CN111221345B - 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
一种基于决策树的飞行器动力系统故障在线辨识方法 Download PDFInfo
- Publication number
- CN111221345B CN111221345B CN202010076008.1A CN202010076008A CN111221345B CN 111221345 B CN111221345 B CN 111221345B CN 202010076008 A CN202010076008 A CN 202010076008A CN 111221345 B CN111221345 B CN 111221345B
- Authority
- CN
- China
- Prior art keywords
- decision tree
- fault
- aircraft
- identification method
- thrust
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004088 simulation Methods 0.000 claims abstract description 60
- 230000001133 acceleration Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 56
- 238000012360 testing method Methods 0.000 claims description 30
- 238000005094 computer simulation Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000002347 injection Methods 0.000 description 15
- 239000007924 injection Substances 0.000 description 15
- 230000009467 reduction Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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。
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gx、gy、gz。
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:vx=0m/s,vy=0m/s,vz=0m/s
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XT、YT、ZT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,tfault为故障注入时间,tend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=tfault
若截取正样本,则上式中:
t1=tfault
t2=tend
其中,tfault为故障注入时间,tend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OT为坐标原点,OTYT与目标点当地重力方向相反,OTXT轴与OYT轴垂直并指向起飞点方向,OTZT与OTXT轴、OXTYT轴构成右手坐标系,目标相对坐标系OXTYTZT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,OXb轴沿火箭纵轴指向头部,OYb在火箭纵相对称面内,垂直于纵轴向上,OZb轴与OXb、OYb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。
Vx、Vy、Vz:目标系XT、YT、ZT三个方向的速度,单位:m/s;;
x、y、z:目标系XT、YT、ZT三个方向的位置,单位:m;;
gx、gy、gz:目标系XT、YT、ZT三个方向的重力加速度,单位:m/s2;
Jx、Jx、Jx:目标系XT、YT、ZT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OXTYTZT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,Wx、Wy、Wz为目标系下的XT、YT、ZT三个方向的视加速度;Wx1、Wy1、Wz1为箭体坐标系下的Xb、Yb、Zb三个方向的视加速度。Fx1、Fy1、Fz1为箭体坐标系下的Xb、Yb、Zb三个方向的主推力。
,优选为
质量变化方程:
式中,RF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,Mx1、My1、Mz1为箭体坐标系下Xb、Yb、Zz三个方向的合力矩,ωx1、ωy1、ωz1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Xb、Yb、Zz三个方向的风速与飞行器飞行速度的和。其中,目标系下XT、YT、ZT三个方向的风速fx、fy、fz计算公式如下:
fx=-Vwind cos(Awind-π)
fy=0
fz=-Vwind sin(Awind-π)
上式中,Awind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:Aw为0度
风向1:Aw为45度
……
风向7:Aw为315度
Vwind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Rxv、法向力Ryv、侧向力Rzv,按下式计算:
Rxv=-CxqSM
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gx、gy、gz。
此处合力包含推力、气动力,不包含引力。
Fx1=Rx1+Px1
Fy1=Ry1+Py1
Fz1=Rz1+Pz1
初始位置:x=0m,y=0m,z=0m
初始速度:vx=0m/s,vy=0m/s,vz=0m/s
初始姿态角速度为0。
发动机最大摆角:10度。
涡喷发动机摆角分解公式:
两台发动机x1向推力P1x1、P2x1分别为:
P1x1=P1 cos(A1y)cos(A1z)
P2x1=P2 cos(A2y)cos(A2z)
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P1y1、P2y1分别为:
P1y1=-P1 sin(A1y)cos(A1z)
P2y1=-P2 sin(A2y)cos(A2z)
两台发动机z1向推力P1z1、P2z1分别为:
P1z1=-P1 sin(A1z)
P2z1=-P2 sin(A2z)
两台发动机箭体系下Xb、Yb、Zz三个方向的合力Px1、Py1、Pz1分别为:
箭体系下Xb、Yb、Zb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XT、YT、ZT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,tfault为故障注入时间,tend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=tfault
若截取正样本,则上式中:
t1=tfault
t2=tend
其中,tfault为故障注入时间,tend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 |
tfault | 1-20s内每隔0.5s注入一次为单次仿真 | s |
tend | 实际上升段飞行结束时刻与tfault+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XT、YT、ZT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,tfault为故障注入时间,tend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=tfault
若截取正样本,则上式中:
t1=tfault
t2=tend
其中,tfault为故障注入时间,tend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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076008.1A CN111221345B (zh) | 2020-01-23 | 2020-01-23 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076008.1A CN111221345B (zh) | 2020-01-23 | 2020-01-23 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111221345A CN111221345A (zh) | 2020-06-02 |
CN111221345B true CN111221345B (zh) | 2023-04-14 |
Family
ID=70831207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076008.1A Active CN111221345B (zh) | 2020-01-23 | 2020-01-23 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111221345B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562111A (zh) * | 2020-06-05 | 2020-08-21 | 上海交通大学 | 发动机冷态测试故障诊断方法 |
CN111861231B (zh) * | 2020-07-24 | 2023-07-25 | 沈阳航空航天大学 | 一种基于决策树的飞行训练特情智能生成方法 |
US12055914B2 (en) | 2020-10-30 | 2024-08-06 | Beijing Zhongxiangying Technology Co., Ltd. | Data processing method, device and system, and electronic device |
CN112348124B (zh) * | 2021-01-05 | 2021-04-20 | 北京航空航天大学 | 一种基于数据驱动的微小故障诊断方法及装置 |
CN112925344B (zh) * | 2021-01-25 | 2022-01-04 | 南京航空航天大学 | 基于数据驱动和机器学习的无人机飞行工况预测方法 |
CN114895693A (zh) * | 2022-04-12 | 2022-08-12 | 北京工商大学 | 一种基于topsis的多旋翼飞行器飞行策略实时决策方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573329A (zh) * | 2015-12-16 | 2016-05-11 | 上海卫星工程研究所 | 基于决策树的姿轨控数据分析方法 |
CN109375515A (zh) * | 2018-12-05 | 2019-02-22 | 北京航天自动控制研究所 | 一种垂直起降火箭在线轨迹规划的动力学特性在线辨识方法 |
CN109634294A (zh) * | 2018-12-10 | 2019-04-16 | 上海航天控制技术研究所 | 一种基于机动能力辨识的抗干扰四元数姿态机动路径规划方法 |
CN109696090A (zh) * | 2019-01-16 | 2019-04-30 | 哈尔滨工业大学 | 一种针对运载火箭\导弹的在线单发推力辨识方法 |
CN110082115A (zh) * | 2019-04-23 | 2019-08-02 | 哈尔滨工业大学 | 一种针对运载火箭的在线单发推力故障诊断方法 |
CN110244697A (zh) * | 2019-06-26 | 2019-09-17 | 哈尔滨工业大学 | 基于复合观测器的垂直起降飞行器复杂故障诊断辨识方法 |
CN110262531A (zh) * | 2019-06-20 | 2019-09-20 | 南京航空航天大学 | 一种基于FlexRay总线的在线模型自适应校正方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8112368B2 (en) * | 2008-03-10 | 2012-02-07 | The Boeing Company | Method, apparatus and computer program product for predicting a fault utilizing multi-resolution classifier fusion |
-
2020
- 2020-01-23 CN CN202010076008.1A patent/CN111221345B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105573329A (zh) * | 2015-12-16 | 2016-05-11 | 上海卫星工程研究所 | 基于决策树的姿轨控数据分析方法 |
CN109375515A (zh) * | 2018-12-05 | 2019-02-22 | 北京航天自动控制研究所 | 一种垂直起降火箭在线轨迹规划的动力学特性在线辨识方法 |
CN109634294A (zh) * | 2018-12-10 | 2019-04-16 | 上海航天控制技术研究所 | 一种基于机动能力辨识的抗干扰四元数姿态机动路径规划方法 |
CN109696090A (zh) * | 2019-01-16 | 2019-04-30 | 哈尔滨工业大学 | 一种针对运载火箭\导弹的在线单发推力辨识方法 |
CN110082115A (zh) * | 2019-04-23 | 2019-08-02 | 哈尔滨工业大学 | 一种针对运载火箭的在线单发推力故障诊断方法 |
CN110262531A (zh) * | 2019-06-20 | 2019-09-20 | 南京航空航天大学 | 一种基于FlexRay总线的在线模型自适应校正方法 |
CN110244697A (zh) * | 2019-06-26 | 2019-09-17 | 哈尔滨工业大学 | 基于复合观测器的垂直起降飞行器复杂故障诊断辨识方法 |
Non-Patent Citations (1)
Title |
---|
王硕 等.基于惯组信息的运载火箭主发动机推力故障在线辨识.《航天控制》.2019,(第undefined期),9-13. * |
Also Published As
Publication number | Publication date |
---|---|
CN111221345A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111221345B (zh) | 一种基于决策树的飞行器动力系统故障在线辨识方法 | |
CN111176263B (zh) | 一种基于bp神经网络的飞行器推力故障在线辨识方法 | |
CN111258302B (zh) | 一种基于lstm神经网络的飞行器推力故障在线辨识方法 | |
Lu et al. | Real-time simulation system for UAV based on Matlab/Simulink | |
CN112348124B (zh) | 一种基于数据驱动的微小故障诊断方法及装置 | |
CN108170162B (zh) | 多尺度风扰分析无人机机群协调控制系统性能评估方法 | |
CN111638654B (zh) | 一种故障自适应的运载火箭智能控制半实物仿真方法 | |
CN111813146A (zh) | 基于bp神经网络预测航程的再入预测-校正制导方法 | |
CN113031448B (zh) | 基于神经网络的飞行器上升段轨迹优化方法 | |
CN111240304B (zh) | 一种用于飞行器推力故障在线辨识的机器学习样本生成方法 | |
Wang et al. | Hybrid modeling based double-granularity fault detection and diagnosis for quadrotor helicopter | |
CN114721266B (zh) | 飞机舵面结构性缺失故障情况下的自适应重构控制方法 | |
Kantue et al. | Nonlinear identification of an unmanned quadcopter rotor dynamics using RBF neural networks | |
Cheng et al. | Hover-to-cruise transition control for high-speed level flight of ducted fan UAV | |
CN106774385A (zh) | 一种采用自适应变结构的飞艇定点悬停控制方法 | |
CN113467244A (zh) | 基于控制矩阵重分配的多旋翼无人机容错控制方法及装置 | |
CN115407294B (zh) | 面向双站雷达体制的飞机动态雷达散射截面仿真方法 | |
del Cerro et al. | Identification of a small unmanned helicopter model using genetic algorithms | |
CN113655808B (zh) | 用于集群的有限时间自主编队控制方法及控制系统 | |
Brown et al. | Comparison of induced velocity models for helicopter flight mechanics | |
Zou et al. | Design and implementation of a hardware-in-the-loop simulation platform for a tail-sitter UAV | |
Jiang et al. | Identification method of SUAV in diving phase based on flight tests | |
Huang et al. | Wind tunnel hardware-in-the-loop simulation techniques for flight control system evaluation | |
Liu et al. | Identification of lateral/directional model for a UAV helicopter in forward flight | |
CN115407664B (zh) | 一种基于神经网络训练的非程序制导方法 |
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 |