CN112348124B - 一种基于数据驱动的微小故障诊断方法及装置 - Google Patents

一种基于数据驱动的微小故障诊断方法及装置 Download PDF

Info

Publication number
CN112348124B
CN112348124B CN202110005283.9A CN202110005283A CN112348124B CN 112348124 B CN112348124 B CN 112348124B CN 202110005283 A CN202110005283 A CN 202110005283A CN 112348124 B CN112348124 B CN 112348124B
Authority
CN
China
Prior art keywords
fault
aircraft
data
tested
target
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
Application number
CN202110005283.9A
Other languages
English (en)
Other versions
CN112348124A (zh
Inventor
宋佳
艾绍洁
尚维泽
赵凯
蔡国飙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202110005283.9A priority Critical patent/CN112348124B/zh
Publication of CN112348124A publication Critical patent/CN112348124A/zh
Application granted granted Critical
Publication of CN112348124B publication Critical patent/CN112348124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请提供了一种基于数据驱动的微小故障诊断方法及装置，其中，该方法包括：对获取到的待测飞行器的待测样本进行预处理，得到待测飞行器的特征数据集合，将特征数据集合输入至预先训练好的故障诊断模型中，得到待测飞行器的多种不同故障类型的故障概率，故障诊断模型包括输入层、时间卷积网络层和Softmax分类层，从多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为待测飞行器的目标故障类型。这样一来，本申请通过时间卷积网络的引入实现了长时信息的抓取，具有并行性和低内存的特点，有助于提高高超声速飞行器故障诊断的速度。

Description

一种基于数据驱动的微小故障诊断方法及装置
技术领域
本申请涉及故障检测技术领域，具体而言，涉及一种基于数据驱动的微小故障诊断方法及装置。
背景技术
高超声速飞行器通常是指飞行速度在5马赫数以上的飞机、导弹、炮弹和其他有翼或无翼飞行器。近年来，高超声速飞行器凭借其卓越的飞行速度和强劲的突防能力成为了世界军事大国研究和竞争的焦点。但是，高超声速飞行器本身是复杂的多变量系统，同时是动态闭环系统，运行早期的较小偏移度和幅值的微小故障会缓慢发展为后期的显著故障，进而，对微小故障的迅速诊断研究亟待解决。
现有技术中，将基于信号的方法和基于数据的方法相结合实现故障诊断。为了兼顾样本数据在空间上的依赖和样本在时间域的前后关联性，长短期记忆网络（Long Short-Term Memory，LSTM）以其强大的记忆力被用于解决数据长期依赖的问题和时空双重域的故障特征提取问题。然而这种方式需要占用大量内存去存储每步信息，并且由于顺序处理会导致消耗大量的诊断时间。
发明内容
有鉴于此，本申请的目的在于提供一种基于数据驱动的微小故障诊断方法及装置，通过时间卷积网络（Temporal Convolution Networks，TCN）的引入实现了长时信息的抓取，具有并行性和低内存的特点，有助于提高高超声速飞行器故障诊断的速度。
第一方面，本申请提供了一种基于数据驱动序贯检测的微小故障诊断方法，所述方法包括：
对获取到的待测飞行器的待测样本进行预处理，得到所述待测飞行器的特征数据集合；
将所述特征数据集合输入至预先训练好的故障诊断模型中，得到所述待测飞行器的多种不同故障类型的故障概率；所述故障诊断模型包括输入层、时间卷积网络层和Softmax分类层；
从所述多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为所述待测飞行器的目标故障类型。
优选地，通过以下步骤确定所述待测飞行器的特征数据集合：
基于所述待测飞行器的六自由度运动方程，从所述待测飞行器的待测样本中提取特征数据；所述特征数据包括三轴质心位置输出数据、攻角数据、滚转角数据、舵面偏角数据和滚转角速度数据；
将提取出的特征数据组成时间序列矩阵，得到特征数据集合。
优选地，通过以下步骤训练所述故障诊断模型：
获取飞行器样本的特征数据样本集合和飞行器样本的多种不同故障类型的故障概率；
将所述特征数据样本集合通过所述故障诊断模型的输入层输入至所述故障诊断模型的时间卷积网络层中，通过学习得到所述飞行器样本的故障特征数据；
将所述故障特征数据输入至所述故障诊断模型的Softmax分类层中，通过学习得到飞行器样本的多种不同故障类型的故障概率，直至Softmax分类层的损失函数收敛，确定所述故障诊断模型的训练完成。
优选地，所述时间卷积网络层包括多个残差网络，每个所述残差网络包括两个膨胀-因果卷积层；
将所述特征数据集合依次通过所述多个残差网络，通过所述残差网络包括的两个膨胀-因果卷积层进行卷积计算，得到所述待测飞行器的故障特征数据。
优选地，在进行卷积计算时，通过以下公式计算所述待测飞行器的故障特征数据：
Figure DEST_PATH_IMAGE001
其中，F（s）表示待测飞行器的故障特征数据，k表示卷积核大小，j表示累计次数因子，f（j）表示过滤器，f:{1,…,k-1} →R，x表示特征数据集合，s表示特征数据集合中的一个特征数据，d表示膨胀因子，所述膨胀因子呈指数级增长，d=[2,4,…,2i]，i表示残差网络的总层数。
优选地，通过以下公式计算待测飞行器的多种不同故障类型的故障概率：
Figure 985666DEST_PATH_IMAGE002
其中：hӨ(Xi)表示待测飞行器存在的故障对应的故障概率，Xi表示第i层残差网络输出的故障特征数据，
Figure DEST_PATH_IMAGE003
表示九维的特征数据集合，J表示故障种类数，j∈1,2,…,J，i表示残差网络的层数，T表示转置，θn表示处于n位置处的特征数据的权值参数集合，其中，
Figure 398193DEST_PATH_IMAGE004
。
优选地，所述故障类型包括传感器数据偏差故障、传感器数据漂移故障、气动舵漂移故障和推力器推力缓慢降低故障中的一种或多种。
优选地，在所述从所述多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为所述待测飞行器的目标故障类型之后，所述方法还包括：
根据所述待测飞行器的目标故障类型确定目标时刻下的目标故障类型对应的序贯检测数据，其中，所述目标时刻为当下时刻之前预设时间段对应的时刻；
当所述序贯检测数据不小于第一预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器的目标故障类型为所述待测飞行器的最终故障类型；
当所述序贯检测数据不大于第二预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器处于正常状态；
当所述序贯检测数据大于所述第二预设检测阈值，且小于所述第一预设检测阈值时，重新执行步骤根据所述待测飞行器的目标故障类型确定所述目标故障类型对应的序贯检测数据。
优选地，通过以下步骤确定所述目标故障类型对应的序贯检测数据：
计算所述待测飞行器的目标故障类型在目标时刻下的对数似然概率比统计量；
基于所述对数似然概率比统计量，计算所述待测飞行器的目标故障类型在目标时刻的序贯检测数据。
第二方面，本申请提供了一种基于数据驱动序贯检测的微小故障诊断装置，所述装置包括：
初步处理模块，用于对获取到的待测飞行器的待测样本进行预处理，得到所述待测飞行器的特征数据集合；
模型处理模块，用于将所述特征数据集合输入至预先训练好的故障诊断模型中，得到所述待测飞行器的多种不同故障类型的故障概率，所述故障诊断模型包括输入层、时间卷积网络层和Softmax分类层；
故障确定模块，用于从所述多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为所述待测飞行器的目标故障类型。
第三方面，本申请提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的基于数据驱动的微小故障诊断方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的基于数据驱动的微小故障诊断方法的步骤。
本申请提供一种基于数据驱动的微小故障诊断方法及装置，其中，该方法包括：先对获取到的待测飞行器的待测样本进行预处理，得到待测飞行器的特征数据集合，然后将特征数据集合输入至预先训练好的故障诊断模型中，得到待测飞行器的多种不同故障类型的故障概率，故障诊断模型包括输入层、时间卷积网络层和Softmax分类层，从多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为待测飞行器的目标故障类型。
与现有技术中采用长短期记忆网络来解决数据长期依赖的问题和时空双重域的故障特征提取问题的方法相比，本申请采用时间卷积网络来进行长时信息的抓取，具有并行性和低内存的特点，可以解决长短期记忆网络需要占用大量内存去存储每步信息，且顺序处理会导致消耗大量的诊断时间的技术问题，有助于提高高超声速飞行器故障诊断的速度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种反应控制系统的推力器安装示意图；
图2为本申请实施例所提供的一种基于数据驱动的微小故障诊断方法的流程图；
图3为本申请实施例所提供的一种故障诊断模型的结构示意图；
图4为本申请实施例所提供的另一种基于数据驱动的微小故障诊断方法的流程图；
图5为本申请实施例所提供的一种高超声速飞行器的传感器故障诊断方法的流程图；
图6为本申请实施例所提供的一种基于数据驱动的微小故障诊断装置的结构示意图之一；
图7为本申请实施例所提供的一种基于数据驱动的微小故障诊断装置的结构示意图之二；
图8为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于高超声速飞行器故障检测技术领域，高超声速飞行器通常是指飞行速度在5马赫数以上的飞机、导弹、炮弹和其他有翼或无翼飞行器。近年来，高超声速飞行器凭借其卓越的飞行速度和强劲的突防能力成为了世界军事大国研究和竞争的焦点；临近空间的飞行环境恶劣，高超声速飞行器本身则是复杂的多变量系统，具有强耦合、快时变、强非线性的特点；基于以上两点分析，高超声速飞行器传感器故障频发且极易受故障影响，造成严重甚至不可挽回的后果。同时，从控制系统的观测量偏移程度看，在运行早期拥有较小偏移度和幅值的微小故障会缓慢发展为后期的显著故障或异常。微小故障早期幅值较小，很容易被外界噪声和干扰掩盖。这些特点都使微小故障下的故障诊断的研究拥有必要性和急迫性。
针对高超飞行器系统这样的动态闭环系统，微小故障在反馈中被进一步加速放大，对故障的迅速准确的检测和诊断的研究亟待解决。因此，高超声速飞行器微小故障诊断研究对性能提高和可靠性保证都具有重要的现实意义。
具体地，高超声速飞行器的微小故障诊断要求极高的精确度。传统研究大多采用基于信号的方法和基于数据的方法相结合实现故障诊断。对于高超声速飞行器这样的复杂系统，其故障具有传播性、耦合性、继发性和不确定性。而微小故障随时间积累造成后期的显著故障，或随系统结构的深层传播引发并发性故障，具有潜在性且动态响应较弱，引起复合故障后难以溯源。传统方法不再适用，基于机器学习的方法无须人为干预，通过端到端学习自动提取数据特征，能对数据信息进行深层挖掘，非常适用于复杂系统的故障诊断任务。微小故障容易被噪声和干扰掩盖，现有应用神经网络、支持向量机和核极限学习机等基于单样本的机器学习故障诊断方法忽略了样本的前后关联性，对噪声和随机扰动较敏感，导致误诊率和漏诊率偏高。同时，若不考虑故障发生的时序性，也无法对进行故障定位。序贯概率比检验（SPRT）的引入可以实现在线自适应多样本故障诊断，可以弥补机器学习方法对微小故障难以检测的缺陷。为了兼顾样本数据在空间上的依赖和样本在时间域的前后关联性，长短期记忆网络（LSTM）网络以其强大的记忆里被用于解决数据长期依赖的问题和时空双重域的故障特征提取。然而此举以占用大量内存存储每步的信息和顺序处理消耗诊断时间为代价，有进一步改进的空间和必要。
基于此，本申请实施例提供了一种基于数据驱动的微小故障诊断方法方法，采用时间卷积网络进行故障特征信息的提取，由于时间卷积网络（TCN）作为新兴的卷积神经网络（CNN）变种，在保留卷积网络权值共享的基础上，通过因果卷积、膨胀卷积和残差模块的引入可以实现长时信息的抓取，兼备并行性、低内存的特点。进而，本申请实施例采用时间卷积网络来进行长时信息的抓取，具有并行性和低内存的特点，可以解决长短期记忆网络需要占用大量内存去存储每步信息，且顺序处理会导致消耗大量的诊断时间的技术问题，有助于提高高超声速飞行器故障诊断的速度。
本申请实施例在进行微小故障检测之前，需要先获取待测飞行器的待测样本，具体的，通过以下步骤获取待测飞行器的待测样本：
首先针对某个选定的高超声速飞行器，建立地面坐标系、本体坐标系、气流坐标系和航迹坐标系；
（1）地面坐标系：地面坐标系的原点与大地固定连接，选择地球表面一点为原点Og；将过原点平面的垂直轴设为Z轴，正方向设为垂直轴向下的方向，记作Zg；将过原点平面内的轴设为X轴，正方向方向为平面内任意方向，记作Xg；Y轴与以上轴形成右手系，记作Yg。
（2）本体坐标系：本体坐标系的原点与飞行器固定连接，选择飞行器质心为原点Ob；将过飞行器质心的结构纵轴设为X轴，正方向设为指向前的方向，记作Xb；将过飞行器质心的对称平面内垂直于纵轴设为Z轴，正方向设为垂直向下，记作Zb；Y轴垂直于对称平面指向右方，记作Yb。
（3）气流坐标系：气流坐标系的原点与飞行器固定连接，选择飞行器质心为原点Oa；将过飞行器质心的沿气流速度矢量Va的轴设为X轴，正方向设为指向前的方向，记作Xa；将过飞行器质心的对称平面内垂直于气流速度矢量设为Z轴，正方向设为向下，记作Za；Y轴垂直于XOZ平面指向右方，记作Ya。
（4）航迹坐标系：气流坐标系的原点与飞行器固定连接，选择飞行器质心为原点Ok；将过飞行器质心的沿航迹速度矢量Vk的轴设为X轴，正方向设为指向前的方向，记作Xk；将通过航迹速度矢量的铅垂平面垂直于航迹速矢量Vk的轴设为Z轴，正方向设为向下，记作Zk；Y轴垂直于XOZ平面指向右方，记作Yk。
然后，在上述建立的坐标系的基础上，建立运动学模型和动力学模型。本申请实施例考虑再入段飞行条件下，大气稀薄导致动压偏低，高超声速飞行器通过反作用控制系统协助气动舵共同完成姿态控制任务的情况。其中，气动舵实现滚转通道的姿态控制，RCS实现俯仰通道和偏航通道的姿态控制。
本申请实施例的研究对象是Shaughnessy提出的高超声速飞行器模型。该模型描述了高超声速飞行器的纵向非线性动力学过程且经过国内外学者的拟合和数值计算，具有详细的动力学方程和空气动力学数据，考虑飞行器无动力六自由度运动，该模型可以由12个非线性方程描述。
飞行器的质心运动方程表示为：
Figure 363875DEST_PATH_IMAGE005
Figure 545457DEST_PATH_IMAGE006
Figure 735130DEST_PATH_IMAGE007
Figure 569706DEST_PATH_IMAGE008
同时根据飞行器绕质心转动的运动方程，得到飞行器姿态运动方程，通过攻角、侧滑角和滚转角的导数方程进行表示：
Figure 135817DEST_PATH_IMAGE009
Figure 375169DEST_PATH_IMAGE010
Figure 735743DEST_PATH_IMAGE011
由动量定理可得飞行器绕质心旋转的动力学方程：
Figure 122862DEST_PATH_IMAGE012
其中，（x,y,z）是飞行器在平面大地条件下的质心位置；V是飞行器的飞行速度；M是飞行器的质量；θ是航迹方位角；Ψ是航迹倾角；α是攻角；β是侧滑角；γ是速度滚转角；ωx，ωy，ωz分别是三轴角速度；气动舵面所提供的气动力分别为阻力D、升力L、侧向力C；Ix，Iy，Iz分别为三轴转动惯量；l，m，n为三轴对质心的气动力矩；Tx，Ty，Tz是反应控制系统（Reaction Control System，RCS）所提供的反作用力之间的关系。
接着，请参阅图1，图1为本申请实施例所提供的一种反应控制系统的推力器安装示意图；如图1所示，设计飞行器反应控制系统的推力器力矩分配方案，实现飞行器的姿态控制，保证正常飞行；本申请实施例采用八喷管推力器模型的RCS系统，推力器在八个方向均匀分布且相互无耦合。推力器力矩分配方案如下：偏航姿态控制只由1号和3号喷管实现，俯仰姿态控制只由2号和4号喷管实现，滚转姿态控制由5、6、7、8号喷管实现。
在安装完推力器后，获取待测飞行器的待测样本。这里，待测样本为与飞行器相关的数据，如飞行速度、飞行器的质量、航迹方位角、航迹倾角、攻角和侧滑角等。在获取到待测飞行器的待测样本之后，需要对待测样本进行分析处理，具体地，请参阅图2，图2为本申请实施例所提供的一种基于数据驱动的微小故障诊断方法的流程图。如图2中所示，本申请实施例提供的基于数据驱动的微小故障诊断方法，包括：
S210、对获取到的待测飞行器的待测样本进行预处理，得到所述待测飞行器的特征数据集合。
这里，待测飞行器可以为飞行速度在5马赫数以上的飞机、导弹、炮弹和其他有翼或无翼飞行器。待测样本可以为飞行器在平面大地条件下的质心位置、飞行器的飞行速度、飞行器的质量、航迹方位角、航迹倾角、攻角、侧滑角、速度滚转角、三轴角速度、气动舵面所提供的气动力分别包括的阻力、升力、侧向力；三轴转动惯量、三轴对质心的气动力矩和RCS系统所提供的反作用力之间的关系等。特征数据集合可以包括三轴质心位置输出数据、攻角数据、滚转角数据、舵面偏角数据和滚转角速度数据。
该步骤中，结合领域专家的经验知识和飞行器六自由度方程（上述的12个非线性方程），仿真采集飞行器系统的输出数据，确定高超声速飞行器的特征数据，进而实现特征数据的初步提取，并组成特征数据集合。
其中，本申请实施例中的特征数据集合为多变量的时间序列矩阵，考虑故障发生的时序性，可以实现对故障的定位。
S220、将所述特征数据集合输入至预先训练好的故障诊断模型中，得到所述待测飞行器的多种不同故障类型的故障概率；所述故障诊断模型包括输入层、时间卷积网络层和Softmax分类层。
步骤S220中，故障诊断模型包括输入层、时间卷积网络层和Softmax分类层，输入层用于接受采用时间序列形式表示的特征数据集合；特征数据集合输入至时间卷积网络层，时间卷积网络层对输入的特征数据集合进行分析，从而输出故障特征数据；输出的故障特征数据进入Softmax分类层中，Softmax分类层基于故障特征数据进行分析，最后输出多种不同故障类型的故障概率。
请参阅图3，图3为本申请实施例所提供的一种故障诊断模型的结构示意图。如图3中所示，故障诊断模型包括输入层（Input Layer）、时间卷积网络层（TCN Layer）和Softmax分类层（Softmax Layer）。特征数据集合（X0，X1，Xt-1…Xt）通过Input Layer输入至TCNLayer中，TCN Layer包括两个残差网络，每个残差网络包括两个膨胀-因果卷积层，通过对输入的特征数据集合进行卷积计算，得到故障特征数据，故障特征数据输入至Softmax分类层，进而输出多种不同故障类型的故障概率。
需要补充的是，上述实施例中的TCN层只包含两个残差网络，即一共四个膨胀-因果卷积层，但实际应用中，可以设置多个残差网络，即i个残差网络，在此，对残差网络的层数不做限定。
这里，故障类型包括传感器数据偏差故障、传感器数据漂移故障、气动舵漂移故障和推力器推力缓慢降低故障中的一种或多种。
具体地，预先建立飞行器的微小故障模型；
（1）传感器数据偏差故障：
Figure 571292DEST_PATH_IMAGE013
（2）传感器数据漂移故障：
Figure 461887DEST_PATH_IMAGE014
（3）气动舵漂移故障：
Figure 258942DEST_PATH_IMAGE015
（4）推力器推力缓慢降低故障：
Figure 664516DEST_PATH_IMAGE016
进而，将微小故障用故障标签代替，传感器数据偏差故障为1类故障，使用数值1代替，传感器数据漂移故障为2类故障，使用数值2代替，气动舵漂移故障为3类故障，使用数值3代替，推力器推力缓慢降低故障为4类故障，使用数值4代替，还有正常状态，使用数值0代替。
S230、从所述多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为所述待测飞行器的目标故障类型。
这里，故障概率越大，表明飞行器越倾向于出现了相应的故障，即发生该故障的可能性越大，确定可能故障类型，实现故障的初步检测。进而，本申请实施例通过选取最大的故障概率，并将最大的故障概率对应的故障类型确定为待测飞行器的目标故障类型。
其中，目标故障类型为该飞行器可能发生的故障类型，是初步判定的结果。
需要说明的是，在选取完最大的故障概率对应的故障类型后，输出故障类型时以该故障类型表示的故障标签代替。比如：如果检测到飞行器可能存在传感器数据偏差故障，则经过故障类型判定后输出1，同理，也可以相应的输出2-4或0。
本申请实施例提供的基于数据驱动的微小故障诊断方法，该方法包括：对获取到的待测飞行器的待测样本进行预处理，得到待测飞行器的特征数据集合，将特征数据集合输入至预先训练好的故障诊断模型中，得到待测飞行器的多种不同故障类型的故障概率，故障诊断模型包括输入层、时间卷积网络层和Softmax分类层，从多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为待测飞行器的目标故障类型。这样一来，本申请通过时间卷积网络的引入实现了长时信息的抓取，具有并行性和低内存的特点，有助于提高高超声速飞行器故障诊断的速度，旨在解决动态闭环系统的微小故障检测难以实现的问题。
请参阅图4，图4为本申请实施例所提供的另一种基于数据驱动的微小故障诊断方法的流程图。如图4中所示，本申请实施例提供的基于数据驱动的微小故障诊断方法，包括：
S410、对获取到的待测飞行器的待测样本进行预处理，得到所述待测飞行器的特征数据集合。
S420、将所述特征数据集合输入至预先训练好的故障诊断模型中，得到所述待测飞行器的多种不同故障类型的故障概率；所述故障诊断模型包括输入层、时间卷积网络层和Softmax分类层。
S430、从所述多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为所述待测飞行器的目标故障类型。
其中，S410至S430的描述可以参照S210至S230的描述，并且能达到相同的技术效果，对此不做赘述。
S440、根据所述待测飞行器的目标故障类型确定目标时刻下的目标故障类型对应的序贯检测数据，其中，所述目标时刻为当下时刻之前预设时间段对应的时刻。
这里，序贯检测数据是对待测飞行器的目标故障类型进行序贯概率比检验（Sequential Probability Ratio Test ，SPRT）得到的数据结果，SPRT的引入可以实现在线自适应多样本故障诊断，可以弥补机器学习方法对微小故障容易误诊的缺陷。
其中，根据SPRT本身的性质，在检测当前时刻的目标故障类型时，需要基于当前时刻之前的某个时间下的序贯检测数据进行分析。
具体地，步骤S440通过以下步骤确定所述目标故障类型对应的序贯检测数据：
计算所述待测飞行器的目标故障类型在目标时刻下的对数似然概率比统计量；基于所述对数似然概率比统计量，计算所述待测飞行器的目标故障类型在目标时刻的序贯检测数据。
通过以下公式计算t+t1时刻的对数似然概率比统计量：
Figure 838008DEST_PATH_IMAGE017
进而，根据以上公式依次计算序贯检测数据的
Figure 786372DEST_PATH_IMAGE018
。
S450、当所述序贯检测数据不小于第一预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器的目标故障类型为所述待测飞行器的最终故障类型。
S460、当所述序贯检测数据不大于第二预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器处于正常状态。
S470、当所述序贯检测数据大于所述第二预设检测阈值，且小于所述第一预设检测阈值时，重新执行步骤根据所述待测飞行器的目标故障类型确定所述目标故障类型对应的序贯检测数据。
针对步骤S450至步骤S470，本申请实施例针对可能故障类型进行SPRT检验，通过不断增加检测样本，直到漏诊率和误诊率都达到预定目标时停止检验，实现TCN和SPRT故障诊断的在线运行。
其中SPRT算法在线自适应诊断的步骤如下：
（1）将故障类型视作离散型随机变量X；
Figure 754328DEST_PATH_IMAGE019
（2）对某一类故障f j，设置t时刻的假设检验模型；
H0：Xt服从正态分布P0(Xt)，表示系统无故障发生（P(Xt)为条件概率分布密度函数）；
H1：Xt服从正态分布Pj(Xt)，表示系统发生了j类故障。
（3）计算t+t1时刻的对数似然概率比统计量：
Figure 850460DEST_PATH_IMAGE020
根据以上公式依次计算前序贯观测数据的
Figure 640693DEST_PATH_IMAGE018
；
（4）当
Figure 505881DEST_PATH_IMAGE018
≤A时停止检验，且接受H0，t时刻系统处于正常状态；
当
Figure 644738DEST_PATH_IMAGE018
≥B时停止检验，且接受H1，t时刻系统发生了第j类故障；
若
Figure 228166DEST_PATH_IMAGE018
∈(A,B)时，返回步骤（3），继续增加样本迭代计算
Figure 274620DEST_PATH_IMAGE018
。
这里，A、B为SPRT的检验门限，定义为A=α/1-β，B=(1-α)/β。其中，α为误诊率，表示H0成立反而被否定的概率，β为漏诊率，表示H1成立反而接受H0的概率。
因为似然概率比累积的存在且其值有可能为负值，使得SPRT方法在开始检验时会需要补偿一定时间的正值项，存在延时，常用修正方法将负值置零已减少延时：
Figure 259893DEST_PATH_IMAGE021
本申请实施例中，作为一种优选地实施例，步骤S410通过以下步骤确定所述待测飞行器的特征数据集合：
基于所述待测飞行器的六自由度运动方程，从所述待测飞行器的待测样本中提取特征数据；所述特征数据包括三轴质心位置输出数据、攻角数据、滚转角数据、舵面偏角数据和滚转角速度数据；将提取出的特征数据组成时间序列矩阵，得到特征数据集合。
这里，六自由度运动方程、待测样本等解释参见上述实施例的介绍。
本申请实施例中，特征数据集合为多变量的时间序列矩阵，选取三轴质心位置输出数据（x, y, z）、攻角数据（α）、滚转角数据（γ）、舵面偏角数据（δl，δr，δd）、滚转角速度数据（ωy）9个量组成特征数据集合。则t时刻的特征数据集合可表示为：
Figure 569652DEST_PATH_IMAGE022
本申请实施例中，作为一种优选地实施例，步骤S420通过以下步骤训练所述故障诊断模型：
获取飞行器样本的特征数据样本集合和飞行器样本的多种不同故障类型的故障概率；将所述特征数据样本集合通过所述故障诊断模型的输入层输入至所述故障诊断模型的时间卷积网络层中，通过学习得到所述飞行器样本的故障特征数据；将所述故障特征数据输入至所述故障诊断模型的Softmax分类层中，通过学习得到飞行器样本的多种不同故障类型的故障概率，直至Softmax分类层的损失函数收敛，确定所述故障诊断模型的训练完成。
首先，先获取飞行器样本的特征数据样本集合和飞行器样本的多种不同故障类型的故障概率；然后，通过特征数据样本集合和多种不同故障类型的故障概率对预先构建好的卷积神经网络进行训练，以得到训练好的故障诊断模型。
进而，在此基础上，本申请实施例采用具体的训练方式，先将特征数据样本集合通过故障诊断模型的输入层输入至故障诊断模型的时间卷积网络层中，通过学习得到飞行器样本的故障特征数据；将故障特征数据输入至故障诊断模型的Softmax分类层中，通过学习得到飞行器样本的多种不同故障类型的故障概率，直至Softmax分类层的损失函数收敛，确定故障诊断模型的训练完成。
将训练样本集输入建立的高超声速飞行器的多变量时间序列模型（故障诊断模型），可以完成基于TCN的模型离线训练。
本申请实施例中，作为一种优选地实施例，所述时间卷积网络层包括多个残差网络，每个所述残差网络包括两个膨胀-因果卷积层；在步骤 S420中，将所述特征数据集合依次通过多个残差网络，通过所述残差网络包括的两个膨胀-因果卷积层进行卷积计算，得到所述待测飞行器的故障特征数据。
这里，残差网络容易优化，并且能够通过增加相当的深度来提高准确率，其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。膨胀-因果卷积层能够在卷积核中增加空洞来增加感受野，不增加过多计算。
进而，TCN层由多个残差网络组成，每个残差网络由两个膨胀-因果卷积层组成。这样一来，通过构建残差网络替代每层的卷积，使得网络可以以跨层的方式传递信息，对训练深层网络十分有效。残差网络可由一系列变换F(X)表示：
Figure 578059DEST_PATH_IMAGE023
其中，每个残差网络包含两个膨胀-因果卷积层和非线性映射，在每层中同时加入了权重归一化（WeightNorm）和Dropout层进行网络正则化。
在因果卷积层中，当前层t时刻的值yt只依赖于上一层t时刻及其之前的值x0,…,xt，存在f:XT+1→YT+1，使两者满足以下映射关系：
Figure 631466DEST_PATH_IMAGE024
考虑膨胀卷积对抓取长时依赖关系造成的卷积核大小限制和线性堆叠层数过多的问题的解决方法，其允许卷积时的输入存在间隔采样，使得TCN用较少的层数完成较大感受野的获取。
具体地，步骤 S420在进行卷积计算时，通过以下公式计算所述待测飞行器的故障特征数据：
Figure 471246DEST_PATH_IMAGE001
其中，F（s）表示待测飞行器的故障特征数据，k表示卷积核大小，j表示累计次数因子，f（j）表示过滤器，f:{1,…,k-1} →R，x表示特征数据集合，s表示特征数据集合中的一个特征数据，d表示膨胀因子，所述膨胀因子呈指数级增长，d=[2,4,…,2i]，i表示残差网络的总层数。
具体地，步骤 S420通过以下公式计算待测飞行器的多种不同故障类型的故障概率：
Figure 904237DEST_PATH_IMAGE002
其中：hӨ(Xi)表示待测飞行器存在的故障对应的故障概率，Xi表示第i层残差网络输出的故障特征数据，
Figure 196678DEST_PATH_IMAGE003
表示九维的特征数据集合，J表示故障种类数，j∈1,2,…,J，i表示残差网络的层数，T表示转置，θn表示处于n位置处的特征数据的权值参数集合，其中，
Figure 53776DEST_PATH_IMAGE025
。
本申请实施例针对的是九维的特征数据集合。这里，Softmax分类层根据TCN层提取的特征数据，通过计算对应所有故障类型的概率完成分类任务，其输出表示为hӨ(Xi)。
需要补充的是，当特征数据集合为一维时，采用如下计算公式：
Figure 685745DEST_PATH_IMAGE026
其中：hӨ(Xi)表示待测飞行器存在的故障对应的故障概率，xi为第i层残差网络输出的故障特征数据，J为故障种类数，j∈1,2,…,J，θ为权值参数集合，i表示残差网络的层数，T表示转置。
由此可知，当特征数据集合的数据维度发生变化时，相应的计算公式也发生变化。
选择交叉熵作为Softmax多分类层的损失函数，应用梯度下降法对故障检测模型的网络参数进行更新迭代以实现损失函数的最小化。损失函数定义为：
Figure 337307DEST_PATH_IMAGE027
式中：x为当前TCN层输出的故障特征数据；m为故障特征数据的样本总数；yj为Softmax分类层输出的故障类型为j的概率；zj为故障类型对应的真实概率值。
请参阅图5，图5为本申请实施例所提供的一种高超声速飞行器的传感器故障诊断方法的流程图。如图5中所示，从待测样本中提取特征数据，组成待测飞行器的特征数据集合，将特征数据集合输入至故障诊断模型中进行处理，得到多种不同故障类型的故障概率，如
Figure 382623DEST_PATH_IMAGE028
通过初步故障类型判定，得到最大故障概率对应的故障类型，用j表示，这里的j 虽然是具体的数值，但是指代一个故障类型，如传感器数据漂移故障，气动舵漂移故障等，将初步得到的故障类型进行SPRT检测，得到最终诊断结果，这里的最终诊断结果包括两种类型：一种是确定的某种故障类型，如传感器数据漂移故障，气动舵漂移故障等；另一种是飞行器处于正常状态，这种情况可能是由于数据误差或是遗漏了关键数据导致的。
本申请实施例提供的基于数据驱动的微小故障诊断方法，对获取到的待测飞行器的待测样本进行预处理，得到待测飞行器的特征数据集合，将特征数据集合输入至预先训练好的故障诊断模型中，通过故障诊断模型的输入层进而，通过时间卷积网络层和Softmax分类层处理，得到待测飞行器的多种不同故障类型的故障概率，从多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为待测飞行器的目标故障类型。对该目标故障类型进行SPRT检测，经过不断的验证，从而输出最终的故障类型。这样一来，本申请通过时间卷积网络的引入实现了长时信息的抓取，具有并行性和低内存的特点，能够通过增加相当的深度来提高准确率，其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题，同时，膨胀-因果卷积层能够在卷积核中增加空洞来增加感受野，不增加过多计算，即使得TCN用较少的层数完成较大感受野的获取，有助于提高高超声速飞行器故障诊断的速度，SPRT的引入可以实现在线自适应多样本故障诊断，可以弥补机器学习方法对微小故障难以检测的缺陷。旨在解决动态闭环系统的微小故障检测难以实现的问题。
基于同一发明构思，本申请实施例中还提供了与基于数据驱动的微小故障诊断方法对应的基于数据驱动的微小故障诊断装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述基于数据驱动的微小故障诊断方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图6和图7，图6为本申请实施例所提供的一种基于数据驱动的微小故障诊断装置的结构示意图之一，图7为本申请实施例所提供的一种基于数据驱动的微小故障诊断装置的结构示意图之二。如图6中所示，所述装置600包括：
初步处理模块610，用于对获取到的待测飞行器的待测样本进行预处理，得到所述待测飞行器的特征数据集合；
模型处理模块620，用于将所述特征数据集合输入至预先训练好的故障诊断模型中，得到所述待测飞行器的多种不同故障类型的故障概率，所述故障诊断模型包括输入层、时间卷积网络层和Softmax分类层；
故障确定模块630，用于从所述多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为所述待测飞行器的目标故障类型。
优选地，初步处理模块610用于通过以下步骤确定所述待测飞行器的特征数据集合：
基于所述待测飞行器的六自由度运动方程，从所述待测飞行器的待测样本中提取特征数据；所述特征数据包括三轴质心位置输出数据、攻角数据、滚转角数据、舵面偏角数据和滚转角速度数据；
将提取出的特征数据组成时间序列矩阵，得到特征数据集合。
优选地，模型处理模块620用于通过以下步骤训练所述故障诊断模型：
获取飞行器样本的特征数据样本集合和飞行器样本的多种不同故障类型的故障概率；
将所述特征数据样本集合通过所述故障诊断模型的输入层输入至所述故障诊断模型的时间卷积网络层中，通过学习得到所述飞行器样本的故障特征数据；
将所述故障特征数据输入至所述故障诊断模型的Softmax分类层中，通过学习得到飞行器样本的多种不同故障类型的故障概率，直至Softmax分类层的损失函数收敛，确定所述故障诊断模型的训练完成。
优选地，所述时间卷积网络层包括多个残差网络，每个所述残差网络包括两个膨胀-因果卷积层；
模型处理模块620用于将所述特征数据集合依次通过多个残差网络，通过所述残差网络包括的两个膨胀-因果卷积层进行卷积计算，得到所述待测飞行器的故障特征数据。
优选地，模型处理模块620用于在进行卷积计算时，通过以下公式计算所述待测飞行器的故障特征数据：
Figure 777832DEST_PATH_IMAGE001
其中，F（s）表示待测飞行器的故障特征数据，k表示卷积核大小，j表示累计次数因子，f（j）表示过滤器，f:{1,…,k-1} →R，x表示特征数据集合，s表示特征数据集合中的一个特征数据，d表示膨胀因子，所述膨胀因子呈指数级增长，d=[2,4,…,2i]，i表示残差网络的总层数。
优选地，模型处理模块620用于通过以下公式计算待测飞行器的多种不同故障类型的故障概率：
Figure 405254DEST_PATH_IMAGE002
其中：hӨ(Xi)表示待测飞行器存在的故障对应的故障概率，Xi表示第i层残差网络输出的故障特征数据，
Figure 493296DEST_PATH_IMAGE029
表示九维的特征数据集合，J表示故障种类数，j∈1,2,…,J，i表示残差网络的层数，T表示转置，θn表示处于n位置处的特征数据的权值参数集合，其中，
Figure 557067DEST_PATH_IMAGE025
。
优选地，所述故障类型包括传感器数据偏差故障、传感器数据漂移故障、气动舵漂移故障和推力器推力缓慢降低故障中的一种或多种。
进一步地，如图7所示，所述装置600还包括：
序贯检测模块640，用于根据所述待测飞行器的目标故障类型确定目标时刻下的目标故障类型对应的序贯检测数据，其中，所述目标时刻为当下时刻之前预设时间段对应的时刻；
最终类型确定模块650，用于当所述序贯检测数据不小于第一预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器的目标故障类型为所述待测飞行器的最终故障类型；
正常状态确定模块660，用于当所述序贯检测数据不大于第二预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器处于正常状态；
循环执行模块670，用于当所述序贯检测数据大于所述第二预设检测阈值，且小于所述第一预设检测阈值时，重新执行步骤根据所述待测飞行器的目标故障类型确定所述目标故障类型对应的序贯检测数据。
优选地，所述序贯检测模块640用于通过以下步骤确定所述目标故障类型对应的序贯检测数据：
计算所述待测飞行器的目标故障类型在目标时刻下的对数似然概率比统计量；
基于所述对数似然概率比统计量，计算所述待测飞行器的目标故障类型在目标时刻的序贯检测数据。
本申请实施例提供的基于数据驱动的微小故障诊断装置，主要包括初步处理模块、模型处理模块和故障确定模块，其中，初步处理模块用于对获取到的待测飞行器的待测样本进行预处理，得到待测飞行器的特征数据集合；模型处理模块用于将特征数据集合输入至预先训练好的故障诊断模型中，得到待测飞行器的多种不同故障类型的故障概率，故障诊断模型包括输入层、时间卷积网络层和Softmax分类层；故障确定模块用于从多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为待测飞行器的目标故障类型。这样一来，本申请通过时间卷积网络的引入实现了长时信息的抓取，具有并行性和低内存的特点，有助于提高高超声速飞行器故障诊断的速度。
请参阅图8，图8为本申请实施例所提供的一种电子设备的结构示意图。如图8中所示，所述电子设备800包括处理器810、存储器820和总线830。
所述存储器820存储有所述处理器810可执行的机器可读指令，当电子设备800运行时，所述处理器810与所述存储器820之间通过总线830通信，所述机器可读指令被所述处理器810执行时，可以执行如上述图2以及图4所示方法实施例中的一种基于数据驱动的微小故障诊断方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图2以及图4所示方法实施例中的一种基于数据驱动的微小故障诊断方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种基于数据驱动的微小故障诊断方法，其特征在于，所述方法包括：
对获取到的待测飞行器的待测样本进行预处理，得到所述待测飞行器的特征数据集合；
将所述特征数据集合输入至预先训练好的故障诊断模型中，得到所述待测飞行器的多种不同故障类型的故障概率；所述故障诊断模型包括输入层、时间卷积网络层和Softmax分类层；其中，所述故障类型包括传感器数据偏差故障、传感器数据漂移故障、气动舵漂移故障和推力器推力缓慢降低故障；
从所述多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为所述待测飞行器的目标故障类型；
根据所述待测飞行器的目标故障类型确定目标时刻下的目标故障类型对应的序贯检测数据，其中，所述目标时刻为当下时刻之前预设时间段对应的时刻；
当所述序贯检测数据不小于第一预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器的目标故障类型为所述待测飞行器的最终故障类型；
当所述序贯检测数据不大于第二预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器处于正常状态；
当所述序贯检测数据大于所述第二预设检测阈值，且小于所述第一预设检测阈值时，重新执行步骤根据所述待测飞行器的目标故障类型确定所述目标故障类型对应的序贯检测数据；
还包括：
通过以下公式计算待测飞行器的多种不同故障类型的故障概率：
Figure 320233DEST_PATH_IMAGE001
其中：hӨ(Xi)表示待测飞行器存在的故障对应的故障概率，Xi表示第i层残差网络输出的故障特征数据，
Figure 134605DEST_PATH_IMAGE002
表示九维的特征数据集合，J表示故障种类数，j∈1,2,…,J，i表示残差网络的层数，T表示转置，θn表示处于n位置处的特征数据的权值参数集合，其中，
Figure 770117DEST_PATH_IMAGE003
2.根据权利要求1所述的方法，其特征在于，通过以下步骤确定所述待测飞行器的特征数据集合：
基于所述待测飞行器的六自由度运动方程，从所述待测飞行器的待测样本中提取特征数据；所述特征数据包括三轴质心位置输出数据、攻角数据、滚转角数据、舵面偏角数据和滚转角速度数据；
将提取出的特征数据组成时间序列矩阵，得到特征数据集合。
3.根据权利要求1所述的方法，其特征在于，通过以下步骤训练所述故障诊断模型：
获取飞行器样本的特征数据样本集合和飞行器样本的多种不同故障类型的故障概率；
将所述特征数据样本集合通过所述故障诊断模型的输入层输入至所述故障诊断模型的时间卷积网络层中，通过学习得到所述飞行器样本的故障特征数据；
将所述故障特征数据输入至所述故障诊断模型的Softmax分类层中，通过学习得到飞行器样本的多种不同故障类型的故障概率，直至Softmax分类层的损失函数收敛，确定所述故障诊断模型的训练完成。
4.根据权利要求1所述的方法，其特征在于，所述时间卷积网络层包括多个残差网络，每个所述残差网络包括两个膨胀-因果卷积层；
将所述特征数据集合依次通过多个残差网络，通过所述残差网络包括的两个膨胀-因果卷积层进行卷积计算，得到所述待测飞行器的故障特征数据。
5.根据权利要求4所述的方法，其特征在于，在进行卷积计算时，通过以下公式计算所述待测飞行器的故障特征数据：
Figure 37150DEST_PATH_IMAGE004
其中，F（s）表示待测飞行器的故障特征数据，k表示卷积核大小，j表示累计次数因子，f（j）表示过滤器，f:{1,…,k-1} →R，x表示特征数据集合，s表示特征数据集合中的一个特征数据，d表示膨胀因子，所述膨胀因子呈指数级增长，d=[2,4,…,2i]，i表示残差网络的总层数。
6.根据权利要求1所述的方法，其特征在于，通过以下步骤确定所述目标故障类型对应的序贯检测数据：
计算所述待测飞行器的目标故障类型在目标时刻下的对数似然概率比统计量；
基于所述对数似然概率比统计量，计算所述待测飞行器的目标故障类型在目标时刻的序贯检测数据。
7.一种基于数据驱动的微小故障诊断装置，其特征在于，所述装置包括：
初步处理模块，用于对获取到的待测飞行器的待测样本进行预处理，得到所述待测飞行器的特征数据集合；
模型处理模块，用于将所述特征数据集合输入至预先训练好的故障诊断模型中，得到所述待测飞行器的多种不同故障类型的故障概率，所述故障诊断模型包括输入层、时间卷积网络层和Softmax分类层；其中，所述故障类型包括传感器数据偏差故障、传感器数据漂移故障、气动舵漂移故障和推力器推力缓慢降低故障；
故障确定模块，用于从所述多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为所述待测飞行器的目标故障类型；
序贯检测模块，用于根据所述待测飞行器的目标故障类型确定目标时刻下的目标故障类型对应的序贯检测数据，其中，所述目标时刻为当下时刻之前预设时间段对应的时刻；
最终类型确定模块，用于当所述序贯检测数据不小于第一预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器的目标故障类型为所述待测飞行器的最终故障类型；
正常状态确定模块，用于当所述序贯检测数据不大于第二预设检测阈值时，确定当下时刻该序贯检测数据对应的待测飞行器处于正常状态；
循环执行模块，用于当所述序贯检测数据大于所述第二预设检测阈值，且小于所述第一预设检测阈值时，重新执行步骤根据所述待测飞行器的目标故障类型确定所述目标故障类型对应的序贯检测数据；
还包括：
通过以下公式计算待测飞行器的多种不同故障类型的故障概率：
Figure 298367DEST_PATH_IMAGE005
其中：hӨ(Xi)表示待测飞行器存在的故障对应的故障概率，Xi表示第i层残差网络输出的故障特征数据，
Figure 296408DEST_PATH_IMAGE006
表示九维的特征数据集合，J表示故障种类数，j∈1,2,…,J，i表示残差网络的层数，T表示转置，θn表示处于n位置处的特征数据的权值参数集合，其中，
Figure 289772DEST_PATH_IMAGE007
CN202110005283.9A 2021-01-05 2021-01-05 一种基于数据驱动的微小故障诊断方法及装置 Active CN112348124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110005283.9A CN112348124B (zh) 2021-01-05 2021-01-05 一种基于数据驱动的微小故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110005283.9A CN112348124B (zh) 2021-01-05 2021-01-05 一种基于数据驱动的微小故障诊断方法及装置

Publications (2)

Publication Number Publication Date
CN112348124A CN112348124A (zh) 2021-02-09
CN112348124B true CN112348124B (zh) 2021-04-20

Family

ID=74427797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110005283.9A Active CN112348124B (zh) 2021-01-05 2021-01-05 一种基于数据驱动的微小故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN112348124B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221719B (zh) * 2021-05-06 2023-04-07 北京航空航天大学 飞行器故障诊断方法、装置和电子设备
CN113033786B (zh) * 2021-05-21 2021-08-13 北京航空航天大学 基于时间卷积网络的故障诊断模型构建方法及装置
CN113962251B (zh) * 2021-09-14 2022-07-22 中国兵器工业信息中心 一种无人机的故障检测方法、装置、电子设备及存储介质
CN113869065B (zh) * 2021-10-15 2024-04-12 梧州学院 一种基于“单词-短语”注意力机制的情感分类方法和系统
CN115077906A (zh) * 2022-06-10 2022-09-20 潍柴动力股份有限公司 发动机高发故障起因件确定方法、装置、电子设备及介质
CN116821730B (zh) * 2023-08-30 2024-02-06 北京科锐特科技有限公司 风机故障检测方法、控制装置及存储介质
CN117668528B (zh) * 2024-02-01 2024-04-12 成都华泰数智科技有限公司 基于物联网的天然气调压器故障检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108828944A (zh) * 2018-06-21 2018-11-16 山东大学 基于改进pso及svm的编码器故障诊断系统及方法
CN108830296A (zh) * 2018-05-18 2018-11-16 河海大学 一种改进的基于深度学习的高分遥感影像分类方法
CN110596506A (zh) * 2019-10-30 2019-12-20 福州大学 基于时间卷积网络的变换器故障诊断方法
CN111221345A (zh) * 2020-01-23 2020-06-02 北京航天自动控制研究所 一种基于决策树的飞行器动力系统故障在线辨识方法
CN111325159A (zh) * 2020-02-25 2020-06-23 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 故障诊断方法、装置、计算机设备和存储介质
CN111414932A (zh) * 2020-01-07 2020-07-14 北京航空航天大学 一种飞行器多尺度信号的分类识别与故障检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200033515A (ko) * 2018-09-20 2020-03-30 한국전자통신연구원 다중특징 추출 및 전이학습 기반 기계학습 장치/방법 및 이를 이용한 누출 탐지 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830296A (zh) * 2018-05-18 2018-11-16 河海大学 一种改进的基于深度学习的高分遥感影像分类方法
CN108828944A (zh) * 2018-06-21 2018-11-16 山东大学 基于改进pso及svm的编码器故障诊断系统及方法
CN110596506A (zh) * 2019-10-30 2019-12-20 福州大学 基于时间卷积网络的变换器故障诊断方法
CN111414932A (zh) * 2020-01-07 2020-07-14 北京航空航天大学 一种飞行器多尺度信号的分类识别与故障检测方法
CN111221345A (zh) * 2020-01-23 2020-06-02 北京航天自动控制研究所 一种基于决策树的飞行器动力系统故障在线辨识方法
CN111325159A (zh) * 2020-02-25 2020-06-23 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 故障诊断方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112348124A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN112348124B (zh) 一种基于数据驱动的微小故障诊断方法及装置
CN108594788B (zh) 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
Wang et al. Multivariate regression-based fault detection and recovery of UAV flight data
Samy et al. Survey and application of sensor fault detection and isolation schemes
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
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
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
CN112859898B (zh) 一种基于双通道双向神经网络的飞行器轨迹预测方法
CN112819303B (zh) 基于pce代理模型的飞行器追踪效能评估方法及系统
Srivastava Greener aviation with virtual sensors: a case study
CN113031448B (zh) 基于神经网络的飞行器上升段轨迹优化方法
CN112784487B (zh) 飞行动作识别方法和装置
CN112836581A (zh) 一种基于相关性分析的敏感故障特征提取方法及装置
CN114997296A (zh) 一种基于gru-vae模型的无监督航迹异常检测方法及系统
CN114004023A (zh) 一种基于循环神经网络的飞行器气动参数辨识的方法
CN116627157B (zh) 一种运载火箭的运行控制方法、装置及设备
Wang et al. Data-driven anomaly detection of UAV based on multimodal regression model
CN117195763A (zh) 一种考虑风干扰的固定翼飞行器元飞行气动建模方法
US20220300672A1 (en) Methods and Systems for Analyzing and Predicting Aeroelastic Flutter on Configurable Aircraft
CN111930094A (zh) 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法
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
CN115456171A (zh) 一种基于bp神经网络模型的飞行器姿态估计方法
Eroglu et al. Deep recurrent and convolutional networks for accelerated fault tolerant adaptive flight control under severe failures
Wang et al. Quantitative Evaluation of Sensor Fault Diagnosability of F-16 High Maneuvering Fighter
CN114757332A (zh) 一种航空器气动传感器故障智能检测方法

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