CN115204241A - 考虑故障时间定位的深度学习微小故障诊断方法和系统 - Google Patents
考虑故障时间定位的深度学习微小故障诊断方法和系统 Download PDFInfo
- Publication number
- CN115204241A CN115204241A CN202210983480.2A CN202210983480A CN115204241A CN 115204241 A CN115204241 A CN 115204241A CN 202210983480 A CN202210983480 A CN 202210983480A CN 115204241 A CN115204241 A CN 115204241A
- Authority
- CN
- China
- Prior art keywords
- time
- fault
- module
- time sequence
- sensor
- 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.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种考虑故障时间定位的深度学习微小故障诊断方法和系统,包括:获取待诊断高超声速飞行器在当前时刻前Tw段时间内的目标传感器的时序观测量;将时序观测量与待诊断高超声速飞行器的标称系统对应观测量之间的残差,确定目标状态变量集合;通过Transformer模型中的编码模块,对目标状态变量集合进行敏感特征细化,得到细化时序特征;将细化时序特征作为训练好的时间卷积网络的输入数据、利用训练好的时间卷积网络对待诊断高超声速飞行器进行故障诊断,得到故障类型序列输出;基于故障类型序列输出,确定故障发生时间。本发明缓解了现有技术中存在的精度较低且故障发生时间无法定位的技术问题。
Description
技术领域
本发明涉及微小故障诊断技术领域,尤其是涉及一种考虑故障时间定位的深度学习微小故障诊断方法和系统。
背景技术
高动态临近空间飞行器是指在20~100km的临近空间中以5倍以上声速飞行的飞行器。因其高速、快机动响应的特点,作为多种先进技术应用的飞行器平台,具有极强的突防能力,使其成为当今世界范围内最先进有效的突防武器。随着现代科学技术的发展,复杂高精度设备被广泛应用于高动态临近空间飞行器机载系统。由于强干扰飞行气动环境和复杂结构动态参数,高动态临近空间飞行器表现出强非线性,其机载部件故障表现出多样性、耦合性、继发性和不确定性。一旦发生超冗余限制或被动容错容忍度范围的显著故障,高动态临近空间飞行器的战场生存能力、作战寿命和打击能力都会被大大削弱。而显著故障往往由缓变的微小故障随战时积累演化而来。因此,对微小故障的准确、实时识别,利用诊断得到的故障信息设计主动容错控制率,可以降低或避免显著故障的发生,提升高动态临近空间飞行器的飞行可靠性。
优选的故障诊断系统能够提供完备的故障信息给容错控制系统,所以,以主动容错为目的的实时故障诊断需要实现:(1)故障分离;(2)故障时间定位;(3)故障识别。现有技术集中关注于故障辨识,却忽视了故障发生时间的重要影响。通常认为故障被检测出的时刻为故障发生时间,并以故障发生瞬间的大小代替此时的真实大小作为故障识别结果。但对于高动态临近空间飞行器这样的复杂非线性系统来说,由于故障表现耗时所诊断时延是不可能完全消除的。特别地,微小故障具有故障特征不明显、容易被噪声和扰动掩盖的特点,诊断时延进一步增加,时延内故障大小发展导致差异明显。因此,现有技术中对于飞行器微小故障的诊断,存在着精度较低且故障发生时间无法定位的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种考虑故障时间定位的深度学习微小故障诊断方法和系统,以缓解现有技术中存在的精度较低且故障发生时间无法定位的技术问题。
第一方面,本发明实施例提供了一种考虑故障时间定位的深度学习微小故障诊断方法,包括:获取待诊断高超声速飞行器在当前时刻前Tw段时间内的目标传感器的时序观测量;将所述时序观测量与所述待诊断高超声速飞行器的标称系统对应观测量之间的残差,确定目标状态变量集合;通过Transformer模型中的编码模块,对所述目标状态变量集合进行敏感特征细化,得到细化时序特征;将所述细化时序特征作为训练好的时间卷积网络的输入数据、利用所述训练好的时间卷积网络对所述待诊断高超声速飞行器进行故障诊断,得到故障类型序列输出;基于所述故障类型序列输出,确定故障发生时间。
进一步地,对所述目标状态变量集合进行敏感特征细化,得到细化时序特征,包括:通过线性投影操作,将所述目标状态变量集合映射至高维特征空间,得到空间通道细化特征;为所述空间通道细化特征加盖对应时间戳,并进行多粒度扫描和筛选操作,得到精英特征;对所述精英特征进行多头自注意处理,得到所述细化时序特征。
进一步地,所述目标传感器包括:惯性导航系统传感器和嵌入式大气数据传感系统传感器;所述时序观测量包括:所述惯性导航系统传感器的攻角时序观测量、所述嵌入式大气数据传感系统传感器的攻角时序观测量和互补滤波器联合时序观测量。
进一步地,还包括:建立所述待诊断高超声速飞行器的标称系统模型、传感器模型和微小故障模型。
第二方面,本发明实施例还提供了一种考虑故障时间定位的深度学习微小故障诊断系统,包括:获取模块,确定模块,特征细化模块和故障诊断模块;其中,所述获取模块,用于获取待诊断高超声速飞行器在当前时刻前Tw段时间内的目标传感器的时序观测量;所述确定模块,用于将所述时序观测量与所述待诊断高超声速飞行器的标称系统对应观测量之间的残差,确定目标状态变量集合;所述特征细化模块,用于通过Transformer模型中的编码模块,对所述目标状态变量集合进行敏感特征细化,得到细化时序特征;所述故障诊断模块,用于将所述细化时序特征作为训练好的时间卷积网络的输入数据、利用所述训练好的时间卷积网络对所述待诊断高超声速飞行器进行故障诊断,得到故障类型序列输出;所述故障诊断模块,还用于基于所述故障类型序列输出,确定故障发生时间。
进一步地,所述特征细化模块,还用于:通过线性投影操作,将所述目标状态变量集合映射至高维特征空间,得到空间通道细化特征;为所述空间通道细化特征加盖对应时间戳,并进行多粒度扫描和筛选操作,得到精英特征;对所述精英特征进行多头自注意处理,得到所述细化时序特征。
进一步地,所述目标传感器包括:惯性导航系统传感器和嵌入式大气数据传感系统传感器;所述时序观测量包括:惯性导航系统传感器的攻角时序观测量、嵌入式大气数据传感系统传感器的攻角时序观测量和互补滤波器联合的时序观测量。
进一步地,还包括训练模块,用于对预设时间卷积网络进行训练,得到所述训练好的时间卷积网络。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第四方面,本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第一方面所述方法。
本发明提供了一种考虑故障时间定位的深度学习微小故障诊断方法和系统,通过将Transformer模型的Encoder结构与时间卷积网络(Temporal Convolutional Networks,TCN)相融合,完成从顺序分布处理到基于注意力的记忆机制的根本转变,构造端到端的深度学习网络。本发明运用TCN的并行处理能力,得到包含高精度的故障类型和故障发生时间信息的序列输出,缓解了现有技术中存在的精度较低且故障发生时间无法定位的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1为本发明实施例提供的一种考虑故障时间定位的深度学习微小故障诊断方法的流程图;
图2为本发明实施例提供的一种深度学习故障诊断模型结构示意图;
图3为本发明实施例提供的一种考虑故障时间定位的深度学习微小故障诊断系统的示意图;
图4为本发明实施例提供的另一种考虑故障时间定位的深度学习微小故障诊断系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
实施例一:
图1是根据本发明实施例提供的一种考虑故障时间定位的深度学习微小故障诊断方法的流程图。如图1所示,该方法具体包括如下步骤:
步骤S102,获取待诊断高超声速飞行器在当前时刻前Tw段时间内的目标传感器的时序观测量。其中,Tw为预设时间段。
可选地,目标传感器包括:惯性导航系统传感器和嵌入式大气数据传感系统传感器;时序观测量包括:惯性导航系统传感器的攻角时序观测量、嵌入式大气数据传感系统传感器的攻角时序观测量和互补滤波器的联合时序观测量。该互补滤波器的联合时序观测量是将惯性导航系统传感器的攻角时序观测量和嵌入式大气数据传感系统传感器的攻角时序观测量通过互补滤波器后得到的。
步骤S104,将时序观测量与待诊断高超声速飞行器的标称系统对应观测量之间的残差,确定目标状态变量集合。
步骤S106,通过Transformer模型中的编码模块,对目标状态变量集合进行敏感特征细化,得到细化时序特征。
步骤S108,将细化时序特征作为训练好的时间卷积网络的输入数据、利用训练好的时间卷积网络对待诊断高超声速飞行器进行故障诊断,得到故障类型序列输出。
步骤S110,基于故障类型序列输出,确定故障发生时间。
本发明提供了一种考虑故障时间定位的深度学习微小故障诊断方法,通过将Transformer模型的Encoder结构与时间卷积网络(Temporal Convolutional Networks,TCN)相融合,完成从顺序分布处理到基于注意力的记忆机制的根本转变,构造端到端的深度学习网络。本发明运用TCN的并行处理能力,得到包含高精度的故障类型和故障发生时间信息的序列输出,缓解了现有技术中存在的精度较低且故障发生时间无法定位的技术问题。
在本发明实施例中,还包括:建立待诊断高超声速飞行器的标称系统模型、传感器模型和微小故障模型。
具体的,为了获得接近飞行器工作在真实工况下的正常及多种微小故障状态下的传感器数据,建立高保真的高超声速飞行器控制系统模型和常见故障模型。
高超声速飞行器具有飞行环境复杂性、气动参数的多变性以及高马赫数的特点。建立了面向控制的高超声速飞行器姿态系统模型:
式中,g为高超声速飞行器的当地重力加速度,α、β、μ为分别为攻角、侧滑角、速度滚转角,ωx、ωy、ωz为高超声速飞行器的三轴姿态角速度,L、C为升力和侧向力,Ix、Iy、Iz分别为高超声速飞行器的三轴转动惯量,lA、mA、nA分别为高超声速飞行器受到的滚转、偏航和俯仰气动力矩,MRCSx、MRCSy、MRCSz分别为反应控制系统(Reaction Control System,RCS)系统提供的滚转、偏航和俯仰力矩。V是高超声速飞行器的飞行速度,θc、为高超声速飞行器在惯性坐标系下的航迹倾斜角,m为高超声速飞行器的质量。分别为α、β、μ、ωx、ωy、ωz的导数。
将姿态状态公式改写为仿射非线性的姿态模型并进行小扰动线性化处理,得到线性化状态空间模型:
整理为高超声速飞行器姿态多输入多输出MIMO系统模型:
其中x1=[α,β,μ]T,x2=[ωx,ωy,ωz]T。
在姿态线性模型的基础上,设计了高超声速飞行器RCS姿态控制系统,以RCS系统为执行器,采用终端滑模控姿态控制算法和控制分配群组法进行姿态控制。RCS系统由8个具有恒定推力的开关型喷流推力器构成,其中,1,2,3,4号推力器与坐标轴平行,5,6,7,8号推力器为斜向推力器。
应用PWPF调制方法来进行RCS系统控制分配的指令调制,建立RCS系统控制分配推力器模型如下:
其中FC是控制分配算法中得到的理想变推力,FRCS是推力器产生的恒定推力,E为PWPF调制的输入,UM为调制的脉冲幅值,Km和τm为惯性环节传递函数常数,Uon和Uoff是开关机电压。Ton和Toff为经过调制后的开机时间和关机时间。
进一步设计高超声速飞行器终端滑模姿态控制器,滑模面为:
S=C1·[α,β,μ]T+C2·[ωx,ωy,ωz]T+C3([α,β,μ]T)q/p
滑模控制律为:
Mc=-(C2B2)-1[C1A11[α,β,μ]T+C1A12[ωx,ωy,ωz]T+C2A21[ωx,ωy,ωz]T+C2A22[ωx,ωy,ωz]T+(q/p)C3diag(α(q-p)/pβ(q-p)/pμ(q-p)/p)(A11[α,β,μ]T+A12[ωx,ωy,ωz]T)+κ1(S/||S||)]
其中,p和q都是奇数,且满足2q>p。C1、C2和C3为系数矩阵,||||为取范数,κ1为正数。
在姿态控制系统中,观测量为传感器输出,不失一般性的针对高超声速飞行器纵向通道,考虑测量攻角的传感器系统,由惯性导航系统(Inertial Navigation System,INS)和嵌入式大气数据传感系统(Flush Air Data Sensing System,FADS)组成。
FADS通过测量机头不同位置的总压解算得到飞行器的姿态信息,建立FADS传感器模型如下:αFADS=α+(2·rand(1)-1)·αnoise;
式中,αnoise为随机噪声幅值。
传感器系统采用互补滤波器进行FADS和INS的数据融合,得到真实无偏差的大气数据集,设计互补滤波器为:
其中,τ为互补滤波器时间常数,由INS和FADS的固有频率决定。αf为互补滤波器输出,s为复参变量。
INS传感器数据偏差故障:
INS传感器增益变化故障:
FADS传感器数据偏差故障:
RCS推力器推力缓慢降低故障:
RCS推力器开关延时增加故障:
微小故障对控制系统的影响体现在观测量的变化,所以本发明中确定状态变量集合为INS传感器攻角观测量、FADS传感器攻角观测量和互补滤波器的传感器联合观测量与标称系统的对应观测量之间的残差组成,其中标称系统不考虑系统扰动和传感器噪声。特别的,通过将当前时刻(t=0)前Tw段时间内的传感器时序数据小波包能量特征作为当前时刻的多维时频特征,完成初步机理性特征生成,则t时刻的状态变量集合可以表示为:
X(t)=[E(αINS(t),n),E(αFADS(t),n),E(αf(t),n)]
其中,E(α,n)表示小波包分解至n层的能量特征。至此,实现了传感器数据在特征层的融合。
可选地,步骤S106还包括如下步骤:
步骤S1061,通过线性投影操作,将目标状态变量集合映射至高维特征空间,得到空间通道细化特征。
步骤S1062,为空间通道细化特征加盖对应时间戳,并进行多粒度扫描和筛选操作,得到精英特征。
步骤S1063,对精英特征进行多头自注意处理,得到细化时序特征。
具体的,在本发明实施例中,在获得了观测量残差的多源融合传感器特征输入后,通过线性投影操作将原输入数据映射至高维特征空间实现特征在空间通道的细化:
其中Wx为权重系数矩阵,i为数据在数据集中的序号。xt为t时刻的状态变量集合。
Encoder通过“位置编码”操作对并行处理的时序特征进行分辨,该操作被应用于对每个历史和未来时刻进行编码,为每个待嵌入的残差数据加盖对应时间戳:x(i,t)=Pt+e(i,t);其中,时间戳定义为:
确保了数据总时间步长度内特定时刻的唯一性。D为Encoder输出向量空间维度,d=1,2,…,D。时间戳在输出向量的不同位置有不同的值,kc表示时间戳的位置,故表示输出向量中位于2kc位置的时间戳的值,表示输出向量中位于2kc-1位置的时间戳的值。
微小故障在初期不明显,在时频域内都极易与噪声特征重叠,故障诊断系统被期望能够利用有限的观测数据发现故障的初期征兆。为了实现以上目标,本发明设计了多粒度扫描层,对通过滑动窗口长度为Tw的时间窗进行截取得到的信号的能量输入特征进行时间通道细化,解决了Encoder只关注整个数据尺度下的时序数据关系的问题,加强了Encoder对时序数据在不同尺度的相关性表现。
多粒度扫描层利用扫描滤波器沿时间维度对输入的加盖时间戳的张量执行1d卷积操作。k,p为粒度参数,k表示内核大小,p表示填充大小。对于特定的s个粒度,扫描滤波器分别在每个尺度上处理输入张量得到拥有时间维度为的张量,每个粒度中同时设置D个滤波器以保证多传感器特征维度。在时间特征被多粒度细化以后,选取精英特征作为最终处理结果:
经过线性投影层和多粒度扫描层后,输入的时序特征在时空双重域被细化,对得到的分布式表达进行多头自注意处理,通过h个自注意力模块并行计算实现。对于j个自注意力模块,可训练的超参数查询向量关键点向量和价值向量分别由查询矩阵WQ,关键点矩阵WK和价值矩阵WV决定并一同构成了注意力的权值计算机制:
式中,dk=D/h为超参数矩阵的维度。在每个自注意力模块计算完成后,平行注意计算被应用于实现来自不同表征子空间的信息整合:
式中,WA为注意力矩阵,Concat(·)为张量拼接。h为多头自注意力模块中的自注意力模块数量。前馈全连接模块由线性变换和ReLU激活函数组成,以相同的权值作用与每个观测时间步:
在本发明实施例中,TCN层由L个残差块组成,每个残差块由两个膨胀-因果TCN基本层组成。其中残差块中的计算可表示为:
o=Activation(s(i)+F(s(i)))
其中,每个残差网络包含两个膨胀-因果TCN基本层和非线性映射,在个基本层输出后中同时加入了权重归一化(WeightNorm)和Dropout层进行网络正则化。
具体地,由残差块所构建的TCN网络在进行卷积计算时,通过以下公式对待测数据进行特征信息提取:
其中,表示故障特征数据,kTCN表示卷积核大小,j表示累计次数因子,ΘTCN(j)表示有ReLU激活的滤波器,l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,…,2L]。
在空间维度添加全连接层将输出从高维特征空间映射回一维输出空间:
进一步,为获得类别的分类式整数输出,设置阈值θTHR∈(0,1),得到最终故障类型序列输出,每个时刻的输出值为:
同样的,根据故障类型序列输出可以确定故障发生时间:
至此,基于多粒度Encoder和TCN的端到端故障诊断模型构建完毕。图2为根据本发明实施例提供的一种深度学习故障诊断模型结构示意图。
高超声速飞行器微小故障诊断算法通过离线训练本发明实施例所构建的深度学习故障诊断模型学习故障类型和故障发生时间与INS和FADS传感器多元融合观测量的非线性关系,训练好的模型将直接应用于在线诊断阶段,在高超声速飞行器的姿态控制过程中实现准确的实时的故障分离和故障时间定位。
在离线训练过程中,反向传播算法利用Adam优化器最小化误差实现非线性拟合,损失函数定义如下:
为了清晰的描述本发明的目的和技术方案,结合以下仿真实例,对本发明实施例提供的方法进行进一步详细说明。
仿真实例的初始条件为x=z=0,h=33.5km,V=15Ma,系统姿态变量初值为[ωx,ωy,ωz,α,β,μ]=[0,0,0,2°,0.5°,0.5°]。期望姿态为攻角、侧滑角和速度滚转角为0°。RCS系统采用8个对称安装的推力器,沿体轴yoz平面中,设推力F与Z轴夹角为θ,推力F距离质心的垂直距离为d;在xoy平面中,推力F与质心的距离为L。其中θ=60°,d=0.3m,L=3m,固定推力F=1500N。PWPF调制的设计参数为Km=7.7856,τm=0.12976,Uon=0.45,Uoff=0.15。INS噪声Vnoise=0.1m/s,FADS噪声αnoise=0.022°。
故障参数设置为:
在以上条件下运行多次仿真,仿真时间为3s,采样时间为0.001s,在1.5s时向仿真模型分别注入不同类型的故障以获得训练数据,在不同时刻向仿真模型分别注入不同类型的故障以获得测试数据。
利用滑动窗口长度为Tw=0.6s,滑动距离为Ts=0.02s的滑动时窗截取训练数据并添加标签组成训练集和测试集。输入层采用db1小波对长度为的传感器信号分别进行3层小波包分解后拼接,进行传感器数据特征层多源融合。Encoder特征提取层中参数设置为D=512,多粒度扫描滤波器选取k=1,3,5三个粒度,对应的填充大小p=0,1,2,整个Encoder层由4个基本层组成,每个多头自注意力模块都有8个注意力头。TCN分类器由卷积核大小为kTCN=3的8个残差模块组成,隐含层通道数为25。模型离线训练时,批大小设置为30,最大迭代次数为50次,训练集和测试集大小设置为8:2。
实验结果表明本发明所提出的方法能够在两个滑动时间内诊断出故障并实现微小故障的分离。平均算法运行时间为0.1274s,小于滑动距离Ts,不会造成数据的堆栈,满足实时性要求。故障时间定位时延为0.04s,故障诊断准确率为86.48%。
由以上描述可知,本发明实施例提供了一种考虑故障时间定位的深度学习微小故障实时诊断新方法,通过将Transformer的Encoder结构与TCN相融合,完成从顺序分布处理到基于注意力的记忆机制的根本转变,构造端到端的深度学习网络。优于现有技术的是,本发明实施例将多尺度扫描机制引入Encoder,进一步细化时空特征,结合Encoder强大的多维空间映射和泛化能力,得到敏感特征的分布式语义表达,进一步运用TCN的并行处理能力,得到包含高精度的故障类型和故障发生时间信息的序列输出。
实施例二:
图3为根据本发明实施例提供的一种考虑故障时间定位的深度学习微小故障诊断系统的示意图。如图3所示,该系统包括:获取模块10,确定模块20,特征细化模块30和故障诊断模块40。
具体地,获取模块10,用于获取待诊断高超声速飞行器在当前时刻前Tw段时间内的目标传感器的时序观测量。其中,Tw为预设时间段。
可选地,目标传感器包括:惯性导航系统传感器和嵌入式大气数据传感系统传感器;时序观测量包括:惯性导航系统传感器的攻角时序观测量、嵌入式大气数据传感系统传感器的攻角时序观测量和互补滤波器的联合时序观测量。
确定模块20,用于将时序观测量与待诊断高超声速飞行器的标称系统对应观测量之间的残差,确定目标状态变量集合。
特征细化模块30,用于通过Transformer模型中的编码模块,对目标状态变量集合进行敏感特征细化,得到细化时序特征。
可选地,特征细化模块30,还用于:通过线性投影操作,将目标状态变量集合映射至高维特征空间,得到空间通道细化特征;为空间通道细化特征加盖对应时间戳,并进行多粒度扫描和筛选操作,得到精英特征;对精英特征进行多头自注意处理,得到细化时序特征。
故障诊断模块40,用于将细化时序特征作为训练好的时间卷积网络的输入数据、利用训练好的时间卷积网络对待诊断高超声速飞行器进行故障诊断,得到故障类型序列输出。
故障诊断模块40,还用于基于故障类型序列输出,确定故障发生时间。
本发明提供了一种考虑故障时间定位的深度学习微小故障诊断系统,通过将Transformer模型的Encoder结构与时间卷积网络(Temporal Convolutional Networks,TCN)相融合,完成从顺序分布处理到基于注意力的记忆机制的根本转变,构造端到端的深度学习网络。本发明运用TCN的并行处理能力,得到包含高精度的故障类型和故障发生时间信息的序列输出,缓解了现有技术中存在的精度较低且故障发生时间无法定位的技术问题。
图4为根据本发明实施例提供的另一种考虑故障时间定位的深度学习微小故障诊断系统的示意图。如图4所示,还包括训练模块50,用于对预设时间卷积网络进行训练,得到训练好的时间卷积网络。
本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例一中的方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,程序代码使处理器执行上述实施例一中的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种考虑故障时间定位的深度学习微小故障诊断方法,其特征在于,包括:
获取待诊断高超声速飞行器在当前时刻前Tw段时间内的目标传感器的时序观测量;
将所述时序观测量与所述待诊断高超声速飞行器的标称系统对应观测量之间的残差,确定目标状态变量集合;
通过Transformer模型中的编码模块,对所述目标状态变量集合进行敏感特征细化,得到细化时序特征;
将所述细化时序特征作为训练好的时间卷积网络的输入数据、利用所述训练好的时间卷积网络对所述待诊断高超声速飞行器进行故障诊断,得到故障类型序列输出;
基于所述故障类型序列输出,确定故障发生时间。
2.根据权利要求1所述的方法,其特征在于,对所述目标状态变量集合进行敏感特征细化,包括:
通过线性投影操作,将所述目标状态变量集合映射至高维特征空间,得到空间通道细化特征;
为所述空间通道细化特征加盖对应时间戳,并进行多粒度扫描和筛选操作,得到精英特征;
对所述精英特征进行多头自注意处理,得到所述细化时序特征。
3.根据权利要求1所述的方法,其特征在于,所述目标传感器包括:惯性导航系统传感器和嵌入式大气数据传感系统传感器;
所述时序观测量包括:所述惯性导航系统传感器的攻角时序观测量、所述嵌入式大气数据传感系统传感器的攻角时序观测量和互补滤波器的联合时序观测量。
4.根据权利要求1所述的方法,其特征在于,还包括:建立所述待诊断高超声速飞行器的标称系统模型、传感器模型和微小故障模型。
5.一种考虑故障时间定位的深度学习微小故障诊断系统,其特征在于,包括:获取模块,确定模块,特征细化模块和故障诊断模块;其中,
所述获取模块,用于获取待诊断高超声速飞行器在当前时刻前Tw段时间内的目标传感器的时序观测量;
所述确定模块,用于将所述时序观测量与所述待诊断高超声速飞行器的标称系统对应观测量之间的残差,确定目标状态变量集合;
所述特征细化模块,用于通过Transformer模型中的编码模块,对所述目标状态变量集合进行敏感特征细化,得到细化时序特征;
所述故障诊断模块,用于将所述细化时序特征作为训练好的时间卷积网络的输入数据、利用所述训练好的时间卷积网络对所述待诊断高超声速飞行器进行故障诊断,得到故障类型序列输出;
所述故障诊断模块,还用于基于所述故障类型序列输出,确定故障发生时间。
6.根据权利要求5所述的系统,其特征在于,所述特征细化模块,还用于:
通过线性投影操作,将所述目标状态变量集合映射至高维特征空间,得到空间通道细化特征;
为所述空间通道细化特征加盖对应时间戳,并进行多粒度扫描和筛选操作,得到精英特征;
对所述精英特征进行多头自注意处理,得到所述细化时序特征。
7.根据权利要求5所述的系统,其特征在于,所述目标传感器包括:惯性导航系统传感器和嵌入式大气数据传感系统传感器;
所述时序观测量包括:所述惯性导航系统传感器的攻角时序观测量、所述嵌入式大气数据传感系统传感器的攻角时序观测量和互补滤波器的联合时序观测量。
8.根据权利要求5所述的系统,其特征在于,还包括训练模块,用于对预设时间卷积网络进行训练,得到所述训练好的时间卷积网络。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-4任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983480.2A CN115204241A (zh) | 2022-08-16 | 2022-08-16 | 考虑故障时间定位的深度学习微小故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983480.2A CN115204241A (zh) | 2022-08-16 | 2022-08-16 | 考虑故障时间定位的深度学习微小故障诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204241A true CN115204241A (zh) | 2022-10-18 |
Family
ID=83585141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210983480.2A Pending CN115204241A (zh) | 2022-08-16 | 2022-08-16 | 考虑故障时间定位的深度学习微小故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204241A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830402A (zh) * | 2023-02-21 | 2023-03-21 | 华东交通大学 | 一种细粒度图像识别分类模型训练方法、装置及设备 |
-
2022
- 2022-08-16 CN CN202210983480.2A patent/CN115204241A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830402A (zh) * | 2023-02-21 | 2023-03-21 | 华东交通大学 | 一种细粒度图像识别分类模型训练方法、装置及设备 |
CN115830402B (zh) * | 2023-02-21 | 2023-09-12 | 华东交通大学 | 一种细粒度图像识别分类模型训练方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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. | Neural network based adaptive dynamic surface control for cooperative path following of marine surface vehicles via state and output feedback | |
CN111650948B (zh) | 一种可底栖式auv的水平面轨迹快速跟踪控制方法 | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
Kang et al. | Deep convolutional identifier for dynamic modeling and adaptive control of unmanned helicopter | |
Shin et al. | Adaptive support vector regression for UAV flight control | |
Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
CN107727097B (zh) | 基于机载分布式位置姿态测量系统的信息融合方法和装置 | |
Ai et al. | Diagnosis of sensor faults in hypersonic vehicles using wavelet packet translation based support vector regressive classifier | |
Emami et al. | Multimodel ELM-based identification of an aircraft dynamics in the entire flight envelope | |
Titouna et al. | An online anomaly detection approach for unmanned aerial vehicles | |
CN115204241A (zh) | 考虑故障时间定位的深度学习微小故障诊断方法和系统 | |
Lerro et al. | Advantages of neural network based air data estimation for unmanned aerial vehicles | |
Raol et al. | Aircraft parameter estimation using recurrent neural networks-A critical appraisal | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
Zhang et al. | An integrated navigation method for small-sized AUV in shallow-sea applications | |
CN117390498B (zh) | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 | |
CN111216126A (zh) | 基于多模态感知的足式机器人运动行为识别方法及系统 | |
Han et al. | Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles | |
Pinguet et al. | A Neural Autopilot Training Platform based on a Matlab and X-Plane co-simulation | |
Li et al. | Aircraft sensor fault diagnosis method based on residual antagonism transfer learning | |
CN116026325A (zh) | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 | |
CN115979669A (zh) | 一种无人车故障检测方法及系统 | |
Yuqi et al. | Time-varying parameters estimation with adaptive neural network EKF for missile-dual control system | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 |
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 |