CN115993075B - 基于sslle和自适应阈值的导弹舵面故障检测方法 - Google Patents
基于sslle和自适应阈值的导弹舵面故障检测方法 Download PDFInfo
- Publication number
- CN115993075B CN115993075B CN202211420467.2A CN202211420467A CN115993075B CN 115993075 B CN115993075 B CN 115993075B CN 202211420467 A CN202211420467 A CN 202211420467A CN 115993075 B CN115993075 B CN 115993075B
- Authority
- CN
- China
- Prior art keywords
- missile
- detection
- control surface
- missile system
- state 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
Links
Images
Classifications
-
- 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
本申请公开了一种基于SSLLE和自适应阈值的导弹舵面故障检测方法,涉及导弹故障检测领域,该方法基于故障发生后,导弹系统稳定性被破坏,动力学与运动学发生突变的特点,利用滑动窗口和波动特征对导弹系统飞行状态数据的变化情况进行描述构建高维数据集,然后依据SSLLE算法将高维数据集映射到低维空间,剔除冗余特征,放大数据间的差异性,采用聚类定义故障检测指标值并基于DSPOT计算自适应阈值,以此判断导弹的故障状态,能够更加准确的描述导弹系统尤其是导弹舵面发生故障后的情况,从而可以准确实时的检测到导弹舵面故障,有利于故障的预防与解决,减小故障对导弹系统的危害后果。
Description
技术领域
本申请涉及导弹故障检测领域,尤其是一种基于SSLLE和自适应阈值的导弹舵面故障检测方法。
背景技术
随着军事斗争的不断升级,导弹成为了现代化战争中负责远程精确打击和战略威慑任务的主要武器之一,尤其是巡航导弹,由于具有机动性能好、命中精度高等优势,在局部战争中发挥的影响力正在不断提升。
然而在目前现代导弹自身结构日趋复杂、作战任务难度不断提高的主流趋势下,导弹由于外部各种干扰的作用,其在执行任务时发生故障的可能性也在直线上升。一旦导弹出现故障,不仅会直接影响导弹的飞行动力学特性,导致导弹飞行失稳,使得控制性能大幅下降,还会导致任务执行失败。因此及时有效的针对导弹系统进行状态监控并建立完备的故障诊断体系是确保导弹正常执行作战任务的关键,为保障导弹的可靠性与安全性提供可能。
发明内容
本申请人针对上述问题及技术需求,提出了一种基于SSLLE和自适应阈值的导弹舵面故障检测方法,本申请的技术方案如下:
一种基于SSLLE和自适应阈值的导弹舵面故障检测方法,该方法包括在导弹系统飞行过程中的任意第t检测时刻,t为参数且t≥1:
提取导弹系统在第t检测时刻对应的时间窗口内的飞行状态数据的数据波动特征得到高维数据集,覆盖时长为T的时间窗口包括第(t-T)检测时刻至第t检测时刻之间的若干个检测时刻;
利用SSLLE算法通过映射矩阵将高维数据集映射到低维空间得到低维数据集,映射矩阵基于导弹系统的正常稳态数据计算得到,正常稳态数据是正常工作的导弹系统的飞行状态数据;
基于低维数据集提取得到第(t-T)检测时刻对应的故障检测指标值;
基于漂移阈值方法确定第(t-T)检测时刻对应的自适应阈值;
当第(t-T)检测时刻对应的故障检测指标值超过对应的自适应阈值时,确定导弹舵面在第t检测时刻存在故障,否则确定导弹舵面在第t检测时刻正常工作。
其进一步的技术方案为,提取低维数据集的故障检测指标值的方法包括:
计算低维数据集与导弹系统的正常稳态数据的聚类中心的欧式距离,将计算得到的欧式距离作为第(t-T)检测时刻对应的故障检测指标值。
其进一步的技术方案为,确定第(t-T)检测时刻对应的自适应阈值:
确定第(t-T)检测时刻对应的自适应阈值其中,th0是初始阈值,q是风险系数,Nt是大于阈值的峰值的个数,n(t)是截止到第t检测时刻时累计的飞行状态数据的个数;/>是第t检测时刻对应的帕累托分布的形状参数估计值,σ*(t)是第t检测时刻对应的帕累托分布的尺度参数估计值。
其进一步的技术方案为,该方法还包括:
其进一步的技术方案为,该方法还包括:
对导弹系统的正常稳态数据提取数据波动特征得到高维数据集X=[x1,x2,x3,...,xn]T∈Rn×m,n和m均为参数;
其进一步的技术方案为,提取得到高维数据集的方法包括:
对第t检测时刻对应的时间窗口内的飞行状态数据提取得到表征数据波动特征的若干项统计信息,构建得到高维数据集,统计信息包括标准差、极差、范数和范数变化率。
其进一步的技术方案为,提取的导弹系统的飞行状态数据包括导弹系统的角加速度、加速度、姿态角、迎角和侧滑角。
其进一步的技术方案为,导弹舵面存在的故障的类型包括舵面卡死故障、舵面松浮故障和舵面缺损故障。
本申请的有益技术效果是:
本申请公开了一种基于SSLLE和自适应阈值的导弹舵面故障检测方法,该方法基于故障发生后,导弹系统稳定性被破坏,动力学与运动学发生突变的特点,利用滑动窗口和波动特征对导弹系统飞行状态数据的变化情况进行描述构建高维数据集,然后依据SSLLE算法将高维数据集映射到低维空间,剔除冗余特征,放大数据间的差异性,采用聚类定义故障检测指标值并基于DSPOT计算自适应阈值,以此判断导弹的故障状态,能够更加准确的描述导弹系统尤其是导弹舵面发生故障后的情况,从而可以准确实时的检测到导弹舵面故障,有利于故障的预防与解决,减小故障对导弹系统的危害后果。
附图说明
图1是本申请一个实施例中的导弹舵面故障检测方法的方法流程图。
图2是本申请一个实例中的导弹系统的结构示意图。
图3是一个仿真实例中,在导弹系统正常工作时采集到的迎角的波形图。
图4是图3所示的仿真实例中,在导弹系统正常工作时采集到的导弹系统的飞行弹道图。
图5是一个仿真实例中,在80s处注入舵面松浮故障后时,整个仿真时长内采集到的迎角的波形图。
图6是图5所示的仿真实例中,在80s处注入舵面松浮故障后时,整个仿真时长内采集到的导弹系统的飞行弹道图。
图7是图5和6的仿真实例中,利用本申请的方法计算得到的各个检测时刻的故障检测指标值的曲线图和自适应阈值。
图8是图7的局部放大示意图。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种基于SSLLE和自适应阈值的导弹舵面故障检测方法,该方法包括如下步骤,请参考图1所示的流程图:
在导弹系统飞行过程持续执行如下过程进行导弹舵面故障检测,对于任意第t检测时刻,t为参数且t≥1,执行的方法包括:
步骤S1,提取导弹系统在第t检测时刻对应的时间窗口内的飞行状态数据的数据波动特征得到高维数据集,覆盖时长为T的时间窗口包括第(t-T)检测时刻至第t检测时刻之间的若干个检测时刻。
在一个实施例中,在每个检测时刻提取的导弹系统的飞行状态数据包括导弹系统的角加速度、加速度、姿态角、迎角和侧滑角。
在采集到第t检测时刻对应的时间窗口内的飞行状态数据后,对时间窗口内的飞行状态数据提取得到表征数据波动特征的若干项统计信息从而构建得到高维数据集X=[x1,x2,x3,...,xn]T∈Rn×m,统计信息包括标准差、极差、范数和范数变化率。
步骤S2,利用SSLLE算法通过映射矩阵将高维数据集X=[x1,x2,x3,...,xn]T∈Rn×m映射到低维空间得到低维数据集Y=[y1,y2,...,yn]T∈Rn×d,d是本征维数,从而实现数据特征的压缩,剔除冗余特征,SSLLE算法基于带标签样本对于降维结果进行改善。
SSLLE算法中本征维数d和映射矩阵的选取决定了降维的效果,本申请中,映射矩阵基于导弹系统的正常稳态数据计算得到,正常稳态数据是正常工作的导弹系统的飞行状态数据。在一个实施例中,确定本征维数d和映射矩阵的方法包括:
获取正常工作的导弹系统在个不同的时刻的飞行状态数据构建得到高维数据集,与步骤S1获取实际在线飞行状态数据的方法类似,因此同样将高维数据集表示为X=[x1,x2,x3,...,xn]T∈Rn×m,n和m均为参数。对高维数据集X进行标准化处理得到其中,Xmean为高维数据集X的列向量均值,Xstd为高维数据集X的列向量标准差值,In为n维全1列向量。然后计算标准化处理后的高维数据集/>的协方差矩阵并确定协方差矩阵M的特征值。基于主成分分析法确定使得的d个特征值构成映射矩阵,λk表示协方差矩阵M的任意第k个特征值,λj表示协方差矩阵M的任意第j个特征值。δ为占比阈值,比如可以取0.95。
由此可以通过映射矩阵A=YXT(XXT)-1将在线获取到的高维数据集X=[x1,x2,x3,...,xn]T∈Rn×m映射到低维空间得到低维数据集Y=[y1,y2,...,yn]T∈Rn×d。
步骤S3,基于低维数据集提取得到第(t-T)检测时刻对应的故障检测指标值。
通过KMEANS可以聚类得到导弹系统的正常稳态数据的聚类中心,然后计算在线获取到的低维数据集与导弹系统的正常稳态数据的聚类中心的欧式距离,将计算得到的欧式距离作为第(t-T)检测时刻对应的故障检测指标值。
步骤S4,基于漂移阈值方法确定第(t-T)检测时刻对应的自适应阈值。
确定第(t-T)检测时刻对应的自适应阈值其中,th0是初始阈值,一般设置为初始值的98%分位数。q是风险系数,Nt是大于阈值的峰值的个数,n(t)是截止到第t检测时刻时累计的飞行状态数据的个数。/>是第t检测时刻对应的帕累托分布的形状参数估计值,σ*(t)是第t检测时刻对应的帕累托分布的尺度参数估计值。
和σ*(t)由极大似然估计得出。自适应阈值计算方法基于极值理论的流式数据峰值方法(SPOT),认为极值超出阈值的部分满足广义帕累托分布。采用极大似然估计法对于/>和σ进行估计,先采用对数形式进行表示,并利用格里姆肖策略将双参量优化问题转化为单参量问题:
其中,是上述方程组的解。则可以确定第t检测时刻对应的以及/>Yi是任意第i个大于阈值的峰值,x*(t)是第t检测时刻对应的中参数x的解。当故障发生后,数据分布产生改变,因此引入漂移阈值方法进行分析,区别SPOT中的绝对值,自适应阈值方法采用相对值进行建模。
步骤S5,当第(t-T)检测时刻对应的故障检测指标值超过对应的自适应阈值时,确定导弹舵面在第t检测时刻存在故障,否则确定导弹舵面在第t检测时刻正常工作。也即对于任意第t个检测时刻有Ei(t)=1表示导弹舵面在第t个检测时刻存在故障,Ei(t)=0表示导弹舵面在第t个检测时刻正常工作。
在一个实施例中,利用本申请的方法可以检测的导弹舵面存在的故障的类型包括舵面卡死故障、舵面松浮故障和舵面缺损故障。
在一个实施例中,根据导弹系统的模型可以确定舵面分配矩阵,从而确定在各种类型的故障下的表现形式,舵面分配矩阵表征导弹舵面的舵偏角与舵控信号之间的关系。
比如在一个实例中,导弹系统的模型选取BGM-109战斧巡航导弹作为对象,主要包含弹体动力学&运动学、发动机、执行器(舵面)、大气环境系统、控制系统、导航系统以及制导系统等模块,导弹系统运动方程组由动力学、运动学、质量关系、几何关系与控制关系方程组构成导弹系统模型。导弹系统舵面采用十字型气动外形布局如图2所示,由四个舵机共同完成对于导弹滚转、俯仰和偏航的控制。基于此模型,导弹系统的舵面分配矩阵可以表示为:
其中,δx、δy、δz为滚转、俯仰、偏航三通道的舵控信号,δ1、δ2、δ3、δ4为导弹系统的四个舵面的实际舵偏角。则导弹舵面的各类故障可以表示为:
在上述三种情况中,tf为故障发生时间,δ′i(t)为第i个舵面在运行时刻t时的实际的舵偏角,δi(t)是第i个舵面在运行时刻t时的目标舵偏角,a为一固定值,Δ(t)为随着运行时间的变化函数,0<α<1为增益变化比例系数。
重复上述过程,在每个检测时刻对导弹舵面进行故障检测,直到因为完成检测时长或者导弹系统的飞行过程结束而到达最后一个检测时刻。
为了说明本申请的方法的有效性,进行如下仿真试验,设置导弹系统的初始飞行速度为240m/s,初始发射位置为[0,0,800],导航点设置为[5000,0,1000]、[10000,0,1000]、[15000,0,1000]、[20000,0,1000]、[25000,0,1000],单位均为米,如图4和图6中的圆圈表示。最大仿真时长为120s。
在导弹系统正常工作的状态下,在120s的仿真时长内的各个采样时刻对导弹系统采集到的各类飞行状态数据,其中采集到的迎角的波形图如图3所示,其他各类飞行状态数据不再图示。导弹系统的飞行弹道图如图4所示。
在一个仿真实例中,在t=80s时,对导弹系统的2号舵面注入舵面松浮故障,持续时间到仿真结束。则在该仿真实例中,在120s的仿真时长内的各个采样时刻对导弹系统采集到的迎角的波形图如图5所示、导弹系统的飞行弹道图如图6所示。
对比图3和图5可以看出,当导弹舵面在80s处出现了舵面松浮故障时,采样到的迎角明显偏离了稳态值,导致导弹系统数据处于异常波动状态。同样的,采样到的导弹系统的加速度、角加速度、姿态角和和侧滑角也都明显偏离了稳态值。对比图4和图6可以看出,当导弹舵面在80s处出现了舵面松浮故障时,导弹系统迅速下坠并可能导致坠毁等严重后果。
基于本申请的方法进行故障检测,使用的时间窗口覆盖的时长T=3s,各个不同的检测时刻的故障检测指标值的曲线图和自适应阈值的曲线图如图7所示,图7中的局部示意图如图8所示,当导弹系统正常工作、采集到的飞行状态数据在正常范围内波动时,各个检测时刻的自适应阈值会及时更新以保证故障检测准确性。在77.05s之前的仿真时间内,各个检测时刻的故障检测指标值都小于对应的自适应阈值,在77.05s及之后的仿真时间内,各个检测时刻的故障检测指标值都超过对应的自适应阈值,则会在80.05s处检测到dis(t-3)≥th(t-3),从而检测到导弹舵面存在故障,检测耗时很短,可以及时发现舵面故障。
而且该方法对于各种类型的舵面故障都可以快速准确的检测,在一个仿真实例中,对各种不同类型的舵面故障的故障检测数据如下表所示:
故障类型 | 误报率 | 漏报率 | 故障检测时间 |
一号舵面卡死-10度 | 0 | 0.962% | 30ms |
一号舵面卡死-2度 | 0 | 0.15% | 30ms |
二号舵面卡死-10度 | 0 | 0.45% | 90ms |
二号舵面松浮 | 0 | 0.25% | 50ms |
二号舵面10%缺损 | 0 | 0.1% | 20ms |
以上所述的仅是本申请的优选实施方式,本申请不限于以上实施例。可以理解,本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本申请的保护范围之内。
Claims (6)
1.一种基于SSLLE和自适应阈值的导弹舵面故障检测方法,其特征在于,所述方法包括在导弹系统飞行过程中的任意第t检测时刻,t为参数且t≥1:
提取所述导弹系统在所述第t检测时刻对应的时间窗口内的飞行状态数据的数据波动特征得到高维数据集,覆盖时长为T的所述时间窗口包括第(t-T)检测时刻至所述第t检测时刻之间的若干个检测时刻;
利用SSLLE算法通过映射矩阵将所述高维数据集映射到低维空间得到低维数据集,所述映射矩阵基于所述导弹系统的正常稳态数据计算得到,正常稳态数据是正常工作的导弹系统的飞行状态数据;
计算所述低维数据集与所述导弹系统的正常稳态数据的聚类中心的欧式距离,将计算得到的所述欧式距离作为第(t-T)检测时刻对应的故障检测指标值;
确定所述第(t-T)检测时刻对应的自适应阈值其中,th0是初始阈值,q是风险系数,Nt是大于阈值的峰值的个数,n(t)是截止到所述第t检测时刻时累计的飞行状态数据的个数;ζ*(t)是所述第t检测时刻对应的帕累托分布的形状参数估计值,σ*(t)是所述第t检测时刻对应的帕累托分布的尺度参数估计值;
当第(t-T)检测时刻对应的故障检测指标值超过对应的自适应阈值时,确定导弹舵面在所述第t检测时刻存在故障,否则确定导弹舵面在所述第t检测时刻正常工作。
4.根据权利要求1所述的方法,其特征在于,提取得到高维数据集的方法包括:
对所述第t检测时刻对应的时间窗口内的飞行状态数据提取得到表征数据波动特征的若干项统计信息,构建得到所述高维数据集,所述统计信息包括标准差、极差、范数和范数变化率。
5.根据权利要求1所述的方法,其特征在于,
提取的所述导弹系统的飞行状态数据包括所述导弹系统的角加速度、加速度、姿态角、迎角和侧滑角。
6.根据权利要求1所述的方法,其特征在于,导弹舵面存在的故障的类型包括舵面卡死故障、舵面松浮故障和舵面缺损故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420467.2A CN115993075B (zh) | 2022-11-14 | 2022-11-14 | 基于sslle和自适应阈值的导弹舵面故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420467.2A CN115993075B (zh) | 2022-11-14 | 2022-11-14 | 基于sslle和自适应阈值的导弹舵面故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115993075A CN115993075A (zh) | 2023-04-21 |
CN115993075B true CN115993075B (zh) | 2023-07-11 |
Family
ID=85991034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211420467.2A Active CN115993075B (zh) | 2022-11-14 | 2022-11-14 | 基于sslle和自适应阈值的导弹舵面故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993075B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1543422A2 (ru) * | 1988-05-03 | 1990-02-15 | Омский Институт Инженеров Железнодорожного Транспорта | Устройство дл определени показателей надежности объектов |
EP1052558B1 (de) * | 1999-05-14 | 2002-08-07 | Abb Research Ltd. | Verfahren und Einrichtung zur Zustandsschätzung |
JP2003175896A (ja) * | 2001-12-10 | 2003-06-24 | Mitsubishi Heavy Ind Ltd | 舵面の故障・損傷検出装置 |
JP2019067197A (ja) * | 2017-10-02 | 2019-04-25 | 日本ユニシス株式会社 | 故障予兆検知手法 |
CN108594788B (zh) * | 2018-03-27 | 2020-09-22 | 西北工业大学 | 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 |
CN113311803B (zh) * | 2021-05-17 | 2022-05-17 | 北京航空航天大学 | 一种基于核主元分析的在轨航天器飞轮故障检测方法 |
CN115320886A (zh) * | 2022-08-31 | 2022-11-11 | 西北工业大学 | 一种飞行器舵面故障实时监测方法及系统 |
-
2022
- 2022-11-14 CN CN202211420467.2A patent/CN115993075B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115993075A (zh) | 2023-04-21 |
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 | |
US9218232B2 (en) | Anomaly detection methods, devices and systems | |
CN112348124B (zh) | 一种基于数据驱动的微小故障诊断方法及装置 | |
Khalastchi et al. | Online anomaly detection in unmanned vehicles | |
KR101021801B1 (ko) | 적응 미지입력 관측기를 이용한 무인항공기의 조종면 구동기 고장진단방법 | |
CN112884051B (zh) | 数据驱动的轻量级无人机多部件在线复杂故障诊断方法 | |
CN110889862B (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
CN111460676B (zh) | 多旋翼飞行器在大气紊流扰动下的健康性能评估方法 | |
CN115840221B (zh) | 基于4d毫米波雷达实现目标特征提取与多目标跟踪的方法 | |
CN112598046A (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
CN115993075B (zh) | 基于sslle和自适应阈值的导弹舵面故障检测方法 | |
CN116127842A (zh) | 基于径向基-反向传播神经网络的故障后飞行包线在线预测方法 | |
Wang et al. | Data-driven anomaly detection of UAV based on multimodal regression model | |
CN115320886A (zh) | 一种飞行器舵面故障实时监测方法及系统 | |
CN112836581B (zh) | 一种基于相关性分析的敏感故障特征提取方法及装置 | |
CN111123885A (zh) | 一种基于自适应技术的高超声速飞行器间歇故障诊断方法 | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
CN112597706B (zh) | 一种运载火箭执行机构故障在线诊断方法 | |
CN115218927A (zh) | 基于二次卡尔曼滤波的无人机imu传感器故障检测方法 | |
CN112965966B (zh) | 一种基于实测飞参数据的快速预处理方法、系统及计算机相关产品 | |
Zhang et al. | Online aircraft damage case identification and classification for database information retrieval | |
Van Eykeren et al. | Actuator fault detection by aerodynamic model identification | |
Hansen et al. | A framework for diagnosis of critical faults in unmanned aerial vehicles | |
CN116499419B (zh) | 一种舵机旋转角度异常检测方法及系统 | |
Wang et al. | Quantitative Evaluation of Sensor Fault Diagnosability of F-16 High Maneuvering Fighter |
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 |