[發明專利]一種用于飛行器推力故障在線辨識的機器學習樣本生成方法

有效

• 申請號: 202010076010.9
• 申請日: 2020-01-23
• 公開（公告）號: CN111240304B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 郜詩佳;柳嘉潤;翟雯婧;徐頌;施健峰;胡任祎;潘豪;張惠平;禹春梅;馬衛華
• 申請（專利權）人: 北京航天自動控制研究所
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 胡健男

本發明涉及一種用于飛行器推力故障在線辨識的機器學習樣本生成方法，適用于飛行器飛行過程中典型動力系統故障在線辨識領域。針對控制系統飛行運動信息(如飛行位置、速度、加速度、姿態角、角速度等)進行數據融合生成，并按照本發明設計方法截取相應的數據作為機器學習訓練與測試樣本。本發明考慮飛行器質心運動、擾心運動、結構干擾、氣動力及力矩等因素，通過在仿真模型中引入偏差組合循環生成數據，數據更加真實可信，有利于實際故障辨識精度的提高。本發明對故障模式進行了細化，生成了故障模式顆粒度較細的相關數據，有利于辨識精度的提高。

技術領域

本發明涉及一種用于飛行器推力故障在線辨識的機器學習樣本生成方法，適用于運載火箭飛行過程中故障在線辨識領域。

背景技術

由于真實數據有限，基于機器學習的飛行器故障辨識技術多依靠飛行器仿真模型生成大量機器學習樣本，若模型不準或與真實模型差距較大時，會極大影響實際飛行辨識精度?，F有機器學習故障辨識在仿真試驗時可達到較高精度，實際應用時效果往往不好，原因多是機器學習樣本數據與真實數據差距較大。且當前機器學習樣本數據規模較大，占用較大計算資源，影響計算效率，且不適用于算力有限的計算硬件。

發明內容

本發明解決的技術問題為：克服現有技術的不足，提供一種用于飛行器推力故障在線辨識的機器學習樣本生成方法，考慮飛行器質心運動、擾心運動、結構干擾、氣動力及力矩等因素，建立仿真模型。通過在仿真模型中引入偏差組合循環生成數據，數據更加真實可信，有利于實際飛行中故障辨識精度的提高。此外，本發明對故障模式進行了細化，生成了故障模式顆粒度較細的相關數據，有利于辨識精度的提高。本發明通過設計相應算法，避免了正樣本大量重復的情形。按照本發明設計方法截取相應的數據獲得的機器學習訓練與測試樣本數據規模較小，能夠節省計算資源，并且提高辨識效率。采用本發明所設計的方法生成機器學習樣本，可以提高故障辨識速度，快速識別出故障，并同時保證辨識精度。并且可省去人為大量標注數據標簽的方式，自動對批量數據進行了標注。

本發明通過如下技術方案予以實現：如圖1所示，一種用于飛行器推力故障在線辨識的機器學習樣本生成方法，步驟如下：

(1)根據真實飛行器和其所處的環境，構建飛行器六自由度動力學仿真模型；

(2)設定各個仿真偏差組合，將設定的仿真偏差組合輸入步驟(1)構建的飛行器六自由度動力學仿真模型中；進行步驟(3)；

(3)設定各個故障發生時刻與故障程度，將設定的故障發生時刻與故障程度輸入步驟(1)構建的飛行器六自由度動力學仿真模型中；

(4)將步驟(2)設定的仿真偏差組合與步驟(3)設定的各個故障發生時刻與故障程度進行排列組合，得到飛行器六自由度動力學仿真模型在不同情況下的仿真數據，仿真數據包括：加速度、姿態角、姿態角偏差；將不同情況下的仿真數據進行保存；

(5)將不同情況下的仿真數據進行截取，生成數據樣本；根據故障發動機編號以及故障程度設計數據標簽，并對每個數據樣本打標簽。

優選的，還包括步驟(6)～(9)；

(6)隨機取(5)中打完標簽的數據的大部分以上劃分為訓練集，其余部分隨機取一半劃分驗證集，另一半劃分為測試集；搭建BP神經網絡，結構包含一個單隱層和輸出層；單隱層共10個神經元，激活函數為Sigmoid函數；輸出層的共11個神經元，激活函數為softmax函數；層與層之間采用全連接方式；

(7)訓練采用交叉熵作為損失函數，采用梯度下降法進行神經網絡參數的更新，更新神經網絡的權值和偏置；將步驟(5)中所述訓練集中的數據樣本，輸入步驟(6)搭建的BP神經網絡，進行訓練；訓練采用梯度下降法進行網絡參數的更新；采用驗證集中的數據樣本，對訓練過程進行測試，當神經網絡連續N次在驗證集上樣本誤差不下降時，訓練結束，得到訓練結果；