基于支持向量機集成的導彈發動機壓力預測

劉丙杰,冀海燕,楊繼鋒

(海軍潛艇學院,山東青島 266071)

基于支持向量機集成的導彈發動機壓力預測

劉丙杰,冀海燕,楊繼鋒

(海軍潛艇學院,山東青島 266071)

針對導彈發動機壓力下降難以預測的問題,根據某型導彈發動機壓力實測數據,首先將實測數據進行插值處理,然后利用前5組數據為輸入數據,后一組數據為預測數據,采用支持向量機集成方法對導彈發動機壓力進行模型辨識,實現導彈發動機壓力預測。通過對3組發動機壓力實測數據進行仿真分析,發現支持向量機集成預測誤差最大為0.102%,滿足導彈發動機壓力預測要求,對導彈發動機壓力預防性維修具有重要作用。

支持向量機集成;導彈發動機;壓力;預測

0 引言

發動機是導彈的動力裝置,其作用是產生足夠的推力、續航力和調姿力矩,使導彈加速、持續、穩定向目標飛行。如果不能及時獲知發動機壓力,或發動機壓力已經不滿足要求才對其進行維護,可能影響導彈的順利發射。

導彈發動機壓力是衡量發動機狀態的重要參數。導彈發動機壓力影響因素有很多,包括密封性、振動、貯存時間等,但是難以建立精確的發動機壓力解析模型,所以很難用解析的方法進行預測。

有關導彈發動機壓力預測的公開文獻比較少,文中在發動機壓力實測數據的基礎上,利用支持向量回歸機對其進行模型辨識,從而實現導彈發動機壓力預測。

1 導彈發動機壓力概述

發動機的密封性是衡量發動機性能的重要指標,一旦發動機密封性不滿足要求,就可能引起發動機性能下降甚至故障。發動機壓力是衡量發動機密封性的重要參數。導彈發動機壓力測試原理如圖1所示[1]。

圖1 導彈壓力測試原理圖

開始測試時,地面和彈上系統按要求供電。然后,由地面測控計算機通過串行總線向彈上計算機發開始測試命令字,計算機接到命令字后,進入數字壓力傳感器電路測試模塊,彈上計算機機采樣彈上導彈發動機壓力傳感器的輸出信號。

待所有傳感器采樣完畢后彈上計算機將壓力傳感器采樣值通過串行總線下傳至地面計算機,地面計算機計算每一個采樣值的累加和的平均值,并在顯示器上顯示測試結果,該值即為所測壓力傳感器的測試值。

目前,導彈發動機壓力測試僅對當前值進行判斷,如果在合格范圍內,則給出合格結果;反之給出超差結果。如果發生超差后,再進行維修、補氣,則很有可能影響導彈武器系統的作戰準備時間,進而帶來嚴重的后果。而導彈發動機如果有氣密不良故障,在導彈發動機的壓力測試歷史數據中,一定會有蛛絲馬跡,或者存在某些內在規律可以預先判斷發動機氣密不良,進而提前采取措施,提高武器系統的戰備完好性。

2 支持向量機集成學習

導彈發動機壓力預測屬于機器學習或模型辨識領域的研究內容。而要想獲得較高的預測精度,就必須要有較高泛化能力的預測方法。

目前,機器學習預測方法有很多,如神經網絡、支持向量機、貝葉斯證據推理、灰色理論、多核學習等。這些方法各有特點,在眾多文獻中都有描述[2-4],文中不再贅述。針對導彈發動機測試數據量少、預測精度要求高的特點,筆者認為支持向量集成學習方法是最適合的方法之一。

支持向量機(support vector machine,SVM)是在統計學習理論基礎上發展起來的一種新的機器學習方法,是目前泛化能力最強的技術之一[5],也是對小樣本數據進行預測的有效方法之一。而集成學習也是一種有效增強泛化能力的學習策略,目前已有神經網絡集成等方法,將SVM與集成結合起來形成SVM集成(ensemble of SVM,ESVM)就成了一個提高泛化能力的自然想法。

文中就采用ESVM實現導彈發動機的壓力預測,ESVM的基本思路如下。

所謂ESVM就是利用有限個SVM個體對同一個問題進行學習,預測的結果由所有SVM個體共同決定。要設計一個ESVM算法,需要解決兩個問題:如何生成個體SVM及如何集成。

2.1 基于聚類的個體SVM生成方法

由文獻[5]可知,個體差異性是影響算法泛化能力的重要因素,而訓練樣本是影響個體SVM差異性的最主要因素。文中采用文獻[6]提出的基于聚類的個體生成方法,實現個體SVM訓練樣本的生成。

聚類就是將集合分組成相似對象組成的多個類的過程,使得同一類中對象間的相似度最大化,不同類中的對象間的相似度最小化。

文中利用FCM(fuzzy C-means)對樣本分類。假設待分類的樣本集合為X={(x1,d1),(x2,d2),…,(xn,dn)},其中xh表示聚類輸入,且xh={xh1,xh2,…,xhk},0

①數據歸一化

文中采用極差標準化:

(1)

(2)

(3)

②模糊相似矩陣

(4)

(5)

式中：dij=dji,dii=1。

③D′的形成

2.2 ESVM集成方法

文中采用文獻[6]所提出的自適應集成(adaptiveNNE,ANNE)算法。其主要思想是首先將樣本分類,不同的個體學習不同類的樣本,根據預測數據與個體學習數據間的相似度自適應調整集成權值。

假設訓練樣本被聚類為p類,分別為X1,X2,…,Xp,每一類樣本中心為c1,c2,…,cp,cj(1

(7)

集成權值為:

(8)

假設SVMj的輸出為Vj,則集成結果為:

(9)

算法的步驟如下:

Step1:樣本聚類;

Step2:個體SVM學習;

Step3:確定集成權值;

Step4:集成結果。

3 基于ESVM的導彈發動機壓力預測

假設導彈發動機壓力測試歷史數據為:

X={x1,x2,…,xn}

(3)

采用ESVM預測下一時刻發動機壓力為:

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,文中m=5;f(Xn-m,n)為預測模型。預測步驟如下:

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發動機壓力時間序列數據進行預測。

4 仿真實例

文中對某型導彈發動機壓力進行預測、采集。采集原始數據如表1所示。

表1 某型導彈發動機壓力傳感器測試數據

上述測試數據時間間隔不一致,采用線性擬合的方法將上述數據進行處理,使得測試數據時間間隔一致,處理后的數據如表2所示。

表2 處理后的實測數據

根據上述測試數據,生成如表3～表5所示的訓練樣本,其中輸入樣本為5列,輸出樣本為1列,表示用前5次測試數據預測下一次測試數據。

表3 發動機1訓練樣本

表4 發動機2訓練樣本

表5 發動機3訓練樣本

注：其中斜體數據代表測試數據。

支持向量回歸機采用Sigmoid核函數,懲罰系數C=1 000,ESVM規模為6。利用ESVM對上述數據進行預測,訓練誤差及預測誤差如表6所示。

表6 發動機壓力預測誤差

從預測結果看,3個發動機的壓力預測誤差均比較小,滿足預防性維修的要求,預測時間間隔為5 d。

5 結束語

文中采用ESVM對導彈發動機壓力進行了預測,從仿真結果看,ESVM的預測精度都令人滿意,對于提高導彈發動機的戰備完好性具有重要作用。但是,文中僅采用了ESVM一種方法進行預測,并沒有與其他方法相比,也許有更合適的預測方法。另一方面,由于ESVM的集成規模也是影響其泛化能力的因素之一,文中沒有考慮此因素,這也是下一步的研究方向。

[1] 徐克俊. 航天發射故障診斷技術 [M]. 北京: 國防工業出版社, 2007: 35.

[2] 何清, 李寧, 羅文娟, 等. 大數據下的機器學習算法綜述 [J]. 模式識別與人工智能, 2014, 27(4): 327-336.

[3] 余凱, 賈磊, 陳雨強. 深度學習的昨天、今天和明天 [J]. 計算機研究與發展, 2013, 50(9): 1799-1804.

[4] 陳康, 向勇, 喻超. 大數據時代機器學習的新趨勢 [J]. 電信科學, 2012, 12(4): 88-95.

[5] 王曉丹, 高曉峰, 姚旭, 等. SVM集成研究與應用 [J]. 空軍工程大學學報, 2012, 12(2): 84-89.

[6] 劉愛華, 劉丙杰, 冀海燕, 等. 基于自適應神經網絡集成的電子設備故障預測方法 [J]. 解放軍理工大學學報, 2013, 14(5): 565-568.

Prediction of Engine Pressure of Missile Based on Support Vector Machine Ensemble

LIU Bingjie,JI Haiyan,YANG Jifeng

(Navy Submarine Academy, Shandong Qingdao 266071, China)

Since it was difficult to predict the pressure drop of missile engine, according to the measured data of engine pressure of a certain type of missile, the measured data were interpolated, then the five sets of data were used as input data, the latter set of data as forecast data, and the model identification of missile engine pressure was carried out by using support vector machine ensemble method to realise the prediction of missile engine pressure.Through the simulation analysis of three groups of engine pressure measured data, it was found that the maximum forcast error of support vector machine ensemble was 0.102%, which met the requirements of missile engine pressure prediction, and it played an important role in preventive maintenance of missile engine pressure.

support vector machine ensemble; missile engine; pressure; prediction

2015-09-14

劉丙杰(1979-),男,山西曲沃人,講師,博士,研究方向:戰略導彈可靠性工程與作戰使用。

TJ760.33

A