CN104914851A - 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，基于稀疏Dropout自动编码器与降噪自动编码器和Logistic回归的深度学习进行飞机旋转作动器驱动装置的自适应故障检测，采用基于多层神经网络的深度学习自主认知方法，通过在第一层使用稀疏Dropout自动编码器和第二、三层的层叠降噪自动编码器模型实现了原始数据的特征自学习，并将学习获得的数据特征输入至Logistic回归模型判断旋转作动器驱动装置的工作状态，通过加入自适应阈值故障观测器，使阈值随着系统的不同输入和系统的不同状态而发生变化，剔除非故障引起的残差。本发明能有效地应用于飞机旋转作动器驱动装置的故障诊断。

Description

一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法

技术领域

本发明涉及一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，属于故障检测技术领域。

背景技术

旋转作动器系统具有大转速/质量比、简单紧凑的结构、快速动态响应的优点，已经广泛应用于飞机、船舶和坦克中。驱动装置是旋转作动器的重要组成部分，飞机旋转作动器驱动装置故障将影响整个飞机的安全稳定运行，造成巨大的经济损失甚至是不可预知的后果。因此，保证飞机旋转作动器驱动装置的正常工作在实际应用中具有重要意义。

近几年关于飞机旋转作动器驱动装置控制系统故障检测技术研究中，基于状态观测器的故障检测是控制系统故障检测中研究最多也最为有效的方法。该方法的基本思想是利用观测器估计系统输出，将估计输出值与实际测量值比较产生残差矢量，对残差矢量进行定量分析，结合历史数据实现故障检测。由于控制系统存在参数时变、非线性、建模误差、噪声、干扰等不确定性因素影响，基于传统观测器的故障检测方法已不再适合控制系统的故障检测。机器学习模型，尤其是神经网络对非线性系统能够实现有效逼近，因此能够克服系统非线性因素对基于观测器的故障检测方法的影响。

上世纪90年代，各种各样的浅层机器学习模型相继被提出，比如支持向量机(SVM，Support Vector Machines)、Boosting、最大熵方法(例如LR，Logistic Regression)等。这些模型的结构基本上可以看成带有一层隐层节点(如SVM、Boosting)，或没有隐层节点(如LR)。这些模型在无论是理论分析还是应用都获得了巨大的成功。但是这些浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，浅层结构难以有效地表示复杂函数，针对复杂非线性函数的拟合问题其泛化能力受到一定制约。然而，深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。与此同时，多层非线性网络结构是可以用较少的参数表示复杂的函数。深度学习通过大量的简单神经元组成的网络，利用输入与输出之间的非线性关系，对复杂函数进行近似，对观测样本进行拟合，并在学习输入样本本质特征的抽取上体现了强大的能力。

针对浅层机器学习模型在有限样本和计算单元情况下对复杂函数的表示能力有限，并且对复杂非线性函数的拟合的泛化能力受限且在模型选择时会存在以下缺陷：模型选择结果对测试数据的微小变化很敏感，微小变化的数据会导致不同的模型选择结果，因此模型输出结果也会变化很大；选择一种模型后会忽略其他未选模型所能反映的系统信息，导致系统信息表示不全面；模型选择时有可能选到不能完全反映真实数据特点的模型，导致已选模型的输出结果在某些情况下不可信，基于该结果做出的决策具有很大的风险。因此本发明提出的一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测的新方法通过增加神经网络隐含层的层数提高了特征的学习能力，增加隐含层可以用较少的参数来表示复杂的函数。同时，使用模型平均的方法把不同模型的输出结果加权平均以获得一个总的输出结果，可以实现模型选择引入不确定性的有效降低，从而避免了模型选择方法的缺陷，提高模型输出结果的效果与准确性。

发明内容

本发明技术解决问题：为了克服系统非线性因素对基于观测器的故障检测方法的影响，结合深度学习高效的复杂非线性函数拟合逼近优势，提出一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，最大限度地减少非线性因素对残差的影响并尽可能地增强故障对残差的作用，利用深度学习回归器构建的观测器产生残差信息，通过深度学习回归器建立自适应阈值网络，生成自适应阈值，自适应阈值随着控制系统工作的状态与环境的变化而变化，从而实现自适应判断控制系统是否发生故障。

本发明技术解决方案：如图22所示，本发明一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，实现步骤如下：

(1)针对飞机旋转作动器驱动装置的故障检测方法，利用输入指令信号和输出角位移信号，建立基于深度学习的内外回路神经网络观测器，将输入指令信号和输出角位移信号输入基于深度学习的内外回路神经网络生成器，得到其估计输出和残差，然后将估计输出分别送入内外回路自适应阈值生成器；

(2)建立基于深度学习的内外回路自适应阈值观测器，将输入控制指令和神经网络观测器产生的残差输入至自适应阈值生成器，得到自适应阈值，然后和神经网络观测器输出的残差作对比，从而判定飞机旋转作动器驱动装置是否发生故障。

所述步骤(1)中基于深度学习的内外回路神经网络观测器的技术特征进一步实现如下：

(1)将当前时刻输入指令信号和前一时刻输出角位移信号输入至多层稀疏自动编码器神经网络观测器，即内外回路神经网络观测器，首先对第一层网络的隐藏层进行Dropout处理，获得单层稀疏Dropout自动编码器，即将第一层网络的隐藏层节点进行随机遮挡；利用输入数据进行单层稀疏Dropout自动编码器的训练，然后将单层稀疏Dropout自动编码器隐藏层的输出输入至网络的第二层；

(2)将第一层网络，单层稀疏Dropout自动编码器的隐藏层输出输入至观测器的第二层网络，即单层降噪自动编码器；首先对第一层网络的输出数据进行随机遮挡处理作为第二层网络的输入，将未被随机遮挡处理的输入数据作为第二层网络训练的重构目标值，进行单层降噪自动编码器的训练，从而获得能够从输入数据进行鲁棒特征自学习的网络模型；将未被随机遮挡处理的输入数据作为已训练好的单层降噪自动编码器的输入，第二层网络的隐藏层输出作为第三层网络的输入；

(3)将第二层的输出数据输入至单层降噪自动编码器，采用与第二层网络的同样的网络训练方法，获得单层降噪自动编码器模型；将未被随机遮挡处理的输入数据作为已训练好的单层降噪自动编码器的输入，第三层网络的隐藏层输出作为Logistic回归模型的输入；

(4)将第三层网络的隐藏层输出数据输入至Logistic回归模型，以当前时刻输出角位移信号为训练目标值，采用反向传播算法，进行Logistic回归模型的训练；

(5)将已初步训练的三层稀疏自动编码器神经网络与Logistic回归模型组合成多层稀疏自动编码器神经网络观测器，即内外回路神经网络观测器。以当前时刻输入指令信号和前一时刻输出角位移信号为观测器的输入信号，以当前时刻输出角位移信号为观测器输出的目标值，采用反向传播，进行多层稀疏自动编码器神经网络观测器的训练，在已初步训练的模型参数基础上，进行模型参数的微调，从而获得最终的多层稀疏自动编码器神经网络观测器；

(6)以当前时刻输入指令信号和前一时刻输出角位移信号为最终的多层稀疏自动编码器神经网络观测器的输入，从而获得飞机旋转作动器驱动装置输出角位移信号的估计输出，通过对比估计角位移信号与实际角位移信号的差值，获得估计残差。

所述步骤(2)中基于深度学习的内外回路自适应阈值观测器的技术特征进一步实现如下：

(1)将当前时刻输入指令信号和内外回路神经网络观测器产生的残差输入至自适应阈值生成器，首先对第一层网络的隐藏层进行Dropout处理，获得单层稀疏Dropout自动编码器，即将第一层网络的隐藏层节点进行随机遮挡；利用输入数据进行单层稀疏Dropout自动编码器的训练，然后将单层稀疏Dropout自动编码器隐藏层的输出输入至网络的第二层；

(2)将第一层网络，单层稀疏Dropout自动编码器的隐藏层输出输入至自适应阈值网络的第二层网络，即单层降噪自动编码器；首先对第一层网络的输出数据进行随机遮挡处理作为第二层网络的输入，将未被随机遮挡处理的输入数据作为第二层网络训练的重构目标值，进行单层降噪自动编码器的训练，从而获得能够从输入数据进行鲁棒特征自学习的网络模型；将未被随机遮挡处理的输入数据作为已训练好的单层降噪自动编码器的输入，第二层网络的隐藏层输出作为Logistic回归模型的输入；

(3)将第二层网络的隐藏层输出数据输入至Logistic回归模型，以内外回路神经网络观测器产生的残差加自适应阈值参数后的修正值为训练目标值，采用反向传播算法，进行Logistic回归模型的训练；

(4)将已初步训练的两层稀疏自动编码器神经网络与Logistic回归模型组合成多层稀疏自动编码器神经网络自适应阈值观测器，即内外回路自适应阈值观测器。当前时刻输入指令信号和内外回路神经网络观测器产生的残差输入至内外回路自适应阈值观测器，以内外回路神经网络观测器产生的残差加自适应阈值参数后的修正值为训练目标值，采用反向传播算法，进行多层稀疏自动编码器神经网络自适应阈值观测器的训练，在已初步训练的模型参数基础上，进行模型参数的微调，从而获得最终的多层稀疏自动编码器神经网络自适应阈值观测器；

(5)以当前时刻输入指令信号和内外回路神经网络观测器产生的残差为最终的多层稀疏自动编码器神经网络自适应阈值观测器的输入，从而得到飞机旋转作动器驱动装置的自适应阈值，通过和神经网络观测器输出的残差作对比，从而判定飞机旋转作动器驱动装置是否发生故障。

本发明与现有技术相比的优点在于：

(1)针对飞机旋转作动器驱动装置的故障检测方法匮乏，现有检测方法实际应用虚警率高的缺点，提出了一套完整的飞机旋转作动器驱动装置故障检测的有效方法；

(2)利用双级深度学习神经网络，获取残差并得到了自适应的故障阈值，弥补了固定阈值带来的问题，提高了故障检测的准确率，降低了检测虚警率；

(3)通过采用稀疏Dropout自动编码器和降噪自动编码器两种模型平均的方法，并将上述两种自动编码器神经网络层叠，增加了神经网络隐藏层的层数提高特征的学习能力，以及用较少的参数来表达复杂函数的能力，因此解决了浅层机器学习模型在现有飞机旋转作动器驱动装置所采集有限样本时对复杂函数的表示能力有限的问题，提高对飞机旋转作动器驱动装置复杂非线性函数拟合的泛化能力。

附图说明

图1为飞机旋转作动器驱动装置工作原理图；

图2为基于深度学习回归器的双级故障观测器结构原理图；

图3为自适应阈值原理；

图4为伺服阀磁场强度降低故障程度1内回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时内侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀磁场强度降低故障程度1时内侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀磁场强度降低故障程度1时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图5为伺服阀磁场强度降低故障程度2内回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时内侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀磁场强度降低故障程度2时内侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀磁场强度降低故障程度2时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图6为伺服阀磁场强度降低故障程度3内回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时内侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀磁场强度降低故障程度3时内侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀磁场强度降低故障程度3时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图7为伺服阀滑阀组件内间隙增大故障程度1内回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时内侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀滑阀组件内间隙增大故障程度1时内侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀滑阀组件内间隙增大故障程度1时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图8为伺服阀滑阀组件内间隙增大故障程度2内回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时内侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀滑阀组件内间隙增大故障程度2时内侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀滑阀组件内间隙增大故障程度2时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图9为伺服阀滑阀组件内间隙增大故障程度3内回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时内侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀滑阀组件内间隙增大故障程度3时内侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀滑阀组件内间隙增大故障程度3时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图10为GRA输出效率降低故障程度1内回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时内侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在GRA输出效率降低故障程度1时内侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是GRA输出效率降低故障程度1时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图11为GRA输出效率降低故障程度2内回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时内侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在GRA输出效率降低故障程度2时内侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是GRA输出效率降低故障程度2时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图12为GRA输出效率降低故障程度3内回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时内侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在GRA输出效率降低故障程度3时内侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是GRA输出效率降低故障程度3时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图13为伺服阀磁场强度降低故障程度1外回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时外侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀磁场强度降低故障程度1时外侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀磁场强度降低故障程度1时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图14为伺服阀磁场强度降低故障程度2外回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时外侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀磁场强度降低故障程度2时外侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀磁场强度降低故障程度2时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图15为伺服阀磁场强度降低故障程度3外回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时外侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀磁场强度降低故障程度3时外侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀磁场强度降低故障程度3时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图16为伺服阀滑阀组件内间隙增大故障程度1外回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时外侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀滑阀组件内间隙增大故障程度1时外侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀滑阀组件内间隙增大故障程度1时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图17为伺服阀滑阀组件内间隙增大故障程度2外回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时外侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀滑阀组件内间隙增大故障程度2时外侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀滑阀组件内间隙增大故障程度2时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图18为伺服阀滑阀组件内间隙增大故障程度3外回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时外侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在伺服阀滑阀组件内间隙增大故障程度3时外侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是伺服阀滑阀组件内间隙增大故障程度3时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图19为GRA输出效率降低故障程度1外回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时外侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在GRA输出效率降低故障程度1时外侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是GRA输出效率降低故障程度1时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图20为GRA输出效率降低故障程度2外回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时外侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在GRA输出效率降低故障程度2时外侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是GRA输出效率降低故障程度2时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图21为GRA输出效率降低故障程度3外回路自适应故障检测结果；左上图是旋转作动器驱动装置正常时外侧RVDT输出的正常数据和观测器估计输出数据的对比图，两条曲线重合；左下图是旋转作动机构驱动系统正常时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；右上图是在GRA输出效率降低故障程度3时外侧RVDT的输出数据和观测器估计输出数据的对比图，其中波动大的为系统实际输出，波动小的为观测器输出；右下图是GRA输出效率降低故障程度3时的残差和自适应阈值，其中波动大的为残差，小的为自适应阈值；

图22为本发明实现流程图。

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

本发明公开了一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，该方法基于稀疏Dropout自动编码器与层叠降噪自动编码器(Stacked DenoisingAutoencoder)和Logistic回归的深度学习进行飞机旋转作动器驱动装置的自适应故障检测。在飞机旋转作动器驱动装置故障分析的基础上，针对目前分类算法鲁棒性和精度受限的问题，本方法借鉴图像模式识别的相关领域知识，采用基于多层神经网络的深度学习自主认知方法，通过在第一层使用稀疏Dropout自动编码器和第二、三层的层叠降噪自动编码器模型实现了原始数据在输入部分遮挡条件下的自表达，并将重构数据输入至Logistic回归模型判断旋转作动器驱动装置的工作状态，通过加入自适应阈值故障观测器，使阈值随着系统的不同输入和系统的不同状态而发生变化，剔除非故障引起的残差。试验结果分析表明,本发明能有效地应用于飞机旋转作动器驱动装置的故障诊断，并且针对旋转作动器驱动装置的不同故障程度进行故障检测。

1.如图1所示，飞机旋转作动器驱动装置的结构。

飞机旋转作动器驱动装置由控制模块、驱动模块、伺服阀、液压马达、减速机构、GRA旋转作动器和角位移传感器组成，各组成部分的功能如下：

(1)控制模块是旋转作动机构驱动系统发送指令与接收角位移传感器反馈的指令的模块。旋转作动机构驱动系统通过控制模块直接连接驱动模块与SOV模块。控制模块根据角位移传感器的反馈信息以及微动开关的信号，发送指令。当机构转到指定的角度的时候，控制模块给SOV发送指令，功能转换阀门转向液压制动模块。

(2)驱动模块是将控制信号的电压信号转换为伺服阀输入电流信号。驱动模块的主要元件为放大器。通过驱动模块作用是将控制模块的控制电压信号，转化为电液伺服阀输入的电流信号，在转化的同时，对电流信号进行增益。电压转化为电流的原理与其内部结构与型号有关系。

(3)GRA旋转作动器采用行星齿轮传动的原理，具有体积小重量轻的特点，在有限的空间内能够实现很高的力矩输出，在飞机旋转作动机构(包括了舱盖、武器舱等)驱动系统等领域有着广泛的应用。

(4)角位移传感器的直接功能是将飞机旋转作动器驱动装置输出角位移转化为电信号的装置。角位移传感器转化后的电信号反馈到控制模块中。

门驱动装置的运行分为门开启/关闭阶段，门制动阶段共两个阶段。两个阶段时运行的设备不同，两个阶段的运行原理图如图1所示。由于保持阶段两个角位移传感器无信号，因此保持阶段不作为研究对象。

图1中实线部分表示门开启/关闭阶段指令过程，虚线代表反馈信号。可以看到，门开启/关闭时，控制模块发出指令，功能转换阀收到控制模块的SOV电流后，进行转换功能，驱动模块给伺服阀驱动电流EHV,伺服阀推动液压马达，然后带动GRA旋转，旋转作动机构开启/关闭。当旋转作动机构打开到一定角度需要制动把持时，GRA末端的一个RVDT传感器给控制模块一个反馈电压反馈GRA的角度，控制模块切断给驱动模块的指令，驱动功能转换阀，切换油路，驱动液压制动器将液压马达制动，从而达到制动/把持的状态。

2.基于稀疏Dropout自动编码器与降噪自动编码器组合的深度学习回归技术

(1)稀疏Dropout自动编码器技术

Dropout技术是一种模型层操作的基学习器差异化引入方法，它通过对稀疏自动编码器的隐藏层网络节点引入随机因素，从而实现模型平均，提高网络的泛化能力。在针对训练样本较少或者样本组成复杂的情况，在训练深度学习神经网络模型时，为了防止模型过拟合，提高模型的泛化能力，Dropout是一种有效手段。在深度学习网络模型训练时，它以某种分布概率随机让网络某些隐含层节点的权重不工作(例如：按均匀分布，针对每次输入样本，随机选择50％的隐藏层节点权重不工作)，不工作的这些节点可以暂时认为不是该网络结构的一部分，只是它的权重进行了暂存(只是这一次样本输入时，这些节点对应的权重暂时不更新而已)，以便下次样本输入时它可能工作时使用。

Dropout技术的具体实施如下：

Dropout指的是让神经网络中的某些隐藏层单元不工作，让它不工作指的是可以将这些隐藏层单元，连同其输入和输出连接权重从神经网络中移除。移除隐藏层单元的选择是随机的，以最简单的情况为例，每个隐藏层单元都以一定的固定概率p被保留，p的取值依据神经网络所解决的具体任务问题和输入数据特点。Dropout技术独立的针对每个隐藏层单元或训练输入样本中应用。通过应用Dropout技术，类似于从一个大的神经网络中随机“子抽样”获得一组子神经网络。一个有n个隐藏层单元神经网络，可以被看作是有2n种可能的子神经网络。这些子网络共享权重，以至于网络参数的总数仍然是O(n²)，甚至更少。

Dropout神经网络模型描述如下。假设一个有L个隐藏层单元的神经网络，令l∈{1,2,…,L}表示神经网络不同的隐藏层。z^(l)表示第l个隐藏层输入，y^(l)表示第l个隐藏层输出(y⁽⁰⁾＝x是输入)。W^(l)和b^(l)分别是第l层的权重和偏差。

普通神经网络的前馈运行可以描述为(对于l∈{1,2,…,L-1})。

z^(l+1)＝W^(l+1)y^l+b^(l+1)                   (1)

y^(l+1)＝f(z^(l+1))                  (2)

其中，f是任意的激活函数。

应用Dropout技术之后，前馈运行的公式就变为：

r_i ^(l)～Bernoulli(p)              (3)

$\tilde{y}=r^{\left(l\right)}*y^{\left(l\right)}---\left(4\right)$

$z^{(l+1)}=W^{(l+1)}\stackrel{{~}^l}{y}+b^{(l+1)}---\left(5\right)$

y^(l+1)＝f(z^(l+1))                (6)

其中，r^(l)是一个伯努利随机变量组成的向量，伯努利随机变量取值为1的概率为p。这个向量针对每一隐藏层分别采样，并与隐藏层的输出y^(l)相乘，以生成采用Dropout技术后子网络的输出子网络的输出作为下一个网络隐藏层的输入。在学习训练过程中，损失函数的偏差通过子网络进行反向传播。测试时，权重被按如下比例改变，以形成“mean network(均值网络)”，即模型平均，来得到隐含层的输出，其实就是在网络前向传播到输出层前时隐含层节点的输出值都要减半。

(2)降噪自动编码器技术

降噪自动编码器(SDA)算法模型就是基于传统的层叠自动编码器(SAE)的改进算法，在神经网络的训练逻辑和构建过程中具有相似性，是一个由多层稀疏自动编码器组成的深度学习神经网络，其前一层自编码器的输出作为后一层自编码器的输入。SDA对整个网络每一层的输入样本进行都进行了预处理，使输入数据受到了一定的“遮挡”，从而有效提高故障诊断的鲁棒性。

在网络参数的设定方面，SDA模型神经网络参数的初始化采用逐层贪婪训练法，即先利用原始输入来训练网络的第一层，得到权值和偏置参数；然后网络第一层将原始输入转化成为由隐藏单元激活值组成的向量(假设该向量为A)，此时A为原始数据的一阶特征表示，即最底层的表达方法；接着把A作为第二层的输入，继续训练得到第二层的参数，该层参数是由一阶特征重构得到的二阶特征，是更加抽象的表达方法；最后，对后面的各层同样采用的策略，即将前层的输出作为下一层输入的方式依次训练，并在训练每一层参数的时候固定其它各层参数保持不变。本发明将最后一个隐藏层的输出作为特征输入到Logistic回归分类器进行分类，使得分类器的分类错误的梯度值直接反向传播给编码层。

(21)基于均匀分布的输入样本“遮挡”预处理

本发明采用随机映射的方法将输入样本中的部分节点数值置为0，得到一个新的、部分遮挡的样本具体的遮挡过程为：设定一个预期的遮挡概率为υ，随机选取υd个数目的输入节点，将它们的节点值强制置0，其它的节点数值保持不变。因此，所有被选中节点的原始信息均被从输入样本中移除，而被训练好的自动编码器则需要学习出这些“丢失”的信息，使得重构出的数据在信息缺失的情况下也能够很好地表达原始数据，即当测试样本和训练样本不符合同一分布或相差较大时，也可以取得良好的效果。假定联合分布函数为：

$q^0(x,\tilde{x},y)=q^0\left(x\right)\mathrm{qD}\left(\tilde{x}\right|x){\mathrm{\δ}}_{f_{\mathrm{\θ}}\left(\tilde{x}\right)}\left(y\right)---\left(7\right)$

当μ≠υ时，将δ_μ(υ)置0，实现数据的遮挡过程。Y是输入层与隐层间确定的sigmod映射函数，所以是由参数θ来决定。

(22)基于SDA的原始数据重构

SDA的模型训练过程采用逐层训练的方法，首先给定一个遮挡后的输入样本通过训练第一个隐含层，得到对原始样本数据x的表达h1，然后对第一个隐含层的输出h1进行同样的遮挡处理，并训练第二个隐含层，通过第二层的学习得到对h1的表达h2……即先利用“破坏”后的原始输入来训练网络的第一层，对后面的各层同样采用的策略，将前层的输出进行遮挡，作为下一层输入，最终层的输出结果z即为所重构的原始数据x的表达。与传统的层叠自动编码器不同，SDA重构出的z是表达的原始数据x，而不是遮挡后的输入样本

SDA模型的训练共有无监督自学习和有监督微调两个步骤。为了更有效地找出隐含在输入数据内部的结构与模式，我们采用稀疏编码的方式来进行原始数据特征的无监督自学习：

(A)原始数据特征的稀疏性表达

本方法利用线性代数中基向量的概念来表达输出数据，O＝α₁Φ₁+α₂Φ₂+…α_nΦ_n，Φ_n是基，α_n是系数，为了更好地实现原始数据的表达，则存在优化条件Min|I-O|，其中I表示输入，O表示输出。

通过求解这个最优化式子，可以求得系数α_n和基Φ_n，这些系数和基就是输入的另外一种近似表达。

$x=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\φ}}_i---\left(8\right)$

在上式中以L₁范式代价函数S(a_i)＝|a_i|₁进行稀疏限制，可得到m个输入向量的稀疏编码代价函数，其定义为：

${\min \mathrm{imize}}_{a_i^{\left(j\right)},{\mathrm{\φ}}_i}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left|\right|x^{\left(j\right)}-\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{a}_i^{\left(j\right)}{\mathrm{\φ}}_i\left|\right|}^2+\mathrm{\λ}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}S\left(a_i^j\right)---\left(9\right)$

采用稀疏编码能够将一个信号表示为一组基的线性组合，而且要求只需要较少的几个基就可以将信号表示出来。“稀疏性”定义为：只有很少的几个非零元素或只有很少的几个远大于零的元素，即对于一组输入向量，只有尽可能少的几个系数远大于零。

稀疏编码的过程分为两个部分：

训练阶段：给定一系列的样本数据[x₁,x₂…]，学习得到一组基[Φ₁,Φ₂,…]。

稀疏编码是k-means算法的变体，其训练过程就是一个重复迭代的过程，通过交替的更改a和Φ使得目标函数最小。

$\underset{a,\mathrm{\φ}}{\min }\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left|\right|x_i-\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{a}_{i,j}{\mathrm{\φ}}_j\left|\right|}^2+\mathrm{\λ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left|a_{i,j}\right|---\left(10\right)$

每次迭代分两步：

a)固定基向量Φ[k]，然后调整权值a[k]，使得目标函数最小。

b)然后固定权值a[k]，调整基向量Φ[k]，使得目标函数最小。

通过不断迭代至收敛就可以得到一组良好表示这一系列x的基。

编码阶段：给定一组新的输入样本x，由上面得到的基向量Φ[k]，通过解一个LASSO回归问题得到稀疏向量a。这个稀疏向量就是新的x的一个稀疏表达。

$\underset{a}{\min }\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left|\right|x_i-\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{a}_{i,j}{\mathrm{\φ}}_j\left|\right|}^2+\mathrm{\λ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left|a_{i,j}\right|---\left(11\right)$

(B)随机初始化网络的权值和偏置参数，进行正向的无监督自学习。

在确定了稀疏表达的规则后，本方法以一个单层神经网络为例，假设神经网络输入层与隐层的映射函数为：

$y=f_{\mathrm{\θ}}\left(\tilde{x}\right)=s(W\tilde{x}+b),\mathrm{\θ}=\{W,b\}---\left(12\right)$

其中W是一个d′×d的权重矩阵，b是偏置向量。

同时，隐层的输出y可以反向重构出一个向量z∈[0,1]^d，其映射函数为：

z＝g_θ′(y)＝s(W′y+b′),θ′＝{W′,b′}          (13)

权值矩阵W′可以表达为W′＝W^T。

因此，x⁽ⁱ⁾可以通过隐层输出y⁽ⁱ⁾重构出一个新的表达z⁽ⁱ⁾。为了得到最佳的重构表征z，可以通过最小化方差代价函数实现对模型参数的优化。

定义单个方差代价函数为：

$J(W,b;x,y)=\frac{1}{2}{\left|\right|h_{W,b}\left(x\right)-y\left|\right|}^2---\left(14\right)$

可得到整体的代价函数：

$\begin{array}{c}J(W,b)=\left[\frac{1}{m1}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}J(W,b;x^{\left(i\right)},y^{\left(i\right)})\right]+\frac{\mathrm{\λ}}{2}\underset{l=1}{\overset{n_i=1}{\mathrm{\Σ}}}\underset{i=1}{\overset{s_l}{\mathrm{\Σ}}}\underset{j=1}{\overset{s_l+1}{\mathrm{\Σ}}}{\left(W_{\mathrm{ji}}^{\left(l\right)}\right)}^2\\ =\left[\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\left(\frac{1}{2}{\left|\right|h_{W,b}\left(x^{\left(i\right)}\right)-y^{\left(i\right)}\left|\right|}^2\right)\right]+\frac{\mathrm{\λ}}{2}\underset{l=1}{\overset{n_i-1}{\mathrm{\Σ}}}\underset{i=1}{\overset{s_l}{\mathrm{\Σ}}}\underset{j=1}{\overset{s_l+1}{\mathrm{\Σ}}}{\left(W_{\mathrm{ji}}^{\left(l\right)}\right)}^2\end{array}---\left(15\right)$

在前向传播的过程中，将权值和偏置初始化为一个很小的、接近零的随机值，之后对目标函数使用批量梯度下降的方法进行优化。

(3)逻辑斯蒂回归

线性回归模型在定量分析的实际研究中是一种非常流行的统计分析方法。然而在许多情况下,线性回归会受到限制,或者有时根据经验或理论知道非线性回归模型或其它模型是更合适的。在非线性回归模型中,当响应变量为分类变量尤其是二分类变量时所采用的Logistic回归模型是一个很有应用前景的模型。

逻辑斯蒂回归是一种多元统计方法，适用于响应变量是二分类(正常和不正常)变量的情况，自变量可以是分类变量，也可以是连续变量。其目标是对响应变量取二值之一的概率建模，而不是直接预测其取值。自变量与响应变量取值不正常的概率之间呈S型曲线关系。对任意自变量X_k，在其他自变量不变的情况下，随着取值的增大，一开始，概率P增大的很慢，然后加速，最后又趋于平稳，但始终不超过1。

假设有一个理论上存在的联系反应变量代表事件发生的可能性，其值域为负无穷至正无穷。当该变量的值跨越一个临界点c(比如c＝0)，便导致事件发生。于是有：

当时，y_i＝1；

在其他情况下，y_i＝0。

这里，y_i是实际观察到的反应变量，y_i＝1表示事件发生，y_i＝0表示事件未发生。如果假设在反应变量和自变量x_i之间存在一种线性关系，即

$y_i^{*}=\mathrm{\α}+\mathrm{\β}{x}_i+{\mathrm{\ϵ}}_i---\left(16\right)$

由公式(16)得到：

P(y_i＝1|x_i)＝P[(α+βx_i+ε_i)>0]＝P[ε_i>(-α-βx_i)]    (17)

假设公式(17)中误差项ε_i为Logistic分布，则有：

$P(y_i=1|x_i)=P[{\mathrm{\ϵ}}_i\≤(\mathrm{\α}+\mathrm{\β}{x}_i)]=\frac{1}{1+e^{-{\mathrm{\ϵ}}_i}}---\left(18\right)$

这一函数称为Logistic函数，它具有S型的分布。

为了从Logistic函数转向Logistic回归模型将式(18)重写为：

$P(y_i=1|x_i)=\frac{1}{1+e^{-(\mathrm{\α}+\mathrm{\β}{x}_i)}}---\left(19\right)$

将事件发生的条件概率标注为P(y_i＝1|x_i)＝p_i，就得到Logistic回归模型：

$p_i=\frac{1}{1+e^{-(\mathrm{\α}+\mathrm{\β}{x}_i)}}=\frac{e^{\mathrm{\α}+\mathrm{\β}{x}_i}}{1+e^{\mathrm{\α}+\mathrm{\β}{x}_i}}---\left(20\right)$

其中p_i为第i个案例发生的概率，它是一个由解释变量x_i构成的非线性函数。但它可以转化为线性函数。

首先，定义不发生事件的条件概率为：

$1-p_i=1-\left(\frac{e^{\mathrm{\α}+\mathrm{\β}{x}_i}}{1+e^{\mathrm{\α}+\mathrm{\β}{x}_i}}\right)=\frac{1}{1+e^{\mathrm{\α}+\mathrm{\β}{x}_i}}---\left(21\right)$

则事件发生概率与事件不发生概率之比为：

$\frac{p_i}{1-p_i}=e^{\mathrm{\α}+\mathrm{\β}{x}_i}---\left(22\right)$

这个比成为事件的发生比，其为一正值且无上界，将发生比取自然对数就能得到一个线性函数：

$\ln \left(\frac{p_i}{1-p_i}\right)=\mathrm{\α}+\mathrm{\β}{x}_i---\left(23\right)$

式(23)将Logistic函数作为自然对数转换，称作logit形式，也称为y的logit变换，即Logit(y)。

有k个自变量是，公式(20)扩展为：

$p_i=\frac{e^{\mathrm{\α}+\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\β}}_k{x}_{\mathrm{ki}}}}{1+e^{\mathrm{\α}+\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\β}}_k{x}_{\mathrm{ki}}}}---\left(24\right)$

那么，相应的Logistic回归模型形式如下：

$\ln \left(\frac{p_i}{1-p_i}\right)=\mathrm{\α}+\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\β}}_k{x}_{\mathrm{ki}}---\left(25\right)$

其中，p_i＝P(y_i＝1|x_1i,x_2i,…x_ki)为在给定系列自变量x_1i,x_2i,…x_ki值时的事件发生概率。

一旦我们拥有各个案例的观测自变量x₁至x_k值构成的样本，并同时拥有其事件发生与否的观测值，本发明就能够用这些信息来分析和表述在特定条件下事件的发生概率。

(4)基于深度学习回归器的控制系统自适应故障检测技术

基于深度学习网络回归器的控制系统故障检测方法，利用深度学习回归器构建的观测器产生残差信息，利用深度学习回归器建立自适应阈值网络，生成自适应阈值，从而实现自适应判断控制系统是否发生故障。下面分别介绍基于深度学习回归器的观测器与自适应阈值构建方法。

(41)故障观测器基本原理

假设含有故障的系统用式(26)描述：

$\left\{\begin{array}{c}X\left(t\right)=g(t,X,U,Y,F)\\ Y\left(t\right)=h(t,X,U,Y,F)\end{array}\right.---\left(26\right)$

式中X(t),Y(t),U(t),F(t)分别表示系统的状态向量、测量的输出向量，控制输入向量和故障向量,g和h是非线性向量函数。

定义状态观测器为：

$\left\{\begin{array}{c}\hat{X}\left(t\right)=g(t,\hat{X},U,Y,\hat{F})\\ \hat{Y}\left(t\right)=h(t,\hat{X},U,Y,\hat{F})\end{array}\right.---\left(27\right)$

式中分别是X(t),Y(t),F(t)的估计值。

令观测误差：

$E\left(t\right)=X\left(t\right)-\hat{X}\left(t\right)---\left(28\right)$

如果对于F(t)＝0和F(t)≠0，都有成立，则称状态观测器(27)为系统(26)的故障观测器。

基于以上的非线性系统的状态观测器的输出残差为可以通过适当逻辑，如通过阈值判断原则即可实现对故障的检测。这里的阈值可以是根据实际数据所得，也可根据专家经验设定固定阈值，但本文将采取自适应阈值进行故障检测。

(42)基于深度学习回归器的控制系统故障观测器构建

将传统观测器与深度学习回归器相结合，得到如图2所示基于深度学习回归器的双级故障观测器结构原理图。深度学习观测器采用基于稀疏Dropout自动编码器、降噪自动编码器以及逻辑斯蒂回归的深度学习回归器。

深度学习回归器输入层：网络的输入为系统控制指令r(k)和系统的输出信号y_r(k)；第一层和第二层为稀疏Dropout自动编码器或降噪自动编码器；第三层为采用逻辑斯蒂回归算法的输出层：网络的输出为系统的估计输出信号网络参数的确定包括输入层、隐层以及输出层之间的权值W。

在深度学习故障观测器进行训练时，采用的训练输入样本是系统的输入指令r(k)和系统的输出信号y_r(k)，训练输出样本是系统的输出信号采集大量样本训练基于深度学习回归器的故障观测器以确定深度神经网络和逻辑斯蒂回归的结构参数，这时要注意：训练故障观测器的样本应含盖尽量多的数据信息。假定控制系统的残差ε(k)：

$\mathrm{\ϵ}\left(k\right)=y_r\left(k\right)-{\hat{y}}_r\left(k\right).$

当深度学习故障观测器经过控制系统正常状态下的数据样本训练后，深度学习神经网络的结构参数就能被确定下来，即输入层、隐层以及输出层之间的权值W就被确定下来并且保持不变。这些确定的结构参数相当于记忆了系统正常时的状态，在正常情况下深度学习故障观测器的估计输出与系统的真实输出差值不大，一般在零附近有波动，这是由于系统存在干扰等因素造成的。

在进行控制系统故障检测时，利用当前系统的输入和输出信号作为已训练好的深度学习故障观测器的检测样本输入，将观测器的估计输出与系统的输出信号作差得到当前系统状态下的残差。

(43)基于深度学习回归器的控制系统故障检测自适应阈值构建方法

真实系统与模型之间存在误差，在不同的输入指令和不同的系统状态下，所产生的输出是不同的，所以要求阈值也应该随着系统的不同输入和系统的不同状态而发生变化，剔除非故障引起的残差，这种随系统工作状态变化的阈值，就是自适应阈值。自适应阈值是阈值研究中的重点内容，目前的研究主要集中在三个方面：基于解析模型、基于模糊理论和基于随机信号处理，而目前自适应阈值研究已逐步开始采用浅层神经网络，而利用深度神经网络开展自适应阈值研究尚未开展。

影响阈值的因素很多，因此在选择阈值时需要考虑以下因素：

(A)建模误差：

ε(s)＝[G_s(s)-G_m(s)]×X(s)             (29)

其中，ε(s)—阈值的拉氏变换；G_s(s)—子系统传递函数；G_m(s)—子系统对应模型的传递函数；X(s)—子系统输入的拉氏变换。

(B)干扰对子系统参数的影响产生的误差：

ε(s)＝[[G_s(d)](s-G_m(s))]×X(s)            (30)

其中，d—表示干扰；[G_s(d)](s)—表示子系统参数受到扰动，再经过拉氏变换得到的传递函数。

(C)元器件参数漂移产生的误差：

ε(s)＝[[G_s(d,△(t))](s)-G_m(s)]×X(s)  (31)

其中，[G_s(d,△(t))](s)—表示子系统参数受到扰动且参数发生漂移，再经过拉氏变换得到的传递函数；△(t)—表示发生漂移的参数构成的向量。

(D)系统输入、输出(状态)受到干扰后产生的误差：

[X(d)](s)—表示系统输入受到干扰后的拉氏变换；

[Y(d)](s)—表示系统输出受到干扰后的拉氏变换。

公式(31)变成：

ε(s)＝[[G_s(d,△(t))](s)-G_m(s)]×[X(d)](s)      (32)

其中[Y(d)](s)隐含在公式(16)微分项内。

由前面的分析可知，阈值应该与建模误差、系统的输入、系统的输出、干扰、随时间漂移的参数等各个因素有关，而这些因素对自适应阈值的影响关系是一个非常复杂的函数关系，所以将式(32)抽象化后表示成函数映射关系为：

ε(s)＝F(d,△(t),X(s),Y(s))               (33)

其中，F—表示频域内各种影响因素到阈值的映射函数。

实际计算阈值的过程中，由于干扰、系统参数漂移等都是难以测量的量，因此通常采用的办法是先忽略这些影响，计算出阈值后再进行适当修正：

ε(s)＝F(X(s),Y(s))                 (34)

而当控制系统发生故障后，系统的输出将是未知的，此时不应该采用计算自适应阈值，因为自适应阈值与系统的故障情况无关；由于前面已经建立了控制系统的深度学习正常观测器模型，而该模型的输出与正常系统的输出是非常接近的，所以采用模型的输出Y_m(s)代替系统的输出来计算自适应阈值。

所以，公式(34)实际是：

ε(s)＝F(X(s),Y_m(s))                  (35)

其中，Y_m(s)—表示辨识模型的输出。

为了表示简单，公式中仍然使用Y(s)来代替Y_m(s)，实际使用的是Y_m(s)。

控制系统正常的情况下，如果已知系统的输入、模型输出和残差序列，就可用神经网络来辨识出f，实现自适应阈值的计算。

本发明利用深度学习对于复杂非线性函数的拟合优势，采用深度学习回归器构建自适应阈值网络。该方法以控制系统的输入和观测器模型的输出结果为输入，通过深度神经网络回归器，通过逐层特征自学习，综合计算获得一个自适应阈值。该方法原理如图3所示，通过将旋转作动机构驱动系统在第一级观测器中的数据的估计输出和旋转作动机构驱动系统的控制信号输入至深度学习自适应阈值神经网络观测器中，从而得到整个旋转作动机构驱动系统的自适应阈值的输出。

3.基于深度学习回归器的飞机旋转作动器驱动装置自适应故障检测模型建立

飞机旋转作动器驱动装置自适应故障检测由深度学习回归器故障观测器和深度学习回归器自适应阈值网络两部分组成。

(1)飞机旋转作动器驱动装置深度学习回归器故障观测器模型

飞机旋转作动器驱动装置深度学习回归器故障观测器由层叠自动编码器(基于稀疏dropout自动编码器与降噪自动编码器组合)和逻辑斯蒂回归模型组合而成。

层叠自动编码器参数设置如下：

第一层为稀疏dropout自动编码器，其输入节点数为256(16*16)，隐藏层节点数100，dropout概率为0.1，降噪遮挡概率为0，稀疏度设置为0.1，成本函数稀疏性惩罚因子设置为3，成本函数权重衰减因子设置为0.003。

第二层为降噪自动编码器，其输入节点数100，即为为第一层稀疏dropout自动编码器的隐藏层节点数，隐藏层节点数100，降噪遮挡概率为0.1(符合均匀分布)，稀疏度设置为0.1，成本函数稀疏性惩罚因子设置为3，成本函数权重衰减因子设置为0.003。

第三层为降噪自动编码器，其输入节点数100，即为为第二层降噪自动编码器的隐藏层节点数，隐藏层节点数100，降噪遮挡概率为0.1(符合均匀分布)，稀疏度设置为0.1，成本函数稀疏性惩罚因子设置为3，成本函数权重衰减因子设置为0.003。

逻辑斯蒂回归模型的参数设置为输入节点数100，即为第三层降噪自动编码器的隐藏层节点数，输出节点数1。

(2)飞机旋转作动器驱动装置深度学习自适应阈值网络模型

飞机旋转作动器驱动装置深度学习自适应阈值网络由层叠自动编码器(基于稀疏dropout自动编码器与降噪自动编码器组合)和逻辑斯蒂回归模型组合而成。

层叠自动编码器参数设置：

第一层为稀疏dropout自动编码器，其输入节点数2，输入为飞机旋转作动器驱动装置输入和观测器残差，隐藏层节点数100，dropout概率为0.5，降噪遮挡概率为0，稀疏度设置为0.1，成本函数稀疏性惩罚因子设置为3，成本函数权重衰减因子设置为0.003。

第二层为降噪自动编码器，其输入节点数100，即为第一层稀疏dropout自动编码器的隐藏层节点数，隐藏层节点数100，降噪遮挡概率为0.1(符合均匀分布)，稀疏度设置为0.1，成本函数稀疏性惩罚因子设置为3，成本函数权重衰减因子设置为0.003。

逻辑斯蒂回归模型的参数设置为输入节点数100，即为第二层降噪自动编码器的隐藏层节点数，输出节点数1。

本发明通过对自适应阈值的取值进行试验甄选，得出当内回路自适应阈值参数取值b＝0.5，外回路自适应阈值参数取值b＝0.7时观测器的诊断效果最好，因此本发明即内外回路即采用这两个取值来进行诊断。

4.案例分析

(1)故障注入

为了验证本发明提出方法的有效性，我们建立了一个仿真模型，根据对飞机旋转作动器驱动装置FMECA分析，综合考虑故障的发生频率，故障的危害程度，以及故障注入方法的可行性，选取了3种相应的典型故障，并注入故障，即伺服阀磁场强度降低故障、伺服阀滑阀组件内间隙增大故障、GRA输出效率降低故障。表2中给出了这3种故障的故障模式及其故障注入的具体方式。

表1仿真模型注入的故障模式及具体的故障注入方式

(2)飞机旋转作动器驱动装置内回路自适应故障检测结果

(21)伺服阀磁场强度降低故障

在建立的仿真模型中，通过对仿真模型注入伺服阀流量降低故障来模拟伺服阀磁场强度降低的故障，分别改变为原流量的0.8、0.6和0.4倍。在注入故障后进行仿真并得出仿真数据，通过本文提出的基于深度学习回归器的自适应故障检测方法对仿真数据进行检测，并得出检测结果。

(A)伺服阀磁场强度降低故障程度1

在仿真模型中注入伺服阀磁场强度降低故障1，表现为伺服阀流量的降低，为原流量的0.8倍。图4为旋转作动器驱动装置内回路的检测结果。从图中可以看出内回路观测器观测的结果为旋转作动机构装置处于故障状态。

(B)伺服阀磁场强度降低故障程度2

在仿真模型中注入伺服阀磁场强度降低故障2，表现为伺服阀流量的降低，为原流量的0.6倍。图5为旋转作动器驱动装置内回路的检测结果。从图5中可以明显看出内回路观测器观测的结果为旋转作动机构装置处于故障状态。

(C)伺服阀磁场强度降低故障程度3

在仿真模型中注入伺服阀磁场强度降低故障3，表现为伺服阀流量的降低，为原流量的0.4倍。图6为旋转作动器驱动装置内回路的检测结果。从图6中可以明显看出内回路观测器观测的结果为旋转作动机构装置处于故障状态。

由图4、图5和图6三个伺服阀磁场强度降低故障可以看出，当旋转作动器驱动装置伺服阀磁场降低故障越严重时，所建立的内回路观测器残差超过自适应阈值的点数越多，由此也说明旋转作动器驱动装置的故障越严重，从而证明内回路故障观测器可以很好的检测出旋转作动器驱动装置的伺服阀磁场强度降低故障。

(22)伺服阀滑阀组件内间隙增大故障

在建立的仿真模型中，通过对仿真模型注入伺服阀流量降低故障来模拟伺服阀滑阀组件内间隙增大的故障，分别改变为原流量的0.9、0.7和0.5倍。在注入故障后进行仿真并得出仿真数据，通过本文提出的基于深度学习回归器的自适应故障检测方法对仿真数据进行检测，并得出检测结果。

(A)伺服阀滑阀组件内间隙增大故障程度1

在仿真模型中注入伺服阀滑阀组件内间隙增大故障1，表现为伺服阀流量的降低，为原流量的0.9倍。图7为旋转作动器驱动装置内回路的检测结果。从图7中可以看出内回路观测器观测的结果为旋转作动机构装置处于故障状态。

(B)伺服阀滑阀组件内间隙增大故障程度2

在仿真模型中注入伺服阀滑阀组件内间隙增大故障2，表现为伺服阀流量的降低，为原流量的0.7倍。图8为旋转作动器驱动装置内回路的检测结果。从图8中可以明显看出内回路观测器观测的结果为旋转作动机构装置处于故障状态。

(C)伺服阀滑阀组件内间隙增大故障程度3

在仿真模型中注入伺服阀滑阀组件内间隙增大故障3，表现为伺服阀流量的降低，为原流量的0.5倍。图9为旋转作动器驱动装置内回路的检测结果。从图9中可以明显看出内回路观测器观测的结果为旋转作动机构装置处于故障状态。

由图7、图8和图9三个伺服阀滑阀组件内间隙增大故障可以看出，当旋转作动器驱动装置伺服阀滑阀组件内间隙增大故障变现为流量为原流量的0.9倍时，故障程度较低，内回路观测器残差超过自适应阈值的点数很少，而当伺服阀滑阀组件内间隙增大故障越严重时，所建立的内回路观测器残差超过自适应阈值的点数越多，由此也说明旋转作动器驱动装置的故障越严重，从而证明内回路故障观测器可以很好的检测出旋转作动器驱动装置的伺服阀滑阀组件内间隙增大故障。

(23)GRA输出效率降低故障

在建立的仿真模型中，通过对仿真模型注入GRA输出效率降低的故障，分别改变为原效率的0.7、0.6和0.5倍。在注入故障后进行仿真并得出仿真数据，通过本发明提出的基于深度学习的自适应检测方法对仿真数据进行检测，并得出检测结果。

(A)GRA输出效率降低故障程度1

在仿真模型中注入GRA输出效率降低故障1，为原输出效率的0.7倍。图10为旋转作动器驱动装置内回路的检测结果。从图10中可以看出内回路观测器观测的结果为旋转作动机构装置处于故障状态。

(B)GRA输出效率降低故障程度2

在仿真模型中注入GRA输出效率降低故障2，为原输出效率的0.6倍。图11为旋转作动器驱动装置内回路的检测结果。从图11中可以明显看出内回路观测器观测的结果为旋转作动机构装置处于故障状态。

(C)GRA输出效率降低故障程度3

在仿真模型中注入GRA输出效率降低故障3，为原输出效率的0.5倍。图12为旋转作动器驱动装置内回路的检测结果。从图12中可以明显看出内回路观测器观测的结果为旋转作动机构装置处于故障状态。

由图10、图11和图12三个GRA输出效率降低故障可以看出，当旋转作动器驱动装置的GRA输出效率为原输出效率的0.7倍时，故障程度较低，内回路观测器残差超过自适应阈值的点数很少，而当GRA输出效率越低时，所建立的内回路观测器残差超过自适应阈值的点数越多，由此也说明旋转作动器驱动装置的故障越严重，从而证明内回路故障观测器可以很好的检测出旋转作动器驱动装置的GRA输出效率降低的故障。

(3)飞机旋转作动器驱动装置外回路自适应故障检测结果

(31)伺服阀磁场强度降低故障

在建立的仿真模型中，通过对仿真模型注入伺服阀流量降低故障来模拟伺服阀磁场强度降低的故障，分别改变为原流量的0.8、0.6和0.4倍。在注入故障后进行仿真并得出仿真数据，通过本文提出的基于深度学习回归器的自适应故障检测方法对仿真数据进行检测，并得出检测结果。

(A)伺服阀磁场强度降低故障程度1

在仿真模型中注入伺服阀磁场强度降低故障1，表现为伺服阀流量的降低，为原流量的0.8倍。图13为旋转作动器驱动装置外回路的检测结果。从图13中可以看出外回路观测器观测的结果为旋转作动机构装置处于故障状态。

(B)伺服阀磁场强度降低故障程度2

在仿真模型中注入伺服阀磁场强度降低故障2，表现为伺服阀流量的降低，为原流量的0.6倍。图14为旋转作动器驱动装置外回路的检测结果。从图14中可以明显看出外回路观测器观测的结果为旋转作动机构装置处于故障状态。

(C)伺服阀磁场强度降低故障程度3

在仿真模型中注入伺服阀磁场强度降低故障3，表现为伺服阀流量的降低，为原流量的0.4倍。图15为旋转作动器驱动装置外回路的检测结果。从图15中可以明显看出外回路观测器观测的结果为旋转作动机构装置处于故障状态。

由图13、图14和图15三个伺服阀磁场强度降低故障可以看出，当旋转作动器驱动装置伺服阀磁场降低故障越严重时，所建立的外回路观测器残差超过自适应阈值的点数越多，由此也说明旋转作动器驱动装置的故障越严重，从而证明外回路故障观测器可以很好的检测出旋转作动器驱动装置的伺服阀磁场强度降低故障。

对比内回路故障观测器和外回路故障观测器的检测结果发现，两个故障观测器在伺服阀磁场强度故障都降低的故障状态下都能检测出飞机旋转作动器驱动装置发生故障，通过故障隔离策略可以定位出故障发生在伺服阀或者液压马达，与故障发生的状态一致，从而验证了本文所提方法的可行性。

(32)伺服阀滑阀组件内间隙增大故障

在建立的仿真模型中，通过对仿真模型注入伺服阀流量降低来模拟伺服阀滑阀组件内间隙增大的故障，分别改变为原流量的0.9、0.7和0.5倍。在注入故障后进行仿真并得出仿真数据，通过本发明提出的基于深度学习回归器的自适应故障检测方法对仿真数据进行检测，并得出检测结果。

(A)伺服阀滑阀组件内间隙增大故障程度1

在仿真模型中注入伺服阀滑阀组件内间隙增大故障1，表现为伺服阀流量的降低，为原流量的0.9倍。图16为旋转作动器驱动装置外回路的检测结果。从图16中可以看出外回路观测器观测的结果为旋转作动机构装置处于故障状态。

(B)伺服阀滑阀组件内间隙增大故障程度2

在仿真模型中注入伺服阀滑阀组件内间隙增大故障2，表现为伺服阀流量的降低，为原流量的0.7倍。图17为旋转作动器驱动装置外回路的检测结果。从图17中可以明显看出外回路观测器观测的结果为旋转作动机构装置处于故障状态。

(C)伺服阀滑阀组件内间隙增大故障程度3

在仿真模型中注入伺服阀滑阀组件内间隙增大故障3，表现为伺服阀流量的降低，为原流量的0.5倍。图18为旋转作动器驱动装置外回路的检测结果。从图18中可以明显看出外回路观测器观测的结果为旋转作动机构装置处于故障状态。

由图16、图17和图18三个伺服阀滑阀组件内间隙增大故障可以看出，当旋转作动器驱动装置伺服阀滑阀组件内间隙增大故障变现为流量为原流量的0.9倍时，故障程度较低，外回路观测器残差无明显超过自适应阈值的点，而当伺服阀滑阀组件内间隙增大故障越严重时，所建立的外回路观测器残差超过自适应阈值的点数越多，由此也说明旋转作动器驱动装置的故障越严重，从而证明外回路故障观测器可以很好的检测出旋转作动器驱动装置的伺服阀滑阀组件内间隙增大故障。

对比内回路故障观测器和外回路故障观测器的检测结果发现，两个故障观测器在伺服阀滑阀组件内间隙增大的故障状态下都能检测出飞机旋转作动器驱动装置发生故障，通过故障隔离策略可以定位出故障发生在伺服阀或者液压马达，与故障发生的状态一致，从而验证了本发明所提方法的可行性。

(33)GRA输出效率降低故障

在建立的仿真模型中，通过对仿真模型注入GRA输出效率降低的故障，分别改变为原效率的0.7、0.6和0.5倍。在注入故障后进行仿真并得出仿真数据，通过本发明提出的基于深度学习回归器的自适应故障检测方法对仿真数据进行检测，并得出检测结果。

(A)GRA输出效率降低故障程度1

在仿真模型中注入GRA输出效率降低故障1，为原输出效率的0.7倍。图19为旋转作动器驱动装置外回路的检测结果。从图中可以看出外回路观测器观测的结果为旋转作动机构装置处于故障状态。

(B)GRA输出效率降低故障程度2

在仿真模型中注入GRA输出效率降低故障2，为原输出效率的0.6倍。图20为旋转作动器驱动装置外回路的检测结果。从图20中可以明显看出外回路观测器观测的结果为旋转作动机构装置处于故障状态。

(C)GRA输出效率降低故障程度3

在仿真模型中注入GRA输出效率降低故障3，为原输出效率的0.5倍。图21为旋转作动器驱动装置外回路的检测结果。从图21中可以明显看出外回路观测器观测的结果为旋转作动机构装置处于故障状态。

由图19、图20和图21三个GRA输出效率降低故障可以看出，当旋转作动器驱动装置的GRA输出效率为原输出效率的0.7倍时，故障程度较低，外回路观测器残差超过自适应阈值的点数很少，而当GRA输出效率越低时，所建立的外回路观测器残差超过自适应阈值的点数越多，由此也说明旋转作动器驱动装置的故障越严重，从而证明外回路故障观测器可以很好的检测出旋转作动器驱动装置的GRA输出效率降低的故障。

本发明提供的一套飞机旋转作动器驱动装置的自适应故障检测方法，通过建立深度学习双级观测器，产生残差值和自适应阈值，根据飞机旋转作动器驱动装置的控制回路实现故障检测。在本发明中通过建立飞机旋转作动器驱动装置的仿真模型，并注入3种典型的故障，通过对产生的仿真数据的检测，对提出的方法进行了验证。试验结果证实了该方法的内、外回路的双级观测器均可以有效的检测出故障的发生，并且随着故障程度的加深，自适应阈值的超限点数越来越多，说明系统的故障愈发严重。因此本发明可以有效的对飞机旋转作动机构故障进行检测。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (3)

1.一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，其特征在于实现步骤如下：

(1)针对飞机旋转作动器驱动装置的故障检测方法，利用输入指令信号和输出角位移信号，建立基于深度学习的内外回路神经网络观测器，将输入指令信号和输出角位移信号输入基于深度学习的内外回路神经网络观测器，得到其估计输出和残差，然后将估计输出分别送入内外回路自适应阈值观测器；

(2)建立基于深度学习的内外回路自适应阈值观测器，将输入控制指令和神经网络观测器产生的残差输入至自适应阈值生成器，得到自适应阈值，然后和神经网络观测器输出的残差作对比，从而判定飞机旋转作动器驱动装置是否发生故障。

2.根据权利要求1所述的一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，其特征在于：所述步骤(1)中基于深度学习的内外回路神经网络观测器进一步实现如下：

(1)将当前时刻输入指令信号和前一时刻输出角位移信号输入至多层稀疏自动编码器神经网络观测器，即内外回路神经网络观测器，首先对第一层网络的隐藏层进行Dropout处理，获得单层稀疏Dropout自动编码器，即将第一层网络的隐藏层节点进行随机遮挡；利用输入数据进行单层稀疏Dropout自动编码器的训练，然后将单层稀疏Dropout自动编码器隐藏层的输出输入至网络的第二层；

(2)将第一层网络，单层稀疏Dropout自动编码器的隐藏层输出输入至观测器的第二层网络，即单层降噪自动编码器；首先对第一层网络的输出数据进行随机遮挡处理作为第二层网络的输入，将未被随机遮挡处理的输入数据作为第二层网络训练的重构目标值，进行单层降噪自动编码器的训练，从而获得能够从输入数据进行鲁棒特征自学习的网络模型；将未被随机遮挡处理的输入数据作为已训练好的单层降噪自动编码器的输入，第二层网络的隐藏层输出作为第三层网络的输入；

(3)将第二层的输出数据输入至单层降噪自动编码器，采用与第二层网络的同样的网络训练方法，获得单层降噪自动编码器模型；将未被随机遮挡处理的输入数据作为已训练好的单层降噪自动编码器的输入，第三层网络的隐藏层输出作为Logistic回归模型的输入；

(4)将第三层网络的隐藏层输出数据输入至Logistic回归模型，以当前时刻输出角位移信号为训练目标值，采用反向传播算法，进行Logistic回归模型的训练；

(5)将已初步训练的三层稀疏自动编码器神经网络与Logistic回归模型组合成多层稀疏自动编码器神经网络观测器，即内外回路神经网络观测器；以当前时刻输入指令信号和前一时刻输出角位移信号为观测器的输入信号，以当前时刻输出角位移信号为观测器输出的目标值，采用反向传播，进行多层稀疏自动编码器神经网络观测器的训练，在已初步训练的模型参数基础上，进行模型参数的微调，从而获得最终的多层稀疏自动编码器神经网络观测器；

(6)以当前时刻输入指令信号和前一时刻输出角位移信号为最终的多层稀疏自动编码器神经网络观测器的输入，从而获得飞机旋转作动器驱动装置输出角位移信号的估计输出，通过对比估计角位移信号与实际角位移信号的差值，获得估计残差。

3.根据权利要求1所述的一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，其特征在于：所述步骤(2)中基于深度学习的内外回路自适应阈值观测器进一步实现如下：

(1)将当前时刻输入指令信号和内外回路神经网络观测器产生的残差输入至自适应阈值生成器，首先对第一层网络的隐藏层进行Dropout处理，获得单层稀疏Dropout自动编码器，即将第一层网络的隐藏层节点进行随机遮挡；利用输入数据进行单层稀疏Dropout自动编码器的训练，然后将单层稀疏Dropout自动编码器隐藏层的输出输入至网络的第二层；

(2)将第一层网络，单层稀疏Dropout自动编码器的隐藏层输出输入至自适应阈值网络的第二层网络，即单层降噪自动编码器；首先对第一层网络的输出数据进行随机遮挡处理作为第二层网络的输入，将未被随机遮挡处理的输入数据作为第二层网络训练的重构目标值，进行单层降噪自动编码器的训练，从而获得能够从输入数据进行鲁棒特征自学习的网络模型；将未被随机遮挡处理的输入数据作为已训练好的单层降噪自动编码器的输入，第二层网络的隐藏层输出作为Logistic回归模型的输入；

(3)将第二层网络的隐藏层输出数据输入至Logistic回归模型，以内外回路神经网络观测器产生的残差加自适应阈值参数后的修正值为训练目标值，采用反向传播算法，进行Logistic回归模型的训练；

(4)将已初步训练的两层稀疏自动编码器神经网络与Logistic回归模型组合成多层稀疏自动编码器神经网络自适应阈值观测器，即内外回路自适应阈值观测器，当前时刻输入指令信号和内外回路神经网络观测器产生的残差输入至内外回路自适应阈值观测器，以内外回路神经网络观测器产生的残差加自适应阈值参数后的修正值为训练目标值，采用反向传播算法，进行多层稀疏自动编码器神经网络自适应阈值观测器的训练，在已初步训练的模型参数基础上，进行模型参数的微调，从而获得最终的多层稀疏自动编码器神经网络自适应阈值观测器；

(5)以当前时刻输入指令信号和内外回路神经网络观测器产生的残差为最终的多层稀疏自动编码器神经网络自适应阈值观测器的输入，从而得到飞机旋转作动器驱动装置的自适应阈值，通过和神经网络观测器输出的残差作对比，从而判定飞机旋转作动器驱动装置是否发生故障。