CN111221345A - 一种基于决策树的飞行器动力系统故障在线辨识方法 - Google Patents

Abstract

本发明涉及一种基于决策树的飞行器推力故障在线辨识方法，适用于飞行器飞行过程中典型动力系统推力故障在线辨识领域。针对控制系统飞行运动信息(如飞行位置、速度、加速度、转速、姿态角、角速度等)进行数据融合生成，并生成决策树，采用训练好的决策树对主发动机故障进行辨识，能够有效实现对故障类型的实时准确建模判别。考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素，建立更加真实可信仿真模型，生成可信的数据样本，生成决策树，本发明可对飞行器推力故障进行实时在线辨识，可准确辨识出发动机故障。

Description

一种基于决策树的飞行器动力系统故障在线辨识方法

技术领域

本发明涉及一种基于决策树的飞行器推力故障在线辨识方法，适用于飞行器飞行过程中典型动力系统故障在线辨识领域。

背景技术

当前飞行器尚不具备推力故障的自主辨识能力，因而导致在非致命故障情况下不具备容错控制的能力。当前故障诊断各类模型及算法在模型精度、建模方式以及适用领域等方面尚存在不足，且缺乏面向飞行器复杂工况和复杂环境应用的系统性和针对性研究。

发明内容

本发明解决的技术问题为：克服现有技术的不足，提供一种飞行器典型动力系统故障在线辨识方法，决策树的数据集部分来自现有飞行数据，同时通过仿真方式来增加数据规模丰富训练集。数据集数据包含加速度，以及姿态角，姿态角偏差等信息。

本发明通过如下技术方案予以实现：一种基于决策树的飞行器推力故障在线辨识方法，步骤如下：

(1)根据真实飞行器和其所处的环境，构建飞行器六自由度动力学仿真模型；

(2)设定各个仿真偏差组合，将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中；进行步骤(3)；

(3)设定各个故障发生时刻与故障程度，将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中；

(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合，得到飞行器六自由度动力学仿真模型在不同情况下的仿真数据，将不同情况下的仿真数据进行保存；

(5)将不同情况下的仿真数据进行截取，生成数据样本；根据故障发动机编号以及故障程度设计数据标签，并对每个数据样本打标签，所有数据样本中大部分以上的数据样本放入训练集中；其余部分放于测试集中；如图1所示；

(6)采用训练集中数据样本，利用CART算法训练，生成决策树，当生成决策树时，训练结束，得到训练结果；

(7)对训练结果进行判断，若训练结果满足要求，则将生成的决策树保存，进行步骤(8)；若不满足，则返回步骤(4)；

(8)采用测试集中的数据样本，对步骤(7)中的决策树进行验证，若验证准确率满足要求，则提取决策树中判别规则，并保存；若不满足要求，返回步骤(4)；

(9)使用决策树，进行故障在线辨识。

优选的，所有数据样本中大部分以上的数据样本放入训练集中，具体为:所有数据样本中2/3以上的数据样本放入训练集中。

优选的，步骤(4)中仿真数据包括：位置、速度、加速度，以及姿态角，姿态角偏差。

优选的，决策树，为一种基本的分类与回归方法。

优选的，决策树呈树形结构，在分类问题中，表示给予特征对实例下进行分类的过程。

优选的，飞行器具有2台发动机，形成的推力合力为总推力，所处的环境为真实低空环境，考虑风扰、气动的影响。

优选的，飞行器六自由度动力学仿真模型，优选为：基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型。

优选的，决策树具有可读性，分类速度快。

优选的，根据损失函数最小化的原则建立决策树模型。

优选的，通过决策树的算法构造决策树来发现数据中蕴含的分类规则。

本发明与现有技术相比具有如下优点：

(1)本发明可对飞行器典型动力系统故障进行实时在线辨识，可准确辨识出哪台发动机故障，以及故障程度。

(2)本发明搭建轻量级的决策树，运算简单，辨识速度快。

(3)本发明所建立的轻量决策树，所需计算资源小，可嵌入现有飞行控制计算机，进行飞行过程中的故障实时辨识。

(4)本发明考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素，建立仿真模型。训练样本数据更加真实可信，有利于实际应用辨识精度的提高。

附图说明

图1为数据样本生成方案示意图；

图2为训练样本截取方法示意图；

图3为测试样本截取方法示意图；

图4为避免正样本过多的算法示意图；

图5为控制系统组成框图；

图6为涡轮发动机摆角示意图；

图7为本发明方案示意图；

图8为决策树对训练样本的故障辨识结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

本发明涉及一种基于决策树的飞行器推力故障在线辨识方法，适用于飞行器飞行过程中典型动力系统推力故障在线辨识领域。针对控制系统飞行运动信息(如飞行位置、速度、加速度、转速、姿态角、角速度等)进行数据融合生成，并生成决策树，采用训练好的决策树对主发动机故障进行辨识，能够有效实现对故障类型的实时准确建模判别。考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素，建立更加真实可信仿真模型，生成可信的数据样本，生成决策树，本发明可对飞行器推力故障进行实时在线辨识，可准确辨识出哪台发动机故障，以及故障程度。本发明搭建轻量级的神经网络，运算简单，辨识速度快。本发明所建立的轻量神经网络，所需计算资源小，可嵌入现有飞行控制计算机，进行飞行过程中的故障实时辨识。发挥控制系统作用，掌握新的核心技术，解决非致命动力故障导致的飞行失利问题。

针对控制系统飞行运动信息(如飞行位置、速度、加速度、转速、姿态角、角速度等)进行融合分析。采用决策树方法对主发动机故障进行辨识，能够有效实现对故障类型的实时准确建模判别。

决策树(decision tree)是一种基本的分类与回归方法。决策树模型呈树形结构(如图4所示)，在分类问题中，表示给予特征对实例下进行分类的过程。它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性，分类速度快。学习时利用训练数据，根据损失函数最小化的原则建立决策树模型。预测时针对新的数据，利用决策树模型进行分类。决策树算法构造决策树来发现数据中蕴含的分类规则。如何构造精度高、规模小的决策树是决策树的核心内容。决策树的优选算法是ID3，C4.5，CART。

针对液体主发动机推力下降典型动力故障模式，突破典型动力故障辨识技术，完成关键技术仿真验证，采用飞行器完成关键技术演示验证飞行试验；搭建基于决策树的故障辨识验证平台，完成基于决策树方法的故障辨识方法研究。发挥控制系统作用，掌握新的核心技术，解决非致命动力故障导致的飞行失利问题，进一步提升箭(弹)自主适应能力和智能化水平，为型号的研制提供技术支撑。

飞行器优选具有2台发动机，形成的推力合力为总推力，所处的环境为真实低空环境，考虑风扰、气动的影响；

飞行器六自由度动力学仿真模型，优选为：基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型。

飞行器优选为质量约90kg的火箭。其控制系统组成框图如图5所示。制导、姿控按照PID控制律进行设计。

由于飞行器为短时间、低高度、低速度飞行，因此考虑平坦、静止大地，引力加速度按常值计算。

气动力系数C_x,

分别为轴向力系数、法向力系数导数和侧向力系数导数。

引力加速度方向为铅垂向下，大小优选为：

g₀＝9.80665m/s²

在目标系下分解为g_x、g_y、g_z。

此处合力包含推力、气动力，不包含引力。

初始位置：x＝0m,y＝0m,z＝0m

初始速度：v_x＝0m/s,v_y＝0m/s,v_z＝0m/s

初始姿态角：

ψ＝0,γ＝0

初始姿态角速度为0。

涡喷发动机推力调节特性，优选为：

发动机最大摆角：10度。

电动舵机动态特性，优选为：

惯组动态特性，优选为：

该模型其他具体情况见下文具体优选方案(1)中所述。

偏差组合中包含的偏差，包括：质量偏差、质心偏差、转动惯量偏差、风速偏差、风向偏差、发动机流量偏差。按照本发明中的偏差组合可减小数据规模，同时尽可能拟合真实模型，保证了实际辨识精度。

两台发动机编号分别设为1、2。从起飞开始，取发生故障后2s与飞行结束时刻最小值作为仿真结束，每等间隔0.5s设置一次故障发生时刻。故障在2s均匀注入完毕，使得单台发动机推力下降到故障开始注入时刻的相应故障程度。

故障程度，具体是指单台发动机推力的下降程度。故障程度一种方案设为单台故障发动机下降30％-90％，间隔取10％；另一种方案设为单台故障发动机下降10％-30％，间隔取5％。

通过模型仿真生成的仿真数据中加速度为目标系下X_T、Y_T、Z_T三个方向的加速度；姿态角为目标系下的俯仰角、偏航角、滚动角；姿态角偏差为目标系下俯仰角偏差、偏航角偏差、滚转角偏差。

步骤(5)根据飞行器有无推力故障、故障发动机编号以及故障程度，设计数据标签，第一种优选方案具体如下：标签0表示推力正常，即无故障情形；1-7分别为1号发动机下降30％-90％；8-14分别为2号发动机下降30％-90％，间隔取10％。

标签设置表格如下：

根据飞行器有无推力故障、故障发动机编号以及故障程度，设计数据标签，第二种优选方案具体如下：

标签0表示推力正常，即无故障情形；1-5分别为1号发动机下降10％-30％；6-10分别为2号发动机下降10％-30％，间隔取5％。

标签设置表格如下：

步骤(5)将不同情况下的仿真数据进行截取，生成数据样本，优选方案具体为：训练样本截取流程为附图2，测试样本截取流程为附图3，图2、图3中横坐标t为飞行时刻，纵坐标y表示获取的仿真数据，其可为加速度、姿态角或姿态角偏差，L为样本长度大小，I为两个相邻样本的重叠大小，t_fault为故障注入时间，t_end为仿真结束时间。

按飞行完整数据中每1s内每隔50ms取此期间段内20个时刻点的加速度、姿态角、姿态角偏差共9维信息作为训练数据。每组数共9*20，即180维状态量。

设t1到t2时间内共有n个样本，每个样本的长度为L，样本间的交叠长度为I，则：

对于第k个样本：设k＝1,2，…，n，

第k个样本的起始行与终止行：

若截取正样本，则上式中：

t₁＝0

t₂＝t_fault

若截取正样本，则上式中：

t₁＝t_fault

t₂＝t_end

其中，t_fault为故障注入时间，t_end为仿真结束时间。

本次试验中，各参数取值如下表：

步骤(5)将不同情况下的仿真数据进行截取，生成数据样本，优选方案为：设定避免正样本过多的算法，算法流程参见附图4，采用该算法进行截取，生成数据样本。判断故障注入时刻是否为当前偏差组合下最后的时刻，且故障程度为当前偏差组合下的最后的档位。若是，则截取正样本与负样本；否则，只截取负样本。

决策树模型呈树形结构，在分类问题中，表示给予特征对实例下进行分类的过程。它可以认为是判别规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。本次试验中生成的判别规则为178个。

训练结果，为生成的决策树和决策树在训练集上的正确率，采用训练集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。

采用测试集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。

使用决策树，进行故障在线辨识，将决策树的判别规则嵌入飞行器控制计算机中。飞行器在实际飞行过程中，将每1s内的每三个方向的加速度、姿态角、姿态角偏差，以间隔0.2s滑窗形式输入嵌入飞行器控制计算机中的决策树判别规则，并实时输出辨识结果，用于指导飞行控制决策。

图8为某次飞行故障辨识结果。通过对数据分析，可准确识别出是否有故障以及推力下降的单台发动机，辨识实时性在故障稳定后2s内，两台发动机推力相差值辨识误差在10％内。

本发明的一种基于决策树的飞行器推力故障在线辨识方法，进一步的优选方案步骤如下：

(1)根据真实飞行器和其所处的环境，构建飞行器六自由度动力学仿真模型，优选方案具体如下：

飞行器具有2台发动机，形成的推力合力为总推力，所处的环境为真实大气环境，考虑风、结构干扰、气动的影响；

仿真模型故障注入方式为，从起飞开始，每隔0.5s注入一次故障，进行一次仿真。故障在2s均匀注入完毕，使得单台发动机推力下降到故障开始注入时刻的相应故障程度。

飞行器六自由度动力学仿真模型，优选为：基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型，该模型优选如下。

飞行器优选为质量约90kg的火箭。其优选的控制系统组成框图如图5所示。制导、姿控按照PID控制律进行设计。

发动机最大摆角：10度。

飞行器总体数据取值如下表：

总体数据取值表(10kg燃油)

坐标系定义：

目标相对坐标系(T系)

以目标点O_T为坐标原点，O_TY_T与目标点当地重力方向相反,O_TX_T轴与OY_T轴垂直并指向起飞点方向，O_TZ_T与O_TX_T轴、OX_TY_T轴构成右手坐标系，目标相对坐标系OX_TY_TZ_T随地球自转而旋转。

箭体坐标系(b系)

坐标原点O为火箭的质心，OX_b轴沿火箭纵轴指向头部，OY_b在火箭纵相对称面内，垂直于纵轴向上，OZ_b轴与OX_b、OY_b轴构成右手坐标系。

坐标系转移矩阵如下：

仿真模型用到的变量符号作以下定义：

t：飞行时间，起飞时刻t＝0s；

τ：制导控制周期，τ＝10ms。

ψ、γ：目标系X_T、Y_T、Z_T三个方向的箭体姿态角，单位：rad

V_x、V_y、V_z：目标系X_T、Y_T、Z_T三个方向的速度，单位：m/s；；

x、y、z：目标系X_T、Y_T、Z_T三个方向的位置，单位：m；；

g_x、g_y、g_z：目标系X_T、Y_T、Z_T三个方向的重力加速度，单位：m/s²；

ψ_cx、γ_cx：目标系X_T、Y_T、Z_T三个方向的程序角，单位：rad；

分别为图6Ⅰ、Ⅱ、Ⅲ、Ⅳ四个象限的电动舵机控制指令，单位：rad；

Jx、Jx、Jx：目标系X_T、Y_T、Z_T三个方向的转动惯量，单位：Kg*m²

飞行器控制系统的优选组成框图如图所示。制导、姿控按照PID控制律进行设计。

由于飞行器为短时间、低高度、低速度飞行，因此考虑平坦、静止大地，引力加速度按常值计算。在OX_TY_TZ_T坐标系下的质心运动方程，优选为：

箭体系视加速度方程，优选为：

上式中，W_x、W_y、W_z为目标系下的X_T、Y_T、Z_T三个方向的视加速度；W_x1、W_y1、W_z1为箭体坐标系下的X_b、Y_b、Z_b三个方向的视加速度。F_x1、F_y1、F_z1为箭体坐标系下的X_b、Y_b、Z_b三个方向的主推力。

，优选为

质量变化方程：

式中，R_F为燃油消耗率。

燃料消耗率可根据推力指令按照下表关系进行线性插值，超出下表范围的使用线性外推。

燃料消耗率数据

绕心运动方程，优选为：

上式中，M_x1、M_y1、M_z1为箭体坐标系下Xb、Yb、Zz三个方向的合力矩，ω_x1、ω_y1、ω_z1为箭体坐标系下Xb、Yb、Zz三个方向的角速度。

气动力和力矩计算，优选为：

上式中，式中，

为弹体系质心相对气流的三轴相对速度，

为空速大小。

分别为箭体系下X_b、Y_b、Z_z三个方向的风速与飞行器飞行速度的和。其中，目标系下X_T、Y_T、Z_T三个方向的风速f_x、f_y、f_z计算公式如下：

f_x＝-V_wind cos(A_wind-π)

f_y＝0

f_z＝-V_wind sin(A_wind-π)

上式中，A_wind是风向。在进行批量仿真时，常常设置8个方向的风。为便于标记，约定：

风向0：A_w为0度

风向1：A_w为45度

……

风向7：A_w为315度

V_wind是风速，仿真取0-5m/s。

攻角α、侧滑角β：

动压q：

ρ为当前高度时的大气密度。

气动力包括轴向力R_xv、法向力R_yv、侧向力R_zv，按下式计算：

R_xv＝-C_xqS_M

S_M是参考面积，由飞行器横面给出。气动力系数C_x,

分别为轴向力系数、法向力系数导数和侧向力系数导数。

具体气动参数根据实际飞行器计算给出。

引力加速度方向为铅垂向下，大小为：

g₀＝9.80665m/s²

在目标系下分解为g_x、g_y、g_z。

此处合力包含推力、气动力，不包含引力。

F_x1＝R_x1+P_x1

F_y1＝R_y1+P_y1

F_z1＝R_z1+P_z1

初始位置：x＝0m,y＝0m,z＝0m

初始速度：v_x＝0m/s,v_y＝0m/s,v_z＝0m/s

初始姿态角：

ψ＝0,γ＝0

初始姿态角速度为0。

涡喷发动机推力调节特性

发动机最大摆角：10度。

电动舵机动态特性

惯组动态特性

涡喷发动机摆角分解公式：

发动机安装角

发动机在图6四个象限的实际角度A_1y、A_1z、A_2y、A_2z：

两台发动机x1向推力P_1x1、P_2x1分别为：

P_1x1＝P₁ cos(A_1y)cos(A_1z)

P_2x1＝P₂ cos(A_2y)cos(A_2z)

上式中，P₁、P₂分别为两台发动机的推力指令。

两台发动机y1向推力P_1y1、P_2y1分别为：

P_1y1＝-P₁ sin(A_1y)cos(A_1z)

P_2y1＝-P₂ sin(A_2y)cos(A_2z)

两台发动机z1向推力P_1z1、P_2z1分别为：

P_1z1＝-P₁ sin(A_1z)

P_2z1＝-P₂ sin(A_2z)

两台发动机箭体系下X_b、Y_b、Z_z三个方向的合力P_x1、P_y1、P_z1分别为：

箭体系下X_b、Y_b、Z_b三个方向的控制力矩：

姿态角计算：

(2)设定各个仿真偏差组合，将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中，进行步骤(3)，优选方案如下：

偏差组合包含：质量、质心、转动惯量、风速、风向、推力线偏斜、发动机流量偏差等。

本次试验中偏差组合取值如下：

按照此偏差组合可减小数据规模，同时尽可能拟合真实模型，保证了实际辨识精度。

(3)设定各个故障发生时刻与故障程度，将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中，优选方案具体如下：

两台发动机编号分别设为1、2。从起飞开始，取发生故障后2s与飞行结束时刻最小值作为仿真结束，每等间隔0.5s设置一次故障发生时刻。故障程度一种方案设为单台故障发动机下降30％-90％，间隔取10％；另一种方案设为单台故障发动机下降10％-30％，间隔取5％。

(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合，得到飞行器六自由度动力学仿真模型在不同情况下的仿真数据，仿真数据包括：加速度、姿态角、姿态角偏差；加速度为(1)中所述目标系下X_T、Y_T、Z_T三个方向的加速度；姿态角为目标系下的俯仰角、偏航角、滚动角；姿态角偏差为目标系下俯仰角偏差、偏航角偏差、滚转角偏差。将不同情况下的仿真数据进行保存；

(5)将不同情况下的仿真数据进行截取，生成数据样本；根据故障发动机编号以及故障程度设计数据标签，并对每个数据样本打标签，优选方案具体如下：

训练样本截取流程为附图2，测试样本截取流程为附图3，图2、图3中横坐标t为飞行时刻，纵坐标表示获取的仿真数据，其可为加速度、姿态角或姿态角偏差，L为样本长度大小，I为两个相邻样本的重叠大小，t_fault为故障注入时间，t_end为仿真结束时间。

按飞行完整数据中每1s内每隔50ms取此期间段内20个时刻点的加速度、姿态角、姿态角偏差共9维信息作为训练数据。每组数共9*20，即180维状态量。

设t1到t2时间内共有n个样本，每个样本的长度为L，样本间的交叠长度为I，则：

对于第k个样本：设k＝1,2，…，n，

第k个样本的起始行与终止行：

若截取正样本，则上式中：

t₁＝0

t₂＝t_fault

若截取正样本，则上式中：

t₁＝t_fault

t₂＝t_end

其中，t_fault为故障注入时间，t_end为仿真结束时间。

本次试验中，各参数取值如下表：

参数类型	值	单位
			L	1	s
I	0.8	s
			t<sub>fault</sub>	1-20s内每隔0.5s注入一次为单次仿真	s
t<sub>end</sub>	实际上升段飞行结束时刻与t<sub>fault</sub>+2的最小值	s

步骤(5)将不同情况下的仿真数据进行截取，生成数据样本，优选方案为：设定避免正样本过多的算法，优选算法流程参见附图4，采用该算法进行截取，生成数据样本。判断故障注入时刻是否为当前偏差组合下最后的时刻，且故障程度为当前偏差组合下的最后的档位。若是，则截取正样本与负样本；否则，只截取负样本。

标签0表示推力正常，即无故障情形；1-7分别为1号发动机下降30％-90％；8-14分别为2号发动机下降30％-90％，间隔取10％。

标签设置表格如下：

标签0表示推力正常，即无故障情形；1-5分别为1号发动机下降10％-30％；6-10分别为2号发动机下降10％-30％，间隔取5％。

标签设置表格如下：

(6)将(5)中所有数据样本中2/3以上的数据样本放入训练集中；其余部分放入测试集中。采用训练集中数据样本，优选利用CART算法训练，生成决策树，当生成决策树时，训练结束，得到训练结果，具体如下：

决策树可以认为是判别规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。本次试验中生成的判别规则为178个，即178个对输入特征的判定。

(7)对训练结果进行判断，若训练结果满足要求，则将生成的决策树保存，进行步骤(8)；若不满足，则返回步骤(4)，优选方案具体如下：

训练结果，为生成的决策树和决策树在训练集上的正确率，采用训练集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。

(8)采用测试集中的数据样本，对步骤(7)中的决策树进行验证，若验证准确率满足要求，则提取决策树中判别规则，并保存；若不满足要求，返回步骤(4)，优选方案具体如下：

采用测试集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。

(9)使用决策树，进行故障在线辨识，优选方案具体如下：

使用决策树，进行故障在线辨识，将决策树的判别规则嵌入飞行器控制计算机中。飞行器在实际飞行过程中，将每1s内的每三个方向的加速度、姿态角、姿态角偏差，以间隔0.2s滑窗形式输入嵌入飞行器控制计算机中的决策树判别规则，并实时输出辨识结果，用于指导飞行控制决策。

图8为决策树在训练样本的故障辨识结果。除最后一行与最后一列外，表格中的上方数字代表样本数，下方数字表示分类正确率；最后一行与最后一列表格中的上方数字表示分类正确率，下方数字表示分类错误率。通过对数据分析，可准确识别出是否有故障以及推力下降的单台发动机，辨识实时性在故障稳定后2s内，两台发动机推力相差值辨识误差在10％内。

本发明的技术方案是提供一种飞行器推力故障在线辨识方法，基于飞行过程中的控制系统信息，搭建适应的神经网络，并进行训练优化。将训练好的BP神经网络应用于飞行过程中的故障实时在线辨识。如图7所示。

优选方案具体实现步骤如下：

(1)根据真实飞行器和其所处的环境，构建飞行器六自由度动力学仿真模型，优选方案具体如下：

飞行器具有2台发动机，形成的推力合力为总推力，所处的环境为真实大气环境，考虑风扰、结构干扰、气动的影响；

飞行器六自由度动力学仿真模型，优选为：基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型，该模型具体情况见上文具体方案(1)中所述。

(2)设定各个仿真偏差组合，将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中，进行步骤(3)，优选方案具体如下：

偏差组合包含：质量、质心、转动惯量、风速、风向、推力线偏斜、发动机流量偏差等。

本次试验中偏差组合取值优选如下：

按照此偏差组合可减小数据规模，同时尽可能拟合真实模型，保证了实际辨识精度。

(3)设定各个故障发生时刻与故障程度，将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中，优选方案具体如下：

两台发动机编号分别设为1、2。从起飞开始，取发生故障后2s与飞行结束时刻最小值作为仿真结束，每等间隔0.5s设置一次故障发生时刻。故障程度一种方案设为单台故障发动机下降30％-90％，间隔取10％；另一种方案设为单台故障发动机下降10％-30％，间隔取5％。

(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合，得到飞行器六自由度动力学仿真模型在不同情况下的仿真数据，仿真数据包括：加速度、姿态角、姿态角偏差；加速度为(1)中所述目标系下X_T、Y_T、Z_T三个方向的加速度；姿态角为目标系下的俯仰角、偏航角、滚动角；姿态角偏差为目标系下俯仰角偏差、偏航角偏差、滚转角偏差。将不同情况下的仿真数据进行保存；优选方案具体如下：

特征量属性如下表：

(5)将不同情况下的仿真数据进行截取，生成数据样本；根据故障发动机编号以及故障程度设计数据标签，并对每个数据样本打标签，优选方案具体如下：

训练样本截取流程为附图2，测试样本截取流程为附图3，图2、图3中横坐标t为飞行时刻，纵坐标y表示获取的仿真数据，其可为加速度、姿态角或姿态角偏差，L为样本长度大小，I为两个相邻样本的重叠大小，t_fault为故障注入时间，t_end为仿真结束时间。

按飞行完整数据中每1s内每隔50ms取此期间段内20个时刻点的加速度、姿态角、姿态角偏差共9维信息作为训练数据。每组数共9*20，即180维状态量。

设t1到t2时间内共有n个样本，每个样本的长度为L，样本间的交叠长度为I，则：

对于第k个样本：设k＝1,2，…，n，

第k个样本的起始行与终止行：

若截取正样本，则上式中：

t₁＝0

t₂＝t_fault

若截取正样本，则上式中：

t₁＝t_fault

t₂＝t_end

其中，t_fault为故障注入时间，t_end为仿真结束时间。

本次试验中，各参数取值如下表：

步骤(5)将不同情况下的仿真数据进行截取，生成数据样本，优选方案为：设定避免正样本过多的算法，优选的算法流程参见附图4，采用该算法进行截取，生成数据样本。判断故障注入时刻是否为当前偏差组合下最后的时刻，且故障程度为当前偏差组合下的最后的档位。若是，则截取正样本与负样本；否则，只截取负样本。

标签0表示推力正常，即无故障情形；1-7分别为1号发动机下降30％-90％；8-14分别为2号发动机下降30％-90％，间隔取10％。

标签设置表格如下：

标签0表示推力正常，即无故障情形；1-5分别为1号发动机下降10％-30％；6-10分别为2号发动机下降10％-30％，间隔取5％。

标签设置表格如下：

(6)将(5)中所有数据样本中2/3以上的数据样本放入训练集中；其余部分中放入测试集中。采用训练集中数据样本，利用CART算法训练，生成决策树，当生成决策树时，训练结束，得到训练结果，优选方案具体如下：

决策树可以认为是判别规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。本次试验中生成的判别规则为178个，即178个对输入特征的判定。

(7)对训练结果进行判断，若训练结果满足要求，则将生成的决策树保存，进行步骤(8)；若不满足，则返回步骤(4)，优选方案具体如下：

训练结果，为生成的决策树和决策树在训练集上的正确率，采用训练集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。

(8)采用测试集中的数据样本，对步骤(7)中的决策树进行验证，若验证准确率满足要求，则提取决策树中判别规则，并保存；若不满足要求，返回步骤(4)，优选方案具体如下：

采用测试集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。

(9)使用决策树，进行故障在线辨识，优选方案具体如下：

使用决策树，进行故障在线辨识，将决策树的判别规则嵌入飞行器控制计算机中。飞行器在实际飞行过程中，将每1s内的每三个方向的加速度、姿态角、姿态角偏差，以间隔0.2s滑窗形式输入嵌入飞行器控制计算机中的决策树判别规则，并实时输出辨识结果，用于指导飞行控制决策。

图8为对训练样本的故障辨识结果。除最后一行与最后一列外，表格中的上方数字代表样本数，下方数字表示分类正确率；最后一行与最后一列表格中的上方数字表示分类正确率，下方数字表示分类错误率。

通过对数据分析，可100％准确识别出是否有故障以及推力下降的单台发动机，辨识实时性在故障稳定后2s内，两台发动机推力下降值辨识误差在10％内。

Claims (10)

1.一种基于决策树的飞行器推力故障在线辨识方法，其特征在于步骤如下：

(1)根据真实飞行器和其所处的环境，构建飞行器六自由度动力学仿真模型；

(2)设定各个仿真偏差组合，将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中；进行步骤(3)；

(3)设定各个故障发生时刻与故障程度，将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中；

(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合，得到飞行器六自由度动力学仿真模型在不同组合情况下的仿真数据，将不同组合情况下的仿真数据进行保存；

(5)将不同组合情况下的仿真数据进行截取，生成数据样本；根据故障发动机编号以及故障程度设计数据标签，并对每个数据样本打标签，所有数据样本中大部分以上的数据样本放入训练集中；其余部分放于测试集中；

(6)采用训练集中数据样本，利用CART算法训练，生成决策树，当生成决策树时，训练结束，得到训练结果；

(7)对训练结果进行判断，若训练结果满足要求，则将生成的决策树保存，进行步骤(8)；若不满足，则返回步骤(4)；

(8)采用测试集中的数据样本，对步骤(7)中的决策树进行验证，若验证准确率满足要求，则提取决策树中判别规则，并保存；若不满足要求，返回步骤(4)；

(9)使用决策树，进行故障在线辨识。

2.根据权利要求1所述的一种基于决策树的飞行器推力故障在线辨识方法，其特征在于：所有数据样本中大部分以上的数据样本放入训练集中，具体为:所有数据样本中2/3以上的数据样本放入训练集中。

3.根据权利要求1所述的一种基于决策树的飞行器推力故障在线辨识方法，其特征在于：步骤(4)中仿真数据包括：位置、速度、加速度，以及姿态角，姿态角偏差。

4.根据权利要求1所述的一种基于决策树的飞行器推力故障在线辨识方法，其特征在于：决策树，为一种基本的分类与回归方法。

5.根据权利要求1所述的一种基于决策树的飞行器推力故障在线辨识方法，其特征在于：决策树呈树形结构，在分类问题中，表示给予特征对实例下进行分类的过程。

6.根据权利要求1所述的一种基于决策树的飞行器推力故障在线辨识方法，其特征在于：飞行器具有2台发动机，形成的推力合力为总推力，所处的环境为真实低空环境，考虑风扰、气动的影响。

7.根据权利要求1所述的一种基于决策树的飞行器推力故障在线辨识方法，其特征在于：飞行器六自由度动力学仿真模型，优选为：基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型。

8.根据权利要求1所述的一种基于决策树的飞行器推力故障在线辨识方法，其特征在于：决策树具有可读性，分类速度快。

9.根据权利要求1所述的一种基于决策树的飞行器推力故障在线辨识方法，其特征在于：根据损失函数最小化的原则建立决策树模型。

10.根据权利要求1所述的一种基于决策树的飞行器推力故障在线辨识方法，其特征在于：通过决策树的算法构造决策树来发现数据中蕴含的分类规则。

Images