， GOEBEL K. Modeling Li-ion battery capacity depletion in a particle filtering framework［C］∥Annual Conference of the PHM Society. 2009.
33	DAIGLE M J， GOEBEL K. A model-based prognostics approach applied to pneumatic valves［J］. International Journal of Prognostics and Health Management， 2011， 2（2）， doi： 10.36001/ijphm.2011.v2i2.1359 .
34	DAIGLE M， GOEBEL K. Multiple damage progression paths in model-based prognostics［C］∥ 2011 Aerospace Conference. Piscataway： IEEE Press， 2011： 3621-3630.
35	胡晓青，马存宝，和麟，等. 飞机起落架收放系统建模与故障仿真［J］. 计算机工程与科学， 2016， 38（6）： 1286-1293.
	HU X Q， MA C B， HE L， et al. Modeling and fault simulation of the landing gear extension and retraction system［J］. Computer Engineering & Science， 2016， 38（6）： 1286-1293 （in Chinese）.
36	DEB S， GHOSHAL S， MATHUR A， et al. Multisignal modeling for diagnosis， FMECA， and reliability［C］∥ SMC'98 Conference Proceedings. 1998 IEEE International Conference on Systems， Man， and Cybernetics. Piscataway： IEEE Press， 2002： 3026-3031.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

元件模型	参数	数值
液压马达	轴转速/（r·min^-1）	5 000
油滤	孔径/mm	6
	临界流数	2 320
	最大流量系数	0.7
上位锁	活塞直径/mm	25
	活塞杆直径/mm	12
	活塞行程/mm	55
主起收放作动筒	活塞直径/mm	85.55
	活塞杆直径/mm	36.449
	活塞行程/mm	219.4
	运动部件等效质量/kg	2.8
溢流阀	阀开启压力/MPa	21
溢流阀	阀流量压力梯度/（L·min^-1·MPa^-1）	200

故障模式	多信号流图		因果图
故障模式	故障候选集	推理时间/s	故障候选集	置信度分数	推理时间/s
作动筒泄漏	｛作动筒泄漏，油滤污染｝	0.07	｛作动筒泄漏，泵泄漏｝	｛88，86｝	0.001
节流阀堵塞	｛节流阀堵塞，作动筒磨损｝	0.03	｛节流阀堵塞｝	｛91｝	0.001

[1]	田阔, 孙志勇, 李增聪. 面向结构静力试验监测的高精度数字孪生方法[J]. 航空学报, 2024, 45(7): 429134-429134.
[2]	黄维娜, 黎方娟, 祁宏斌. 航空发动机数字工程初步研究与发展思考[J]. 航空学报, 2024, 45(5): 529693-529693.
[3]	李文龙, 吴波, 谢帅. 有起落架布置的翼身整体结构机翼载荷测量技术[J]. 航空学报, 2024, 45(1): 229525-229525.
[4]	杨庶. 具有边界保护性能的直升机飞-发一体化控制律[J]. 航空学报, 2023, 44(S1): 727560-727560.
[5]	包为民. 可重复使用运载火箭技术发展综述[J]. 航空学报, 2023, 44(23): 629555-629555.
[6]	王维民, 户东方. 旋转叶片动应力非接触测量方法研究综述[J]. 航空学报, 2023, 44(22): 28516-028516.
[7]	何佳琦, 吴伟达, 罗阳军. 基于P-CS模型与数字孪生的星载天线反射器形面鲁棒性控制方法[J]. 航空学报, 2023, 44(19): 328343-328343.
[8]	王芳丽, 刘凯, 潘微, 童明波. 民机结构绿色维修技术应用与发展[J]. 航空学报, 2023, 44(11): 25851-025851.
[9]	曹明, 黄金泉, 周健, 陈雪峰, 鲁峰, 魏芳. 民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅰ: 气路、机械和FADEC系统故障诊断与预测[J]. 航空学报, 2022, 43(9): 625573-625573.
[10]	曹明, 王鹏, 左洪福, 曾海军, 孙见忠, 杨卫东, 魏芳, 陈雪峰. 民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅱ: 地面综合诊断、寿命管理和智能维护维修决策[J]. 航空学报, 2022, 43(9): 625574-625574.
[11]	赵鲲, 梁俊彪, Ivan BELYAEV, Victor KOPIEV, Gareth BENNETT. 民用飞机起落架噪声及其控制技术研究进展[J]. 航空学报, 2022, 43(8): 26996-026996.
[12]	李跃明, 李晓云, 柴怡君, 杨雄伟. 飞机新牵引滑出方式下前起落架动响应分析[J]. 航空学报, 2022, 43(6): 526915-526915.
[13]	杜晓琼, 李斌, 罗琳胤. 水陆两栖飞机高支柱起落架的刹车振动行为[J]. 航空学报, 2022, 43(6): 526199-526199.
[14]	刘小川, 刘冲冲, 牟让科. 飞机起落架系统摆振动力学研究进展[J]. 航空学报, 2022, 43(6): 527063-527063.
[15]	李跃明, 李晓云, 柴怡君, 杨雄伟. 飞机新牵引滑出方式下前起落架动响应分析[J]. 航空学报, 2022, 43(6): 526915-526915.

基于数字孪生的飞机起落架健康管理技术

Application of digital twin⁃based aircraft landing gear health management technology

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 24

参考文献 36

相关文章 15

编辑推荐

Metrics

本文评价