CN115755835A - 一种机电作动器在线健康因子优化方法 - Google Patents

Abstract

本发明适用于机电作动器故障诊断领域，提供了一种机电作动器在线健康因子优化方法。基于时空关联距离自适应度量的机电作动器在线健康因子优化方法，利用长短时记忆网络的时空关联特性，构建距离度量函数，进而建立基于时空关联距离自适应度量的健康因子构建优化模型，实现EMA在线健康因子构建，以有效且准确地表征EMA在线健康状态。能够解决现有技术中，基于距离度量的健康因子构建方法存在距离度量方式依赖性强的问题。

Description

一种机电作动器在线健康因子优化方法

技术领域

本发明涉及机电作动器故障诊断领域，尤其是涉及一种机电作动器在线健康因子优化方法。

背景技术

机电作动器(Electro-Mechanical Actuator,EMA)是通过控制电机的运动直接或间接控制负载运动，实现位置/压力伺服控制的一类系统的总称，广泛应用于航空航天、军事、交通和工农业生产等领域。在航空领域，随着多电以及全电飞机的推广，用功率电传作动器取代传统液压作动器成为一种必然趋势。功率电传作动器主要有两种形式，分别是电动静液作动器和EMA。相比于电动静液作动器，EMA具有结构紧凑、重量轻、易于维护等诸多优点，在多电/全电飞机中得到越来越广泛的应用。然而，由于航空领域的特殊性以及EMA技术前期发展的不充分性，导致现有的EMA在线监测参数主要用于控制运行，难以直接表征EMA的健康状态，进而导致EMA健康状态表征存在在线监测数据与健康状态关联映射关系不清晰问题。因此，研究在线健康因子优化方法，有效表征EMA在线运行条件下监测参数与健康状态之间的关联映射关系，进而提高新一代飞机核心部件——EMA的在线健康状态表征能力，推动其智能化发展，具有重要的理论意义和工程价值。

针对EMA在线监测数据与健康状态关联映射关系不清晰，而现有基于距离度量的健康因子构建方法存在距离度量方式依赖性强，信息损失以及复杂性等不足，难以充分利用在线监测数据中蕴含的健康状态信息，未能有效表征EMA健康状态的变化过程和规律，EMA在线健康状态表征具有不全面、不准确以及部分失效模式难于有效表征等问题。

发明内容

为了解决现有技术存在的不足，本申请提供一种面向EMA在线健康因子构建的多元状态估计距离优化机制，建立基于长短时记忆网络(Long-Short Term Memory,LSTM)的自适应度量函数，利用长短时记忆网络实现融合EMA状态监测数据时空特性的距离度量，以有效实现EMA在线健康因子的自适应度量。

具体地，一种机电作动器在线健康因子优化方法，包括以下步骤：

S10.获取第一历史数据矩阵，作为训练数据D；获取第二历史数据矩阵，作为测试数据X_obs1；

S20.采用LSTM模型计算权值矩阵W₁；

其中，

为LSTM距离度量函数；

S30.基于历史训练数据D，计算历史数据健康因子X_est1，

X_est1＝DW₁，

S40.计算历史数据健康因子X_est1与预设健康因子标准的误差，

若误差大于预设误差，返回步骤S20调整优化所述LSTM距离度量函数；

若误差小于或等于预设误差，则确定此时的LSTM距离度量函数为训练完成的LSTM距离度量函数

S50.获取在线监测数据X_obs2，计算在线监测数据健康因子X_est2：

X_est2＝DW₂,

进一步地，步骤S20中，基于LSTM模型，设置初始参数，所述初始函数包括：输入节点数，输出节点数，隐藏层层数，优化函数；步骤S40中，所述调整优化所述LSTM距离度量函数，即调整优化所述初始参数中的至少一个。

进一步地，步骤S40中，所述预设健康因子为历史数据对应的真实的健康因子。

进一步地，步骤S40中，所述误差为均方根误差。

进一步地，步骤S10中，所述训练数据D为一个大小为n×m的矩阵，n表示参数数量，m表示参数向量的长度，X_i表示第i个参数向量，x_ij表示在j时刻第i个参数的数值：

测试测数据X_obs1为:

X_obs＝[x₁,x₂...,x_n]^T。

采用本申请的一种机电作动器在线健康因子优化方法，相对于现有技术，至少具有以下有益效果：

(1)本申请采用LSTM模型来计算向量之间的距离，能够从训练样本自动提取特征，并且LSTM模型充分考虑了样本之间的时空关联关系，记忆能力较强，使得使用LSTM模型作为非线性运算符时，其通过空间和时间两个维度的距离反映了在线监测数据向量与历史数据矩阵各向量之间的相似程度；

(2)本申请基于LSTM模型，训练后计算历史数据健康因子，通过与预设健康因子标准比较，得出误差，当误差较大时，再返回去调整和优化LSTM距离度量函数，使得本申请的LSTM距离度量函数能够基于历史数据的不同自适应地进行优化调整，以获得最佳的LSTM距离度量函数，从而准确地评估在线监测数据健康因子；

(3)本申请的机电作动器在线健康因子优化方法，当选定历史参数和训练好LSTM距离度量函数后，即可通过获取在线监测数据，实时计算在线监测数据健康因子，快且准。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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，下面所描述的附图仅仅是本发明的一些实施例，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是实施例1所述的一种机电作动器在线健康因子优化方法流程图。

具体实施方式

以下的说明提供了许多不同的实施例、或是例子，用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式，仅用来精简的表达本发明，其仅作为例子，而并非用以限制本发明。

一种机电作动器在线健康因子优化方法，如图1所示，包括以下步骤：

S10.获取第一历史数据矩阵，作为训练数据D；获取第二历史数据矩阵，作为测试数据X_obs1；

训练数据D为一个大小为n×m的矩阵，n表示参数数量，m表示参数向量的长度，X_i表示第i个参数向量，x_ij表示在j时刻第i个参数的数值：

测试测数据X_obs1为:

X_obs＝[x₁,x₂...,x_n]^T。

本领域技术人员可以理解，所选取的参数为能够评价机电作动器健康因子的参数，例如温度、电压、电流、载荷等，具体的数量可根据实际需要进行设定。并且，为了能够准确地进行在线监测，所选用的历史数据需要收集尽可能多的系统良好健康状态的历史数据，使其可以尽量覆盖所有的系统健康状态。在此基础上，根据历史健康数据训练距离度量模型，进而利用基于优化距离度量模型的多元状态估计方法实现在线健康因子构建。

S20.采用LSTM模型计算权值矩阵W₁；

首先基于LSTM模型，设置初始参数。本实施例中，基于matlab的LSTM模型，设置输入节点数，输出节点数，隐藏层层数，选定优化函数等。然后将历史训练数据D和测试数据X_obs1导入LSTM模型，基于设定的参数和选定的优化函数，分别计算D^T和D的距离，以及D^T和X_obs2的距离，并基于两者距离计算权值矩阵W₁：

其中，

为LSTM距离度量函数；

S30.基于历史训练数据D，计算历史数据健康因子X_est1，

X_est1＝DW₁，

S40.计算历史数据健康因子X_est1与预设健康因子标准的误差，

所述预设健康因子为根据历史数据计算得到的真实的健康因子，也就是说，所采集的历史数据对应的健康因子是已知的，将该已知的与历史数据对应的健康因子作为真实的健康因子，作为预设健康因子标准来与通过LSTM模型计算得到的历史数据健康因子进行比较，进而计算历史数据健康因子X_est1与预设健康因子标准X的误差。优选地，计算两组数据的均方根误差作为其误差值。

若误差大于预设误差，返回步骤S20调整优化所述LSTM距离度量函数；

该步骤中，调整优化所述LSTM距离度量函数可以通过调整优化所述初始参数中的至少一个来实现，例如可以调整隐藏层层数，重新选择优化函数，或调整优化函数中的各项参数等，再重新执行步骤S20-S40，直至误差小于或等于预设误差；

若误差小于预设误差，则确定此时的LSTM距离度量函数为训练完成的LSTM距离度量函数

即此时训练完成的LSTM距离度量函数

可以用于后续的在线监测数据直接计算在线健康数据健康因子。

S50.获取在线监测数据X_obs2，计算在线监测数据健康因子X_est2：

X_est2＝DW₂,

上式表明历史数据矩阵中与在线监测数据时空关联距离越小的历史数据向量，其在估计健康向量计算过程的权重值越大，对于计算结果的影响也越大。当一个不良健康状态在线监测数据向量输入多元状态估计模型时，由于该向量与历史数据库中的向量空间距离都较大，相似程度都较低，模型会输出一个与当前在线监测数据向量偏差较大的近似健康数据向量。因此，利用模型输出的近似健康数据向量与当前不良健康状态在线监测数据向量之间的残差，可以作为在线健康因子表征EMA健康状态。

值得说明都是，对于权值矩阵W₁的计算，现有技术中常采用欧几里得距离、曼哈顿距离、切比雪夫距离、线性相关系数、高斯核函数等进行计算，这些计算函数均是一个固定的函数计算式，不同的距离度量方式将导致对健康状态的表征结果不同，存在距离度量方式依赖性强的问题，即距离度量的结果完全取决于所选取的固定的度量计算函数。

而本申请中，采用基于长短期记忆的人工神经网络(Long-Short Term Memory,LSTM)模型来实现关联距离的自适应度量，计算两个向量之间的相似程度，即计算两个向量之间的距离。并且在训练过程中，当计算结果不满足要求，还可以返回去调整优化LSTM模型，最终得到准确评估EMA在线健康状态的LSTM模型，用于在线监测EMA健康因子。

本申请中，基于LSTM的距离度量可从训练样本自动提取特征，比人工提取特征的方法更有效；相比于其他深度学习算法，LSTM训练效率较高，扩展性较好，更重要的是，它充分考虑了样本之间的时空关联关系，记忆能力较强，使得使用LSTM模型作为非线性运算符时，其通过空间和时间两个维度的距离反映了在线监测数据向量与历史数据矩阵各向量之间的相似程度。两向量之间的距离越短，其相似程度越高。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种机电作动器在线健康因子优化方法，其特征在于，包括以下步骤：

S10.获取第一历史数据矩阵，作为训练数据D；获取第二历史数据矩阵，作为测试数据X_obs1；

S20.采用LSTM模型计算权值矩阵W₁；

其中，

为LSTM距离度量函数；

S30.基于历史训练数据D，计算历史数据健康因子X_est1，

X_est1＝DW₁，

S40.计算历史数据健康因子X_est1与预设健康因子标准的误差，

若误差大于预设误差，返回步骤S20调整优化所述LSTM距离度量函数；

若误差小于或等于预设误差，则确定此时的LSTM距离度量函数为训练完成的LSTM距离度量函数

S50.获取在线监测数据X_obs2，计算在线监测数据健康因子X_est2：

X_est2＝DW₂,

2.根据权利要求1所述的一种机电作动器在线健康因子优化方法，其特征在于，步骤S20中，基于LSTM模型，设置初始参数，所述初始函数包括：输入节点数，输出节点数，隐藏层层数，优化函数；步骤S40中，所述调整优化所述LSTM距离度量函数，即调整优化所述初始参数中的至少一个。

3.根据权利要求2所述的一种机电作动器在线健康因子优化方法，其特征在于，步骤S40中，所述预设健康因子为历史数据对应的真实的健康因子。

4.根据权利要求3所述的一种机电作动器在线健康因子优化方法，其特征在于，步骤S40中，所述误差为均方根误差。

5.根据权利要求3或4所述所述的一种机电作动器在线健康因子优化方法，其特征在于，步骤S10中，所述训练数据D为一个大小为n×m的矩阵，n表示参数数量，m表示参数向量的长度，X_i表示第i个参数向量，x_ij表示在j时刻第i个参数的数值：

测试数据X_obs1为:

X_obs＝[x₁,x₂...,x_n]^T。

Images