CN117608959A - 一种基于域对抗迁移网络的飞控系统状态监测方法 - Google Patents

Abstract

本发明公开了一种基于域对抗迁移网络的飞控系统状态监测方法，根据模糊熵指数选择最优的滑动时间窗大小；基于图神经网络提取飞控系统各测点间的空间特征；基于带有通道注意力机制的多尺度特征提取器提取测试信号的时间特征；通过域对抗迁移网络提升测点不全下的状态监测模型的域泛化能力。本发明基于域对抗迁移网络，实现了测点不全情况下的飞控系统实时状态监测。

Description

一种基于域对抗迁移网络的飞控系统状态监测方法

技术领域

本发明涉及飞控系统状态检测技术领域，特别涉及一种基于域对抗迁移网络的飞控系统状态监测方法。

背景技术

飞控系统状态监测是运载火箭试验发射控制系统(TLCS)的核心，可靠和安全的操作至关重要。考虑到发射系统运行的高安全性要求，对飞控系统设备故障进行实时分析、诊断和预测具有重要意义。状态监测面临诸多挑战，包括实际设备极其复杂、决策风险大、先验信息少、准确性高、评估结果实时性强等。

飞行控制系统状态监测的任务是实时得到设备的健康状况，包括电源、执行器、惯性测量单元(IMU)和北斗接收机。大量传感器被用于对各类设备进行实时监控，被称为测试点。在飞行控制系统状态监测中，应该考虑信号和测试点的拓扑结构，许多测试点构成了一个复杂的测试系统并通过数据总线将采样信号传输到地面测控平台，对每台设备单独测试获取所有测试点的信号将会消耗相当多的时间。此外，数据总线上信号的传输速度限制了监控算法的实时性。因此，在实际应用中，有部分信号不能实时传输给地面测控平台，这意味着监测模型只能得到有限的测试信息。缺乏测试信号将部分改变测试点之间的拓扑关系并减少了状态监测精度。

状态监测的主流方法是设计基于神经网络的故障事件检测方案，滑动窗口作为一种流行的人工特征采样器，被广泛应用于测试信号的时间序列中。对于时序信息，通常采用传统的卷积和递归神经网络作为故障特征的特征提取器。然而，单尺度特征提取器忽略了存在于其他尺度数据中的重要信息，存在一定局限性。

与普通状态监测不同，容失信号状态监测需要考虑测试点拓扑结构不一致的问题。在现有研究中，已有方法是基于剩余数据恢复缺失信号的故障特征。然而，插值后的信号不能完全拟合原信号，并且会花费额外的计算时间。与插值方法相比，基于迁移学习的缺失信号容忍模型可以在不增加模型的每秒浮点运算次数的情况下用于缺失信号容忍监测。一种基于微调(FT)的神经网络模型可以利用一些标记的目标数据对预训练模型进行微调，从而学习目标域的一些特征表达式。在实际应用中，目标域中的数据通常是无标记的或只有少量的标签；因此，基于FT的模型的性能是有待提高的。基于多核最大平均差异的深度适应网络能够适应源域监督学习中学习到的表示。然而，多核最大平均差异需要大规模的矩阵运算，并且难以选择如带宽等超参数。

发明内容

发明目的：针对以上问题，本发明目的是提供一种基于域对抗迁移网络的飞控系统状态监测方法，解决测点不全导致测点拓扑结构变化而产生的域偏移问题。

技术方案：本发明的一种基于域对抗迁移网络的飞控系统状态监测方法，包括以下步骤：

步骤1，获取飞控系统状态监测过程中测试点的信号数据，利用模糊熵和滑动时间窗的大小选择最优的测试信号数据；

步骤2，构建状态监测模型；其中状态检测模型包括图神经网络和多尺度特征提取器，利用图神经网络提取各测试点的空间特征，再利用多尺度特征提取器提取各测试点的时间特征；

步骤3，通过域对抗迁移网络求解状态监测模型中的权重参数；

步骤4，利用状态监测模型对飞控系统进行状态监测。

进一步，步骤1中的利用模糊熵和滑动时间窗的大小选择最优的测试信号数据包括以下步骤：

步骤11，对任意长度为a的测试信号数据集D_a，通过长度为b的滑动时间窗，以步长为c对测试信号进行采样，获得(a-b)/c+1个时间序列，将第i个时间序列表示为T_i；

步骤12，统计采样滑动时间窗的所有可能大小，记为集合B；

步骤13，对集合B中的每个元素b_j计算所有时间序列的模糊熵总和

步骤14，通过加权求和得到模糊熵指数η_j，计算表达式如下：

式中，ω₁和ω₂为一组可训练的权重参数；

步骤15，输出模糊熵指数的最小值min(η_j)和相应的滑动时间窗大小将/>的滑动时间窗采样得到长度为/>的测试信号作为最优的测试信号数据，将该信号作为状态监测模型的输入项。

进一步，步骤2中的图神经网络包括聚合特征层和池化层，利用图神经网络提取各测试点的空间特征包括：

将滑动时间窗采样得到的测试信号及各测点的拓扑结构输入图神经网络，利用聚合特征层聚合各测点及其相邻测点的特征，聚合后的特征向量表示为：

其中，x_i表示节点i聚合前的特征向量，N(i)为节点i的邻接矩阵，W₃和W₄为一组可训练的权重参数；

利用聚合后的特征向量组成节点特征矩阵；

通过池化层消除特征矩阵中权重较低的节点后，得到最重要的k个测试节点，构成隐藏状态矩阵，表示为：

其中，H_j为第j层的隐藏状态矩阵，X'为聚合后的节点特征矩阵，p为可训练的权重向量，I为池化索引矩阵；

经过l层的图神经网络计算后，将l个隐藏状态拼接，得到最终的全局隐藏状态矩阵H，将全局隐藏状态矩阵H作为多尺度特征提取器的输入项。

进一步，步骤2中的再利用多尺度特征提取器提取各测试点的时间特征包括如下步骤：

步骤21，建立s个卷积核，提取全局隐藏状态矩阵H的特征图，将所有特征图拼接为多尺度特征图F，表示为：

其中，表示卷积核K_i的卷积函数；

步骤22，构造平均池化层作为通道描述器以压缩多尺度特征图的时间信息，表示为：

其中，A通过压缩F的时间维度d_t产生；

步骤23，通过带有sigmoid激活函数的门控机制分析各个通道之间的关系，得到注意力向量，表示为：

其中，W₅表示可训练的权重系数矩阵，为注意力向量；

步骤24，将注意力向量与特征映射的对应通道相乘得到特征融合结果，将特征融合结果作为状态监测模型的输出项，即为状态监测的分类结果。

进一步，步骤3中通过域对抗迁移网络求解状态监测模型中的权重参数包括以下步骤：

步骤31，将全测点状态下的飞控系统数据集作为源域数据集D_s，将测点不全状态下的飞控系统数据集作为目标域数据集D_t，根据域判别器标签计算域判别器损失，基于源域与目标域数据集训练域判别器，域判别器损失表示为：

其中，n_s表示源域数据的特征数量，n_t表示目标域数据的特征数量；表示域判别器损失，表达式为：

其中，表示域判别器真标签，/>表示域判别器预测值，/>表示域判别器判别特征的条件概率；

步骤32，根据域判别器的伪标签和多核最大均值化差异计算生成器损失，基于源域和目标域数据训练生成器，生成器损失表示为：

其中，λ₁为可调的超参数；L_mmd表示多核最大均值差异损失函数，表达式为：

其中，n_k为核函数的数量，tr()表示矩阵的迹；K_m表示最大均值差异矩阵，L表示特征数量矩阵，表达式分别为：

其中，k_m(x_i,x_j)是第m个高斯核函数；

步骤33，根据飞控系统的实际状态标签计算分类器损失，基于源域数据训练分类器，分类器损失表示为：

其中，表示分类器损失；

步骤34，构建总损失函数ζ，通过最小化总损失函数更新特征提取器、域判别器、分类器的参数；其中总损失函数ζ的表达式为：

ζ＝L_c+L_d+L_g

步骤35，通过梯度下降法最小化总损失函数ζ，得到最优监测模型M(W^*)，表达式为：

其中，W为监测模型的可训练参数，包括W₃、W₄以及W₅。

进一步，计算模糊熵总和的步骤如下：

步骤131，对于时间序列长度为N的时间序列T，模糊熵被定义为FE(T,m,n,r)，表达式为：

FE(T,m,n,r)＝lnφ^m(T,n,r)-lnφ^m+1(T,n,r)

其中，n为模糊函数的指数，m为子序列的维度，r为模糊函数的带宽；

步骤132，计算各子序列间的相似度函数φ^m(n,r)，计算表达式为：

其中，表示模糊度量值，表达式为：

其中，表示表示时间序列i与j间的最大距离；

步骤133，遍历所有时间序列得到模糊熵总和，表达式为：

其中，表示时间序列j的模糊熵。

进一步，步骤4中的状态监测的结果包括正常或异常。

有益效果：本发明与现有技术相比，其显著优点是：

1、本发明提出了一种基于模糊熵指数的采样评估策略以选择适当的滑动窗口大小，在不减少准确度的情况下提高了监测模型在实时性；

2、利用图神经网络对空间进行聚合和过滤测试点的特征，利用多尺度特征提取器学习时间序列中短期和长期变化之间的时间关系；

3、采样无监督域对抗训练方法对齐了源域和目标域的测试数据，提高了监测模型在缺失信号数据集的准确率。

附图说明

图1为实施例中基于域对抗迁移网络的飞控系统状态监测方法的流程框图；

图2为实施例中多尺度特征提取器的结构图；

图3为实施例中多尺度特征融合提取时间特征的流程图；

图4为实施例中域对抗迁移网络求解权重系数的流程图；

图5为实施例中飞控系统半物理实验平台示意图；

图6为实施例中无监督域对抗提取特征分布降维可视图；

图7为实施例中实时监测模型预测结果图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。

本发明的目的是提供一种基于域对抗迁移网络的飞控系统状态监测方法，解决测点不全导致测点拓扑结构变化而产生的域偏移问题，本发明中首先根据模糊熵指数选择最优的滑动时间窗大小，然后基于图神经网络和多尺度网络提取飞控系统各测点间的空间和时间特征，最后通过域对抗迁移网络提升测点不全下的状态监测模型的域泛化能力。

本实施例所述的一种基于域对抗迁移网络的飞控系统状态监测方法，流程框图如图1所示，该监测方法包括以下步骤：

步骤1，获取飞控系统状态监测过程中测试点的信号数据，利用模糊熵和滑动时间窗的大小选择最优的测试信号数据。

在上述步骤1中基于模糊熵和滑动时间窗的大小构造了评价指标，通过搜索评价指标的局部最优，选择最合适的窗口大小。具体地，利用模糊熵和滑动时间窗的大小选择最优的测试信号数据包括以下步骤：

步骤11，对任意长度为a的测试信号数据集D_a，通过长度为b的滑动时间窗，以步长为c对测试信号进行采样，获得(a-b)/c+1个时间序列，将第i个时间序列表示为T_i；

步骤12，统计采样滑动时间窗的所有可能大小，记为集合B；

步骤13，对集合B中的每个元素b_j计算所有时间序列的模糊熵总和

步骤14，通过加权求和得到模糊熵指数η_j，计算表达式如下：

式中，ω₁和ω₂为一组可训练的权重参数；

步骤15，输出模糊熵指数的最小值min(η_j)和相应的滑动时间窗大小将/>的滑动时间窗采样得到长度为/>的测试信号作为最优的测试信号数据，将该信号作为状态监测模型的输入项。

在一个示例中，计算模糊熵总和的步骤如下：

步骤131，对于时间序列长度为N的时间序列T，模糊熵被定义为FE(T,m,n,r)，表达式为：

FE(T,m,n,r)＝lnφ^m(T,n,r)-lnφ^m+1(T,n,r)

其中，n为模糊函数的指数，m为子序列的维度，r为模糊函数的带宽；

步骤132，计算各子序列间的相似度函数φ^m(n,r)，计算表达式为：

其中，表示模糊度量值，表达式为：

其中，表示表示时间序列i与j间的最大距离；

步骤133，遍历所有时间序列得到模糊熵总和，表达式为：

其中，表示时间序列j的模糊熵。

步骤2，构建状态监测模型；其中状态检测模型包括图神经网络和多尺度特征提取器，利用图神经网络提取各测试点的空间特征，再利用多尺度特征提取器提取各测试点的时间特征。

在上述步骤2中，采用高维不规则图模型分析测试点的空间关系，采用图神经网络对相邻节点的特征进行聚合。具体地，上述步骤2中的图神经网络包括聚合特征层和池化层，利用图神经网络提取各测试点的空间特征包括：

将滑动时间窗采样得到的测试信号及各测点的拓扑结构输入图神经网络，利用聚合特征层聚合各测点及其相邻测点的特征，聚合后的特征向量表示为：

其中，x_i表示节点i聚合前的特征向量，N(i)为节点i的邻接矩阵，W₃和W₄为一组可训练的权重参数；

利用聚合后的特征向量组成节点特征矩阵；

通过池化层消除特征矩阵中权重较低的节点后，得到最重要的k个测试节点，构成隐藏状态矩阵，表示为：

其中，H_j为第j层的隐藏状态矩阵，X'为聚合后的节点特征矩阵，p为可训练的权重向量，I为池化索引矩阵；

经过l层的图神经网络计算后，将l个隐藏状态拼接，得到最终的全局隐藏状态矩阵H，将全局隐藏状态矩阵H作为多尺度特征提取器的输入项。

上述步骤2中建立了基于挤压激励网络的多尺度特征提取器，通过通道注意机制分析了时间序列中短期和长期变化的相关性。具体地，再利用多尺度特征提取器提取各测试点的时间特征包括如下步骤：

步骤21，建立s个卷积核，提取全局隐藏状态矩阵H的特征图，将所有特征图拼接为多尺度特征图F，如图2所示，表示为：

其中，表示卷积核K_i的卷积函数；

步骤22，如图3所示，构造平均池化层作为通道描述器以压缩多尺度特征图的时间信息，表示为：

其中，A通过压缩F的时间维度d_t产生；

步骤23，通过带有sigmoid激活函数的门控机制分析各个通道之间的关系，得到注意力向量，表示为：

其中，W₅表示可训练的权重系数矩阵，为注意力向量；

步骤24，将注意力向量与特征映射的对应通道相乘得到特征融合结果，将特征融合结果作为状态监测模型的输出项，即为状态监测的分类结果。

步骤3，通过域对抗迁移网络求解状态监测模型中的权重参数；

针对测点不全导致测点拓扑结构变化而产生的域偏移问题，通过域对抗迁移网络提升测点不全下的状态监测模型的域泛化能力。具体地，如图4所示，步骤3中通过域对抗迁移网络求解状态监测模型中的权重参数包括以下步骤：

步骤31，将全测点状态下的飞控系统数据集作为源域数据集D_s，将测点不全状态下的飞控系统数据集作为目标域数据集D_t，根据域判别器标签计算域判别器损失，基于源域与目标域数据集训练域判别器，域判别器损失表示为：

其中，n_s表示源域数据的特征数量，n_t表示目标域数据的特征数量；表示域判别器损失，表达式为：

其中，表示域判别器真标签，/>表示域判别器预测值，/>表示域判别器判别特征的条件概率；

步骤32，根据域判别器的伪标签和多核最大均值化差异计算生成器损失，基于源域和目标域数据训练生成器，生成器损失表示为：

其中，λ₁为可调的超参数；L_mmd表示多核最大均值差异损失函数，表达式为：

其中，n_k为核函数的数量，tr()表示矩阵的迹；K_m表示最大均值差异矩阵，L表示特征数量矩阵，表达式分别为：

其中，k_m(x_i,x_j)是第m个高斯核函数；

步骤33，根据飞控系统的实际状态标签计算分类器损失，基于源域数据训练分类器，分类器损失表示为：

其中，表示分类器损失；

步骤34，构建总损失函数ζ，通过最小化总损失函数更新特征提取器、域判别器、分类器的参数；其中总损失函数ζ的表达式为：

ζ＝L_c+L_d+L_g

步骤35，通过梯度下降法最小化总损失函数ζ，得到最优监测模型M(W^*)，表达式为：

其中，W为监测模型的可训练参数，包括W₃、W₄以及W₅。

步骤4，利用状态监测模型对飞控系统进行状态监测。

具体地，上述步骤4中的状态监测的结果包括正常或异常，即将飞控系统的测试信号输入至状态检测模型，得到该状态下飞控系统是正常运行还是异常运行。

下面通过一个示例进一步说明本发明中状态监测模型的有效性和可行性。如图5为飞控系统半物理仿真平台。其中，模拟飞控系统用于产生测试信号，该系统由飞控计算机、电源、IMU、北斗接收机和执行器等设备组成。地面测控平台是一台工控机，实时接收模拟飞控系统的测试信号并运行监控算法。状态监测模型部署在状态监测软件上。各待测设备共有46个信号，采样频率为100Hz。

在本示例中包括源域5537个样本和目标域11046个样本，源域和目标域的训练集和测试集的样本比为9：1。源领域数据集包含46个信号的完整测试数据，目标领域数据集随机缺少一些信号。本次实验的主要任务是对飞行控制系统的7个设备进行多标签分类，其中包括1个电源、4个执行器、1个IMU和1个北斗接收机。每个标签是一个7维向量，记为Y＝{y₀,y₁,y₂,y₃,y₄,y₅,y₆}，y_i表示第i台设备的标签，y_i＝{0:正常，1:异常}。所有的实验都是在一台安装了Windows 11、12核的Inter i7处理器、32GB内存、2TB可用硬盘空间和12GB显存的Nvidia GTX 4070的计算机上进行的，通过使用PyTorch和Scikit-learn在Python中执行的。

域迁移对抗网络模型提取的特征分布降维可视化如图6所示。图中的每个点代表一个特征，三角形表示源域特征，十字表示目标域特征。如图6右侧图例所示，特征点的颜色表示有多少台设备出现故障。显然，域迁移对抗网络模型可以提取相似且可区分的源域和目标域特征。

将训练好的状态监测模型部署在地面测控平台上，验证其实时性。图7为一组实际测试信号的实时监测模型结果，其中信号缺失率为25％。通过检查各设备的预测值是否超过故障阈值来确定飞控系统的实时状态。电源一直处于欠压状态，致动器1和致动器2在[0s,7.5s]正常，在[7.5s,18s]故障。其他设备在整个地面测试过程中保持正常。各设备的预测值除有少量预测误差外，大部分与实际情况一致。预测结果表明，该监测模型能有效地检测出故障，可用于工程实际。

Claims (7)

1.一种基于域对抗迁移网络的飞控系统状态监测方法，其特征在于，包括以下步骤：

步骤1，获取飞控系统状态监测过程中测试点的信号数据，利用模糊熵和滑动时间窗的大小选择最优的测试信号数据；

步骤2，构建状态监测模型；其中状态检测模型包括图神经网络和多尺度特征提取器，利用图神经网络提取各测试点的空间特征，再利用多尺度特征提取器提取各测试点的时间特征；

步骤3，通过域对抗迁移网络求解状态监测模型中的权重参数；

步骤4，利用状态监测模型对飞控系统进行状态监测。

2.根据权利要求1所述的基于域对抗迁移网络的飞控系统状态监测方法，其特征在于，步骤1中的利用模糊熵和滑动时间窗的大小选择最优的测试信号数据包括以下步骤：

步骤11，对任意长度为a的测试信号数据集D_a，通过长度为b的滑动时间窗，以步长为c对测试信号进行采样，获得(a-b)/c+1个时间序列，将第i个时间序列表示为T_i；

步骤12，统计采样滑动时间窗的所有可能大小，记为集合B；

步骤13，对集合B中的每个元素b_j计算所有时间序列的模糊熵总和

步骤14，通过加权求和得到模糊熵指数η_j，计算表达式如下：

式中，ω₁和ω₂为一组可训练的权重参数；

步骤15，输出模糊熵指数的最小值min(η_j)和相应的滑动时间窗大小将/>的滑动时间窗采样得到长度为/>的测试信号作为最优的测试信号数据，将该信号作为状态监测模型的输入项。

3.根据权利要求1所述的基于域对抗迁移网络的飞控系统状态监测方法，其特征在于，步骤2中的图神经网络包括聚合特征层和池化层，利用图神经网络提取各测试点的空间特征包括：

将滑动时间窗采样得到的测试信号及各测点的拓扑结构输入图神经网络，利用聚合特征层聚合各测点及其相邻测点的特征，聚合后的特征向量表示为：

其中，x_i表示节点i聚合前的特征向量，N(i)为节点i的邻接矩阵，W₃和W₄为一组可训练的权重参数；

利用聚合后的特征向量组成节点特征矩阵；

通过池化层消除特征矩阵中权重较低的节点后，得到k个测试节点，构成隐藏状态矩阵，表示为：

其中，H_j为第j层的隐藏状态矩阵，X'为聚合后的节点特征矩阵，p为可训练的权重向量，I为池化索引矩阵；

经过l层的图神经网络计算后，将l个隐藏状态拼接，得到最终的全局隐藏状态矩阵H，将全局隐藏状态矩阵H作为多尺度特征提取器的输入项。

4.根据权利要求3所述的基于域对抗迁移网络的飞控系统状态监测方法，其特征在于，步骤2中的再利用多尺度特征提取器提取各测试点的时间特征包括以下步骤：

步骤21，建立s个卷积核，提取全局隐藏状态矩阵H的特征图，将所有特征图拼接为多尺度特征图F，表示为：

其中，表示卷积核K_i的卷积函数；

步骤22，构造平均池化层作为通道描述器以压缩多尺度特征图的时间信息，表示为：

其中，A通过压缩F的时间维度d_t产生；

步骤23，通过带有sigmoid激活函数的门控机制分析各个通道之间的关系，得到注意力向量，表示为：

其中，W₅表示可训练的权重系数矩阵，为注意力向量；

步骤24，将注意力向量与特征映射的对应通道相乘得到特征融合结果，将特征融合结果作为状态监测模型的输出项，即为状态监测的分类结果。

5.根据权利要求1所述的基于域对抗迁移网络的飞控系统状态监测方法，其特征在于，步骤3中通过域对抗迁移网络求解状态监测模型中的权重参数包括以下步骤：

步骤31，将全测点状态下的飞控系统数据集作为源域数据集D_s，将测点不全状态下的飞控系统数据集作为目标域数据集D_t，根据域判别器标签计算域判别器损失，基于源域与目标域数据集训练域判别器，域判别器损失表示为：

其中，n_s表示源域数据的特征数量，n_t表示目标域数据的特征数量；表示域判别器损失，表达式为：

其中，表示域判别器真标签，/>表示域判别器预测值，/>表示域判别器判别特征的条件概率；

步骤32，根据域判别器的伪标签和多核最大均值化差异计算生成器损失，基于源域和目标域数据训练生成器，生成器损失表示为：

其中，λ₁为可调的超参数；L_mmd表示多核最大均值差异损失函数，表达式为：

其中，n_k为核函数的数量，tr()表示矩阵的迹；K_m表示最大均值差异矩阵，L表示特征数量矩阵，表达式分别为：

其中，k_m(x_i,x_j)是第m个高斯核函数；

步骤33，根据飞控系统的实际状态标签计算分类器损失，基于源域数据训练分类器，分类器损失表示为：

其中，y_ci表示分类器损失；

步骤34，构建总损失函数ζ，通过最小化总损失函数更新特征提取器、域判别器、分类器的参数；其中总损失函数ζ的表达式为：

ζ＝L_c+L_d+L_g

步骤35，通过梯度下降法最小化总损失函数ζ，得到最优监测模型M(W^*)，表达式为：

其中，W为监测模型的可训练参数，包括W₃、W₄以及W₅。

6.根据权利要求2所述的基于域对抗迁移网络的飞控系统状态监测方法，其特征在于，计算模糊熵总和的步骤如下：

步骤131，对于时间序列长度为N的时间序列T，模糊熵被定义为FE(T,m,n,r)，表达式为：

FE(T,m,n,r)＝lnφ^m(T,n,r)-lnφ^m+1(T,n,r)

其中，n为模糊函数的指数，m为子序列的维度，r为模糊函数的带宽；

步骤132，计算各子序列间的相似度函数φ^m(n,r)，计算表达式为：

其中，表示模糊度量值，表达式为：

其中，表示表示时间序列i与j间的最大距离；

步骤133，遍历所有时间序列得到模糊熵总和，表达式为：

其中，表示时间序列j的模糊熵。

7.根据权利要求1所述的基于域对抗迁移网络的飞控系统状态监测方法，其特征在于，步骤4中的状态监测的结果包括正常或异常。