CN115345071B - 基于实例迁移的航天设备内部多余物定位方法及设备 - Google Patents

基于实例迁移的航天设备内部多余物定位方法及设备 Download PDF

Info

Publication number
CN115345071B
CN115345071B CN202210961627.8A CN202210961627A CN115345071B CN 115345071 B CN115345071 B CN 115345071B CN 202210961627 A CN202210961627 A CN 202210961627A CN 115345071 B CN115345071 B CN 115345071B
Authority
CN
China
Prior art keywords
positioning
redundant
redundancy
data
model
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
CN202210961627.8A
Other languages
English (en)
Other versions
CN115345071A (zh
Inventor
王国涛
孙志刚
张志昊
张敏
吴倩玉
赵相江
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.)
Harbin Yu Gao Electronic Technology Co ltd
Original Assignee
Heilongjiang 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 Heilongjiang University filed Critical Heilongjiang University
Priority to CN202210961627.8A priority Critical patent/CN115345071B/zh
Publication of CN115345071A publication Critical patent/CN115345071A/zh
Application granted granted Critical
Publication of CN115345071B publication Critical patent/CN115345071B/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]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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

Abstract

基于实例迁移的航天设备内部多余物定位方法及设备，属于航天检测技术领域。为了解决现有的航天设备内部多余物定位方法需要存在多余物定位资源利用率低的问题。本发明在当面对新的待测航天设备时，首先制作航天设备模型，包含少量数据的新定位数据集被建立。然后利用TrAdaBoost算法对新定位数据集进行知识学习，将具有较大权重的数据被筛选，并被添加到行定位数据集中，构建迁移训练数据集。在迁移训练数据集上训练多余物定位模型被，并采用网格搜索法被用来对XGBoost集成分类器进行参数寻优，利用最优的多余物定位模型可以用于实物测试。本发明用于航天设备内部多余物定位。

Description

基于实例迁移的航天设备内部多余物定位方法及设备
技术领域
本发明属于航天检测技术领域，具体涉及一种航天设备内部多余物定位方法及设备。
背景技术
航天设备是指航天电源、航天发动机、火箭发动机和航天电子单机这些具有电磁屏蔽和密封防水等功能的封闭式构造的电子设备或控制系统，或大型设备与大型系统内部的重要组件，主要用来完成航天领域中的通信、定位、导航和飞行控制等任务。由于航天设备的特殊性，通常采用手工装联的方式进行航天设备的装配，它包含导线剥皮、引线剪脚、搪锡等诸多环节。在各个环节都有可能将诸如铜导线段、锡粒、铝屑、铁片、纤维丝、导线皮和垫圈等微粒封装在航天设备内部。这些由外部进入或内部产生的破坏设备或系统内部原有物理状态的微粒称为多余物。
在失重、超重、剧烈冲击及振动等条件下，航天设备内部多余物会做无规则的随机运动。体态较大的多余物可能会与设备内侧壁摩擦、碰撞，存在严重的静电隐患。甚至它们可能会撞击设备内部原有的组件，使部分组件损坏或失效。体态较小的多余物可能会附着在电路表面，或堵塞电路表面元器件的线路，造成短路或断路现象。这些都会使航天设备局部功能失效、工作异常甚至烧毁。在大型航天设备中，多余物问题可能会导致航天设备严重故障，致使航天发射任务失败，甚至引发重大航天事故和人员伤亡。
为解决多余物问题，美国宇航局最早提出了微粒碰撞噪声检测(Particle ImpactNoise Detection,PIND)法。图1是PIND法的检测原理图，其基本流程：首先，被测试件被固定在声发射传感器平台上。耦合剂被添加到两者之间，起到固定被测试件与耦合生成信号的作用。声发射传感器平台与振动台被连接为一个整体。隔离器被添加到两者之间，来避免声发射传感器平台受到振动台产生的机械噪声的影响。其次，正弦/冲击信号发生器被用来驱动振动台处于冲击或振动状态，来激活被测试件内部的多余物处于随机运动状态，使其与内侧壁或内部组件发生碰撞。接着，在耦合剂的作用下，声发射传感器最大限度的感应和捕捉碰撞产生的应力波，将其转化成电信号，也即多余物信号。然后，捕获的多余物信号被输入到PIND检测电路进行处理，包括信号放大、信号滤波和调制解调等，可以得到高质量的多余物信号。最后，多余物信号以电压波形和声音信号的形式输出。这样，检测人员通过观察示波器或收听扬声器，完成多余物存在与否的判断。
在此后很长一段时间里，许多专家学者对如何提高多余物存在与否的判断准确率展开了深入研究，包括激活多余物的振动条件、多余物信号的有效捕捉与深度处理、多余物信号与组件信号的识别等。在此基础上，一系列的多余物检测标准被制定出来，多余物存在与否的精准判断也能够实现。需要说明的是，进入21世纪以来，随着美国设计、制造和装配工艺的不断完善，航天设备内部存在多余物的问题得到了有效控制。此后，美国开展的关于多余物检测的研究近乎停滞。俄罗斯、日本等发达国家因各自工业条件的限制，对多余物检测研究的投入也大幅减少。其它国家基本上是参考和借鉴美国制定的相关标准，如MIL-R-83536军用标准，很少开展独立的多余物检测研究。
随着中国航天事业的快速发展，中国的专家学者相继展开了关于多余物检测的系统性研究。值得说明的是，他们中的很多人开始将研究重点转移到多余物信号上，以期从多余物信号中挖掘出更多可供参考的多余物信息。如多余物的材质、多余物的重量、多余物的体积、多余物的位置等。高宏亮等人分析了离散化多余物信号中的脉冲包络，使用径向基函数神经网络实现金属与非金属材质的多余物的分类。在此基础上，他提出了一种多余物材质特征提取方法，并给出了三种判断多余物材质的特征量定义方法。乌英嘎深入研究了基于星载电子设备的多余物存在与否的判断方法和多余物材质识别方法。邢通等人研制了一种星载电子设备多余物自动检测系统，该系统能够自动化判别多余物存在与否与多余物的材质。戚乐等人研制了航天发动机多余物检测装置，装置的设计过程中研究了多余物有无的判别算法、多余物位置的定位算法与多余物粒径的识别算法。郭亮深入研究了适用火箭发动机的多余物检测装置与检测方法，实现了多余物存在与否的判断，同时给出了多余物的坐标位置。郜雷阵深入研究了基于机器学习的密封电子设备内部多余物定位方法，基于随机森林算法训练了多余物定位模型，参数优化后的模型取得了较为理想的定位精度。燕会臻深入研究了基于机器学习的多余物材质识别技术，提出了多余物材质识别方案，实现了金属、非金属多余物的高精度分类，以及六种不同材质多余物的有效识别。高亚杰等人提出了一种基于多域联合特征的密封继电器多余物材质识别方法，将多余物信号转化成声谱图，并训练基于随机森林的分类模型进行不同多余物材质的识别。李硕深入研究了基于监督学习的多余物微粒重量估计技术，实现对密封继电器和密封电子元器件的数据集进行多余物重量的定性和定量分析。刘海江等人提出了基于聚类的高精密航天器多余物粒径特征识别方法，构建了多余物粒径特征识别模型，实现对不同粒径的焊锡粒材质的多余物的有效识别。
对于任意一个待测航天设备，目前一般是先迁移到对航天设备模型进行研究，训练一个适用的多余物模型。再将多余物定位模型用于待测航天设备的定位测试。所以，对于每一个待测航天设备，都需要完成这个“个性化定制”的过程，这将带来巨大的资源浪费。尤其是其中的从多余物信号到多余物定位数据集的过程，需要耗费大量的时间完成特征提取、特征优化、特征选择等处理步骤。
发明内容
本发明为了解决现有的航天设备内部多余物定位方法需要存在多余物定位资源利用率低的问题。
基于实例迁移的航天设备内部多余物定位方法，包括以下步骤：
S1、根据新的待测航天设备的形状和体积，设计等比例的航天设备模型；用隔板将航天设备模型内部分隔为多个相等的密闭空间，并对各个密闭空间进行编号；
先选择在编号为1的密闭空间内放入事先准备的多余物样本；多余物样本是从之前航天设备中检测出的多余物中选择的；
S2、将含有多余物的航天设备模型固定到PIND硬件平台，驱动振动台对航天设备模型施加力学激励，激发内部多余物产生碰撞或滑动状态，进而生成多余物信号；
S3、由多余物自动检测系统提供的多个声发射传感器捕获生成的多余物信号，多个声发射传感器设置在航天设备模型表面的不同位置；
然后将多余物信号转换成电信号后经高屏蔽性能的数据传输线传输至多余物自动检测系统内部进行信号的处理，并保存为数字格式的多余物信号；
S4、对数字多余物信号进行分帧处理与端点检测，得到多个帧信号；从每个帧信号中计算定位特征的具体数值，将多个帧信号形成一条一维特征向量，进而得到一条定位数据；
针对多个帧信号得到多条定位数据；将这多条定位数据的标签全部设置为“1”，与当前放置多余物的密闭空间的编号一致；
定位特征指的是从时域、频域和梅尔频率倒谱系数中提取和保留的用于多余物定位的声音特征；
S5、按顺序将多余物放置到编号为2的密闭空间内，重复S1至S4的步骤得到多条标签为“2”的定位数据；
同样地，通过依次将多余物放置到编号为3,4,5,……,n的密闭空间里，对应得到多条标签为“3,4,5,……,n”的定位数据；
S6、量重S1至S5建立一个新多余物定位数据集；
S7、获取与的待测航天设备结构相同、尺寸相近的航天设备对应的数据集，记为源数据集；
利用TrAdaBoost算法过滤源数据集中与新多余物定位数据集不相似的数据，保留数据分布相似的数据；将保留的源数据添加到新多余物定位数据集中，建立迁移训练数据集；
S8、在迁移训练数据集上训练基于XGBoost集成分类器的多余物定位模型，并使用网格搜索法对其附属参数进行优化得出最优参数组合，将最优参数组合对应的多余物定位模型作为最佳多余物定位模型；
S9、将新的待测航天设备固定到PIND硬件平台，对其施加力学激励，使其内部未知位置的多余物产生碰撞或滑动状态；重复S3至S4，得到多条不带标签的迁移定位数据，即待预测的迁移定位数据；使用最佳多余物定位模型来预测这多条迁移定位数据的标签，使用多数表决处理对多个预测结果进行处理，得到多余物定位结果。
进一步地，S3所述保存为数字格式的多余物信号的过程中，是将多余物信号以“.dat”格式的信号文件进行保存。
进一步地，所述定位特征包括时间延迟，脉冲上升时间，脉冲幅值，脉冲能量，均方根电压，过零率，频谱质心，频谱标准差，均方根频率，频率标准差，第1维静态特征至第13维静态特征，第1、3、6、9维一阶动态特征，第1、2、3、5、6、13维二阶动态特征。
进一步地，S3所述的多个声发射传感器为4个谐振式声发射传感器。
进一步地，多个帧信号形成的一条一维特征向量长度为133，即4个谐振式声发射传感器对应的132个特征数值和1个标签。
进一步地，S3所述的进行信号的处理的过程包括：信号调理、信号滤波。
进一步地，所述航天设备模型的材质与航天设备的组成材质相同。
进一步地，用隔板将航天设备模型内部分隔为多个相等的密闭空间的隔板材料与航天设备模型的材质相同。
一种计算机存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于实例迁移的航天设备内部多余物定位方法。
一种基于实例迁移的航天设备内部多余物定位设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于实例迁移的航天设备内部多余物定位方法。
有益效果：
本发明提出了一种基于实力迁移学习的航天设备内部多余物定位方法。具体的，在现有多余物定位数据集(源数据集)的基础上，针对同种结构、不同尺寸或相似结构、相近尺寸的新的待测航天设备，本发明在少量执行现有多余物定位方法规定的试验步骤的基础上，建立一个包含少量数据的新多余物定位数据集(目标数据集)。通过寻找源数据集中与目标数据集中相似的数据，将筛选的定位数据增加到新定位数据集中，形成迁移训练数据集。通过在迁移训练数据集上训练基于XGBoost集成分类器的多余物定位模型，并进行参数优化设计，得到适用新航天设备的多余物定位模型。本发明的主要贡献如下：
(1)这是首次将基于实例的迁移学习方法引入到多余物定位的研究中，验证了现有多余物定位方法应用陌生航天设备的可行性与可靠性，提高了现有多余物定位资源的利用率。
(2)提出了TrAdaBoost-XGBoost的多余物迁移定位模型。利用TrAdaBoost算法完成源定位数据的筛选，构建了迁移训练数据集。训练基于XGBoost集成分类器的分类器，通过参数寻优构建了最优的多余物定位模型。
(3)参考机器学习中对分类精度(或预测精度)的描述，给出了设备级多余物定位精度的定义。通过对分类结果的处理，实现了从分类器层面的分类精度到多余物定位模型层面的定位精度的转换，使定位结果更具有参考价值和工程应用价值。
(4)这是对多余物定位研究，以及多余物检测研究的重要补充。所提出的TrAdaBoost-XGBoost的多余物迁移定位模型可以应用于多余物材质与多余物重量识别的研究中。对提高航天设备内部多余物的清理工作意义重大，间接保证了航天系统的可靠性。
附图说明
图1为PIND法的检测示意图。
图2为多余物定位试验系统结构框图。
图3为TrAdaBoost算法的示例说明图，其中图3(a)仅有少量标注的训练数据，难以进行有效分类；图3(b)在大量标注的源训练数据的基础上，可以得出分类面；图3(c)某些情况下，源训练数据可能会导致误分类；图3(d)TrAdaBoost算法增加被误分类的新训练数据的权重，减小被误分类的源训练数据的权重，往正确的方向移动调整分类面。
图4为TrAdaBoost算法的工作机制示意图。
图5为航天设备与航天设备模型；其中图5(a)某型号的航天电源实物图；图5(b)密闭空间的划分规则示意图。
图6为航天设备模型内部密闭空间的划分规则示意图。
具体实施方式
针对背景技术中的问题，实际上对于两个结构相同、尺寸不同的航天设备，或两个结构相似、尺寸相近的航天设备，对应建立的两个定位数据集之间存在一定的关联性，甚至相似性。因此，如果事先经过大量的微粒碰撞噪声检测试验，建立了一个多余物定位数据集。当面对一个结构相同、尺寸不同的新航天设备，或一个结构相似、尺寸相近的新航天设备，一般考虑只进行少量的微粒碰撞噪声检测试验，建立一个含有少量数据的新多余物定位数据集。代替的是，根据新多余物定位数据集的数据分布特点，从源多余物定位数据集中筛选那些与其相似的数据。将筛选的数据添加到新多余物定位数据集中，建立一个包含大量数据的新多余物定位数据集。在此基础上，可以训练基于不同机器学习分类算法的分类器，并对分类器进行参数优化，得到所需的多余物定位模型。
这种从源数据集(源域)到目标数据集(目标域)的数据筛选过程，实际上就是基于实例的迁移过程。实际上，基于实例迁移当然也在一定程度上影响了待检测航天设备的数据的空间分布，也会影响到检测的准确率，为了解决上述问题，因此提出了本发明的基于实例迁移的航天设备内部多余物定位方法，下面结合具体实施方式对本发明进行详细说明。
具体实施方式一：结合图2说明本实施方式，图2为多余物定位试验系统，该系统由三部分组成，第一部分(左边部分)是PIND硬件平台，第二部分(中间部分)是多余物自动检测系统，第三部分(右边部分)是算法处理，主要在上位机完成。
为了说明本实施方式所述的基于实例迁移的航天设备内部多余物定位方法，首先对不考虑实例迁移时，利用机器学习技术进行航天设备内部多余物定位的过程进行说明，其包括以下步骤：
步骤一：根据待测航天设备的形状和体积，设计等比例的航天设备模型。需要说明的是，制作航天设备模型的材质与航天设备侧壁的组成材质相同，以保证应力作用下产生多余物信号的一致性。人为的用相同组成材质的隔板将航天设备模型内部分隔为多个相等的密闭空间，并对各个密闭空间进行编号。我们先选择在编号为1的密闭空间内放入事先准备的多余物样本。需要说明的是，多余物样本是从之前航天设备中检测出的多余物中选择的。
步骤二：将含有多余物的航天设备模型固定到PIND硬件平台，驱动振动台对航天设备模型施加力学激励，激发内部多余物产生碰撞或滑动状态，进而生成多余物信号。
步骤三：由多余物自动检测系统提供的四个声发射传感器捕获生成的多余物信号，四个声发射传感器根据事先设定的布局规则放置在航天设备模型表面的不同位置，可以根据实际情况和现有技术技术确定即可；然后将多余物信号转换成电信号后经高屏蔽性能的数据传输线传输至多余物自动检测系统内部，进行信号的处理，包括：信号调理、信号滤波、同步采集等，处理后四通道的多余物信号以“.dat”格式的信号文件保存在上位机。需要说明的是，信号文件实际上就是数字格式的多余物信号。
步骤四：对数字多余物信号进行分帧处理与端点检测，得到多个帧信号。从每个帧信号中可以计算33个同类型定位特征的具体数值，并可以形成一条一维特征向量，进而得到一条定位数据。以此类推，多个帧信号就可以得到多条定位数据。我们将这多条定位数据的标签全部设置为“1”，与步骤一中当前放置多余物的密闭空间的编号一致。需要说明的是，33个同类型定位特征指的是从时域、频域和梅尔频率倒谱系数中提取和保留的对多余物定位贡献大的声音特征。
以在航天设备模型内部编号为1的密闭空间内产生并保存为“.dat”文件格式的一段数字多余物信号为例，我们对其进行分帧处理。通过端点检测，我们可以获取有效脉冲的起始帧与终止帧。经过统计，我们从这段数字多余物信号中共得到133个有效帧信号。我们从每个帧信号分别计算33个同类型定位特征的具体数值，形成133个一维特征向量，进而得到133条定位数据。表1列出了33个同类型定位特征的详细信息。从表中可以看出，这33个同类型特征分别来源时域、频域和梅尔频率倒谱系数。需要说明的是，这些特征是本发明在前期研究中从多域的声音特征中筛选并保留的，它们是被验证对多余物定位的研究产生重要影响的。考虑到文章篇幅的限制及本发明的研究重点，这里不对该过程进行详细描述。
表1 33个同类型定位特征的详细信息
Figure BDA0003792973850000071
Figure BDA0003792973850000081
静态特征表示标准的倒谱参数，第1维至第13维静态特征即经过离散余弦变换处理后得到的排名前13的离散点的梅尔倒谱；一阶动态特征是对13维的静态特征做一阶差分处理，二阶动态特征是对13维的静态特征做二阶差分处理。
实际上，133条定位数据都是1×133规格的特征向量。其中，“1”表示定位数据是一维的，“133”代表每条定位数据对应132个计算的特征数值和1个标签。我们对“132个计算的特征数值和1个标签”进行详细说明。每次生成的多余物信号是被四个声发射传感器同时采集的，并且最终保存为4个“.dat”文件格式的数字多余物信号。我们对四个数字多余物信号进行分帧处理和端点检测，寻找四个数字多余物信号中在时间刻度上对应重合的有效帧信号。如前所述，我们最终确认在四个数字多余物信号中都存在的133个有效帧信号。我们以时间刻度为标准，按照时间先后顺序依次计算四个数字多余物信号中每个帧信号的特征数值。以第一个帧信号为例，第一个数字多余物信号中的第一个帧信号可以计算得到33个同类型定位特征的数值，第二个至第四个数字多余物信号中的第一个帧信号均可以计算得到33个同类型定位特征的数值。由此可以看出，实际上，对于在时间刻度上对应相同的一个帧信号，我们综合同时采集的四个多余物信号，最终是可以得到33×4＝132个特征数值的。同时，考虑到此时多余物是放置在编号为1的密闭空间内，所以我们将这133条定位数据的标签都设置为“1”。
步骤五：调整步骤一中放置多余物的密闭空间，即按顺序将多余物放置到编号为2的密闭空间内。重复步骤一至步骤四的步骤，就可以得到多条标签为“2”的定位数据。依次类推，通过依次将多余物放置到编号为3,4,5,……,n的密闭空间里，可以对应得到多条标签为“3,4,5,……,n”的定位数据。我们重复多次上述循环，可以建立代表多余物在航天设备模型内部不同密闭空间的定位数据集。通过对定位数据集进行不完备数据和特征优化处理，得到高质量的定位数据集。所述的特征优化处理包括：特征标准化和特征选择。
步骤六：在定位数据集上训练基于XGBoost集成分类器的多余物定位模型，并使用网格搜索法对其固有参数进行优化设计，得出最优参数组合，进而得到最终性能最佳的多余物定位模型，可以用于实物测试。
步骤七：将待测航天设备固定到PIND硬件平台，对其施加力学激励，使其内部未知位置的多余物产生碰撞或滑动状态。重复步骤三至步骤四，得到多条不带标签的定位数据，即待预测的定位数据。我们使用多余物定位模型来预测这多条定位数据的标签，并对这多个预测结果进行“多数表决”，决定这多条定位数据的共同标签。共同标签对应的密闭空间的编号也就是预测的多余物的位置，即多余物被预测在哪个密闭空间内。至此，多余物常规定位方法的具体实施步骤描述结束。
在常规的机器学习算法中，尤其是统计学习算法中，我们要求训练集与测试集中的数据必须服从相同或相近的数据分布。这样，常规的机器学习算法能够取得比较理想的分类效果。与此对立的是，如果训练集与测试集中数据的数据分布不同时，常规的机器学习算法并不能取得的较好的分类效果。因此，我们希望通过一种算法来处理训练集与训练集中数据的数据分布不一致，即解决它们来自不同数据源的情况。
我们考虑这样一种情况：通过少量的试验，我们获得了一定数量的新训练数据，这些新训练数据与新测试数据的数据分布相同。需要说明的是，新训练数据的数量比较少，不足以直接被用来训练一个可靠的分类器。与此同时，我们拥有大量的源训练数据。不同的是，源训练数据与新训练数据、新测试数据的数据分布并不一致。我们考虑使用一种基于Boosting思想的迁移学习算法，来解决前文所述的具有不同数据分布的数据之间的知识迁移问题。该算法的基本思路是，尽管源训练数据与新训练数据之间的数据分布存在一些差异，但是肯定会存在一定数量的源训练数据与新训练数据的数据分布较为相似。我们可以将这些数据纳入考虑，将它们与新训练数据结合来构建新的数据集，用于训练一个可靠的分类器。
AdaBoost算法能够最大限度的利用源训练数据实现新测试数据的分类，算法的关键思路是利用Boosting思想来过滤源训练数据中那些与新训练数据的数据分布最不相似的数据，保留有用的数据。其中，Boosting思想的作用是建立一套自动调整权重的机制，这样，源训练数据中那些重要数据的权重会增加，不重要数据的权重会减小。通过这种方式，可以得到每条源训练数据的权重，那些带有较大权重的源训练数据可以作为补充的新训练数据，与原有的新训练数据合并，共同建立迁移训练数据集，用来训练新的分类器。具体的，在该算法中，AdaBoost算法被用来对新训练数据进行处理，以保证分类器在新训练数据上能够取得较高的分类精度。Hedge(β)被用来对源训练数据进行处理，来实现源训练数据的重要度的自动调节。在此基础上，我们可以推广得到一个新的基于Boosting思想的迁移学习算法，称为Transfer AdaBoost算法，或者简称为TrAdaBoost。图3(a)至图3(d)给出了TrAdaBoost算法的一个简单示例。
在AdaBoost算法中，如果一个训练数据被误分类，那么AdaBoost算法会认为它是一个比较难的训练数据。因此，AdaBoost算法会增加这个训练数据的权重，用来强调它。这样，在进行下一轮分类的时候，这个数据被误分类的概率就会减小。而在TrAdaBoost算法中，基础的AdaBoost算法仍然被用来对新训练数据集Tb进行处理。对于源训练数据集Ta，如果其中的一些数据被误分类，那么它们会被AdaBoost算法认为与目标数据不同。因此，AdaBoost算法会减小这些源训练数据的权重，以此来降低它们对分类的影响。需要说明的是，TrAdaBoost算法是通过Hedge(β)来实现降低源训练数据的权重的操作。TrAdaBoost算法的工作机制如图4所示。
从上述分析中可以看出，对源训练数据采用不同的权重调整策略是AdaBoost算法与TrAdaBoost算法之间最大的区别。算法1给出了一个严格的TrAdaBoost算法描述。从算法描述中可以发现，如果某个源训练数据在某一轮的算法迭代中被误分类，则TrAdaBoost算法会认为这个数据与新训练数据是矛盾的，从而降低这个数据的权重。具体的，它会赋予
Figure BDA0003792973850000101
的权重，其中
Figure BDA0003792973850000102
ht(xi)表示分类模型给出的某个数据的预测值，c(xi)表示这个数据的真实值。
通过这种方式，被误分类的训练数据在下一轮的算法迭代中就会比之前少对分类模型产生一些影响。这样，在经过若干轮的算法迭代后，TrAdaBoost算法会赋予源训练数据中那些与新训练数据相似的数据更高的权重，会降低那些与新训练数据不相似的数据的权重。最终可以发现，拥有更高权重的源训练数据的数据分布就越接近新训练数据，它们可以被选择出来与新训练数据共同构建迁移训练数据集，并由此训练一个可靠的分类模型。
Figure BDA0003792973850000103
Figure BDA0003792973850000111
在上面多余物定位方法的具体实施步骤的基础上，本发明提出一种基于实例迁移的航天设备内部多余物定位方法。同时，我们在现有多余物定位数据集(源训练数据集)的基础上，针对待测的新航天设备，按照具体实施步骤，建立一个含有少量数据的新多余物定位数据集。新多余物定位数据集被划分为新训练数据集与新测试数据集。我们利用TrAdaBoost算法实现源训练数据集到新训练数据集的实例迁移，构建迁移训练数据集。在此基础上，我们训练基于XGBoost集成分类器的多余物定位模型，并对其附属参数进行优化。至此，TrAdaBoost-XGBoost的多余物迁移定位模型构建完成。对于多余物定位模型给出的分类结果，我们结合实际进行“多数表决”处理，并由此给出设备级多余物定位精度的定义。
需要说明的是，基于实例迁移的多余物定位方法是在现有多余物定位方法的基础上开展的研究。具体来说，是在已经建立的适用固定结构或形状的航天设备的多余物定位数据集的基础上，面对结构相同、尺寸不同的新航天设备，或结构相似、尺寸相近的新航天设备时，如何在训练少量适用新航天设备模型的新多余物定位数据集的前提下，从现有多余物定位数据集中找出那些与新多余物数据集相似的数据，建立一个新的迁移训练数据集，并在迁移训练数据集上训练基于XGBoost集成分类器的多余物定位模型，其具体实施步骤如下：
步骤(1)：根据新的待测航天设备的形状和体积，设计等比例的航天设备模型。其中，新航天设备模型的其他设计要求与前述一致。少量重复前述多余物定位方法的具体实施步骤中的步骤一至步骤五，建立一个含有少量数据的新多余物定位数据集。
步骤(2)：利用TrAdaBoost算法来过滤现有的多余物定位数据集(源数据集)中那些与新多余物定位数据集不相似的数据，保留那些数据分布较为相似的数据。我们将保留的源定位数据添加到新多余物定位数据集中，建立迁移训练数据集。
步骤(3)：在迁移训练数据集上训练基于XGBoost集成分类器的多余物定位模型，并使用网格搜索法对其附属参数进行优化，得出最优参数组合，进而得到性能最佳的多余物定位模型，可以用于实物测试。
步骤(4)：将新的待测航天设备固定到PIND硬件平台，对其施加力学激励，使其内部未知位置的多余物产生碰撞或滑动状态。重复前述步骤三至步骤四，得到多条不带标签的迁移定位数据，即待预测的迁移定位数据。我们使用多余物定位模型来预测这多条迁移定位数据的标签，并对这多个预测结果进行“多数表决”，决定这多条迁移定位数据的共同标签。即预测的当前多余物所在密闭空间的编号。至此，基于实例迁移的多余物定位方法的具体实施步骤描述结束。
具体实施方式二：
本实施方式为一种计算机存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于实例迁移的航天设备内部多余物定位方法。
应当理解，包括本发明描述的任何方法对应的可以被提供为计算机程序产品、软件或计算机化方法，其可以包括其上存储有指令的非暂时性机器可读介质，所述指令可以用于编程计算机系统，或其他电子装置。存储介质可以包括但不限于磁存储介质，光存储介质；磁光存储介质包括：只读存储器ROM、随机存取存储器RAM、可擦除可编程存储器(例如，EPROM和EEPROM)以及闪存层；或者适合于存储电子指令的其他类型的介质。
具体实施方式三：
本实施方式为基于实例迁移的航天设备内部多余物定位设备，所述设备包括处理器和存储器，应当理解，包括本发明描述的任何包括处理器和存储器的设备，设备还可以包括其他通过信号或指令进行显示、交互、处理、控制等以及其他功能的单元、模块；
所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于实例迁移的航天设备内部多余物定位方法。
实施例
数据集描述：
在前期的研究过程中，本实施方式以长方体结构的某型号航天电源为研究对象，其基本尺寸为80cm×80cm×80cm。按照前述多余物定位方法的具体实施步骤，我们设计了等比例的航天设备模型，如图5(a)和图5(b)所示。我们用相互正交的三块薄板将航天设备模型内部空间划分为8个小的密闭空间。实际上，这也表明我们建立的多余物定位数据集中包含8种标签的定位数据。需要说明的是，三块薄板的材质与航天设备模型的材质一样。
按照后续的具体实施步骤，本发明进行了大量的PIND检测试验，采集了大量的多余物信号。经过一系列的处理，我们建立了现有的多余物定位数据集(源数据集)。经过统计，现有多余物定位数据集中共包含81768个定位数据，其具体描述如表2所示。
表2现有多余物定位数据集(源数据集)的具体描述
Figure BDA0003792973850000131
本发明选择同样为长方体结构的某型号的航天电子单机设备作为陌生航天设备，其基本尺寸为100cm×80cm×80cm。可以看出，我们选择的航天电源与航天电子单机设备的结构相同、尺寸相近，这些条件设置是利于基于实例迁移的多余物定位方法的研究的开展的。按照基于实例迁移的多余物定位方法的具体实施步骤中步骤(1)，我们制作了一个航天电子单机航天设备模型，并建立了一个含有少量数据的新多余物定位数据集。需要说明的是，我们同样将航天电子单机航天设备模型内部用三块同种材质的薄板分隔为8个小的密闭空间。这样，我们保证源域与目标域解决的都是八分类问题，两个多余物定位数据集都是包含8种标签的定位数据。这对初步开展的基于实例迁移的多余物定位方法的研究是友好的。
经过统计，新多余物定位数据集中共包含4646个有效的定位数据。我们将新定位数据集按照3:1的比例，分为新训练数据集与新测试数据集。具体的，新训练数据集共包含3483个定位数据，新测试数据集共包含1163个定位数据，其具体描述如表3所示。如前所述，新训练数据集会新接收部分现有多余物定位数据集中的定位数据，构建迁移训练数据集，用于训练基于XGBoost集成分类器的多余物定位模型。新测试数据集用于检验多余物定位模型的分类性能，也即用于检验TrAdaBoost-XGBoost的多余物迁移定位模型的知识迁移性能。
表3新训练数据集的具体描述
Figure BDA0003792973850000141
本发明设计了基于TrAdaBoost算法的python程序，在新训练数据集上进行学习。在基础上，我们利用学习的知识来对现有多余物定位数据集(源数据集)进行处理，计算其中每条定位数据的权重。通过设置合适的权重阈值为0.35，可以从源数据集中筛选得到6004条权重较大的定位数据。我们认定这些定位数据的数据分布是与新训练数据的数据分布相似的。我们将筛选的定位数据添加到新训练数据集中，得到一个迁移训练数据集。这样，迁移训练数据集共包含10650条数据，其具体描述如表4所示。
表4迁移训练数据集的具体描述
Figure BDA0003792973850000142
本发明同样设计了基于XGBoost集成分类器的python程序，带入迁移训练数据集训练得到一个多余物定位模型。需要说明的是，此时的XGBoost集成分类器的参数配置是保持默认情况的。通常情况下，在训练基于机器学习算法的分类器时，如果采用默认参数配置，分类器往往在通用数据集上能够取得较好的分类性能。对于特殊结构或专属领域内的数据集，需要对分类器的参数进行优化，来进一步提高其泛化性能。本发明选用网格搜索法对XGBoost集成分类器进行参数寻优，从而得出各参数的最优值。
我们主要对XGBoost集成分类器的n_estimatores、max_depth、min_child_weight、learning_rate和gamma进行参数优化设计。n_estimatores是指基分类器决策树的个数。max_depth是指基分类器决策树的最大深度。min_child_weight是指决定基分类器决策树的最小叶子节点样本权重。learning_rate是指学习率。gamma是指惩罚项系数。它被用来指定基分类器决策树的节点进行分裂时所需的最小损失函数下降值。参数优化较为常见的方法为网格搜索法，在指定参数的取值范围后，网格搜索法会以遍历所有参数的取值组合，直到得到最优的参数组合。我们得到XGBoost集成分类器的最优参数组合如表5所示。
表5 XGBoost集成分类器的最优参数组合
Figure BDA0003792973850000151
我们将基于参数优化XGBoost集成分类器的多余物定位模型再次带入到新测试集中进行10次测试，得到10个分类精度。我们计算它们的平均分类精度来减少随机误差的影响，测试结果如表6所示。
表6多余物定位模型在新测试集上取得的分类效果
Figure BDA0003792973850000152
从表中可以看出，基于XGBoost集成分类器的多余物定位模型取得的分类精度均在82％以上。经过计算，多余物定位模型取得平均分类精度为82.85％。这个平均分类精度远高于50％，在可以接受的范围内。因为如果多余物定位模型取得的平均分类精度在82％以上，那么它的可信度就在八成以上，这是一个比较高的数值。这样，当我们使用多数表决规则对多余物定位模型给出的分类结果进行处理时，某个具有领先优势的标签作为共同标签的事件的可信度就在八成以上。
需要说明的是，在实际情况中，我们在建立新多余物定位数据集的时候，并不需要将其分为新训练数据集与新测试数据集。而是直接将新多余物定位数据集视为目标数据集，完成现有多余物定位数据集(源数据集)到它的知识迁移。被筛选的源定位数据直接被添加到新多余物定位数据集中，构建迁移训练数据集，用于多余物定位模型的训练。在此过程中，我们人为的将新多余物定位数据集拆分为新训练数据集和新测试数据集，是因为需要使用新测试数据集来验证多余物定位模型的分类性能。在工程应用中，为提高工作效率和简化应用步骤，可以省略使用新测试数据集进行验证的这一环节。
值得注意的是，本发明在之前的研究中对多余物定位模型的性能评估大多使用的是分类精度，而不是定位精度。实际上，多余物定位模型就是分类器，它完成的是对定位数据集中的定位数据的标签预测的工作，对它的评估只能使用机器学习中的分类精度。但从数据集角度取得的分类精度距离真正工程应用场景下需要的定位精度，还缺少一个对预测结果的处理过程。
遵循基于实例迁移的多余物定位方法的具体实施步骤，得到了适用航天电子单机航天设备模型的最优多余物定位模型。按照步骤(4)的实施过程，我们将待测航天电子单机设备固定到PIND硬件平台，对其施加力学激励，使其内部未知位置的多余物产生碰撞或滑动状态。我们重复步骤三至步骤四，得到多条不带标签的定位数据，即待预测的定位数据。我们使用多余物定位模型来预测这多条定位数据的标签，得到多条定位数据的分类结果。表7列出了本发明在一次试验过程中获取的151条待预测的定位数据的分类结果。
表7待预测的定位数据的分类结果
Figure BDA0003792973850000161
从表中可以看出，对于待预测的151条定位数据，多余物定位模型预测其中133条定位数据的标签为“3”，其他几条定位数据的标签为其他数字。我们对这151个分类结果进行处理。具体的，我们根据151个分类结果进行多数表决，决定这151条定位数据的共同标签。因此，根据多数表决结果，当前151条定位数据的共同标签为“3”。由此，我们可以得出以下结论：多余物定位模型预测航天电子单机设备内部的多余物位于编号为3的密闭空间内。此时，我们通过物理方式打开航天电子单机设备，并在对应编号为3号的区域内查找是否存在多余物。最终确定在该区域查找到具体为细小焊锡粒的多余物。我们将其取出并封装航天电子单机设备，再次将航天电子单机设备固定到PIND硬件平台，对其施加力学激励，多次检测均无多余物信号产生。这说明该航天电子单机设备内部的多余物被有效检测和定位。至此，我们可以认定，本次多余物定位取得的定位精度为100％。我们将其进行进一步延伸，定位精度实际上是在分类结果的基础上增加多数表决过程取得的。
至此，我们完成了基于实例迁移的多余物定位方法的全部实施步骤，并得到了适用于航天电子单机设备的最优多余物定位模型。试验结果表明，多余物定位模型取得较高的平均分类精度，且在对其给出的分类结果进行多数表决处理后，取得了较为理想的定位精度。这充分说明了本发明提出的TrAdaBoost-XGBoost的多余物迁移定位模型取得了预期的模板。具体的，在现有的多余物定位数据集的基础上，通过TrAdaBoost算法完成源数据集到新训练数据集之间的知识迁移。通过XGBoost集成分类器完成适用同种结构、尺寸相近的新航天设备的多余物定位模型的训练。
性能评估指标：
在开展多余物定位研究的过程中，需要确定性能评估指标对各个阶段的研究成果进行评估。本发明使用的性能评估指标主要包含两部分。第一部分是现有的机器学习指标，主要是分类精度，用于评估多余物定位模型的分类性能。第二部分是新定义的定位精度，是在对多余物定位模型给出的分类结果进行处理的基础上计算得到的，更能够满足实际工程应用的需求。
分类精度：为了评估多余物定位模型对定位数据集的分类性能，本发明选取了分类精度作为评估指标。具体的，假设定位数据集为D＝{(x1,y1),(x2,y2),…,(xm,ym)}，其中yi是定位数据xi对应的真实标签，f(xi)是多余物定位模型f给出的预测标签。分类精度可表示为预测正确的定位数据个数占总定位数据个数的比例，即
Figure BDA0003792973850000171
式中，I是指示函数，当f(xi)＝yi时，I(f(xi)＝yi)＝1。
定位精度：如前文所述，本发明描述多余物定位模型的分类性能所使用的评估指标为分类精度，这实际上是机器学习中评估分类器的预测性能或分类性能的指标，与实际工程应用中需要的航天设备内部多余物的定位精度有所不同。本发明查找了大量的文献、专利、标准等，并未查找到设备级多余物定位精度的定义。因此，在本研究中，在总结现有研究成果的基础上，本发明尝试来定义设备级多余物定位精度。
具体的，多余物定位精度的描述为：在多次多余物定位测试中，经过多数表决处理后得出的预测密闭空间与真实密闭空间相同的测试次数，占所有测试总次数的比例。实际上，它的另一种表述为：多个待测试的航天设备中，经过多数表决处理后得出的预测密闭空间与真实密闭空间相同的设备数量，占所有待测试设备总数量的比例。
当然，如果阅读本发明的专家学者或所在领域的同行已经有了权威的对设备级多余物定位精度的定义，请与我们进行联系，我们会在后续的研究中给出更为精准的设备级多余物定位精度的描述。
验证与分析：
为了验证基于实例迁移的多余物定位方法的可靠性，本发明寻找相同型号的含有多余物的航天电子单机设备。由于样本数量有限，本发明仅找到5个符合条件的航天电子单机设备。按照基于实例迁移方法的具体实施步骤中步骤(1)至步骤(3)，我们制作了5个航天电子单机航天设备模型，并建立5个含有少量数据的新多余物定位数据集。需要说明的是，每个航天设备模型的内部空间都被薄板分隔为8个小的密闭空间。
我们将5个新多余物定位数据集按照3:1的比例分为新训练数据集与新测试数据集。我们利用设计的基于TrAdaBoost算法的python程序，在5个新训练数据集上分别进行学习，并分别计算现有多余物定位数据集(源数据集)中每条定位数据的权重。我们同样设置权重阈值为0.35，分别筛选与5个新训练数据集的数据分布相似的源定位数据。我们分别将对应筛选的源定位数据添加到5个新训练数据集中，得到5个迁移训练数据集，其具体描述如表8所示。
表8 10个迁移训练数据集的具体描述
Figure BDA0003792973850000181
借助设计的基于XGBoost集成分类器的python程序，我们在5个迁移训练数据集训练得到5个多余物定位模型。我们借助网格搜索法分别对5个多余物定位模型的参数进行寻优，并将各自的参数设置为最优值，得到5个最优的多余物定位模型。接着，我们将最优多余物定位模型分别带入到对应的新测试数据集上进行10次测试，计算平均分类精度来减少随机误差的影响。5个多余物定位模型在对应的新测试数据集上取得的平均分类精度如表9所示。
表9 5个多余物定位模型在对应的新测试数据集上取得的平均分类精度
Figure BDA0003792973850000191
从表中可以看出，5个多余物定位模型取得的平均分类精度均在80％以上，最高取得平均分类精度为82.93％。按基于实例迁移的多余物定位方法的具体实施步骤中步骤(4)，我们将5个待测航天电子单机设备固定到PIND硬件平台，对其施加力学激励，使其内部未知位置的多余物产生碰撞或滑动状态。重复常规思路下多余物定位方法中步骤三至步骤四，得到多条不带标签的定位数据，即待预测的定位数据。我们分别使用对应的多余物定位模型来预测多条定位数据的标签，并对分类结果分别进行多数表决处理。由此，我们得到预测多余物所在密闭空间的编号。我们通过物理方式打开航天电子单机设备，在对应编号的区域内查找是否存在多余物。在将多余物取出后封装航天电子单机设备，再次检测是否残留多余物。我们将预测位置与实际位置进行对比，如表10所示。
表10 5个航天电子单机设备的预测位置与真实位置的对比
Figure BDA0003792973850000192
表中可以看出，除了第二个航天电子单机设备的预测位置与真实位置不一致，其余4个航天电源的预测位置与真实位置一致。并且从密闭空间的划分规则来看，第二个航天电源的预测位置靠着真实位置，偏差不是很大，这也是在允许的范围内。从总体看来，5个多余物定位模型取得的分类性能与定位性能良好，有效证明了本发明所提基于实例迁移的多余物定位方法的可靠性。结合多余物定位模型给出一次正确的多余物定位结果，我们可以初步计算出基于参数优化XGBoost集成分类器的多余物定位模型取得的定位精度为5÷6＝83.33％。至此，本发明提出的基于实例迁移的多余物定位方法的验证测试完成。
相较于本发明在前期研究中取得的最高定位精度90.91％，两者之间还存在一定的差距。但这是以简化试验过程、提高工作效率的代价换来的，所以这是值得被考虑和认可的。并且，所取得的定位精度要高于80％，是具有较大的可信度的，也能满足航天系统中对多余物定位精度的要求。此外，目前取得的定位精度也在一定程度上证明了本发明所提基于实例迁移的多余物定位方法的可行性与可靠性。
图6给出了适用航天电源与航天电子单机设备的航天设备模型内部密闭空间的划分规则，它与图5是对应相关的。如前所述，我们用三块相互正交的薄板将航天设备模型内部分为8个小的密闭空间，并对其进行编号。我们同样可以从图6中看出各密闭空间的编号。
结合表4和表7，我们可以发现，对于航天设备内部的多余物，它是有较大可能位于下半部分空间。这可能是因为多余物被激活以后，在重力的影响下，它会倾向于往航天设备的底部空间运动的。这实际上给我们的下一步工作带来了启发，即，我们可以更改立方体结构航天设备模型的内部空间划分规则。具体的，我们先将航天设备模型等分为上下两块大的密闭空间。在此基础上，我们将上面一块大的密闭空间分隔为较少数量的小的密闭空间，这是因为多余物出现在这些空间的概率并不大。与之对应的是，我们将下面一块大的密闭空间分隔为较多数量的小的密闭空间。这样，我们可以进一步缩小多余物所在密闭空间的大小，提高多余物排查工作的效率，并在一定程度上提高了多余物定位模型的定位精度。按照这一设想，参照图6的密闭空间划分规则，我们甚至可以在建立迁移训练数据集的过程中，更多的去筛选那些标签为“1”、“2”、“3”和“4”的源定位数据。这样，在由这些数据组成的迁移训练数据集上训练的多余物定位模型，对航天设备模型下半部分空间是更敏感的。
我们接着对密闭空间划分规则进行讨论。对于新的航天设备(航天电子单机设备)，为了顺利开展初步的基于实例迁移的多余物定位方法的研究，我们设计的航天设备模型内部也分隔为八个空间。这与源航天设备(航天电源)是一致的。这样，因为两个航天设备结构相似、尺寸相近，那么它们分隔出的密闭空间在一定程度也存在一定的相似性。这样，在源定位数据到新定位数据的知识迁移过程中，更多的源定位数据能够被选择，初步取得的实例迁移效果能够较为理想。这在一定程度上能够验证本发明提出的基于实例迁移的多余物定位方法的可行性，为后续开展的深入研究做好了友好探索。具体的，在接下来的研究中，本发明会进一步探索源航天设备模型与新航天设备模型的内部密闭空间划分规则不一致的情况。更复杂的，对于结构不相似或尺寸相差较大的航天设备之间的知识迁移问题，我们也会制定研究方案和开展大量试验。
实际上，本发明已经在开展另一种全新的多余物定位方法的研究。即对于捕获的多余物信号，我们不再保存为文件格式的数字多余物信号，而是直接转化为声谱图。这样，我们可以从声谱图中提取图像特征，并训练神经网络实现不同位置的多余物信号的分类。可以发现，这里的神经网络就是我们需要的多余物定位模型。在该方法下，当面对新的航天设备时，我们可以尝试探索基于模型迁移学习的多余物定位方法。同样的，本发明会尽快整理这部分研究成果，与广大的阅读者进行分享。
多余物是影响航天设备可靠运行的重要原因。快速检测并定位航天设备内部的多余物，及时清理清理出多余物，对提高航天系统的可靠性具有重要的现实意义。在之前的研究中，本发明提出将多余物定位问题转化成机器学习中的多分类问题，设计了多余物定位方法和具体实施步骤。通过设计航天设备模型，划分密闭空间，开展PIND试验等步骤，来构建多余物定位数据集。在此基础上训练多余物定位模型，用于待测航天设备的实物测试。但在实际情况中，当面对不同的航天设备时，都需要耗费大量的时间去建立对应的多余物定位数据集。这会带来定位测试周期长、数据存储需求量大、资源利用率低的问题。为解决这个问题，本发明提出了基于实例迁移的多余物定位方法，利用结构相似或尺寸相近的航天设备对应的定位数据集之间存在的关联性，完成源定位数据集到新定位数据集的知识迁移。具体的，在现有的包含大量定位数据的多余物定位数据集的基础上，当面对新的航天设备时，我们只需建立包含少量定位数据的新多余物数据集。利用TrAdaBoost算法对新多余物数据集进行学习，并计算现有多余物定位数据集(源数据集)中定位数据的权重，完成高权重定位数据的筛选。这些被筛选的定位数据被添加到新多余物定位数据集中，用于建立迁移训练数据集，完成多余物定位模型的训练。此外，在对多余物定位模型给出的分类结果进行处理的基础上，本发明给出了设备级多余物定位精度的定义。多次试验结果表明，基于参数优化XGBoost集成分类器的多余物定位模型取得的平均分类精度为82.85％，取得的平均定位精度为83.33％。它较好的满足了航天系统中对多余物定位精度的要求，并有效证明了本发明所提基于实例迁移的多余物定位方法的可行性。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.基于实例迁移的航天设备内部多余物定位方法，其特征在于，包括以下步骤：
S1、根据新的待测航天设备的形状和体积，设计等比例的航天设备模型；用隔板将航天设备模型内部分隔为多个相等的密闭空间，并对各个密闭空间进行编号；
先选择在编号为1的密闭空间内放入事先准备的多余物样本；多余物样本是从之前航天设备中检测出的多余物中选择的；
S2、将含有多余物的航天设备模型固定到PIND硬件平台，驱动振动台对航天设备模型施加力学激励，激发内部多余物产生碰撞或滑动状态，进而生成多余物信号；
S3、由多余物自动检测系统提供的多个声发射传感器捕获生成的多余物信号，多个声发射传感器设置在航天设备模型表面的不同位置；
然后将多余物信号转换成电信号后经高屏蔽性能的数据传输线传输至多余物自动检测系统内部进行信号的处理，并保存为数字格式的多余物信号；
S4、对数字多余物信号进行分帧处理与端点检测，得到多个帧信号；从每个帧信号中计算定位特征的具体数值，将多个帧信号形成一条一维特征向量，进而得到一条定位数据；
针对多个帧信号得到多条定位数据；将这多条定位数据的标签全部设置为“1”，与当前放置多余物的密闭空间的编号一致；
定位特征指的是从时域、频域和梅尔频率倒谱系数中提取和保留的用于多余物定位的声音特征；
S5、按顺序将多余物放置到编号为2的密闭空间内，将含有多余物的航天设备模型固定到PIND硬件平台，驱动振动台对航天设备模型施加力学激励，激发内部多余物产生碰撞或滑动状态，进而生成多余物信号；
由多余物自动检测系统提供的多个声发射传感器捕获生成的多余物信号，多个声发射传感器设置在航天设备模型表面的不同位置；
然后将多余物信号转换成电信号后经高屏蔽性能的数据传输线传输至多余物自动检测系统内部进行信号的处理，并保存为数字格式的多余物信号；
对数字多余物信号进行分帧处理与端点检测，得到多个帧信号；从每个帧信号中计算定位特征的具体数值，将多个帧信号形成一条一维特征向量，进而得到一条定位数据；
针对多个帧信号得到多条定位数据；将这多条定位数据的标签全部设置为“2”，与当前放置多余物的密闭空间的编号一致；
同样地，通过依次将多余物放置到编号为3,4,5,……,n的密闭空间里，对应得到多条标签为“3,4,5,……,n”的定位数据；
S6、重复S1至S5建立一个新多余物定位数据集；
S7、获取的与待测航天设备结构相同、尺寸相近的航天设备对应的数据集，记为源数据集；
利用TrAdaBoost算法过滤源数据集中与新多余物定位数据集不相似的数据，保留数据分布相似的数据；将保留的源数据添加到新多余物定位数据集中，建立迁移训练数据集；
S8、在迁移训练数据集上训练基于XGBoost集成分类器的多余物定位模型，并使用网格搜索法对其附属参数进行优化得出最优参数组合，将最优参数组合对应的多余物定位模型作为最佳多余物定位模型；
S9、将新的待测航天设备固定到PIND硬件平台，对其施加力学激励，使其内部未知位置的多余物产生碰撞或滑动状态；由多余物自动检测系统提供的多个声发射传感器捕获生成的多余物信号，多个声发射传感器设置在航天设备模型表面的不同位置；
然后将多余物信号转换成电信号后经高屏蔽性能的数据传输线传输至多余物自动检测系统内部进行信号的处理，并保存为数字格式的多余物信号；
对数字多余物信号进行分帧处理与端点检测，得到多个帧信号；从每个帧信号中计算定位特征的具体数值，将多个帧信号形成一条一维特征向量，进而得到一条定位数据；
针对多个帧信号得到多条定位数据；得到多条不带标签的迁移定位数据，即待预测的迁移定位数据；使用最佳多余物定位模型来预测这多条迁移定位数据的标签，使用多数表决处理对多个预测结果进行处理，得到多余物定位结果。
2.根据权利要求1所述的基于实例迁移的航天设备内部多余物定位方法，其特征在于，S3所述保存为数字格式的多余物信号的过程中，是将多余物信号以“.dat”格式的信号文件进行保存。
3.根据权利要求2所述的基于实例迁移的航天设备内部多余物定位方法，其特征在于，所述定位特征包括时间延迟，脉冲上升时间，脉冲幅值，脉冲能量，均方根电压，过零率，频谱质心，频谱标准差，均方根频率，频率标准差，第1维静态特征至第13维静态特征，第1、3、6、9维一阶动态特征，第1、2、3、5、6、13维二阶动态特征。
4.根据权利要求3所述的基于实例迁移的航天设备内部多余物定位方法，其特征在于，S3所述的多个声发射传感器为4个谐振式声发射传感器。
5.根据权利要求4所述的基于实例迁移的航天设备内部多余物定位方法，其特征在于，多个帧信号形成的一条一维特征向量长度为133，即4个谐振式声发射传感器对应的132个特征数值和1个标签。
6.根据权利要求1至5之一所述的基于实例迁移的航天设备内部多余物定位方法，其特征在于，S3所述的进行信号的处理的过程包括：信号调理、信号滤波。
7.根据权利要求6所述的基于实例迁移的航天设备内部多余物定位方法，其特征在于，S1中所述航天设备模型的材质与航天设备的组成材质相同。
8.根据权利要求7所述的基于实例迁移的航天设备内部多余物定位方法，其特征在于，用隔板将航天设备模型内部分隔为多个相等的密闭空间的隔板材料与航天设备模型的材质相同。
9.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至8之一所述的基于实例迁移的航天设备内部多余物定位方法。
10.一种基于实例迁移的航天设备内部多余物定位设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至8之一所述的基于实例迁移的航天设备内部多余物定位方法。
CN202210961627.8A 2022-08-11 2022-08-11 基于实例迁移的航天设备内部多余物定位方法及设备 Active CN115345071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210961627.8A CN115345071B (zh) 2022-08-11 2022-08-11 基于实例迁移的航天设备内部多余物定位方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210961627.8A CN115345071B (zh) 2022-08-11 2022-08-11 基于实例迁移的航天设备内部多余物定位方法及设备

Publications (2)

Publication Number Publication Date
CN115345071A CN115345071A (zh) 2022-11-15
CN115345071B true CN115345071B (zh) 2023-04-28

Family

ID=83952940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210961627.8A Active CN115345071B (zh) 2022-08-11 2022-08-11 基于实例迁移的航天设备内部多余物定位方法及设备

Country Status (1)

Country Link
CN (1) CN115345071B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116257777B (zh) * 2023-02-13 2023-09-12 哈尔滨工业大学 分类模型融合的密封继电器多余物检测与材质识别方法
CN117216565A (zh) * 2023-09-14 2023-12-12 哈尔滨工业大学 多通道特性编码的多余物定位特征数据集构建方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190333155A1 (en) * 2018-04-27 2019-10-31 International Business Machines Corporation Health insurance cost prediction reporting via private transfer learning
CN111145239B (zh) * 2019-12-30 2022-02-11 南京航空航天大学 一种基于深度学习的飞机油箱多余物自动检测方法
CN112867021B (zh) * 2021-01-13 2022-04-26 合肥工业大学 基于改进型TrAdaBoost的迁移学习室内定位方法
CN113297787B (zh) * 2021-05-12 2021-12-17 北京航空航天大学 一种基于迁移学习的航空发动机剩余寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈金豹 ; 翟国富 ; 王淑娟 ; 刘泳 ; 王洪元 ; .航天电子设备多余物检测信号特性的影响因素分析.系统工程与电子技术.2013,(第04期),第889-894页. *

Also Published As

Publication number Publication date
CN115345071A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN115345071B (zh) 基于实例迁移的航天设备内部多余物定位方法及设备
CN110728360B (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN110045015B (zh) 一种基于深度学习的混凝土结构内部缺陷检测方法
CN106485289A (zh) 一种菱镁矿矿石的品级的分类方法及设备
CN113252322B (zh) 一种含噪背景下的断路器机械故障诊断方法及装置
CN115343676B (zh) 密封电子设备内部多余物定位技术的特征优化方法
CN112347910B (zh) 一种基于多模态深度学习的信号指纹识别方法
CN115774851B (zh) 基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统
Kamal et al. An innovative approach utilizing binary-view transformer for speech recognition task
CN103207804B (zh) 基于集群作业日志的MapReduce负载模拟方法
Liu et al. A novel wind turbine health condition monitoring method based on common features distribution adaptation
CN116223962B (zh) 线束电磁兼容性预测方法、装置、设备及介质
CN112947080A (zh) 一种基于场景参数变换的智能决策模型性能评估系统
Noever-Castelos et al. Model updating of a wind turbine blade finite element Timoshenko beam model with invertible neural networks
Di et al. Identification of rock bolt quality based on improved probabilistic neural network
Mohamed et al. Nonlinear speech analysis and modeling for Malayalam vowel recognition
Wang et al. Cell neighbor determination in the metazoan embryo system
Qi et al. Underwater acoustic target recognition with fusion feature
Balachandran et al. Classification of Resident Space Objects by shape and spin motion using neural networks and photometric light curves
Aldosari et al. Image-Based Partial Discharge Identification in High Voltage Cables Using Hybrid Deep Network
Qian et al. Tool Wear Prediction Based on BiLSTMA Networks
Milošević et al. Application of cloud-based machine learning in cutting tool condition monitoring
Wang et al. An unsupervised deep auto-encoder with one-class support vector machine for damage detection
Wu Error Processing of Sparse Identification of Nonlinear Dynamical Systems via $ L_\infty $ Approximation
CN112233694A (zh) 一种目标识别方法、装置、存储介质及电子设备

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230803

Address after: 150000 Room 518, Huichuang technology incubator, No. 161, xidazhi street, Nangang District, Harbin, Heilongjiang Province

Patentee after: Harbin Yu Gao Electronic Technology Co.,Ltd.

Address before: 150080 No. 74, Xuefu Road, Nangang District, Heilongjiang, Harbin

Patentee before: Heilongjiang University