CN115017832B - 一种面向飞机作动系统的状态预测方法 - Google Patents

一种面向飞机作动系统的状态预测方法 Download PDF

Info

Publication number
CN115017832B
CN115017832B CN202210946875.5A CN202210946875A CN115017832B CN 115017832 B CN115017832 B CN 115017832B CN 202210946875 A CN202210946875 A CN 202210946875A CN 115017832 B CN115017832 B CN 115017832B
Authority
CN
China
Prior art keywords
bilstm
population
prediction model
model
data
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
CN202210946875.5A
Other languages
English (en)
Other versions
CN115017832A (zh
Inventor
王凯
张宏达
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.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
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 Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN202210946875.5A priority Critical patent/CN115017832B/zh
Publication of CN115017832A publication Critical patent/CN115017832A/zh
Application granted granted Critical
Publication of CN115017832B publication Critical patent/CN115017832B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种面向飞机作动系统的状态预测方法，步骤如下：建立飞机作动系统物理仿真模型，并以真实部件参数和QAR数据作为激励源，获取部件运行参数数据；数据预处理形成预测模型的标准输入数据集；建立飞机作动系统BiLSTM预测模型；使用改进后的INSGA‑II算法优化BiLSTM预测模型超参数；将BiLSTM预测模型和超参数优化模型融合，构造出INSGA‑BiLSTM飞机作动系统状态预测模型。本发明建立双向BiLSTM预测模型，并通过改进INSGA‑II算法优化模型超参数，使预测结果更精确。

Description

一种面向飞机作动系统的状态预测方法
技术领域
本发明涉及作动系统技术研究领域，具体涉及一种面向飞机作动系统的状态预测方法。
背景技术
飞机作动系统是飞机的安全关键系统，其运行状况直接关系到飞机的飞行安全，飞机作动系统是一个高度耦合的复杂系统，是飞控系统中最重要的环节之一，主要由控制器、电液伺服阀、作动筒、传感器和机械传动装置等部件组成，用于将控制指令转换为控制力和力矩的输出，从而驱动舵面偏转。但是由于作动系统经常工作于高温高压的恶劣工作环境下，导致在长时间工作情况下，其内部部件出现退化乃至故障的几率也是很高的。因此现有的技术手段主要是对飞机作动系统的各个部件部署各类传感器来达到监测作动系统内部部件的运行状况，判断系统状态是否正常，以便于在系统出现非正常状态时及时切换到备份系统或备份部件，以此提高飞行安全保障能力。但是这种方式只能在故障发生后，做出是否切换备份系统的决策，若是能够在故障状态发生前即非正常征兆发生初期能够及时衔接到备份系统或部件，则安全性能够大大提高。此时就需要提前预测飞机作动系统的工作状态。
另外，在驾驶员操纵飞机时，会出现由于不规范性的操纵行为导致飞机出现操纵超限情况，进而造成安全隐患，例如Boeing系列飞机在起飞时滚转角超过6度则属于严重偏差，当出现这种情况时，需要在超限事件出现之前及时给予机组人员警告。因此提前预测飞机作动系统的状态能够提高飞机的安全飞行能力。
现实飞机的作动系统是典型的部分可观测系统，由于飞机空间限制问题和可靠性因素约束，不能在每个部件都加装大量传感器，因此无法获得许多相关部件的参数，无法测得全部的部件参数信息来推断系统部件的性能状况，因此在飞机作动系统的哪个部件上加装传感器，选择何种传感器便是在飞机作动系统设计阶段便需要考虑的问题。由于传感器数据不足也对作动系统的状态预测问题研究带来了很大的难度。
现有的研究成果主要是在飞行任务完成后，对传感器监测数据进行统计分析，检查作动系统部件是否出现异常状况。或者是通过作动系统的少量部件的历史运行数据来对系统进行事后故障诊断。但是始终缺乏一种飞机作动系统状态预测方法。
发明内容
为了解决上述现有技术中存在的技术问题，本发明提供一种面向飞机作动系统的状态预测方法。
为实现上述目的，本发明提供如下技术方案：一种面向飞机作动系统的状态预测方法，步骤如下：
Step1、建立数据获取源：建立飞机作动系统物理仿真模型，以飞机真实QAR数据作为激励源，加载到飞机作动系统物理仿真模型中，建立飞机各部件的数据获取源。该获取数据的方式解决了现有飞机作动系统传感器获取的部件运行参数数据不足，导致不足以支撑其状态预测的问题。
Step2、数据采集和预处理：根据需求在飞机作动系统物理仿真模型上加装相应的传感器获取飞机部件的运行参数，然后采集相应的检测数据；选取检测数据中的时序数据进行预处理形成标准输入数据集。
Step3、搭建飞机作动系统状态的BiLSTM预测模型；
Step4、对现有的INSGA-II算法进行改进，并使用改进的INSGA-II算法优化BiLSTM预测模型的超参数，得到超参数优化模型；
Step5、将BiLSTM预测模型和超参数优化模型融合，构造出INSGA-BiLSTM飞机作动系统状态预测模型；
Step6、将Step2中获得的标准输入数据集输入至INSGA-BiLSTM飞机作动系统状态预测模型中得到飞机作动系统状态的预测结果。
优选的，Step1中，在仿真环境下，参照飞机作动系统的控制逻辑、功能结构、内部单元组成和待测参数传感器位置，建立飞机作动系统物理仿真模型；
仿真模型包括指令输入模块、控制器模块、电液伺服阀模块、作动筒模块、两套液压供应系统模块、作动负载模块、铰链牵引模块以及外部的气动载荷模块。
优选的，Step2中采集到的飞机部件的运行参数为D=[T，S1，V1，V2，V3，A1，A2，A3，N，P，R]；T为时间，S1代表控制信号输入，V1代表电液伺服阀的输出端口工作压力、V2代表质量流量、V3代表工作温度，A1为作动筒的活塞位移量、A2为作动系统功率、A3代表活塞移动速度，N代表输入杆受力，P代表飞机气压高度，R代表舵面偏转角度信号。飞机作动系统的最终目的是控制飞机舵面偏转相应的角度，因此选择数据中的舵面偏转角度信号R作为参考标准，判断作动系统状态预测方法的准确性。即输入输出为
Figure 703747DEST_PATH_IMAGE001
Figure 276680DEST_PATH_IMAGE002
飞机作动系统状态预测属于时间序列预测问题，时间序列问题则需要根据预测目标选取相应的预测时间步长，即通过多长时间的序列数据来预测下一组数据，因为影响下一时刻的参数的不仅仅是当前的因素，前一时刻的因素，乃至前一段时间的因素都会对下一时刻的结果造成影响。对于不同的预测目标，其预测时间步长是不同的，但是一般会存在一个相对最佳步长，能够达到较好的预测结果。对于飞机作动系统的状态预测问题的时间步长选择，首先设定初始步长为t_step，后面采用智能优化算法来确定其最佳步长。根据时间步长，建立滑动时间窗切割数据，将数据矩阵转化为模型的输入序列矩阵，转化为[采样点数，时间步长，特征数]的三维张量格式。
优选的，Step2中的时序数据进行预处理的操作为：首先将时序数据归一化为无量纲的标准数据，然后根据时间步长建立滑动时间窗切割数据，将归一化处理后的标准数据转化为BiLSTM预测模型的标准输入数据集，归一化公式为：
Figure 790838DEST_PATH_IMAGE003
式中：
Figure 372998DEST_PATH_IMAGE004
为归一化后数据，
Figure 859474DEST_PATH_IMAGE005
为原始输入数据，
Figure 993521DEST_PATH_IMAGE006
、
Figure 994975DEST_PATH_IMAGE007
为原始数据的最小值和最大值。
优选的，针对传统LSTM神经网络只能利用过去单个维度数据的时序特征的缺陷，采用双向长短时记忆网络预测模型（BiLSTM）充分挖掘所获取的飞机作动系统的运行参数数据的双向时序特征，运用双向时序特征来预测作动系统状态。
建立双向LSTM网络，LSTM网络由多个相同的记忆单元并联组成的链式结构，记忆单元主要由遗忘门、输入门和输出门三种门结构组成，通过繁多的记忆单元实现对预测模型隐藏层的状态递归进行反馈，达到学习时序数据特征间的长期依赖信息。具体计算公式如下：
Figure 131558DEST_PATH_IMAGE008
；
Figure 721808DEST_PATH_IMAGE009
；
Figure 652855DEST_PATH_IMAGE010
；
Figure 414310DEST_PATH_IMAGE011
；
Figure 823426DEST_PATH_IMAGE012
；
Figure 81232DEST_PATH_IMAGE013
；
式中：
Figure 698027DEST_PATH_IMAGE014
、
Figure 611756DEST_PATH_IMAGE015
、
Figure 73831DEST_PATH_IMAGE016
分别表示遗忘门、输入门、输出门，
Figure 451722DEST_PATH_IMAGE017
和
Figure 708260DEST_PATH_IMAGE018
分别为相应门单元的权重矩阵和偏执向量，
Figure 374865DEST_PATH_IMAGE019
为长期状态输出，
Figure 188100DEST_PATH_IMAGE020
为短期状态输出。
BiLSTM由两个方向相反的LSTM网络构成，其网络结构是相同的，但是它们具有不同的偏置项b和权重矩阵w，在计算过程中，每一个时间步都会计算出前向网络
Figure 607449DEST_PATH_IMAGE021
的输出
Figure 316779DEST_PATH_IMAGE022
和后向
Figure 251106DEST_PATH_IMAGE023
的输出
Figure 71294DEST_PATH_IMAGE024
，最后将两个网络的输出进行加权求和就得到了整个BiLSTM的输出
Figure 345150DEST_PATH_IMAGE025
，具体公式如下：
Figure 22119DEST_PATH_IMAGE026
Figure 132157DEST_PATH_IMAGE027
Figure 536463DEST_PATH_IMAGE028
式中：
Figure 946715DEST_PATH_IMAGE029
分别是前向LSTM和后向LSTM网络和输出的权重矩阵和偏置项。
Step3中搭建的BiLSTM预测模型包括有输入层、三层BiLSTM层、三层Dropout层、Dense层和输出层；
输入层用于将每个时刻的作动系统部件运行参数数据输入给BiLSTM层；
BiLSTM层用于将特征数据转化为高维特征矩阵，通过对输入的作动系统部件运行参数数据进行计算，输出作动系统部件运行参数数据的双向时序特征；
Dropout层用于对BiLSTM层输出的双向时序特征按照指定的抛弃率进行随机抛弃；
Dense层用于将Dropout层的输出进行非线性变换；
输出层用来输出预测结果。
优选的，Step4中，对NSGA-II进行改进，改进后的INSGA-II算法公式如下：
Figure 981536DEST_PATH_IMAGE030
式中：
Figure 641188DEST_PATH_IMAGE031
为第t次更新后选择子种群数量，
Figure 537600DEST_PATH_IMAGE032
为初始种群数量，t为迭代次数，
Figure 582785DEST_PATH_IMAGE033
为设定的迭代总数，
Figure 804819DEST_PATH_IMAGE034
，
Figure 138717DEST_PATH_IMAGE035
为设定的最大种群数量和最小种群数量。
优选的，Step4中，对NSGA-II进行改进，采用混沌虫口模型映射实数编码进行初始化种群，混沌虫口模型表示为：
Figure 901137DEST_PATH_IMAGE036
，其中
Figure 754823DEST_PATH_IMAGE037
式中：
Figure 928184DEST_PATH_IMAGE038
为混沌虫口模型映射生成的序列，
Figure 500111DEST_PATH_IMAGE039
为控制参数，
Figure 722014DEST_PATH_IMAGE040
表示种群个体数量。
优选的，Step4中，使用改进后的INSGA-II算法进一步优化BiLSTM预测模型超参数的步骤为：
Step41、输入待优化的超参数和初始混沌参数；
Step42、使用混沌虫口模型映射实数编码进行初始化种群，生成N个个体作为初始父代种群，输入自定义初始交叉概率、变异概率；设置进化代数Gen=1；
Step43、初始种群进行选择、交叉、变异操作生成第一代子种群，将父代种群和子代种群合并为新种群；Gen=Gen+1；
Step44、对新种群执行快速非支配排序、拥挤度计算；
Step45、根据子种群数量动态调整机制，以非支配排序等级和拥挤度为衡量标准，在新种群找出
Figure 758103DEST_PATH_IMAGE041
个精英个体组成新父代子群；
Step46、判定是否达到最大迭代次数，若没有达到最大迭代次数，执行Gen=Gen+1，进入下一次迭代循环，若满足，则输出Pareto最优解，算法结束。
优选的，使用改进的INSGA-II算法优化BiLSTM预测模型的超参数前还包括有如下步骤：
S1、选取待优化的超参数；
S2、设定超参数的搜索约束空间；
S3、选取预测误差的均方误差函数MSE和训练时间t作为适应度函数，并计算种群中每个个体的适应度；适应度函数的计算公式如下：
Figure 40049DEST_PATH_IMAGE042
Figure 161588DEST_PATH_IMAGE043
式中：
Figure 203494DEST_PATH_IMAGE044
为样本总数，
Figure 77778DEST_PATH_IMAGE045
为预测值，
Figure 546936DEST_PATH_IMAGE046
为真实值，
Figure 890193DEST_PATH_IMAGE047
结束时间，
Figure 985057DEST_PATH_IMAGE048
为开始时间。
优选的，Step5中，将BiLSTM预测模型和超参数优化模型融合的具体步骤如下：Step51、首先将超参数优化模型嵌入BiLSTM预测模型中，使用初始超参数组合配置BiLSTM预测模型，然后BiLSTM预测模型迭代计算并输出相应的适应度函数值；
Step52、通过INSGA-II算法优化BiLSTM预测模型超参数后，将该参数配置到BiLSTM预测模型中；BiLSTM预测模型进行迭代计算并输出相应的适应度函数值；
Step53、根据Step52输出的适应度函数值通过改进的INSGA-II算法对超参数进行优化；
Step54、根据优化结果更新BiLSTM预测模型配置；
Step55、判断是否达到终止条件，若未达到则返回迭代循环，进入步骤Step53，若满足则输出最优的BiLSTM预测模型配置，并得到输出结果。
与现有技术相比，本发明提供了一种面向飞机作动系统的状态预测方法，具备以下有益效果：
（1）本发明提出了一种飞机作动系统状态预测的方法，采用飞机作动系统的内部部件运行参数，从而预测系统的状态。针对现实系统传感器采集数据不足，导致难以支撑作动系统这种复杂系统的状态预测，建立了飞机作动系统物理仿真模型，以真实飞机QAR数据和部件参数为激励源，实现了多尺度、多维度部件运行数据的快速大量获取，解决了飞机作动系统状态预测训练数据种类不足的问题。
（2）本发明还建立了能够应用于飞机作动系统状态预测的双向BiLSTM预测模型，双向的BiLSTM比单向LSTM相比，能够在正向和反向同时提取作动系统的时序特征，挖掘更多特征，得到更准确的预测规律。并通过改进INSGA-II算法优化模型超参数，使预测结果更精确，通过混沌虫口模型映射编码方式改进标准NSGA-II的初始化种群方式并改进子种群数量动态调整机制，使得优化算法的收敛速度和全期寻优能力都有所提高。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制，在附图中：
图1为本发明飞机作动系统状态预测的总体系统框图。
图2为飞机作动系统的部分控制逻辑和主要部件组成工作流程图。
图3为图2的飞机作动系统仿真模型示意图。
图4为构造的初始BiLSTM预测模型网络结构。
图5为改进后子种群数量更新机制结果示意图。
图6为改进后的INSGA-II优化模型超参数流程示意图。
图7为融合预测模型和超参数优化模型的流程示意图。
具体实施方式
下面将结合本发明的实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，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所有其他实施例，都属于本发明保护的范围。
本实施例提出一种面向飞机作动系统的状态预测方法，如图1所示，分别是数据获取环节、数据采集及预处理环节、建立预测模型环节以及最后的结果输出。
数据获取环节主要是建立飞机作动系统物理仿真模型作为后续分析处理的数据获取源；数据采集及预处理环节主要是根据需求在仿真模型上加装相应的传感器获取部件的运行参数，然后采集相应的检测数据。由于采集的数据为大量的时序相关数据，且部分数据与预测目标的相关性较差，若作为预测模型的输入，则即浪费计算资源且收益甚微，因此要将无用数据以及相关性较差的数据剔除。接下来将时序数据转换为输入格式序列预测数据，建立滑动时间窗切割数据，首先使用初始的时间步长切割数据，后面会使用智能优化算法寻找出最佳预测步长。然后将数据归一化为无量纲的标准数据，经过上述一系列处理过程，将飞机作动系统的部件运行数据转换成了可用于预测模型的标准输入数据集。
建立预测模型环节是本发明的核心部分，首先建立双向BiLSTM预测模型，然后通过改进INSGA-II优化算法对模型的超参数进行优化，再进行迭代计算后，寻到最优模型超参数后，更新优化超参数配置，建立适用于飞机作动系统的状态预测的基于INSGA-BiLSTM状态预测模型。最后环节是结果输出环节，此时便可以用最优配置的模型来预测飞机作动系统的状态。真实飞机作动系统可以在加装相应传感器的情况下运用此方法来预测作动系统的状态。
下面详细介绍各个环节的实施步骤：
首先要建立飞机作动系统的物理仿真模型作为数据获取源，飞机作动系统主要由控制器、电液伺服阀、作动筒、液压系统供应及机械铰链牵引等部件组成，根据飞机作动系统的结构组成和功能原理，构建出如图2所示的飞机作动系统主要控制逻辑和工作流程图。然后根据控制逻辑和工作流程图结合飞机作动系统结构在建模软件上建立物理仿真模型，飞机作动系统的结构为两套子作动系统联合驱动舵面偏转，两套子系统分别由左右两个液压系统分别提供液压能，这样当一个子作动系统出现故障时，飞机作动系统不会完全失去功能。建立的作动系统物理仿真模型如图3所示，作动系统物理仿真模型中的部件参数设置与飞机作动系统部件参数一致，如作动筒活塞直径、电液伺服阀阀门额定电流等参数。然后在要采集部件运行参数的位置添加相应的传感器，如位移传感器、功率传感器等。飞机作动系统主要控制逻辑和工作流程图及作动系统物理仿真模型具体描述如下:
如图2飞机作动系统的部分控制逻辑和主要部件组成工作流程图所示，控制指令由控制器转换为主控阀的阀位移指令，通过在主控阀中将信号放大并传递液压动力，主控阀输出液压流量、压力驱动作动筒运动，将液压能转换为机械能，带动舵面克服本身的结构负载和大气环境的气动载荷，然后偏转相应的角度，作动筒位移信号反馈回控制器输入构成闭环控制回路，从而控制主控阀的输出直至作动筒停止运动。进而控制飞机的姿态，最终达到飞行控制功能，整个作动系统工作过程完毕。根据整个流程和相应的部件间逻辑建立飞机作动系统的物理仿真模型。
飞机作动系统物理仿真模型图3所示，在仿真环境下，参照飞机作动系统的控制逻辑、功能结构、内部单元组成和待测参数传感器位置，建立飞机作动系统物理仿真模型，以飞机真实QAR（quick access recorder，QAR-快速存取记录器）数据作为激励源，加载到仿真模型中，获取部件运行数据。根据对飞机作动系统的影响，模型主要包括指令输入模块、控制器模块、电液伺服阀模块、作动筒模块、两套液压供应系统模块、作动负载模块、铰链牵引模块以及外部的气动载荷模块组成。指令输入模块用来加载QAR的舵面控制指令，气动载荷部分主要用QAR数据中飞机当前位置的大气密度、真空速、和迎角状态等数据计算转换为飞机当前所受外部载荷。两套液压系统为相应的电液伺服阀提供相应的液压压力动力源。
数据采集：采集关键部件的运行数据，选取的部件的运行参数主要有时间T，控制信号输入S1、电液伺服阀的输出端口工作压力V1、质量流量V2和工作温度V3 ，作动筒的活塞位移量A1、作动系统功率A2、和活塞移动速度A3，输入杆受力N，飞机气压高度P，舵面偏转角度信号R。采样频率为1HZ，采样时长为一次飞行任务时间，本实施例中选择6500s，构成6500*11的数据集矩阵D=[T，S1，V1，V2，V3，A1，A2，A3，N，P，R]。
数据预处理：由于不同部件的运行参数量纲不同，在进行分析前需要将数据集矩阵D进行去量纲化，使其映射到[-1，1]的值空间中，考虑到数据特点，选择最值归一化法对数据的每列分别进行处理，归一化公式为：
Figure 730159DEST_PATH_IMAGE049
式中：
Figure 885066DEST_PATH_IMAGE050
为归一化后数据，
Figure 653302DEST_PATH_IMAGE051
为原始输入数据，
Figure 99326DEST_PATH_IMAGE052
、
Figure 885886DEST_PATH_IMAGE053
为原始数据的最小值和最大值。
根据时间步长，建立滑动时间窗切割数据，将数据矩阵转化为模型的输入序列矩阵，转化为[采样点数，时间步长，特征数]的三维张量格式，转换后的数据矩阵形式为[6495,5,11]。
如图4构造的初始BiLSTM预测模型网络结构。构造的初始预测模型网络结构主要由输入层、三层BiLSTM层、三层Dropout层、Dense层和输出层组成。输入层主要用于将每个时刻的作动系统部件运行参数数据输入给模型，t时刻的模型输入为：
Figure 962426DEST_PATH_IMAGE054
。BiLSTM层用来将特征数据转化为高维特征矩阵，对时刻t的输入进行计算，输出飞机作动系统的舵面偏转角度信号数据的双向时序特征，三层BiLSTM层足以拟合任意非线性函数，因此选择层数为三层。Dropout层用来对BiLSTM层输出的双向时序特征按照指定的抛弃率进行随机抛弃，用来防止过拟合，并且提高预测模型的鲁棒性。Dense层用于将上一层的输出进行非线性变换，增强时序特征输出和预测结果间的联系。输出层用来输出预测结果。
结合具体实例和搜索效率的基础上设定超参数的搜索约束空间，可以根据实际需求更改此约束空间，本次试验约束空间的设定如下表所示：
Figure 529543DEST_PATH_IMAGE055
接下来需要确定优化算法的适应度函数，选取预测误差的均方误差函数MSE和训练时间t作为适应度函数，并计算种群中每个个体的适应度。适应度函数的计算公式如下：
Figure 451362DEST_PATH_IMAGE056
Figure 171056DEST_PATH_IMAGE057
式中：
Figure 402187DEST_PATH_IMAGE058
为样本总数，
Figure 207331DEST_PATH_IMAGE059
为预测值，
Figure 182110DEST_PATH_IMAGE060
为真实值，
Figure 756310DEST_PATH_IMAGE061
结束时间，
Figure 909074DEST_PATH_IMAGE062
为开始时间。
在处理连续变化的变量问题时，NSGA-II算法比传统遗传算法和粒子群优化算法等多目标优化算法相比具有全局能力强、收敛速度快等优势，但仍存在一些缺陷。针对传统NSGA－II的缺陷，根据实际问题，做出改进。
1.在进化迭代过程中，标准的NSGA-II算法新生种群数量始终为固定值，但是在实际迭代更新的过程中，全局搜索能力和局部寻优能力在不同的时期有着不同的需求。
2.标准的NSGA-II算法在种群初始化时一般采用随机生成的方式，使得种群均匀性较差，可能导致初始种群的遍历性较差，在迭代初期很快便陷入局部最优陷阱。
针对上述缺陷，改进方面主要如下两点：
a)子种群数量动态调整机制：标准NSGA-II算法的思想是在初始化种群的第二代开始，将初始父代子群和第一代子群合并，新的父代种群是通过上一代的父种群经过非支配排序后，分配相应的非支配paretro等级，并且计算出每个非支配层中的个体拥挤度
Figure 185204DEST_PATH_IMAGE063
，然后以paretro等级为首要条件挑选出优质的个体，若paretro等级的下一层个体数量超出种群个体要求时，则以拥挤度作为备选条件，在下一层的众多个体中，抽取相应数量的合适个体组成新的父代种群，然后再通过遗传算法的基本操作产生新的子代种群，以此迭代，直到迭代次数结束或者达到实验要求后结束。
在迭代更新过程中，交叉变异产生的子种群的能力决定了算法的全局搜索能力和局部寻优能力，在迭代过程中，新生种群数量始终为固定值，但是在实际迭代更新的过程中，全局搜索能力和局部寻优能力在不同的时期有着不同的需求，在迭代的前中期，算法需要更强的全局搜索能力，一次来增加种群的多样性，防止其陷入局部最优解，而在迭代的后期则对算法的局部寻优能力有着更大的需求，以便于在全局最优区间附近找到更优的解。为了解决标准NSGA-II算法的上述问题，使算法在不同的迭代时期均衡其全局搜索能力和局部寻优能力的不同强度，提出一种能够根据迭代次数采用非线性动态调整选取精英个体数量
Figure 979984DEST_PATH_IMAGE064
的方法，公式如下所示
Figure 143112DEST_PATH_IMAGE065
式中：
Figure 716045DEST_PATH_IMAGE066
为第t次更新后选择子种群数量，
Figure 699045DEST_PATH_IMAGE067
为初始种群数量，t为迭代次数，
Figure 77942DEST_PATH_IMAGE068
为设定的迭代总数，
Figure 298839DEST_PATH_IMAGE069
，
Figure 121302DEST_PATH_IMAGE070
为设定的最大种群数量和最小种群数量，为根据具体优化目标来设定，但是具有约束条件为
Figure 575285DEST_PATH_IMAGE071
。
子种群精英个体数量
Figure 446290DEST_PATH_IMAGE072
随迭代进程变化如附图5所示，可以看出使用该更新机制后，INSGA算法在迭代前期，其精英种群的数量择取更多，具有更强的全局搜索能力，同时加强了种群的多样性，随后逐渐降低全局搜索能力，直至迭代中期，仍以寻找全局最优值为主，在全局范围内搜寻到更优的解区域，避免陷入局部最优陷阱，迭代后期在逐步确定最优解范围后，降低精英种群的择取数量，加快算法在最优点附近的收敛速度，并在最后回归到具体问题的约定种群数量，完成整个寻优过程。
b)混沌虫口模型映射实数编码进行初始化种群，标准的NSGA-II算法在种群初始化时一般采用随机生成的方式，使得种群均匀性较差，可能导致初始种群的遍历性较差，在迭代初期很快便陷入局部最优陷阱。因此提出采用混沌虫口模型映射实数编码进行初始化种群，混沌映射生成的序列在其解空间内具有较为均匀分布且具有很强的随机性，因此能够提高初始种群的遍历性，虫口映射模型表示为：
Figure 36540DEST_PATH_IMAGE073
，其中
Figure 233166DEST_PATH_IMAGE074
式中：
Figure 971184DEST_PATH_IMAGE075
为混沌虫口模型映射生成的序列，
Figure 380299DEST_PATH_IMAGE076
为控制参数，
Figure 356214DEST_PATH_IMAGE077
的取值和
Figure 458163DEST_PATH_IMAGE076
息息相关，随着
Figure 168630DEST_PATH_IMAGE076
的取值越大，
Figure 630704DEST_PATH_IMAGE078
序列的取值范围越大，当
Figure 8596DEST_PATH_IMAGE076
=4时，
Figure 265134DEST_PATH_IMAGE079
时系统进入混沌状态，混沌虫口模型趋近于满映射，分布最均匀，因此设定
Figure 931738DEST_PATH_IMAGE076
=4，
Figure 479394DEST_PATH_IMAGE078
=0.30，
Figure 961060DEST_PATH_IMAGE080
表示染色体基因位的上界，在本次优化任务中代表种群个体数量。
接着使用改进的INSGA-II算法优化模型超参数。
具体流程如图6所示，步骤如下：
（1）输入待优化参数和初始混沌参数。
（2）使用混沌虫口模型映射初始化种群，生成N个个体作为初始父代种群，输入自定义初始交叉概率、变异概率。设置进化代数Gen=1。
（3）初始种群进行选择、交叉、变异操作生成第一代子种群，将父代种群和子代种群合并为新种群。Gen=Gen+1。
（4）对新种群执行快速非支配排序、拥挤度计算。
（5）根据子种群数量动态调整机制，以非支配排序等级和拥挤度为衡量标准，在新种群找出
Figure 404811DEST_PATH_IMAGE081
个精英个体组成新父代子群。
（6）判定是否达到最大迭代次数，若没有达到最大迭代次数，执行Gen=Gen+1，进入下一次迭代循环，若满足，则输出Pareto最优解，算法结束。
构造完预测模型和超参数优化模型后，将状态预测模型和超参数优化模型融合，构造出INSGA-BiLSTM飞机作动系统状态预测模型。构造模型结构如附图7所示，具体实施步骤为：
（1）首先将超参数优化模型嵌入BiLSTM预测模型中，使用初始超参数组合配置BiLSTM预测模型，然后BiLSTM预测模型迭代计算并输出相应的适应度函数值；
（2）通过INSGA-II算法优化BiLSTM预测模型超参数后，将该参数配置到BiLSTM预测模型中；BiLSTM预测模型进行迭代计算并输出相应的适应度函数值；
（3）根据步骤（2）输出的适应度函数值通过改进的INSGA-II算法对超参数进行优化；
（4）根据优化结果更新BiLSTM预测模型配置；
（5）判断是否达到终止条件，若未达到则返回迭代循环，进入步骤（3），若满足则输出最优的BiLSTM预测模型配置，并得到输出结果。
最后，将获得的标准输入数据集输入至INSGA-BiLSTM飞机作动系统状态预测模型中得到飞机作动系统状态的预测结果。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的远离和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种面向飞机作动系统的状态预测方法，其特征在于，步骤如下：
Step1、建立数据获取源：建立飞机作动系统物理仿真模型，以飞机真实QAR数据作为激励源，加载到飞机作动系统物理仿真模型中，建立飞机各部件的数据获取源；
Step2、数据采集和预处理：根据需求在飞机作动系统物理仿真模型上加装相应的传感器获取飞机部件的运行参数，然后采集相应的检测数据；选取检测数据中的时序数据进行预处理形成标准输入数据集；
Step3、搭建飞机作动系统状态的BiLSTM预测模型；BiLSTM预测模型包括有输入层、三层BiLSTM层、三层Dropout层、Dense层和输出层；
输入层用于将每个时刻的作动系统部件运行参数数据输入给BiLSTM层；
BiLSTM层用于将特征数据转化为高维特征矩阵，通过对输入的作动系统部件运行参数数据进行计算，输出作动系统部件运行参数数据的双向时序特征；
Dropout层用于对BiLSTM层输出的双向时序特征按照指定的抛弃率进行随机抛弃；
Dense层用于将Dropout层的输出进行非线性变换；
输出层用来输出预测结果；
Step4、对现有的INSGA-II算法进行改进，并使用改进的INSGA-II算法优化BiLSTM预测模型的超参数，得到超参数优化模型，其中改进后的INSGA-II算法公式如下：
Figure 27554DEST_PATH_IMAGE001
式中：
Figure 633110DEST_PATH_IMAGE002
为第t次更新后选择子种群数量，
Figure 350530DEST_PATH_IMAGE003
为初始种群数量，t为迭代次数，
Figure 932690DEST_PATH_IMAGE004
为设定的迭代总数，
Figure 419166DEST_PATH_IMAGE005
，
Figure 930044DEST_PATH_IMAGE006
为设定的最大种群数量和最小种群数量；
使用改进后的INSGA-II算法进一步优化BiLSTM预测模型超参数的步骤为：
Step41、输入待优化的超参数和初始混沌参数；
Step42、使用混沌虫口模型映射实数编码进行初始化种群，生成N个个体作为初始父代种群，输入自定义初始交叉概率、变异概率；设置进化代数Gen=1；
Step43、初始种群进行选择、交叉、变异操作生成第一代子种群，将父代种群和子代种群合并为新种群；Gen=Gen+1；
Step44、对新种群执行快速非支配排序、拥挤度计算；
Step45、根据子种群数量动态调整机制，以非支配排序等级和拥挤度为衡量标准，在新种群找出
Figure 134760DEST_PATH_IMAGE007
个精英个体组成新父代子群；
Step46、判定是否达到最大迭代次数，若没有达到最大迭代次数，执行Gen=Gen+1，进入下一次迭代循环，若满足，则输出Pareto最优解，算法结束；
Step5、将BiLSTM预测模型和超参数优化模型融合，构造出INSGA-BiLSTM飞机作动系统状态预测模型；将BiLSTM预测模型和超参数优化模型融合的具体步骤如下：
Step51、首先将超参数优化模型嵌入BiLSTM预测模型中，使用初始超参数组合配置BiLSTM预测模型，然后BiLSTM预测模型迭代计算并输出相应的适应度函数值；
Step52、通过INSGA-II算法优化BiLSTM预测模型超参数后，将该参数配置到BiLSTM预测模型中；BiLSTM预测模型进行迭代计算并输出相应的适应度函数值；
Step53、根据Step52输出的适应度函数值通过改进的INSGA-II算法对超参数进行优化；
Step54、根据优化结果更新BiLSTM预测模型配置；
Step55、判断是否达到终止条件，若未达到则返回迭代循环，进入步骤Step53，若满足则输出最优的BiLSTM预测模型配置，并得到输出结果；
Step6、将Step2中获得的标准输入数据集输入至INSGA-BiLSTM飞机作动系统状态预测模型中得到飞机作动系统状态的预测结果。
2.根据权利要求1所述的一种面向飞机作动系统的状态预测方法，其特征在于：Step1中，在仿真环境下，建立的飞机作动系统物理仿真模型包括指令输入模块、控制器模块、电液伺服阀模块、作动筒模块、两套液压供应系统模块、作动负载模块、铰链牵引模块以及外部的气动载荷模块。
3.根据权利要求2所述的一种面向飞机作动系统的状态预测方法，其特征在于：Step2中采集到的飞机部件的运行参数为D=[T，S1，V1，V2，V3，A1，A2，A3，N，P，R]；T为时间，S1代表控制信号输入，V1代表电液伺服阀的输出端口工作压力、V2代表质量流量、V3代表工作温度，A1为作动筒的活塞位移量、A2为作动系统功率、A3代表活塞移动速度，N代表输入杆受力，P代表飞机气压高度，R代表舵面偏转角度信号。
4.根据权利要求3所述的一种面向飞机作动系统的状态预测方法，其特征在于：Step2中的时序数据进行预处理的操作为：首先将时序数据归一化为无量纲的标准数据，然后根据时间步长建立滑动时间窗切割数据，将归一化处理后的标准数据转化为BiLSTM预测模型的标准输入数据集。
5.根据权利要求1所述的一种面向飞机作动系统的状态预测方法，其特征在于：Step4中，对NSGA-II进行改进，采用混沌虫口模型映射实数编码进行初始化种群，混沌虫口模型表示为：
Figure 68081DEST_PATH_IMAGE008
，其中
Figure 923911DEST_PATH_IMAGE009
式中：
Figure 589378DEST_PATH_IMAGE010
为混沌虫口模型映射生成的序列，
Figure 828861DEST_PATH_IMAGE011
为控制参数，
Figure 237977DEST_PATH_IMAGE012
表示种群个体数量。
6.根据权利要求1所述的一种面向飞机作动系统的状态预测方法，其特征在于：Step4中，使用改进的INSGA-II算法优化BiLSTM预测模型的超参数前还包括有如下步骤：
S1、选取待优化的超参数；
S2、设定超参数的搜索约束空间；
S3、选取预测误差的均方误差函数MSE和训练时间t作为适应度函数，并计算种群中每个个体的适应度；适应度函数的计算公式如下：
Figure 948313DEST_PATH_IMAGE013
Figure 112578DEST_PATH_IMAGE014
式中：
Figure 26307DEST_PATH_IMAGE015
为样本总数，
Figure 989846DEST_PATH_IMAGE016
为预测值，
Figure 367738DEST_PATH_IMAGE017
为真实值，
Figure 624276DEST_PATH_IMAGE018
结束时间，
Figure 87618DEST_PATH_IMAGE019
为开始时间。
CN202210946875.5A 2022-08-09 2022-08-09 一种面向飞机作动系统的状态预测方法 Active CN115017832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210946875.5A CN115017832B (zh) 2022-08-09 2022-08-09 一种面向飞机作动系统的状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210946875.5A CN115017832B (zh) 2022-08-09 2022-08-09 一种面向飞机作动系统的状态预测方法

Publications (2)

Publication Number Publication Date
CN115017832A CN115017832A (zh) 2022-09-06
CN115017832B true CN115017832B (zh) 2022-10-25

Family

ID=83066000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210946875.5A Active CN115017832B (zh) 2022-08-09 2022-08-09 一种面向飞机作动系统的状态预测方法

Country Status (1)

Country Link
CN (1) CN115017832B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108750125A (zh) * 2018-05-25 2018-11-06 太原理工大学 一种液电混合驱动的飞机作动系统
CN111352650A (zh) * 2020-02-25 2020-06-30 杭州电子科技大学 一种基于insga-ii的软件模块化多目标优化方法及系统
CN112380760A (zh) * 2020-10-13 2021-02-19 重庆大学 基于多算法融合的多目标工艺参数智能优化方法
CN113887787A (zh) * 2021-09-15 2022-01-04 大连理工大学 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
CN114004165A (zh) * 2021-11-05 2022-02-01 中国民航大学 一种基于BiLSTM的民航单机组意图建模方法
CN114065635A (zh) * 2021-11-22 2022-02-18 中国民航大学 基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法及存储介质
CN114297910A (zh) * 2021-11-26 2022-04-08 中国民航大学 一种基于改进lstm的航空发动机寿命预测方法
CN114565182A (zh) * 2022-03-22 2022-05-31 南通大学 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906270B (zh) * 2021-02-08 2022-02-11 同济大学 基于数据驱动-力学模型融合的道面结构性能分析方法及系统
CN114117794A (zh) * 2021-11-26 2022-03-01 中国航空工业集团公司西安飞行自动控制研究所 一种基于功能模块化的飞行管理仿真测试方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108750125A (zh) * 2018-05-25 2018-11-06 太原理工大学 一种液电混合驱动的飞机作动系统
CN111352650A (zh) * 2020-02-25 2020-06-30 杭州电子科技大学 一种基于insga-ii的软件模块化多目标优化方法及系统
CN112380760A (zh) * 2020-10-13 2021-02-19 重庆大学 基于多算法融合的多目标工艺参数智能优化方法
CN113887787A (zh) * 2021-09-15 2022-01-04 大连理工大学 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
CN114004165A (zh) * 2021-11-05 2022-02-01 中国民航大学 一种基于BiLSTM的民航单机组意图建模方法
CN114065635A (zh) * 2021-11-22 2022-02-18 中国民航大学 基于IALO-AM-BiLSTM模型的飞机地面空调能耗预测方法及存储介质
CN114297910A (zh) * 2021-11-26 2022-04-08 中国民航大学 一种基于改进lstm的航空发动机寿命预测方法
CN114565182A (zh) * 2022-03-22 2022-05-31 南通大学 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于BiLSTM代理模型的RFID标签天线快速多目标设计";洪涛 等;《微波学报》;20210228;第37卷(第1期);21-27页 *

Also Published As

Publication number Publication date
CN115017832A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN109934337B (zh) 一种基于集成lstm的航天器遥测数据异常的检测方法
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
CN109376413B (zh) 基于数据驱动的在线神经网络故障诊断方法
CN112380765B (zh) 一种基于改进平衡优化器算法的光伏电池参数识别方法
CN110470259A (zh) 基于lstm的滑坡位移动态预测方法
CN112733462A (zh) 一种结合气象因素的超短期风电场功率预测方法
CN109471698B (zh) 云环境下虚拟机异常行为检测系统和方法
CN113110104B (zh) 一种单编组列车制动智能化级联试验系统
CN115271186B (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
CN112464996A (zh) 基于LSTM-XGBoost的智能电网入侵检测方法
CN115995810A (zh) 一种考虑气象波动自适应匹配的风电功率预测方法及系统
Boujamza et al. Attention-based LSTM for remaining useful life estimation of aircraft engines
CN115017832B (zh) 一种面向飞机作动系统的状态预测方法
CN111444569A (zh) 一种基于改进粒子群算法的梁结构测点优化方法
Li et al. Aero-engine exhaust gas temperature prediction based on LightGBM optimized by improved bat algorithm
CN115294674B (zh) 一种无人艇航行状态的监测评估方法
CN102749199A (zh) 基于esn的涡轮发动机的剩余寿命预测方法
Peng et al. Meteorological satellite operation prediction using a BiLSTM deep learning model
Ma et al. Network traffic prediction based on seq2seq model
CN114201914A (zh) 一种基于bp神经网络的固体发动机试验数据分析方法
Ma et al. Fault Diagnosis and Handling of the Two-Dimensional Tracking Servo System for Space
He et al. NARNET-based prognostics modeling for deteriorating systems under dynamic operating conditions
CN114234392A (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
Zhang et al. Runway visual range prediction based on ensemble learning
CN105956720A (zh) 一种基于t-s模糊模型的风电功率超短期预测方法

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