飞行器健康预测方法与流程

本申请涉及设备健康预测技术领域，特别是涉及一种飞行器健康预测方法。

背景技术：

飞行器控制系统中，对模拟量进行状态监测与早期故障诊断通常基于监测点瞬时数据。

现有技术中，飞行器系统多是在故障发生后，采用事后补救的方式进行飞行器控制系统容错处理，无法对未来的运行状态和发展趋势进行预测。

技术实现要素：

基于此，有必要针对现有技术无法对飞行器未来运行状态和发展趋势进行预测的问题，提供一种飞行器健康预测方法。

本申请提供一种飞行器健康预测方法，包括：

构建自编码神经网络；

获取待测飞行器正常状态下的健康数据，以及运行状态下的实时数据；

根据所述实时数据和预设预测模型生成预测数据；

采用所述自编码神经网络学习所述健康数据，建立健康状态特征空间；

计算所述健康状态特征空间中向量的标准距离；

计算所述预测数据与所述健康状态特征空间中向量的外部距离；

根据所述标准距离和所述外部距离计算健康度；

根据所述健康度和决策模型对所述待测飞行器进行健康预测。

在其中一个实施例中，所述自编码神经网络包括输入层、编码层、解码层以及输出层，所述解码层为所述编码层的逆过程，所述输出层用于对所述输入层的输入数据进行还原，还原得到的输出数据的评价指标为平均误差或平均相对误差。

在其中一个实施例中，所述构建自编码神经网络，包括：

采用卷积神经网络自编码器构建所述自编码神经网络的所述编码层和所述解码层。

在其中一个实施例中，所述卷积神经网络自编码器的网络层数为3层，卷积核的数量为16-32-64，且所述卷积核的长度为6或12。

在其中一个实施例中，所述标准距离为：

其中，n为所述健康状态特征空间中向量的个数，i、j＝1……n，ai、aj为所述健康状态特征空间中任意两个向量，||ai-aj||为向量ai、aj之间距离。

在其中一个实施例中，所述外部距离为：

其中，at为所述预测数据，||at-ai||为向量at、ai之间距离。

在其中一个实施例中，两个向量之间的所述距离为n维空间两点之间的欧式距离。

在其中一个实施例中，所述健康度为：

其中，σn为所述标准距离，σt为所述外部距离。

在其中一个实施例中，所述获取待测飞行器正常状态下的健康数据，以及运行状态下的实时数据之后，还包括：

采用数据窗函数截取部分所述健康数据和部分所述实时数据。

在其中一个实施例中，所述数据窗函数的长度为512，所述自编码神经网络的中间层节点数为512。

本申请提供的飞行器健康预测方法，获取待测飞行器正常状态下的健康数据，以及运行状态下的实时数据，并根据实时数据和预设预测模型生成预测数据。通过构建自编码神经网络，并采用自编码神经网络学习健康数据，建立健康状态特征空间。通过计算健康状态特征空间中向量的标准距离，以及预测数据与健康状态特征空间中向量的外部距离，可以根据标准距离和外部距离计算健康度，即可以计算飞行器未来预测数据与健康数据之间的相似度；最后可以根据健康度和决策模型对待测飞行器进行健康预测。因此，本申请提供的飞行器健康预测方法，可以根据飞行器实时数据获取预测数据，并根据预测数据和健康数据之间的相似程度对故障进行预测，从而可以在飞行器故障发生之前获取故障出现的可能性，提前控制飞行器的冗余容错系统，提高了飞行器的安全性。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的一种飞行器健康预测方法流程图；

图2为本申请实施例提供的一种卷积神经网络自编码器网络结构图；

图3为本申请实施例提供的另一种卷积神经网络自编码器网络结构图；

图4为本申请实施例提供的一种一维卷积神经网络结构；

图5为本申请实施例提供的一种一维卷积操作示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施的限制。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参见图1，本申请提供一种飞行器健康预测方法，包括：

步骤s10，构建自编码神经网络；

步骤s20，获取待测飞行器正常状态下的健康数据，以及运行状态下的实时数据；

步骤s30，根据实时数据和预设预测模型生成预测数据；

步骤s40，采用自编码神经网络学习健康数据，建立健康状态特征空间；

步骤s50，计算健康状态特征空间中向量的标准距离；

步骤s60，计算预测数据与健康状态特征空间中向量的外部距离；

步骤s70，根据标准距离和外部距离计算健康度；

步骤s80，根据健康度和决策模型对待测飞行器进行健康预测。

本申请提供的飞行器健康预测方法，获取待测飞行器正常状态下的健康数据，以及运行状态下的实时数据，并根据实时数据和预设预测模型生成预测数据。通过构建自编码神经网络，并采用自编码神经网络学习健康数据，建立健康状态特征空间。通过计算健康状态特征空间中向量的标准距离，以及预测数据与健康状态特征空间中向量的外部距离，可以根据标准距离和外部距离计算健康度，即可以计算飞行器未来预测数据与健康数据之间的相似度；根据健康度和决策模型对待测飞行器进行健康预测，从而为冗余容错系统提供依据。因此，本申请提供的飞行器健康预测方法为实时在线健康预测方法，可以根据飞行器实时数据获取预测数据，并根据预测数据和健康数据之间的相似程度对故障进行预测，从而可以在飞行器故障发生之前获取故障出现的可能性，提前控制飞行器的冗余容错系统，提高了飞行器的安全性。

在其中一个实施例中，自编码神经网络包括输入层、编码层、解码层以及输出层，解码层为编码层的逆过程，输出层用于对输入层的输入数据进行还原，还原得到的输出数据的评价指标为平均误差或平均相对误差。

在其中一个实施例中，自编码神经网络可以包括输入层、编码层、解码层以及输出层，同时可以基于对矢量空间的相似度衡量实现飞行器健康度预测。本实施例中，可以使用矢量空间中的向量距离，即误差比对，以使输出数据尽可能与输入数据一致，即输出还原输入数据。其中，评价指标使用的是输出数据与输入数据的平均误差或平均相对误差。对于输入数据a＝[a1，a2，...，ai]与输出数据b＝[b1，b2，...，bi]，其平均误差计算公式为：

平均相对误差计算公式为：

其中mean()为取平均值运算。另外，解码层处理为编码层的逆过程，即通过将输入数据a＝[a1，a2，...，ai]输入某个结构的网络编码后，再通过完全相同的一个结构的网络，使得得出的数据b＝[b1，b2，...，bi]趋向于a。

请一并参见图2，在其中一个实施例中，步骤s10，构建自编码神经网络，包括：采用卷积神经网络(convolutionalneuralnetworks，cnn)自编码器构建自编码神经网络的编码层和解码层。

在其中一个实施例中，可以采用欠完备自编码器、稀疏自编码器和去噪自编码器中任意一种自编码网络形式。欠完备自编码器为编码维度小于输入维度的自编码器，其可以限制隐藏层的维度小于输入层。可以理解，欠完备自编码器可以提取数据分布中最显著的特征并防止过拟合。稀疏自编码器中加入了正则化，其具有不限制网络接收数据，即不限制隐藏层的单元数的能力，同时可以防止网络过度记忆。去噪自动编码器是在自动编码器的基础上向训练数据中加入噪声，故其具有更强的泛化能力，可以去除噪声而获得真正的没有被噪声污染过的输入，即学习输入信号的更具鲁棒性的表达。其中，噪声可以为添加到输入的纯高斯噪声，也可以为随机丢弃输入层的某个特性。

请一并参见图3，在其中一个实施例中，卷积自编码器的编码层和解码层都为卷积神经网络，编码层使用的是卷积操作和池化操作，而解码层中使用的反卷积操作和反池化操作。根据图3可知，其中为输入数据，为输出数据。重构错误定义为：

神经网络模型训练优化目标函数为：

其中，u为单个训练样本，u是训练样本的集合。

请一并参见图4-图5，一维卷积神经网络与二维卷积网络结构相似，都为卷积层和池化层交替出现，将最后池化层的特征映射图首尾连接形成特征向量。一维卷积神经网络原理如图4所示，假设第l层是卷积层，则一维卷积层的计算式如下：

其中，为l层的第j个特征映射，f(·)为激活函数，m为输入特征映射的个数，为l-1层的第i个特征映射，*为卷积操作，为可训练的卷积核，为偏置。一维卷积神经网络和二维卷积神经网络的主要区别在于卷积的计算。其中，一维卷积的操作示例图可以参见图5。若输入层的尺寸为n×1，卷积核尺寸为k×1，每次卷积核的移动步数取1，则输入通过卷积后得到的卷积层特征映射图的尺寸为(n-k+1)×1。卷积层后面是池化层，用来求局部平均值或局部最大值。池化具有平移不变性的特性，同时可以减少特征映射图的分辨率。本实施例中可以选取最大池化。如果得到卷积层的尺寸为(n-k+1)×1，池化因子为s，则池化后的特征映射图尺寸为(n-k+1)/s×1。

在其中一个实施例中，卷积神经网络自编码器的性能与网络层数和卷积核数量相关，本实施例中，卷积神经网络自编码器的网络层数为3层，卷积核的数量为16-32-64，且卷积核的长度为6或12。

在其中一个实施例中，飞行器健康数据和实时数据可以为传感器实际采集的数据或者模拟的传感器数据，且两者均可以为序列数据，而序列数据是一个一维的离散信号，对序列数据做卷积操作即利用卷积核在数据上滑动，将序列上的值与对应的卷积核上的数值相乘，然后将所有相乘后的值相加作为卷积核在该段数据中提取的特征，并最终滑动完所有序列的过程。一个卷积核得到的特征提取是不充分的，因此本实施例可以使用多个卷积核提取特征。可以理解，由于随着卷积核数量的增多可以获取更多的特征，故自编码网络构建的神经网络模型平均误差开始时随着卷积核数量的增加而减少，此时有利于自编码网络还原输入数据。然而，当卷积核达到一定数量后，可能会由于过拟合导致神经网络模型平均误差随着卷积核数量的增加而增加。另外，卷积核数量的增加也会导致神经网络模型训练和运行时间的增加，根据飞行器模拟量的数据，本实施例可以将卷积核的数据设置为16-32-64，从而可以降低平均误差的同时控制运行时间在可以接收的范围内。

在其中一个实施例中，除了卷积核的数量会对神经网络模型效果产生影响外，卷积核的大小同样会影响神经网络模型效果。可以理解，卷积核是一维时，卷积核的大小即卷积核的长度。过长与过短的卷积核的神经网络模型的效果较差，本实施例中，卷积核长度可以设置为6或12，可以保证神经网络模型效果。

在其中一个实施例中，卷积层的数量会影响提取特征的抽象程度。可以理解，越深的卷积层能够提取到的特征越抽象，可以增加提取到的不同层次的信息，增加不同层次间的层次信息的组合，从而有利于后续自编码器还原输入，降低神经网络模型平均误差，提高神经网络模型效果。然而，随着卷积层层数的增加，训练神经网络耗费的时间资源与计算资源也会大幅增加，并且可能出现过拟合以及梯度消失等问题。本实施例中，卷积层数据可以设置到6层以及以下，以避免出现梯度消失等的问题。

在其中一个实施例中，可以使用飞行器的健康数据完成卷积神经网络自编码网络的模型训练，模型训练完毕后可以提取健康数据特征，建立标准特征空间，从而构建健康度计算模型。本实施例中，可以通过将健康数据与已知故障数据输入健康度计算模型，以对神经网络模型进行验证。根据验证结果可知，健康数据与故障数据的健康度数值明显分布在不同区间内，可以有效区分健康数据与故障数据，其中健康数据的健康度的范围为80-100，故障数据的健康度范围40以下。另外，卷积神经网络的速度需要0.31秒，其在训练时间与运行时间等方面都有较好表现。

在其中一个实施例中，计算损失可以使用交叉熵损失，激活函数可以使用relu函数，优化器可以选用adam优化器，学习率可以设置为0.001，训练轮数设置可以为50轮，批大小可以设置为200。

在其中一个实施例中，步骤s20，获取待测飞行器正常状态下的健康数据，以及运行状态下的实时数据之后，还包括：步骤s210，采用数据窗函数截取部分健康数据和部分实时数据。可以理解，当数据窗长度较小时，自编码神经网络无法有效提取数据的特征，会导致不同健康度的健康度曲线严重混叠以致无法区分。随着数据窗长度的增大，剧烈波动的健康度曲线会逐渐趋于平稳且严重重叠的健康度曲线逐渐分开，从而可以提高健康度评估性能。

在其中一个实施例中，为了进一步区分健康数据与故障数据的健康度，可以增加中间层节点数。数据窗函数的长度为512，自编码神经网络的中间层节点数为512。通过将中间层节点数设置为512，将数据窗长度设置为512，可以提高自编码神经网络的特征提取能力，从而提高对健康数据健康度评估的稳定性，以及对健康数据和故障数据的区分程度。

在其中一个实施例中，步骤s30，根据实时数据和预设预测模型生成预测数据。本实施例中，预设预测模型中可以包括时间序列预测算法。时间序列预测算法可以对时间序列进行较好的预测处理，例如博克思(box)和詹金斯(jenkins)于20世纪70年代初提出的一种时间序列预测方法，即自回归积分滑动平均模型(autoregressiveintegratedmovingaveragemodel，arima)。可以理解，通过时间序列预测算法，可以根据获取的传感器的实时数据进行预测，以得到实时数据对应的预测数据。

在其中一个实施例中，步骤s40，卷积神经网络自编码网络模型训练完毕后，可以使用卷积神经网络自编码网络模型提取健康数据的特征，从而进行后续健康度的计算。可以理解，卷积神经网络自编码网络模型训练完成后，可通过自编码网络无监督地学习正常工作状态下健康数据，建立健康状态特征空间，在获取实时数据对应的预测数据后，可以计算预测数据与健康状态空间的偏差程度，从而得到健康度值，实现对设备健康程度的实时评估。

在其中一个实施例中，步骤s50中，在飞行器即将发生故障时，其输出的实时数据对应的预测数据的前后特征也发生相应改变，因此健康数据特征之间的相似程度应当高于健康数据与即将发生故障的预测数据的相似程度。据此，可以建立健康状态特征空间后计算空间内两两特征，即向量之间的相似度，获得标准距离，标准距离可以作为计算预测数据的健康度的判据。本实施例中，标准距离为：

其中，n为健康状态特征空间中向量的个数，i、j＝1......n，ai、aj为健康状态特征空间中任意两个向量，||ai-aj||为向量ai、aj之间距离。

在其中一个实施例中，步骤s60中，外部距离为：

其中，at为预测数据，||at-ai||为向量at、ai之间距离。

在其中一个实施例中，由于由自编码网络提取的特征本质上是一组向量，衡量向量之间相似度的方法为计算向量之间的距离。本实施例中，步骤s50和步骤s60中的两个向量之间的距离为n维空间两点之间的欧式距离。欧氏距离为n维空间中两个点之间的真实距离或者向量的自然长度，而二维和三维空间中的欧氏距离为两点之间的实际距离。其中n维空间两点欧式距离的计算公式如下：

在其中一个实施例中，步骤s70中，健康度为：

其中，σn为标准距离，σt为外部距离。

在其中一个实施例中，步骤s80，根据健康度和决策模型对待测飞行器进行健康预测。本实施例中，预设决策模型为：若健康度小于健康阈值，则判定发生故障；若健康度在第一预设时间内持续下降，则判定即将发生故障；和/或，若健康度大于健康阈值且小于亚健康阈值，则判定存在故障风险并间隔第二预设时间重新进行检测。可以理解，预设决策模型具有算法精简，结构简洁，占用系统资源小，满足嵌入式需求等优点，可以对故障进行预测，避免了严重事故的发生。

在其中一个实施例中，第一种情况：获取当前健康度，并判断健康度是否低于健康阈值。若健康度低于健康阈值，则可以判定设备已经发生故障。可以理解，第一类预警仅需要设定健康阈值，并在当健康度低于健康阈值时触发预警即可。本实施例中，健康阈值可以根据历史或模拟的健康数据健康度曲线和故障数据健康度曲线确定，即确保健康阈值可以完全区分健康数据和故障数据。在其中一个实施例中，考虑到健康数据到故障数据之间可能存在亚健康数据，故可以将健康阈值设置为50。

在其中一个实施例中，第二种情况：健康度在一段时间内持续下降，即设备将要发生故障。第二类预警需要获取当前健康度以及预设的之前某段时间内的历史健康度，故需要构建队列数据结构存储长度为预设长度的历史健康度。可以理解，由于健康度在一定范围内可能存在波动，为了消除相邻数据波动产生的影响，可以使用一定时间间隔t内的平均健康度代替单个时间节点的健康度进行判别，即若在一定时间t内间隔为t的数据健康度持续下降，则触发第二类预警。然而，针对健康度波动较大且持续下降趋势不明显的数据，可以在第二类预警时引入卷积神经网络。可以理解，深度学习算法可以有效检测数据的健康度是否呈下降趋势，且初始化后无需检测时间，能够实时判别数据的健康度是否呈下降趋势。

在其中一个实施例中，第三种情况：健康度高于健康阈值，但长期处于一个较低水平，即设备长期处于亚健康状态，很有可能发生故障。可以理解，第三类预警需要根据健康度曲线分布设定亚健康状态范围。本实施例中，可以判断每个时刻的健康度是否落入亚健康状态范围内，若当前时刻健康度落入亚健康状态范围内则预警计数器加1，若预警计数器达到第一预设次数，则发出第三类健康预警。撤销预警计数器置0，若当前时刻健康度高于亚健康状态范围，即没有落入亚健康状态范围，则撤销计数器加1，若撤销计数器达到第二预设次数，则认为系统恢复健康状态，撤销第三类健康预警。在其中一个实施例中，健康阈值可以为50，由于健康数据的健康度主要分布在90-100之间，故可以将健康度在50-80的范围设置为亚健康状态区间。当然，实际应用时也可以应根据特殊情况，以及具体使用数据的健康度分布情况更换亚健康状态区间。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。