基于數據驅動的導彈伺服液面預測

劉丙杰 冀海燕 楊繼鋒

海軍潛艇學院，青島 266042

?

基于數據驅動的導彈伺服液面預測

劉丙杰 冀海燕 楊繼鋒

海軍潛艇學院，青島 266042

針對導彈伺服機構液壓源液面下降的問題，根據導彈伺服液面實測數據，采用支持向量機、神經網絡集成和最小二乘多項式擬合3種數據驅動方法對伺服液面高度進行模型辨識。通過對實測數據仿真分析，發現不同輸入維數對預測精度有所影響：當輸入維數為4時，支持向量機預測誤差最低；不同輸入維數下，最小二乘多項式預測誤差最穩定，且綜合誤差最小。 關鍵詞 數據驅動；伺服液面；支持向量回歸；神經網絡集成；最小二乘多項式擬合

伺服系統是導彈控制系統的執行機構，伺服液壓源是伺服機構的動力源，為了保證導彈完全按照指令飛行控制，就必須有充足的工作液。這就需要對伺服工作液進行測試，以判斷伺服機構的狀態。目前，伺服工作液的測試都是實時測試，只要判斷合格即可。但是，隨著載彈值班時間的增加，伺服工作液可能發生泄漏、滲漏和揮發等故障，一旦出現這種故障，只能返廠維修，這將嚴重影響導彈發射和作戰任務的實施，在歷次導彈測試、訓練、試驗中就出現過類似故障。如果能事先預測工作液狀態，實現預防性維修，將大大提高導彈的綜合保障能力和戰備完好性。但是，目前有關伺服機構工作液液面預測的研究鮮有公開資料。本文將利用數據驅動方法實現伺服機構工作液液面的預測。數據驅動僅利用受控系統的在線和離線I/O 數據以及經過數據處理得到的知識實現模型辨識, 并在一定的假設下, 有收斂性、穩定性保障和魯棒性結論的控制理論與方法[1]。

數據驅動方法有很多，本文采用神經網絡集成、支持向量回歸機和最小二乘多項式逼近3種方法進行伺服液面預測，并給出各種方法的預測精度對比結果。

1 導彈伺服機構伺服液壓源

伺服液壓源是伺服機構的重要組成部分[2]，由燃氣渦輪泵和油源組件2部分組成，見圖1，具體說明見參考文獻[2]。

1)燃氣渦輪泵

燃氣渦輪泵為適宜于超高速運行的緊湊通軸結構，由渦輪轉子、動密封組件和轉速傳感器等組成。

渦輪轉子是以耐熱合金材料制造的整體式轉子；動密封組件是超高速機構動密封組件，靜環為石墨制品；轉速傳感器是磁電型傳感器，用于測量渦輪轉速。

圖1 伺服液壓源結構組成示意圖

2)油源組件

油源組件為整體化的高溫液壓系統，由流體連接器、安全閥、油位傳感器、溫度傳感器、工作液和測量電子盒等組成。

燃氣經進氣噴嘴轉變為超音速流，推動渦輪轉子作超高速運轉，并直接帶動同軸反向噴射的直葉式泵輪在油源組件的泵殼內旋轉，形成超高速旋轉的液壓油在其外圈具有一定壓力和極高轉速。高壓液流經自封流體連接器送至伺服作動器，推動發動機噴管擺動。

2 數據驅動方法

本文所用的3種方法在其他文獻中都有詳細描述，先簡要介紹支持向量回歸和機神經網絡集成方法的基本原理，詳細算法介紹請參考文獻[3-4]。

1)支持向量回歸機

支撐向量回歸(Support Vector Regression：SVR)是將模式識別問題中的估計指示函數得到的結論推廣到回歸估計中的估計實函數中，且引入一種新的損失函數-ε不敏感損失函數。

與支持向量機(SVM)一樣，SVR也有線性和非線性之分。本文僅介紹常用的非線性SVR。

針對訓練樣本為非線性情形，只要選擇合適的核函數，用核函數取代線性情況下的內積運算，便可以將輸入空間投影到高維特征空間，在高維空間中可利用線性回歸估計方法解決[3]。基于核函數，在非線性情況下，可以構造如下形式的待估計函數：

(1)

(2)

2)神經網絡集成

由于神經網絡集成(Neural Network Ensemble，NNE)是一種泛化能力較強的建模工具，所以本文采用NNE實現伺服機構液面預測。NNE是由一組神經網絡對同一個問題進行學習，然后組合各個神經網絡的輸出。

本文采用一種綜合神經網絡集成(Integrated NNE，InNNE)[4]進行伺服液面預測，其主要思想是：首先將樣本分類，不同的個體神經網絡學習不同類的樣本，這樣可以提高個體神經網絡之間的差異性，然后根據輸入數據的特征自適應調整集成權值，其結構如圖2所示。

圖2 自適應NNE原理框圖

InNNE算法步驟如下：

Step1：將樣本聚類，并記錄樣本中心，形成若干個體網路訓練樣本集；

Step2：個體網絡學習，即用不同的神經網絡個體學習不同類的樣本，并隨機初始化集成權值；

Step3：對輸入數據進行相關分析，即計算輸入數據與每個樣本集的距離，據此確定集成權值。距離越近，權值越大；反之亦然；

Step4：集成輸出結果。

3 基于數據驅動的導彈伺服機構液面預測

假設伺服機構液面測試歷史數據為：

X={x1,x2,...，xm}

(3)

采用數據驅動方法預測下一時刻伺服機構液面為：

y=f(Xn-m,n)

(4)

其中，Xn-m,n={xn-m,xn-m+1,...,xn}；m表示預測所需的歷史數據數量，分別取m=4,5,8；f(Xn-m,n)為預測模型，本文采用SVR，InNEE和最小二乘多項式擬合3種模型。

不論采用什么方法，其算法步驟基本一致：

Step1：對原始時間序列數據進行預處理，并分為訓練數據和測試數據；

Step2：采用預測模型進行數據擬合；

Step3：模型檢驗。利用測試數據對各模型預測誤差進行檢驗；

Step4：利用最優預測模型對液面時間序列數據進行預測。

4 仿真實例

對某型導彈伺服液面進行預測，液面正常范圍：7.5～10.0。采集原始數據如表1所示。

表1 某型導彈伺服油面測試數據

根據上述原始數據形成訓練數據和測試數據，其中m=5時的樣本如表2所示，表中*代表測試數據。

表2 訓練數據和測試數據

支持向量回歸機采用Sigmoid核函數，懲罰系數C=1000，InNNE采用RBF神經網絡為個體神經網絡，InNNE規模為6。最小二乘多項式擬合采用6次冪多項式。

分別利用3種方法對上述數據進行擬合，擬合效果如圖3～5所示。擬合相對誤差如表3所示。

表3中，InNNE(3)表示聚類結果為,3組訓練樣本，即3個神經網絡個體；InNNE(5) 表示聚類結果為5組訓練樣本，即5個神經網絡個體。

圖3 InNNE預測圖

圖4 SVR預測

圖5 最小二乘多項式擬合(LSPF)

表3 伺服液面預測誤差

方法mSVRInNNE(3)InNNE(5)LSPFm=40.362%0.542%0.558%0.690%m=51.145%0.441%0.520%0.62%m=81.120%2.460%2.335%0.664%綜合誤差2.627%3.443%3.413%1.974%

從仿真結果看，當m=4時，SVR預測誤差最??；當m=8時，InNNE(3)預測誤差最大，而LSPF的預測誤差比較穩定，且綜合誤差最小。InNNE需要較大的計算量，SVR需要確定核函數、懲罰系數等。一旦訓練完畢，在同等硬件條件下，SVR的計算速度與最小二乘的計算速度相差不多。

5 結束語

采用3種數據驅動方法對導彈伺服液壓源的液面高度進行了預測模型辨識。本文采用的方法有限，不排除有更好的方法。但從文中選擇的數據仿真結果看，SVR比較適合于導彈伺服液面預測，這也為裝備綜合保障提供了有力支持。但是，由于獲取數據困難，所選擇的數據有限，不排除其他數據用其他方法預測更準確的可能。

[1] 侯忠生,許建新.數據驅動控制理論及方法的回顧和展望[J].自動化學報，2009, 35(6):650-667.(Hou Zhongsheng, Xu Jianxin. On Data-driven Control Theory: the State of the Art and Pers:pective[J]. Acta Automatica Sinica, 2009, 35(6): 650-667.)

[2] 胡昌華，馬清亮，鄭建飛.導彈測試與發射控制技術[M]. 北京：國防工業出版社, 2010.(Hu Changhua, Ma Qingliang, Zheng Jianfei. Testing, Launching and Controlling of Missile[M]. Beijing: National Defence Industry Press , 2010.)

[3] 徐海永.基于主元分析和支持向量回歸機的故障預測[D].大連理工大學碩士學位論文，2013.(Xu Haiyong. Fault Predicting Based on Principle Analysis and Support Vector Machine[D].Dalian university of technology, 2013.)

[4] 齊新戰，劉丙杰，冀海燕.基于聚類分析的的綜合神經網絡集成算法[J].計算機仿真，2010,27(1)：166-169.(Qi Xinzhan，Liu Bingjie， Ji Haiyan. An Integrated Neural Network Ensemble Algorithm Based on Clustering Technology[J]. Computer Simulation, 2010, 27(1)：166-169.)

Prediction of Liquid Level of Missile Servo Based on Data Driven

Liu Bingjie, Ji Haiyan, Yang Jifeng

Navy Submarine Academy, Qingdao 266042，China

Aimingatsolvingthedescendingliquidlevelofmissileservo,thesupportvectorregression(SVR),neuralnetworkensemble(NNE)andleastsquarepolynomialfit(LSPF)areusedformodelidentificationbasedonrealdataofliquidlevelofmissileservo.Theresultsofsimulationdemonstratethatdifferentpredictingresultscanbeproducedbyinputdimension, SVRhasminimumpredictionerror,thepredictionerrorofLSPFismoststableandLSPFhasminimumsyntheticallyerror.

Datadreiven；Liquidlevelofmissileservo；Supportvectorregression；Neuralnetworkensemble；Leastsquarepolynomialfit

2015-06-30

劉丙杰(1979-)，男，山西曲沃人，博士，講師，主要研究方向為戰略導彈可靠性工程；冀海燕(1975-)，女，山東青州人，碩士，講師，主要研究方向為導彈控制；楊繼鋒(1980-)，男，吉林柳河人，碩士，講師，主要研究方向為導彈發射。

V19；TP23

A

1006-3242(2016)02-0091-04