CN106874531B - 一种大气数据系统在故障时的异常测量值数据自恢复方法 - Google Patents
一种大气数据系统在故障时的异常测量值数据自恢复方法 Download PDFInfo
- Publication number
- CN106874531B CN106874531B CN201611192468.0A CN201611192468A CN106874531B CN 106874531 B CN106874531 B CN 106874531B CN 201611192468 A CN201611192468 A CN 201611192468A CN 106874531 B CN106874531 B CN 106874531B
- Authority
- CN
- China
- Prior art keywords
- data
- pressure measurement
- atmospheric
- output
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measuring Fluid Pressure (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于智能传感技术领域,具体涉及一种大气数据系统在故障时的异常测量值数据自恢复方法;解决了现有大气数据系统在故障时无法对自身测量值进行纠正输出的问题;包括以下步骤:一是构造训练样本,明确样本集的物理含义;二是基于多核相关向量机的工作原理,建立大气参数数据恢复模型;三是当检测到大气系统发生故障时,利用步骤二已建立的大气参数数据恢复模型对错误的输出值进行最佳估计,利用最佳估计值作为大气系统测量值进行输出;四是利用最新的大气系统测量值对步骤一中的训练样本集进行更新,重复上述步骤实现数据恢复。本发明基于有限的稀疏相关向量可有效降低计算负担,利于机载大气数据系统的实时性实现。
Description
技术领域
本发明属于大气数据智能传感技术领域,涉及一种大气数据系统在故障时的异常测量值数据自恢复方法。
背景技术
大气数据系统作为当今空中飞行器的重要机载设备,在国内外无人机、战斗机和空天往返飞行器等领域已得到广泛应用。作为飞行高度、飞行速度、来流迎角和侧滑角等飞行参数信息获取的源头,大气系统输出的测量值质量较为关键,一旦系统发生故障,输出值不正确,将无法如实反映真实飞行状态。若利用该错误数据进行飞行控制,此时会直接影响着飞行器正常飞行,甚至会发生事故。
针对上述问题,当大气系统发生故障时,若能用一个最佳估计值代替故障下错误数据输出进行有效数据恢复,可有效避免飞行器发生异常。
目前,可供借鉴的大气数据系统恢复方法主要有:基于主元分析的方法、基于多项式预测的方法、基于神经网络的方法和基于支持向量机的方法等。
其中基于主元分析的数据恢复模型一般适用于某一种故障,不适合解决大气数据系统存在的多故障情况;基于多项式预测方法可同时对大气系统中的多路压力测量故障数据进行数据纠正恢复,但该方法需要较多的训练样本方能保证预测精度,不适合解决大气数据系统故障处理中的小样本问题;基于神经网络的方法在一定程度有解决小样本问题,但其结构复杂,实时性较差,不利于机载大气数据系统的实时性数据恢复;基于支持向量机的方法可利用稀疏的少量支持向量即可对模型进行有效描述,但在模型构建中核函数选择必须满足Mecer条件,且核参数选择不灵活。
发明内容
针对上述现有技术,本发明的目的在于提供一种大气数据系统在故障时的异常测量值数据自恢复方法,解决了现有大气数据系统在故障时无法对自身测量值进行纠正输出的问题,并解决大气系统故障测量值数据恢复中的非线性问题。
为了达到上述目的,本发明采用以下技术方案。
本发明的目的在于提供一种大气数据系统在故障时的异常测量值数据自恢复方法,包括以下步骤:
步骤一、确定训练样本数据;
获取大气数据系统中压力测量通道的数目N,依据每一路压力测量通道的压力测量数据,确定其对应的训练样本序列Pi=[pi(1) pi(2) … p(m)](i=1,2,…,N),其中i是压力通道,m是第i路压力测量通道对应的无故障样本数;
步骤二、构建训练样本集;
大气数据系统中每一路压力测量通道故障下,训练样本集包括输入样本集和目标样本集;表1为第i路压力测量通道的训练样本,其中每一行输入样本和目标样本一一对应;
表1第i路压力测量通道的训练样本分布
构建第i路压力测量通道的输入训练样本集Xi见式(1)所示,目标样本集Yi见式(2)所示:
Yi=[pi(k+1) pi(k+2) … pi(m)]T (2)
式中:k是时间步长,i表示压力测量通道编号,m表示无故障训练样本时间点序列;
步骤三、利用多核相关向量机的原理,建立大气数据系统中的每一路压力测量通道的数据恢复模型;
第i路压力测量数据恢复模型如式(3)所示:
YiR=Wi·ker(Xi)+Bi(i=1,2,…,N) (3)
式中:Wi和Bi是利用多核相关向量机获取的第i路压力测量数据恢复模型参数,YiR是对应的多核相关向量机输出,ker(Xi)是核函数;
步骤四、利用步骤三建立的数据恢复模型进行数据恢复;
将第i路压力测量通道测量数据的测试样本向量[pi(m-k+1) pi(m-k+2) … pi(m)]输入到数据恢复模型,得到下一时刻点m+1处的预测值输出并将该预测值和实际测量值pi(m+1)进行比较,若偏差小于设定阈值δth,则表明该路压力测量通道工作正常;若该偏差大于阈值,则判定为故障;
当连续几个时刻点或一段时间内均判定为故障,则该故障类型为永久性故障;若仅仅几个时刻点处出现故障,然后重新回到正常工作状态,则该故障类型为瞬时性故障;
进一步,该方法还包括以下步骤:
步骤五、更新步骤三中所述的数据恢复模型;
当时刻点m+1处,第i路压力测量通道未发生故障或正常输出,则实际输出值pi(m+1)更新到训练样本集的输出样本中,同时去除第1个时间点处的样本数据,更新后输入样本和输出样本分别如式(4)和(5)所示:
进一步,该方法还包括以下步骤:
步骤六、利用大气数据系统数据恢复后的压力测量值,进行大气参数气压高度和马赫数的解算并输出;
通过所有压力测量通道的压力测量值获取气压高度和马赫数参数的计算公式如式(7)和式(8)所示:
进一步,所述核函数为多项式和小波核函数,多项式和小波核函数的权值比重为0.5。
进一步,所述阈值δth的取值为大气数据系统中压力测量通道在正常工作时的预测值与实际值的均方根误差的5~8倍。
本发明实施例提供的技术方案带来的有益效果是:
本发明一种大气数据系统在故障时的异常测量值数据自恢复方法,基于多核相关向量机的大气数据系统在故障状态下的错误测量值数据纠正及恢复方法,可有效提高建模速度,降低运算量,在小样本条件下提高数据恢复的精度和实时性。
本发明一种大气数据系统在故障时的异常测量值数据自恢复方法,针对大气数据系统中多路压力测量可能同时发生故障的情况,利用大气系统在异常情况发生前的正常数据样本,并结合多核相关向量机方法来实现多故障情况下的数据恢复,解决大气数据系统测量值数据恢复中的小样本和实时性问题。
本发明一种大气数据系统在故障时的异常测量值数据自恢复方法,利用多核相关向量机构建较稀疏的数据恢复模型,利用核映射的方法不仅解决大气系统故障测量值数据恢复中的非线性问题,而且基于有限的稀疏相关向量可有效降低计算负担,利于机载大气数据系统的实时性实现。
本发明一种大气数据系统在故障时的异常测量值数据自恢复方法,可有效避免经典学习方法中的过拟合和模型较为复杂等缺点,具有实时性好、在线更新、数据恢复精度高等优点。
附图说明
图1为本发明一种大气数据系统在故障时的异常测量值数据自恢复方法示意图;
具体实施方式
下面结合附图和具体实施方式对本发明一种大气数据系统在故障时的异常测量值数据自恢复方法作详细说明。
如图1所示,本发明一种大气数据系统在故障时的异常测量值数据自恢复方法,包括以下步骤:
步骤一、确定训练样本数据;
获取大气数据系统中压力测量通道的数目N,依据每一路压力测量通道的压力测量数据,确定其对应的训练样本序列Pi=[pi(1) pi(2) … p(m)](i=1,2,…,N),其中i是压力通道,m是第i路压力测量通道对应的无故障样本数;
步骤二、构建训练样本集;
大气数据系统中每一路压力测量通道故障下,训练样本集包括输入样本集和目标样本集;表1给出了第i路压力测量通道的训练样本,其中每一行输入样本和目标样本是一一对应;
表1第i路压力测量通道的训练样本分布
由此可知,构建第i路压力测量通道的输入训练样本集Xi见式(1)所示,目标样本集Yi见式(2)所示:
Yi=[pi(k+1) pi(k+2) … pi(m)]T (2)
式中:k是时间步长,i表示压力测量通道编号,m表示无故障训练样本时间点序列;
步骤三、利用多核相关向量机的原理,建立大气数据系统中的每一路压力测量通道的数据恢复模型;
第i路压力测量数据恢复模型如式(3)所示:
YiR=Wi·ker(Xi)+Bi(i=1,2,…,N) (3)
式中:Wi和Bi是利用多核相关向量机获取的第i路压力测量数据恢复模型参数,YiR是对应的多核相关向量机输出,ker(Xi)是核函数;
优选核函数为多项式和小波核函数,这两种核函数的权值比重为0.5;
步骤四、利用步骤三建立的数据恢复模型进行数据恢复;
将第i路压力测量通道测量数据的测试样本向量[pi(m-k+1) pi(m-k+2) … pi(m)]输入到数据恢复模型,可得到下一时刻点m+1处的预测值输出并将该预测值和实际测量值pi(m+1)进行比较,若偏差小于设定阈值δth(阈值δth的取值为大气数据系统中对应压力测量通道在正常工作时的预测值与实际值的均方根误差的5~8倍),则表明该路压力测量通道工作正常;若该偏差大于阈值,则判定为故障;
当连续几个时刻点或一段时间内均判定为故障,则该故障类型为永久性故障;若仅仅几个时刻点处出现故障,然后重新回到正常工作状态,则该故障类型为瞬时性故障;
当检测到大气数据系统中的某路压力测量发生故障后,大气数据系统选择数据恢复模型输出的预测值的历史最佳估计值代替故障的错误输出值pi(m+1),实现数据恢复,该预测值可暂时作为当前压力测量通道的输出值,并用于后续的飞行参数解算;
每一路压力测量通道都可依据自身的正常数据建立数据恢复模型,因此本发明中的数据恢复模型可适用于多故障情况。
步骤五、更新步骤三中所述的数据恢复模型;
为提高大气数据系统在故障时的数据恢复精度,本发明对所建立的数据恢复模型实时更新,更新的过程如下:
当时刻点m+1处,第i路压力测量通道未发生故障或正常输出,则实际输出值pi(m+1)会更新到训练样本集的输出样本中,同时去除第1个时间点处的样本数据,更新后输入样本和输出样本分别如式(4)和(5)所示:
步骤六、利用大气数据系统数据恢复后的压力测量值(存在故障时已被纠正)进行气压高度和马赫数等大气参数解算并输出;
通过所有压力测量通道的压力测量值获取气压高度和马赫数参数的计算公式如式(7)和式(8)所示:
Claims (5)
1.一种大气数据系统在故障时的异常测量值数据自恢复方法,其特征在于,该方法包括以下步骤:
步骤一、确定训练样本数据;
获取大气数据系统中压力测量通道的数目N,依据每一路压力测量通道的压力测量数据,确定其对应的训练样本序列Pi=[pi(1),pi(2),…pi(m)],i=1,2,…,N,其中i是压力通道,m是第i路压力测量通道对应的无故障样本数;
步骤二、构建训练样本集;
大气数据系统中每一路压力测量通道故障下,训练样本集包括输入样本集和目标样本集;
构建第i路压力测量通道的输入训练样本集Xi见式(1)所示,目标样本集Yi见式(2)所示:
Yi=[pi(k+1),pi(k+2),…,pi(m)]T (2)
式中:k是时间步长,i表示压力测量通道编号,m表示无故障训练样本时间点序列;
步骤三、建立大气数据系统中的每一路压力测量通道的数据恢复模型;
第i路压力测量数据恢复模型如式(3)所示:
YiR=Wi·ker(Xi)+Bii=1,2,…,N (3)
式中:Wi和Bi是利用多核相关向量机获取的第i路压力测量数据恢复模型参数,YiR是对应的多核相关向量机输出,ker(Xi)是核函数;
步骤四、利用步骤三建立的数据恢复模型进行数据恢复;
将第i路压力测量通道测量数据的测试样本向量输入到数据恢复模型,得到下一时刻点m+1处的预测值输出并将该预测值和实际测量值pi(m+1) 进行比较,若偏差小于设定阈值δth,则表明该路压力测量通道工作正常;若该偏差大于阈值,则判定为故障;
当连续几个时刻点或一段时间内均判定为故障,则该故障类型为永久性故障;若仅仅几个时刻点处出现故障,然后重新回到正常工作状态,则该故障类型为瞬时性故障;
当检测到大气数据系统中的某路压力测量发生故障后,大气数据系统选择数据恢复模型输出的预测值的历史最佳估计值代替故障的错误输出值pi(m+1) ,实现数据恢复。
4.根据权利要求1所述的一种大气数据系统在故障时的异常测量值数据自恢复方法,其特征在于,所述核函数为多项式和小波核函数,多项式和小波核函数的权值比重为0.5。
5.根据权利要求1所述的一种大气数据系统在故障时的异常测量值数据自恢复方法,其特征在于,所述阈值δth的取值为大气数据系统中压力测量通道在正常工作时的预测值与实际值的均方根误差的5~8倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611192468.0A CN106874531B (zh) | 2016-12-21 | 2016-12-21 | 一种大气数据系统在故障时的异常测量值数据自恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611192468.0A CN106874531B (zh) | 2016-12-21 | 2016-12-21 | 一种大气数据系统在故障时的异常测量值数据自恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874531A CN106874531A (zh) | 2017-06-20 |
CN106874531B true CN106874531B (zh) | 2020-12-25 |
Family
ID=59164068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611192468.0A Active CN106874531B (zh) | 2016-12-21 | 2016-12-21 | 一种大气数据系统在故障时的异常测量值数据自恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874531B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109408772A (zh) * | 2018-10-11 | 2019-03-01 | 四川长虹电器股份有限公司 | 对连续性数据中的异常数据的恢复方法 |
CN111060130B (zh) * | 2019-12-23 | 2021-08-10 | 北京空天技术研究所 | 无总压测点的大气数据传感系统飞行参数解算方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1428153A4 (en) * | 2001-09-05 | 2004-11-03 | Pavilion Tech Inc | SYSTEM AND METHOD FOR ONLINE TRAINING OF A SUPPORT VECTOR MACHINE |
CN104598664A (zh) * | 2014-10-13 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 火电机组的性能监测方法 |
-
2016
- 2016-12-21 CN CN201611192468.0A patent/CN106874531B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1428153A4 (en) * | 2001-09-05 | 2004-11-03 | Pavilion Tech Inc | SYSTEM AND METHOD FOR ONLINE TRAINING OF A SUPPORT VECTOR MACHINE |
CN104598664A (zh) * | 2014-10-13 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 火电机组的性能监测方法 |
Non-Patent Citations (1)
Title |
---|
大气数据系统修正方法研究;程志航等;《探索 创新 交流——第六届中国航空学会青年科技论坛文集(下册)》;20140624;第1807-1812页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106874531A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107797454B (zh) | 基于有限时间控制的多智能体系统协同容错控制方法 | |
CN109709934B (zh) | 一种飞行控制系统故障诊断冗余设计方法 | |
CN103472820B (zh) | 一种基于偏最小二乘算法的推进系统故障诊断方法 | |
KR101021801B1 (ko) | 적응 미지입력 관측기를 이용한 무인항공기의 조종면 구동기 고장진단방법 | |
CN108427401B (zh) | 一种具有联合连通拓扑的飞行控制系统协同故障诊断方法 | |
CN109986562B (zh) | 一种平面机械臂系统及其分散式容错控制方法 | |
CN109159113B (zh) | 一种基于视觉推理的机器人作业方法 | |
CN104102836B (zh) | 一种电力系统快速抗差状态估计方法 | |
CN102944216B (zh) | 基于改进表决算法的三冗余船舶动力定位艏向测量方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN106874531B (zh) | 一种大气数据系统在故障时的异常测量值数据自恢复方法 | |
CN114035550B (zh) | 一种基于eso的自主式水下机器人执行机构故障诊断方法 | |
CN105353359B (zh) | 异步组网雷达系统误差校正方法 | |
CN104915192B (zh) | 一种基于移动点和不完美排错的软件可靠性建模方法 | |
CN103699121B (zh) | 一种基于解析冗余关系的卫星控制系统敏感器可诊断性确定方法 | |
CN112833919B (zh) | 一种多余度的惯性测量数据的管理方法及其系统 | |
CN108459933B (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
CN109193639B (zh) | 一种电力系统抗差估计方法 | |
CN110705114A (zh) | 一种无训练样本的通风故障诊断方法 | |
CN115795222A (zh) | 基于同步相量测量的电网不良参数辨识和校正方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN112965966B (zh) | 一种基于实测飞参数据的快速预处理方法、系统及计算机相关产品 | |
CN105068529B (zh) | 一种基于加权残差分量比较的故障分离方法及系统 | |
Wang et al. | Multimode process fault detection method based on variable local outlier factor | |
CN111539457A (zh) | 一种基于贝叶斯网络的故障融合诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |