飛行器健康度神經網絡預測方法

張 英 韋閩峰 高曉穎 王世會 曹 健 張 興

1.北京大學軟件與微電子學院，北京100871 2.北京航天自動控制研究所，北京100854 3.宇航智能控制技術國家級重點實驗室，北京100854 4.北京理工大學自動化學院，北京100081

對于飛行器控制系統而言，狀態監測與早期故障診斷是基于監測點瞬時數據研究的。上世紀70 年代，Niederlinski首先提出了控制系統故障診斷[1]；80 年代，Siljak提出了可靠性控制[2]，90年代，Patton發表了故障診斷的方法[3-4]。此后，Frank等人繼續開展研究[5-6]。國內，周東華等提出了非線性系統的故障容錯[7],王宏等對故障診斷進行了研究[8]。

人工智能已廣泛用于航天[9]、海洋[10]等工業[11]領域。Sorsa 等人用神經網絡完成故障檢測[12]。Diao等人設計了模糊神經網絡故測系統[13]。Wang D等人實現了神經網絡自適應控制[14]。Bruner等人提出了自適應逆飛控制[15]。Holroyd 等人分析了神經網絡和控制故障的相關性[16]；Beom 等人設計了學習運動控制系統[17];Sutton 等人闡述了人工智能最優控制[18]。Mirowski等人提高了導航智能控制效率[19]；Yan Duan等人提出控制評估學習算法[20]。

本文利用控制系統的歷史信息[21-24]和動態信息[25-26]，提出了一種飛行器健康狀態的智能預測方法，能夠實現自動化，實時地[27-28]監督控制系統的變化趨勢。

1 模型及架構

本文提出的一種飛行器健康狀態的智能預測方法，步驟如下：

圖1 飛行器健康預測方法流程圖

1)建立飛行器數據模擬模型，生成供健康預測的數據；

飛行器數據模擬模型用于模擬飛行器實時產生的信息處理數據，其數據特征為具有時間相關性的結構化浮點數。如圖2所示，信息處理數據包括傳感器采集接口，如SPI、IIC及ADC等，各模塊間通信接口包括RS-422、RS-485和CAN總線，以及飛行器的工作信息數據，如溫度、電壓和振動等。使用該數據，利用健康度評估模型，實時評估健康度。

圖2 飛行器數據模擬信息處理數據示意圖

飛行器數據模擬模型針對航天飛行器應用場景數據難以獲取、缺少數據集的問題，構建飛行器數據模擬模型包括：a) 從不同傳感器采集到的具有歷史相關性的結構化浮點數；b)各工作模塊的系統參數，如器件溫度、工作狀態等。其結構化浮點數據的第一維度數據可以使用基準函數生成，若要增加維度，可以在基準函數的基礎上做指冪擴展，實現不同相關性的數據的生成。

2)建立基于RNN和LSTM的數據集正樣本訓練預測模型；

基于RNN和LSTM的數據集正樣本訓練預測模型，包括輸入層、編碼層、attention層、融合層以及輸出層。

輸入層：對每一時刻輸入的數據xi進行歸一化處理，得到歸一化的浮點數向量作為編碼層的輸入；

編碼層：將輸入層輸出的歸一化浮點數向量，經過GRU[29](門控神經網絡)預測模型編碼，得到編碼輸出

hi=gru(xi,si-1)

(1)

和si=gru(xi,si-1)

(2)

(3)

(4)

va，Wa和Ua為預設參數；

基于RNN和LSTM的數據集正樣本訓練方法，能夠使預測模型對于飛行器決策控制具有良好的非線性時延序列預測效果，具有防止提督彌散的功能，運行速率是傳統算法的幾十倍，在運動跟蹤控制中，由于控制周期短，本方法可滿足飛行器高實時性的要求。

a)設有原始數列

X(0)={x(0)(i)=xi,i=1,2,…,n}

(5)

b)對原始序列做一次累加生成：

X(1)={x(1)(i)≥0,i=1,2,…,n}

(6)

(7)

z(i+1)=0.5×(x(1)(i+1)+x(1)(i)),
i=1,2,…,n

(8)

(9)

e)由最小二乘法得參數估計值：

(10)

f)則得到灰色模型方程的解為：

(11)

g)取x(1)(0)=x(0)(0)，則建立基于灰色模型的預測模型為：

(12)

幾天以后，牛皮糖再次出現在肉仔面前。一見面就撲上去連咬帶抓，順帶伸手朝褲襠里去，大概想要斷人家的根。這還了得！肉仔憤然還擊。肉仔拳頭不是吃素的，對付這么個竹竿，當然是小炒農家肉，幾個回合之后，牛皮糖鼻青臉腫地倒在了地上。待他頑強的從地上把自己的肉架子撐起以后，還有一口氣。就用那口剩下的氣，斷斷續續的說，今天……今天，就到此。我，我去治傷。你記著——

如圖3所示，建立組合預測模型，具體為：

(13)

通過確定最佳權重系數γ實現最佳的組合預測模型，設有如下的誤差序列：

(14)

求取各個誤差序列的方差，則：

D(e)=γ2D(e1)+(1-γ2)D(e2)+
2γ(1-γ)Vc(e1,e2)

(15)

則有：

(16)

當γ=γbest時，即可滿足組合預測模型，其預測誤差序列的方差為0。

(17)

(18)

σt為樣本退化間距,用于表征at與正常狀態樣本特征空間的距離，用于反映此時刻系統或設備的退化程度；

c)計算健康度:

(19)

健康度范圍為0-100，健康度數值越接近100，則系統運行越穩定，健康度數值變小則說明系統在退化。

飛行器健康度預測方法以當前系統的狀態為起點，結合被預測對象的近期環境條件及歷史數據，通過分析健康度的變化趨勢，對系統當前的運行狀態和發展趨勢做出估計，防止災難性故障的發生。如圖4所示。

圖4 健康度預測估計

2 仿真及實現

根據本文預測的飛行器健康度值，實時監測的飛行器健康預警在3種情況下觸發，健康預警發出后，預先啟動備用模塊或查修被預警模塊，可杜絕飛行器故障發生，有效降低系統的故障率。3種情況如下：

1)模塊健康度低于故障閾值k，即設備已經發生故障。以取故障閾值等于60為例，則如圖5所示。

圖5 健康度低于故障閾值

2)模塊健康度在一段時間內持續下降，即設備將要發生故障。以取故障閾值等于60為例，如圖6所示。

圖6 健康度在一段時間內持續下降

3)模塊健康度高于閾值k，但長期處于一個較低水平，即設備長期處于亞健康狀態，很有可能發生故障。以取故障閾值等于60為例，如圖7所示。

圖7 健康度長期處于一個較低水平

3 結束語

飛行器健康狀態的智能預測方法是基于數據集正樣本訓練的預測模型。對于飛行器決策控制具有良好的非線性時延序列預測效果，具有防止提督彌散的功能。其智能健康預測方法使用信息處理數據，利用健康度評估模型，實現了實時評估健康度。