CN111160393A

CN111160393A - 一种基于数据驱动的运载火箭健康评估模型模块化建模方法

Info

Publication number: CN111160393A
Application number: CN201911230148.3A
Authority: CN
Inventors: 王冠; 耿辉; 徐昊; 李璨; 王伟; 白冰; 王晓林; 刘巧珍; 马忠辉; 胡晓军; 邵业涛; 王子瑜; 司群英; 郭雷
Original assignee: China Academy of Launch Vehicle Technology CALT; Beijing Institute of Astronautical Systems Engineering
Current assignee: China Academy of Launch Vehicle Technology CALT; Beijing Institute of Astronautical Systems Engineering
Priority date: 2019-12-04
Filing date: 2019-12-04
Publication date: 2020-05-15
Anticipated expiration: 2039-12-04
Also published as: CN111160393B

Abstract

本发明公开一种基于数据驱动的运载火箭健康评估模型模块化建模方法。方法包括1)建立功能模块；2)进行子模块的封装；3)进行模块接口配置；4)进行分析模型的配置。根据运载火箭发射健康监控的实际需求，本发明可自主配置适应不同发次数据的在线分析，实现发射过程中异常检测、趋势预测和健康评估。

Description

一种基于数据驱动的运载火箭健康评估模型模块化建模方法

技术领域

本发明涉及一种基于数据驱动的运载火箭健康评估模型模块化建模方法，将一套完整的模块化数据分析流程应用于火箭的测试数据中，实现对异常数据的检测与故障信息的预测，从而实现全箭健康状态的评估，属于健康管理技术领域。

背景技术

由于火箭系统工作过程的高不确定性和部分理论及实验条件的缺失，难以建立高精度的机理模型，很难获得精确数学模型的复杂、动态系统，急需一套数据驱动模型来替代辅助大量仿真与实验得到的机理模型。另外，各型号传统的数据分析工作依赖设计人员手工将数据包导入商用软件(Origin，Matlab，Excel等)后进行一系列繁复的操作点选或编程后生成图表和结论，且算法模型和可视化手段比较单一固化，重复性的工作量巨大使得数据分析整体自动化程度很低；从数据导入到结论图表生成的一整套数据分析流程也不能直观的展示和记录，致使数据挖掘工作整体的可追溯性差；目前针对火箭数据特点和需求，没有一套完善的从数据预处理、特征提取到分析模型的设计与训练的整套深度学习的数据分析挖掘工具。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种基于数据驱动的运载火箭健康评估模块化建模方法，通过功能模块开发、算法模块封装、参数接口配置、分析模型配置与可视化界面显示形成一套操作简便、可自主配置、适应性强的运载火箭发射数据实时分析流程，可实现运载火箭健康监测与趋势预测。

为本发明的技术方案是：一种基于数据驱动的运载火箭健康评估模型模块化建模方法，其特征在于步骤如下：

1)建立功能模块；

2)进行子模块的封装；

3)进行模块接口配置；

4)进行分析模型的配置。

所述建立功能模块，具体包括建立参数选取模块、数据预处理模块、特征提取模块、降维分析模块、相关性分析模块和机器学习模块；

所述参数选取模块通过扫描加载HBase数据库和Redis数据库中的所有型号不同发次各个系统的数据表，选取需要进行分析的参数；所述数据预处理模块在利用机器学习进行特征学习之前，对数据进行预先处理以满足后续分析要求的过程；所述特征提取模块利用数据时域分析、频域分析、时频域分析方法提取运载火箭时序信号的时域特征和频域特征；所述降维分析模块通过特征提取的高维特征参数进行降维处理，降低特征维度；所述相关分析模块应用双聚类分析方法判断降维后的特征参数之间的相关性，实现跨发次同测点、同发次多测点间相关性分析；所述机器学习模块以Storm作为实时计算的框架，基于降维分析和相关性分析的结果，通过机器学习模型对不同发次的数据特征进行预测分析，建立同发次多测点之间或不同发次同测点间的映射关系，在模型训练时，根据数据特征对输入模型的数据进行划分训练集和验证集。

所述进行子模块封装是对开发的功能模块进行模块化封装；每个功能模块中封装多个算法模块，数据预处理模块包含清洗、降噪、缺失数据补齐、坏数据自动清除、数据平滑处理模块；特征提取模块包含均值、方差、有效值、峰值、偏斜度、峭度、峰值指标、脉冲指标、基频、倍频、谱峭度模块；降维分析模块包含主成分分析、等度量映射模块；相关性分析模块包含双聚类分析、关联规则算法、典型相关分析模块；机器学习模块包含循环神经网络、卷积神经网络、长短时神经网络、多层感知器神经网络模块；用户根据实际需求选择不同算法模块实现数据分析。

所述双聚类分析指通过提取不同时序数据的时域和频域特征参数，构成以时序数据为横轴、特征参数为纵轴的时序数据—特征参数矩阵，分别对矩阵的行和列同时进行聚类，可分析相同特征参数在不同时序数据下的分类、相同时序数据下不同特征参数的分类，从高不确定性的跨发次同测点、同发次多测点间时序数据间提取到有价值的、能够表征运载火箭这状态的局部特征信息，具体步骤如下：

(41)对于相同发次的时序数据，双聚类矩阵的列代表不同测点，即测点1、测点2、测点3……；双聚类矩阵的行代表不同时域和频域指标，包括均值、方差、有效值、峰值、偏斜度、峭度、峰值指标、脉冲指标、基频、倍频、谱峭度……；如此构成同发次不同测点数据之间相关性分析矩阵；

(42)对行和列同时进行聚类分析，对行进行聚类即是分析所有测点的同一指标的相关性；对列进行聚类即是分析某一测点对应的所有时域与频域指标之间的相关性；

(43)对行和列分别进行聚类后，行和列中分别形成若干类，同一类中的参数具有相关性，不同类中的参数具有相异性；

(44)采用均方残差衡量行中的类和列中的类之间的一致相关性，假设行中的类A包含元素X_i，i＝1,2,3,…,n，列中的类B包含元素Y_j，j＝1,2,3,…,m，n、m均为正整数，

表示X_i的均值，

表示Y_j的均值，则类A和类B之间的均方残差定义为：

如此求得两两类之间的均方残差，通过均方残差衡量行和列中类的一致相关性，均方残差越小，类的相关性越高；

(45)基于步骤(44)中的双聚类结果从高不确定的运载火箭的同发次多测点、同测点多发次时序数据中挖掘出相似测点时序数据和相似指标，用于健康评估。

所述模块接口配置是对所有算法模块配置参数输入、参数输出接口，用户选好算法模块后直接通过接口配置参数即可运行算法，实现数据分析。

所述进行分析模型的配置是通过拖拉拽取的方式从模块库中将所需的功能模块拖拽到数据分析界面，通过连线方式形成数据流向，根据不同需求配置不同的数据分析模型，实现模型修改、保存和数据分析。

还包括步骤5)进行可视化界面显示，所述可视化界面显示是在人机交互界面显示，用户在可视化界面输入火箭型号、发次、测试类型、测试阶段、数据源、功能模块选择和连接配置数据分析模型，实现数据在线分析、趋势预测和健康评估。

本发明与现有技术相比的优点在于：

1.本发明中采用的双聚类分析能自动获取有价值的局部信息，丢弃代表随机的噪音，适合数据缺失和不准确的数据的在线分析；

2.本方法为数据驱动的火箭数据分析方法，无需复杂的火箭机理模型先验知识即可完成对火箭参数的相关性分析与预测；

3.本方法采用一整套完整的数据分析流程，针对运载火箭数据特点设计数据处理与特征提取方法，能够最大化的挖掘巨量数据间隐含映射的箭弹设备健康状态；

4.本方法既可以对同一型号火箭不同发次的多参数进行横向对比分析、也可以对不同型号火箭的相同参数进行纵向分析，从多个维度对箭弹设备的健康状态进行评估预测。

附图说明

图1为本发明方法流程图。

具体实施方式

如图1所示，本建模方法定义了一套运载火箭数据分析框架,能够将数据库中保存的历史数据和实时数据进行数据预处理、降维分析、相关性分析与机器学习，实现异常检测和健康评估，辅助指挥人员进行发射决策。步骤如下：

1.参数选取：扫描加载HBase数据库和Redis数据库中的所有型号不同发次各个系统的数据表，选取需要进行分析的参数,本方法既适用于同一型号火箭不同发次的多参数之间的横向分析、也适用于不同型号火箭的相同参数之间的纵向分析；

2.预处理：火箭发射历史数据和实时数据均为时序数据，可能出现异常点，同时数据量较大，在利用机器学习进行特征学习之前，需要对数据进行一系列预处理，进行数据清洗、数据降噪，由于遥测数据传输与电磁干扰的影响，进一步进行缺失数据补齐，坏数据自动清除，数据平滑处理；

3.特征提取：利用时域分析、频域分析、时频域分析技术提取运载火箭时序信号参数特征，诸如压力、温度的缓变量在时域中进行分析，振动信号采用频域特征分析，时域特征提取：标准差、分位数、中位数、峰度、峭度、裕度；频域特征提取：快速傅里叶变换、经验模态分解、随机共振；

4.降维分析：由于高维特征参数存在信息冗余不利于进一步分析，需做降维处理，运载火箭上采集的参数测点有数千个之多，为了更快的发现测点间隐含的关系和减少模型训练与测试时间以满足在线分析时对实时性的需要，可以对所选的运载火箭参数进行主成分分析和等度量映射。对高维特征参数进行精简处理，降低特征维度，使模型以更少的参数实现更快的拟合；

5.相关分析：运载火箭各个分系统内的参数往往有很大关联，即便是系统间的参数也因为传导有隐性的关联，为了揭示多维特征参数之间的关联性，使特征参数选择更具有针对性，选择相关性较强的特征参数进行相互预测可以达到更高的预测精度，进一步对所选火箭数据进行相关性分析，实现跨发次同测点、同发次多测点相关性分析。包括：聚类、关联规则算法、典型相关分析；

6.机器学习：对特定的特征进行预测分析，建立同发次多测点之间或不同发次同测点间的映射关系，实现趋势预测、异常检测、健康评估。算法模块包括：循环神经网络、卷积神经网络、长短时记忆网络、多层感知器神经网络。在模型训练时，根据数据特征对输入模型的数据进行划分训练集和验证集。训练好的模型，能够对新的数据(测试集)进行预测分析，实现系统趋势预测和健康评估，例如将某型号姿控发动机的11个40Hz的温度与压力测点采集的数据进行预处理，然后降维至6维，通过相关性分析去掉1个与其他10各参数相关性低的测点，然后将特征参数作为输入放入步长为50的长短时记忆网络，网络输出为其中的一个温度测点。训练后的网络可以通过输入过去或当前一段时间的参数信息预测出该温度测点未来的温度，通过与实际的温度进行比对，判断该温度测点所在分系统的健康程度，辅助指挥人员或控制系统进行飞行决策。

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种基于数据驱动的运载火箭健康评估模型模块化建模方法，其特征在于步骤如下：

1)建立功能模块；

2)进行子模块的封装；

3)进行模块接口配置；

4)进行分析模型的配置。

2.根据权利要求1所述的一种基于数据驱动的运载火箭健康评估模型模块化建模方法，其特征在于：所述建立功能模块，具体包括建立参数选取模块、数据预处理模块、特征提取模块、降维分析模块、相关性分析模块和机器学习模块；

3.根据权利要求2所述一种基于数据驱动的运载火箭健康评估模型模块化建模方法，其特征在于：所述进行子模块封装是对开发的功能模块进行模块化封装；每个功能模块中封装多个算法模块，数据预处理模块包含清洗、降噪、缺失数据补齐、坏数据自动清除、数据平滑处理模块；特征提取模块包含均值、方差、有效值、峰值、偏斜度、峭度、峰值指标、脉冲指标、基频、倍频、谱峭度模块；降维分析模块包含主成分分析、等度量映射模块；相关性分析模块包含双聚类分析、关联规则算法、典型相关分析模块；机器学习模块包含循环神经网络、卷积神经网络、长短时神经网络、多层感知器神经网络模块；用户根据实际需求选择不同算法模块实现数据分析。

4.根据权利要求3所述一种基于数据驱动的运载火箭健康评估模型模块化建模方法，其特征在于：所述双聚类分析指通过提取不同时序数据的时域和频域特征参数，构成以时序数据为横轴、特征参数为纵轴的时序数据—特征参数矩阵，分别对矩阵的行和列同时进行聚类，可分析相同特征参数在不同时序数据下的分类、相同时序数据下不同特征参数的分类，从高不确定性的跨发次同测点、同发次多测点间时序数据间提取到有价值的、能够表征运载火箭这状态的局部特征信息，具体步骤如下：

表示X_i的均值，

表示Y_j的均值，则类A和类B之间的均方残差定义为：

5.根据权利要求1所述一种基于数据驱动的运载火箭健康评估模型模块化建模方法，其特征在于：所述模块接口配置是对所有算法模块配置参数输入、参数输出接口，用户选好算法模块后直接通过接口配置参数即可运行算法，实现数据分析。

6.根据权利要求1一种基于数据驱动的运载火箭健康评估模型模块化建模方法，其特征在于：所述进行分析模型的配置是通过拖拉拽取的方式从模块库中将所需的功能模块拖拽到数据分析界面，通过连线方式形成数据流向，根据不同需求配置不同的数据分析模型，实现模型修改、保存和数据分析。

7.根据权利要求1-6任一一种基于数据驱动的运载火箭健康评估模型模块化建模方法，其特征在于：还包括步骤5)进行可视化界面显示，所述可视化界面显示是在人机交互界面显示，用户在可视化界面输入火箭型号、发次、测试类型、测试阶段、数据源、功能模块选择和连接配置数据分析模型，实现数据在线分析、趋势预测和健康评估。