CN116088349A - 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 - Google Patents
基于lstm的火箭半实物仿真数据异常评估方法及决策装置 Download PDFInfo
- Publication number
- CN116088349A CN116088349A CN202310208706.6A CN202310208706A CN116088349A CN 116088349 A CN116088349 A CN 116088349A CN 202310208706 A CN202310208706 A CN 202310208706A CN 116088349 A CN116088349 A CN 116088349A
- Authority
- CN
- China
- Prior art keywords
- data
- semi
- value
- lstm
- physical simulation
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 99
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 239000013307 optical fiber Substances 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000002547 anomalous effect Effects 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000011157 data evaluation Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于LSTM的火箭半实物仿真数据异常评估方法及决策装置，属于火箭半实物仿真数据异常评估技术领域，采用LSTM神经网络算法，对半实物仿真从光纤上输出的数据作为LSTM神经网络模型的输入，通过LSTM预测模型计算出预测值，将预测值集合作为异常判断模型的输入,若异常判断模型将数据判断为异常数据则将数据输入LSTM决策模型，得出设备断电、停止优先级，通过光纤发送停止指令控制转台停止，通过以太网发送SCPI指令控制电源关闭。本发明能够解决在火箭半实物仿真实验过程中由于产生的数据量较多，各个数据之间的波动不一致的数据评估问题。
Description
技术领域
本发明涉及火箭半实物仿真数据异常评估技术领域，特别涉及基于LSTM的火箭半实物仿真数据异常评估方法及决策装置。
背景技术
随着中国航天事业不断发展，半实物仿真实验成为运载火箭研制阶段不可或缺的一项重要实验。运载火箭在进行半实物仿真实验过程中由于数据异常导致对各个实验设备的损坏，在严重情况下甚至危害到实验人员的人身安全。因此，数据异常的评估与决策是半实物仿真实验尤为重要的一个环节。
目前，对于数据异常评估的方法可分为三大类别，基于关键量的异常评估方法、基于物理模型的异常评估方法、基于数据预测评估方法，其中前两中方法应用到半实物仿真实验中需要实验人员对航天领域知识具有系统的了解，对整个仿真的硬件与软件通信与交互具有足够的认识，其方法普遍性与适用性较低、无法做出合理的数据异常评估与决策。基于数据预测评估方法即对数据当前量以及下一时刻的数据进行预测评估与比较，在数据量较大的系统中，快速形成对比从而得出评判结果，通常数据以时间序列为标准控制数据量的输出，因而基于数据预测评估方法为首要选择。
在日常实践中，发现现有的技术方案具有如下问题：
由于在火箭半实物仿真实验过程中，数据量较多，各个数据之间的波动不一致，现有数据异常评估方法不能应用于火箭半实物仿真实验中。
有鉴于此，实有必要提供一种新的技术方案以解决上述问题。
发明内容
为解决上述技术问题，本申请提供一种基于LSTM的火箭半实物仿真数据异常评估方法及决策装置，能够解决在火箭半实物仿真实验过程中由于产生的数据量较多，各个数据之间的波动不一致的数据评估问题。
基于LSTM的火箭半实物仿真数据异常评估方法，包括：
获取火箭半实物仿真实验中的半实物仿真数据并对半实物仿真数据进行数据预处理；
将预处理完毕的半实物仿真数据传递给经过训练的LSTM预测模型，由LSTM预测模型计算出模型预测值；
对模型预测值集合进行数据异常判断，判别出异常数据和非异常数据；
将异常数据输入LSTM决策模型进行决策判定，有效决策出各个设备关闭的优先级，将非异常数据输入训练集中进行模型训练；
将决策内容通过光纤发送指令至仿真总控装置，仿真总控装置通过以太网发送SCPI指令按照优先级控制相应设备停止或者关闭。
优选的，获取火箭半实物仿真实验中的半实物仿真数据并对半实物仿真数据进行数据预处理中，所述获取火箭半实物仿真实验中的半实物仿真数据包括：
由仿真机发出数据源；
光纤转换装置通过与仿真机连接的光纤获取仿真机模型解算的实时数据并传输至飞控组合装置；
飞控组合装置将数据进行飞控模型解算得出舵控信息；
舵控信息通过光纤发送至光纤反射内存网相对应的地址；
仿真机通过读取相应的地址段获取实时的舵控信息，形成了一个数据循环流；
其中，通过光纤可以获取到整个流程数据，将流程数据输入仿真总控装置，作为LSTM预测模型的输入数据。
优选的，在将预处理完毕的半实物仿真数据传递给经过训练的LSTM预测模型，由LSTM预测模型计算出模型预测值中，所述LSTM预测模型的训练过程包括：
通过遗忘门确定通过单元状态的参数信息，将预测过程中不需要使用的参数信息选择性过滤，
其中，通过单元状态的参数信息的计算公式为：
；
输入层通过sigmoid神经网络决定需要用来更新计算的参数值，其计算公式为：
；
使用tanh层生成最新的高度值添加入单元状态，其计算公式为：
；
结合和两部分的值对参数信息进行更新；
由sigmoid神经网络得到高度信息的初始输出量，使用tanh将值在[-1,1]区间进行缩放，
其中，进行缩放时采用的计算公式为：
；
将缩放得出的值与初始输出量相乘，得到最终预测参数。
优选的，在对模型预测值集合进行数据异常判断，判别出异常数据和非异常数据中，所述数据异常判断包括：
使用Q检验法，对预测数据值进行异常值检验；
将正态分布的中心取值为剩余预测数据的均值，将正态分布的方差取值为剩余预测数据的标准差，当置信概率为98%时获得置信区间；
将实时的光纤数据以时间序列划分为多个数据，当置信概率大于98%时，该序列数据中Q大于置信区间的数据数量，当且仅当Q大于置信区间的数据数量大于4时，确定异常序列在输入中所在的维度，通过与输入序列进行比较，得出具体异常数据信息。
优选的，所述使用Q检验法，对预测数据值进行异常值检验包括：
将测定值按照由大到小的顺序排列，计算测定值的极差；
将正态分布的中心取值为训练样本中残差的均值，将正态分布的方差取值为训练样本中残差的标准差，当置信概率为98%时获得置信区间；
将Q值与训练样本数据集中置信区间的数值进行比较，若Q值大于训练样本数据集中置信区间的数值，则将其相应的值进行舍弃，统计舍弃值的数目,其中舍弃值的数目不大于10；
其中， ，
式中，为计算可疑值与相邻值之差的绝对值，为测定值的极差。
根据本申请的另一方面，还提供一种基于LSTM的火箭半实物仿真数据异常决策装置，包括：仿真机、仿真总控装置、光纤交换机以及光纤转换装置和飞控组合装置；所述仿真机与所述光纤交换机通过光纤通信连接；所述光纤转换装置与所述光纤交换机通信连接；所述飞控组合装置与所述光纤转换装置通信连接；所述仿真总控装置与光纤通信连接。
优选的，还包括伺服间电源、转台间电源、控制间电源和以太网交换机；所述以太网交换机与所述仿真总控装置通信连接；所述仿真总控装置能够通过所述太网交换机控制所述转台间电源、所述控制间电源和伺服间电源的通断。
根据本申请的另一方面，还提供一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现基于LSTM的火箭半实物仿真数据异常评估方法的步骤。
根据本申请的另一方面，还提供一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现基于LSTM的火箭半实物仿真数据异常评估方法的步骤。
与现有技术相比，本申请至少具有以下有益效果：
1.本发明采用LSTM神经网络算法解决火箭在半实物仿真实验中由于产生的数据量较多，各个数据之间的波动不一致的数据评估问题。
2.本发明自动化批量处理评估实时异常数据，自动化将实验设备进行关闭保护，降低人工干扰成本，提高系统安全性、普遍性和可靠性。
3.本发明采用Q检验法，将异常数据进行了设备停止与断电必要性分析，有效决策出各个设备关闭的优先级，并行或者串行将各个设备进行停止或者关闭。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1为本发明的整体流程示意图；
图2为本发明的数据处理流程图；
图3为LSTM模型原理图；
图4为本发明LSTM预测模型示意图；
图5为原始火箭飞行高度预测数据图；
图6为去除异常后火箭飞行高度预测数据图；
图7为异常状态处理流程图；
图8为基于LSTM的火箭半实物仿真数据异常决策装置的部件连接示意图。
其中，上述附图包括以下附图标记：
1、三轴转台，2、速率陀螺转台，3、卫星导航模拟，4、仿真机，5、光纤交换机，6、仿真总控装置，7、伺服间电源，8、以太网交换机，9、控制间电源，10、转台间电源，11、光纤转换装置，12、飞控组合装置。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
如图1和图2所示，基于LSTM的火箭半实物仿真数据异常评估方法，包括以下步骤：
步骤S1、获取火箭半实物仿真实验中的半实物仿真数据并对半实物仿真数据进行数据预处理。
所述获取火箭半实物仿真实验中的半实物仿真数据包括：
步骤S11、由仿真机发出数据源；
步骤S12、光纤转换装置通过与仿真机连接的光纤获取仿真机模型解算的实时数据并传输至飞控组合装置；
步骤S13、飞控组合装置将数据进行飞控模型解算得出舵控信息；
步骤S14、舵控信息通过光纤发送至光纤反射内存网相对应的地址；
步骤S15、仿真机通过读取相应的地址段获取实时的舵控信息，形成了一个数据循环流；
其中，通过光纤可以获取到整个流程数据，将流程数据输入仿真总控装置，作为LSTM预测模型的输入数据。
具体的，数据源由仿真机发起，将基本的经度、纬度、高度、速度等信息经过光纤板卡发送到光纤反射内存网，具有光纤转换装置和飞控组合装置的外围设备通过光纤获取实时仿真机模型解算的数据，将数据进行飞控模型解算得出俯仰、偏航、滚转等舵控信息，通过光纤发送至光纤反射内存网相对应的地址，仿真机通过读取相应的地址段获取实时的舵控信息，形成了一个数据循环流。其中，通过光纤可以获取到整个流程数据，将流程数据输入仿真总控装置，作为LSTM模型输入数据。
步骤S2、将预处理完毕的半实物仿真数据传递给经过训练的LSTM预测模型，由LSTM预测模型计算出模型预测值。
LSTM预测模型的训练过程包括以下步骤：
步骤S21、通过遗忘门确定通过单元状态的参数信息，将预测过程中不需要使用的参数信息选择性过滤，
其中，通过单元状态的参数信息的计算公式为：
；
步骤S22、输入层通过sigmoid神经网络决定需要用来更新计算的参数值，其计算公式为：
；
步骤S23、使用tanh层生成最新的高度值添加入单元状态，其计算公式为：
；
步骤S24、结合和两部分的值对参数信息进行更新；
步骤S25、由sigmoid神经网络得到高度信息的初始输出量，使用tanh将值在[-1,1]区间进行缩放，
其中，进行缩放时采用的计算公式为：
；
步骤S26、将缩放得出的值与初始输出量相乘，得到最终预测参数。
具体的，如图3所示，LSTM神经网络是由通过RNN神经网络经过优化而来的深度学习算法，主要用来处理时间序列数据，解决了RNN长期依赖的问题。与简单的递归神经网络不同，LSTM包含了遗忘门、更新门和输出门。
以训练集中的一组高度信息为例：
通过遗忘门确定通过单元状态的高度信息，去计算公式如下：
；
其中为0和1序列组成，将预测过程中不需要使用的高度信息选择性过滤，例如为[0,0,1,1,1...1]序列，该序列将前一条弹道数据中偏差条件不一致的的h1和h2高度过滤,保留本次条件中的所有数据，得到。
通过产生需要更新的高度信息。首先输入层通过sigmoid神经网络决定哪些高度值用来更新计算，计算公式如下：
；
使用tanh层生成最新的高度值添加入单元状态，计算公式如下：
；
结合和两部分值对高度信息进行更新。
由sigmoid得到高度信息的初始输出量，接下来使用tanh将值在[-1,1]区间进行缩放式，计算公式如下：
；
缩放得出的值与之前初始输出量相乘，最终得到预测高度,计算公式如下：
；
通过以上单组数据，假设输入N组数据
，
将LSTM预测模型分为四层，分别为输入层，隐藏层，全连接层、输出层。
如图4所示，输入层：此层级为从光纤反射内存中获取的经度、纬度、高度、北天东速度信息、角速度信息、马赫数、攻角、俯仰角等信息，每个信息作为一个向量，将左右向量组合成为一个n为矩阵，其中第一个向量值为时间序列，如输入的时间序列为input[49,1]，那么输入的数据为49个，维度为1，其中49个数据为连续的49帧数据，可以是[1,2,3...49]时间序列对应的值或者是[2,3...49,50]对应的数值。
LSTM层：设计两层LSTM，LSTM_1输入NxN矩阵的实时数据，输出n+1维数据集作为dropout的输入，dropout_1在输入层和隐藏之间控制输入线性变换神经元断开比例，LSMT_2将dropout_1输出的数据进行2n+2为数据转换，dropout_2 为控制循环状态的线性变换的神经元断开比例。
全连接层：统计LSTM_1和LSMT_2数据，输入特征重新拟合，利用权重矩阵，将之前的局部数据特征一一提取，将神经网络的输出值转换为目标的输出值，即将LSMT_2数据进行维度转换，输出一个10维的预测数据信息。
输出层：通过激活函数得到预期的10为矩阵数据，将数据作为模型的最终预测值。
原始火箭飞行高度预测数据图如图5所示，去除异常后火箭飞行高度预测数据图如图6所示。
步骤S3、对模型预测值集合进行数据异常判断，判别出异常数据和非异常数据。
具体包括以下步骤：
步骤S31、使用Q检验法，对预测数据值进行异常值检验。
具体的，将测定值按照由大到小的顺序排列，计算测定值的极差：
；
将正态分布的中心取值为训练样本中残差的均值，将正态分布的方差取值为训练样本中残差的标准差，当置信概率为98%时获得置信区间。
将Q值与训练样本数据集中置信区间的数值进行比较，若Q值大于训练样本数据集中置信区间的数值，则将其相应的值进行舍弃，统计舍弃值的数目,其中舍弃值的数目为n，n不大于10。
其中， ，
式中，为计算可疑值与相邻值之差的绝对值，为测定值的极差。
步骤S32、将正态分布的中心取值为剩余预测数据的均值，将正态分布的方差取值为剩余预测数据的标准差，当置信概率为98%时获得置信区间Q tab true,其中，Q_tab_true=[u-mx,u+mx]。
步骤S33、将实时的光纤数据以时间序列划分为多个数据，每个数据大小为10-n，当置信概率大于98%时，该序列数据中Q大于置信区间Q tab true的数据数量K，当且仅当Q大于置信区间Q tab true的数据数量K大于4时，确定异常序列在输入中所在的维度，通过与输入序列进行比较，得出具体异常数据信息。
此外，对于在正常偏差范围内的异常值，对系统影响范围较小的数据可以判断为非异常数据，可以不进行异常状态设备处理。
步骤S4、将异常数据输入LSTM决策模型进行决策判定，有效决策出各个设备关闭的优先级，将非异常数据输入训练集中进行模型训练。
具体的，如图7所示，运载火箭在进行半实物仿真实验过程中，其所需要使用到的设备有实时仿真机、三轴转台、速率陀螺转台、伺服模拟喷管、Itech电源等，在实验运行过程中，通过实时仿真机解算出的姿态角度以及相关的过程量控制各个设备正常工作与运转。由于各个设备的特殊性，可以将相关信息进行统计分析，俯仰、航向、滚转角度指令为影响三轴转台、速率陀螺转台的关键因素，俯仰、航向、滚转伺服控制指令为影响伺服模拟喷管关键因素，电流、电压值为影响电源关键因素，根据指令以及设备的重要程度，对三轴转台、速率陀螺转台、伺服模拟喷管、Itech电源给出（n1,n2,n3,n4,n5,n6,n7）的决策优先级。
步骤S5、将决策内容通过光纤发送指令至仿真总控装置，仿真总控装置通过以太网发送SCPI指令按照优先级控制相应设备停止或者关闭。
具体的，经过LSTM预测模型以及数据异常判断，通过仿真总控装置以及给出的决策优先级，使用光纤指令控制三轴转台、速率陀螺转台、卫星导航模拟器停止或者关闭，通过网线连接各个电源，根据决策优先级发送SCPI指令，分别控制各个设备进行断电。
如图8所示，基于LSTM的火箭半实物仿真数据异常决策装置，包括：仿真机4、仿真总控装置6、光纤交换机5以及光纤转换装置11和飞控组合装置12。所述仿真机4与所述光纤交换机5通过光纤通信连接，所述光纤转换装,11与所述光纤交换机5通信连接，所述飞控组合装,12与所述光纤转换装置11通信连接，所述仿真总控装,6与光纤通信连接。
此外，还包括伺服间电源7、转台间电源10、控制间电源9和以太网交换机8，所述以太网交换机8与所述仿真总控装,6通信连接，所述仿真总控装,6能够通过所述以太网交换机8控制所述转台间电源10、所述控制间电源9和伺服间电源7的通断。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于LSTM的火箭半实物仿真数据异常评估方法，其特征在于，包括：
获取火箭半实物仿真实验中的半实物仿真数据并对半实物仿真数据进行数据预处理；
将预处理完毕的半实物仿真数据传递给经过训练的LSTM预测模型，由LSTM预测模型计算出模型预测值；
对模型预测值集合进行数据异常判断，判别出异常数据和非异常数据；
将异常数据输入LSTM决策模型进行决策判定，有效决策出各个设备关闭的优先级，将非异常数据输入训练集中进行模型训练；
将决策内容通过光纤发送指令至仿真总控装置，仿真总控装置通过以太网发送SCPI指令按照优先级控制相应设备停止或者关闭。
2.如权利要求1所述的基于LSTM的火箭半实物仿真数据异常评估方法，其特征在于，获取火箭半实物仿真实验中的半实物仿真数据并对半实物仿真数据进行数据预处理中，所述获取火箭半实物仿真实验中的半实物仿真数据包括：
由仿真机发出数据源；
光纤转换装置通过与仿真机连接的光纤获取仿真机模型解算的实时数据并传输至飞控组合装置；
飞控组合装置将数据进行飞控模型解算得出舵控信息；
舵控信息通过光纤发送至光纤反射内存网相对应的地址；
仿真机通过读取相应的地址段获取实时的舵控信息，形成了一个数据循环流；
其中，通过光纤可以获取到整个流程数据，将流程数据输入仿真总控装置，作为LSTM预测模型的输入数据。
3.如权利要求1所述的基于LSTM的火箭半实物仿真数据异常评估方法，其特征在于，在将预处理完毕的半实物仿真数据传递给经过训练的LSTM预测模型，由LSTM预测模型计算出模型预测值中，所述LSTM预测模型的训练过程包括：
通过遗忘门确定通过单元状态的参数信息，将预测过程中不需要使用的参数信息选择性过滤，
其中，通过单元状态的参数信息的计算公式为：
；
输入层通过sigmid神经网络决定需要用来更新计算的参数值，其计算公式为：
；
使用tanh层生成最新的高度值添加入单元状态，其计算公式为：
；
结合和两部分的值对参数信息进行更新；
由sigmoid神经网络得到高度信息的初始输出量，使用tanh将值在[-1,1]区间进行缩放，
其中，进行缩放时采用的计算公式为：
；
将缩放得出的值与初始输出量相乘，得到最终预测参数。
4.如权利要求1所述的基于LSTM的火箭半实物仿真数据异常评估方法，其特征在于，在对模型预测值集合进行数据异常判断，判别出异常数据和非异常数据中，所述数据异常判断包括：
使用Q检验法，对预测数据值进行异常值检验；
将正态分布的中心取值为剩余预测数据的均值，将正态分布的方差取值为剩余预测数据的标准差，当置信概率为98%时获得置信区间；
将实时的光纤数据以时间序列划分为多个数据，当置信概率大于98%时，该序列数据中Q大于置信区间的数据数量，当且仅当Q大于置信区间的数据数量大于4时，确定异常序列在输入中所在的维度，通过与输入序列进行比较，得出具体异常数据信息。
5.如权利要求4所述的基于LSTM的火箭半实物仿真数据异常评估方法，其特征在于，所述使用Q检验法，对预测数据值进行异常值检验包括：
将测定值按照由大到小的顺序排列，计算测定值的极差；
将正态分布的中心取值为训练样本中残差的均值，将正态分布的方差取值为训练样本中残差的标准差，当置信概率为98%时获得置信区间；
将Q值与训练样本数据集中置信区间的数值进行比较，若Q值大于训练样本数据集中置信区间的数值，则将其相应的值进行舍弃，统计舍弃值的数目,其中舍弃值的数目不大于10；
其中，
，
式中，为计算可疑值与相邻值之差的绝对值，R为测定值的极差。
6.基于LSTM的火箭半实物仿真数据异常决策装置，其特征在于，包括：仿真机、仿真总控装置、光纤交换机以及光纤转换装置和飞控组合装置；所述仿真机与所述光纤交换机通过光纤通信连接；所述光纤转换装置与所述光纤交换机通信连接；所述飞控组合装置与所述光纤转换装置通信连接；所述仿真总控装置与光纤通信连接。
7.如权利要求6所述的基于LSTM的火箭半实物仿真数据异常决策装置，其特征在于，还包括伺服间电源、转台间电源、控制间电源和以太网交换机；所述以太网交换机与所述仿真总控装置通信连接；所述仿真总控装置能够通过所述太网交换机控制所述转台间电源、所述控制间电源和伺服间电源的通断。
8.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1~5任一项所述的基于LSTM的火箭半实物仿真数据异常评估方法的步骤。
9.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1~5任一项所述的基于LSTM的火箭半实物仿真数据异常评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310208706.6A CN116088349B (zh) | 2023-03-07 | 2023-03-07 | 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310208706.6A CN116088349B (zh) | 2023-03-07 | 2023-03-07 | 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116088349A true CN116088349A (zh) | 2023-05-09 |
| CN116088349B CN116088349B (zh) | 2023-06-27 |
Family
ID=86204607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310208706.6A Active CN116088349B (zh) | 2023-03-07 | 2023-03-07 | 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116088349B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116627157A (zh) * | 2023-07-26 | 2023-08-22 | 东方空间技术(山东)有限公司 | 一种运载火箭的运行控制方法、装置及设备 |
| CN116975577A (zh) * | 2023-09-25 | 2023-10-31 | 东方空间技术(山东)有限公司 | 一种火箭半实物仿真数据的处理方法、系统及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950157A (zh) * | 2010-07-30 | 2011-01-19 | 北京航空航天大学 | 一种具有高实时性的飞行仿真系统 |
| CN104156615A (zh) * | 2014-08-25 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的传感器检测数据点异常检测方法 |
| CN106707791A (zh) * | 2016-08-31 | 2017-05-24 | 上海航天控制技术研究所 | 运载火箭控制系统半实物仿真同步评价系统和方法 |
| CN108960303A (zh) * | 2018-06-20 | 2018-12-07 | 哈尔滨工业大学 | 一种基于lstm的无人机飞行数据异常检测方法 |
| CN110262282A (zh) * | 2019-05-27 | 2019-09-20 | 南京理工大学 | 火箭子级落区控制三轴转台半实物仿真系统及方法 |
| WO2021173961A1 (en) * | 2020-02-28 | 2021-09-02 | Nanotronics Imaging, Inc. | Method, systems and apparatus for intelligently emulating factory control systems and simulating response data |
| CN113887125A (zh) * | 2021-08-31 | 2022-01-04 | 哈尔滨工业大学 | 一种复杂仿真系统运行有效性评估方法 |
| CN113901720A (zh) * | 2021-10-11 | 2022-01-07 | 南京恒星自动化设备有限公司 | 基于深度学习lstm的铁路供电设备状态异常报警的实现方法 |
| CN115659508A (zh) * | 2022-10-27 | 2023-01-31 | 航天科工火箭技术有限公司 | 一种推力调节的仿真试验方法、系统及电子设备 |
-
2023
- 2023-03-07 CN CN202310208706.6A patent/CN116088349B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950157A (zh) * | 2010-07-30 | 2011-01-19 | 北京航空航天大学 | 一种具有高实时性的飞行仿真系统 |
| CN104156615A (zh) * | 2014-08-25 | 2014-11-19 | 哈尔滨工业大学 | 基于ls-svm的传感器检测数据点异常检测方法 |
| CN106707791A (zh) * | 2016-08-31 | 2017-05-24 | 上海航天控制技术研究所 | 运载火箭控制系统半实物仿真同步评价系统和方法 |
| CN108960303A (zh) * | 2018-06-20 | 2018-12-07 | 哈尔滨工业大学 | 一种基于lstm的无人机飞行数据异常检测方法 |
| CN110262282A (zh) * | 2019-05-27 | 2019-09-20 | 南京理工大学 | 火箭子级落区控制三轴转台半实物仿真系统及方法 |
| WO2021173961A1 (en) * | 2020-02-28 | 2021-09-02 | Nanotronics Imaging, Inc. | Method, systems and apparatus for intelligently emulating factory control systems and simulating response data |
| CN113887125A (zh) * | 2021-08-31 | 2022-01-04 | 哈尔滨工业大学 | 一种复杂仿真系统运行有效性评估方法 |
| CN113901720A (zh) * | 2021-10-11 | 2022-01-07 | 南京恒星自动化设备有限公司 | 基于深度学习lstm的铁路供电设备状态异常报警的实现方法 |
| CN115659508A (zh) * | 2022-10-27 | 2023-01-31 | 航天科工火箭技术有限公司 | 一种推力调节的仿真试验方法、系统及电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116627157A (zh) * | 2023-07-26 | 2023-08-22 | 东方空间技术(山东)有限公司 | 一种运载火箭的运行控制方法、装置及设备 |
| CN116627157B (zh) * | 2023-07-26 | 2023-09-29 | 东方空间技术(山东)有限公司 | 一种运载火箭的运行控制方法、装置及设备 |
| CN116975577A (zh) * | 2023-09-25 | 2023-10-31 | 东方空间技术(山东)有限公司 | 一种火箭半实物仿真数据的处理方法、系统及设备 |
| CN116975577B (zh) * | 2023-09-25 | 2023-12-22 | 东方空间技术(山东)有限公司 | 一种火箭半实物仿真数据的处理方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116088349B (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116088349B (zh) | 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 | |
| CN110018687A (zh) | 基于强化学习方法的无人水面船最优轨迹跟踪控制方法 | |
| CN107272667B (zh) | 一种基于平行的偏最小二乘法的工业过程故障检测方法 | |
| CN108540311B (zh) | 卫星执行机构的故障检测深度学习网络处理方法及装置 | |
| Zhang et al. | Learning and near-optimal control of underactuated surface vessels with periodic disturbances | |
| US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
| Kang et al. | Tracking of uncertain robotic manipulators using event-triggered model predictive control with learning terminal cost | |
| WO2022121932A1 (zh) | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 | |
| CN103399488B (zh) | 基于自学习的多模型控制方法 | |
| Xu et al. | Fuzzy adaptive finite time fault-tolerant control for multi-input and multi-output nonlinear systems with actuator faults | |
| Xia et al. | Virtual comissioning of manufacturing system intelligent control | |
| CN108768750A (zh) | 通信网络故障定位方法及装置 | |
| Luzar et al. | Actuators and sensors fault diagnosis with dynamic, state-space neural networks | |
| Sun et al. | Composite adaptive locally weighted learning control for multi-constraint nonlinear systems | |
| Wang et al. | Data-driven model identification and predictive control for path-following of underactuated ships with unknown dynamics | |
| Chen et al. | Approximate Optimal Adaptive Prescribed Performance Control for Uncertain Nonlinear Systems With Feature Information | |
| Yaseen et al. | A model-free approach to networked control system with time-varying communication delay | |
| Rodriguez et al. | Potentials of quadratic neural unit for applications | |
| Song et al. | Guest editorial special issue on new developments in neural network structures for signal processing, autonomous decision, and adaptive control | |
| Su et al. | Fault Prediction for Nonlinear System Using Sliding ARMA Combined with Online LS‐SVR | |
| Yin et al. | Disturbance observer‐based dynamic optimal setting control | |
| CN111310964B (zh) | 一种负荷预测方法及装置 | |
| Li et al. | Active Event-Triggered Fault-Tolerant Control Design for Switched Pure-Feedback Nonlinear Systems. | |
| Zhao et al. | Disturbance observer-based adaptive neural network control of marine vessel systems with time-varying output constraints | |
| CN109495437A (zh) | 一种利用在线机器学习算法的工业控制系统中网络异常探测方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 264000 No.1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province Patentee after: Dongfang space technology (Shandong) Co.,Ltd. Country or region after: China Patentee after: Dongfang Space (Jiangsu) Aerospace Power Co.,Ltd. Patentee after: Oriental space technology (Beijing) Co.,Ltd. Patentee after: Orient Space (Hainan) Technology Co.,Ltd. Address before: No. 1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Patentee before: Dongfang space technology (Shandong) Co.,Ltd. Country or region before: China Patentee before: Oriental space technology (Beijing) Co.,Ltd. Patentee before: Dongfang Space (Jiangsu) Aerospace Power Co.,Ltd. Patentee before: Orient Space (Hainan) Technology Co.,Ltd. Address after: No. 1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Patentee after: Dongfang space technology (Shandong) Co.,Ltd. Country or region after: China Patentee after: Oriental space technology (Beijing) Co.,Ltd. Patentee after: Dongfang Space (Jiangsu) Aerospace Power Co.,Ltd. Patentee after: Orient Space (Hainan) Technology Co.,Ltd. Address before: No. 1, Haixiang Middle Road, Fengcheng Street, Haiyang City, Yantai City, Shandong Province, 265100 Patentee before: Dongfang space technology (Shandong) Co.,Ltd. Country or region before: China Patentee before: Oriental space technology (Beijing) Co.,Ltd. Patentee before: Oriental space (Xi'an) Aerospace Technology Co.,Ltd. Patentee before: Orient Space (Hainan) Technology Co.,Ltd. |