本发明属于固体火箭发动机试验测控技术领域,主要涉及固体火箭发动机试验中异常数据的智能自动化诊断,减少人为经验判断的误差,建立异常数据智能诊断方法。
背景技术:
固体火箭发动机地面试验是一项高风险、高投入、高能耗、不可逆的试验项目。随着试验技术的发展,试验测控系统流程可靠性不断提高,能够做到主要参数获得完整无失误。但在试验过程中工况较为复杂,不可避免地受发动机设计、工装、传感器损坏、线缆高温烧蚀、测量块掉落等因素影响,导致试验数据异常。异常情况分为异常点值和异常参数。异常点值的判断方法有t检验,拉依达判据和肖维勒判据等,其中,t检验是统计学经典的判断方法,属于正态总体均值与方差的假设检验中的一种方法,其前提是数据总体符合正态分布,可以有效严格地检验出异常点值。
在试验过程中固体火箭发动机易受到冲击、温度、结构变形等因素影响,试验测得的参数信号具有非线性、非平稳特征。目前国内固体火箭发动机领域进行异常参数判断时,仍然采用传统的数据处理方法,比较简单,当试验数据出现异常时,无法判断故障原因属于测控系统故障还是发动机本身故障,需专家进行经验判读,有一定的误差,因此,在此领域应用当前较为前沿的数据挖掘方法有一定的必要性。
在试验过程中的固体火箭发动机易受到冲击、温度、结构变形等因素影响,试验测得的参数信号具有非线性、非平稳特征,对于定型阶段的发动机,性能参数处于比较稳定的状态,试验环境、统计特征不随时间变化而变化。因此,在工程实际应用中,将固体发动机地面试验过程看作平稳随机过程,其采集到的各参数信号符合平稳随机信号特征,此类信号可以应用多种数据处理方法,如人工神经网络模型、logistic回归模型、时间序列等目前应用较为广泛的机器学习、人工智能、统计学方法。
固体火箭发动机试验各参数之间的关系为非平稳、非线性的,受具体试验现场因素的不同影响,所得数据有差异,各参数之间具体的函数关系形式较难获得,而人工神经网络模型具有非线性映射与泛化能力,一个3层bp神经网络能够实现对任意非线性函数进行逼近(根据kolrnogorov定理),如下图1所示。在试验数据分析处理中,可利用它表现参数间的相互关系。人工神经网络由输入层、隐层和输出层构成。学习过程由信号的正向传播和误差的反向传播两个过程组成,通过多次调整权值,直至网络输出的误差减小到可以接受的程度,或进行到事先设定的学习次数。本发明设计了一种新的权值估计算法,学习得到因变量和自变量之间的一个非线性关系。当存在某些异常参数时,可以根据此非线性关系将其检测出来。同时,也可对异常参数进行重构和恢复。
技术实现要素:
针对现有的固体火箭发动机试验数据的后期分析和处理过程中没有涉及异常数据智能化诊断,基本上仍然采用传统的数据处理方法,比较简单,当试验数据出现异常时,无法判断故障原因属于测控系统故障还是发动机故障,需专家进行经验判读,有一定的误差的问题。本发明提出一种固体火箭发动机中异常数据智能诊断方法,通过经典的t检验方法,判断发动机试验中的异常点值;并设计了一种基于人工神经网络模型检验发动机异常参数的新方法,改进了权值估计算法,使用该方法从发动机试验历史数据中发现隐含的故障规律,可以有效的检验出异常参数,减少人为经验判断误差,实现异常数据智能化诊断。
本发明的技术方案为:
所述一种固体火箭发动机中异常数据智能诊断方法,其特征在于:包括以下步骤:
步骤1:采集固体火箭发动机试验数据,检验所选取的试验数据是否满足正态分布,若满足,则进行步骤2,否则选取其他试验数据重新进行检验;
步骤2:采用t检验方法,判别出所选取的试验数据中的异常点并剔除;
步骤3:采用bp-ml算法,利用神经网络对经过步骤2中t检验处理后的试验数据进行异常参数检验,若存在异常参数,则对异常参数进行参数值重构。
进一步的优选方案,所述一种固体火箭发动机中异常数据智能诊断方法,其特征在于:步骤1中通过计算试验数据的偏度和峰度判断试验数据是否满足正态分布。
进一步的优选方案,所述一种固体火箭发动机中异常数据智能诊断方法,其特征在于:步骤3中bp-ml算法是通过将人工神经网络bp算法中的权向量估计方法采用最大似然估计方法实现而得到。
进一步的优选方案,所述一种固体火箭发动机中异常数据智能诊断方法,其特征在于:步骤3中进行异常参数检验的具体过程为:
步骤3.1:采用无异常参数的数据作为样本数据训练神经网络,得到训练好的神经网络;
步骤3.2:将实际试验数据输入神经网络,进行神经网络修复,若修复后的输出值与目标值之间相关性差,则推断神经网络输入值中存在异常参数;若神经网络输入值中存在异常参数,则对神经网络输入值中的参数值分别进行判断,以得到具体的异常参数;
步骤3.3:以步骤3.2得到的异常参数作为神经网络输出参数,在神经网络输入参数中去掉异常参数,然后重构神经网络,得到修复后的异常参数。
有益效果
与现有技术相比,本发明具有的特点是:(1)符合固体火箭发动机试验数据特性;(2)应用广泛;(3)构造完整的异常数据检验方法;(4)完成异常数据重构过程。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1:三层神经网络示意图;
图2:目标值与修复值示意图;
图3:目标值与修复值相关性示意图;
图4:ccdd相关系数示意图;
图5:目标值与修复值相关性示意图;
图6:目标值与修复值示意图;
图7:目标值与修复值相关性示意图;
图8:ccdd相关系数示意图;
图9:神经网络的权值w;
图10:异常参数wp9修复后的值与目标值对比图;
图11:异常参数wp9。
具体实施方式
本发明涉及的异常数据检验方法使用t检验,其前提是建立在测定值遵循正态分布的理论基础之上的。尽管从理论上理解,固体火箭发动机地面试验稳态阶段中,测量性能参数特征不随时间变化而变化,符合正态分布,但是在试验过程中,会受到不同情况的干扰,其分布将会有不同程度的偏差,因此,使用t检验前,须对试验数据进行正态分布的检验。
根据偏度与峰度公式,当随机变量{xn}服从正态分布时,其偏度k1=0,峰度k2=3,
计算公式如下:
t检验中,当方差未知时,单个正态总体均值的检验方法为:
假定总体服从正态分布n(μ,σ2),μ,σ2均为未知参数,(x1,...,xn)是总体容量为n的样本,欲检验假设:
其中,
p{|t|≥tα/2(n-1)}=α(4)
故检验
若|t|≥tα/2(n-1),拒绝假设h0,即认为总体均值与μ0有显著差异;若|t|<tα/2(n-1),则接受h0,即认为总体均值与μ0无显著差异。这种利用服从t分布的统计量作为检验统计量的检验方法称为t检验法。
选取固体火箭发动机试验中测量最主要参数之一压强值p的稳态数据作为检验对象。选择某发定型试验10.5s~17.5s中的数据点值,采样率为5000sa/s,时间间隔为0.0002s,根据公式(1)、(2)分别计算测量数据的偏度k1=0.2279,峰度k2=2.7308,正态分布特性良好,可以用t检验。
神经网络模型具有强大的泛化能力,可以非线性映射多种参数之间的关系,因此本文选择对发动机设计影响较大的推力数据作为输出神经元节点,输入层神经元节点选择与输出层相关的压强、位移、应变、温度这些参数。设此系统方程具有m维输入向量和n维输出向量,{xi}为各输入参数点值,{fi}为输出参数点值,x=(x1,x2,…,xm)t,f=(f1,f2,…,fn)t,网络对应m个输入节点、n个输出节点,zi为系统识别函数,也称为激活函数,可以选择线性函数,斜面函数,s形函数等。系统方程如下所示:
设神经网络有m层,第l层的节点数为nl,fil为第l层节点i的输出,则
其中,
此时,根据现有的人工神经网络bp算法,系统方程中的权重系数
即在给定输入参数{x,f}后,使得目标函数最小
为了提高系统方程输出值的精确度与效率,本发明改进人工神经网络bp算法,将权向量的估计方法改为最大似然估计(ml),新算法命名为bp-ml算法,
根据本文公式(1)、(2)检验得,输入发动机各参数值{xi}符合正态分布,且满足独立同分布,因为各参数值{xi}均是随时间变化而变化的过程量,假定{xi}是一个gaussian过程,满足ar(p)模型,即用此时的公式(11)代替bp算法中的公式(9),
xk+p+1=a1xk+1+a2xk+2+...+apxk+p+εk+p+1.(11)
其中假设白噪声εm~i.i.d.n(0,σ2),(x1,x2,...,xm)满足均值为μ,协方差为σ的正态分布。设(xp+1,xp+2,…xp+m)t为ar(p)序列的一个输入样本。则:
(xp+1,xp+2,…xp+m)~n(μ,σ)
其中σ为协方差矩阵:
我们的目标为基于观测值xp+1,xp+2,…xp+m,估计未知参数σ2,a1,a2,...,ap的值,记θ=(σ2,a1,a2,...,ap),令x1,x2,...,xp为未知参数。公式(11)可变为:
所以基于观测值xp+1,xp+2,…xp+m,我们可得
则(εp+1,εp+2,…,εp+m)的联合概率密度为
则似然函数为
进而似然方程为
其中1≤i≤p,1≤l≤p。
首先由于我们假定模型为p阶自回归模型,所以a1,a2,...,ap≠0,根据
其次根据
当l=1,2,...,p时
其中εj=xj-a1xj-p-a2xj-p+1-...-apxj-1,将此式代入(19)得
由(20)可解出参数a1,a2,...,ap的值,进而可以得到参数μ,σ的值。
即目标函数g(w)min中,公式(9)的方程已通过建立ar(p)模型,并通过极大似然估计方法求解出未知参数,此时ai值即为wi值,代入方程(10)中,即可求出g(w)min最小时,输出样本值
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
训练神经网络时选取某批抽试验中的12发数据作为训练样本,能典型的代表固体火箭发动机试验状况。在具体应用中,因为上述发明的bp-ml算法估计权值过程较为复杂,在精度要求较高的情况下适用,因此,下文实例中还是应用bp方法实现。
判定标准
恢复值的误差判断由信号均方根作为评判标准,
信号均方根(smse)公式如下:
根据神经网络得到恢复值的效果采用不同时延的相关系数(differentdelaycorrelationcoefficients,ddcc)来评定,可以判断恢复值和目标值的相关程度,ddcc值越接近于1,表明相关程度越高,恢复值得到的精度越高,建立的神经网络越准确。给定相关系数阈值为5%,即|1-c|≤0.05,则认为相关性高。
其中:st为目标输出,
下面对神经网络异常参数检验进行具体描述:
步骤一:建立神经网络,训练得出网络权重值;应用三层bp人工神经网络,选取十二发某批抽型号试验数据的最主要参数推力f与压强p作为研究对象,工作时间0s~18s,时间间隔选取0.2s,即每路点值个数均为91个,输入层神经元节点选取影响输出层节点相关参数,分别选择8发数据的推力f值与压强p值,输出层选择反映发动机工作状况的关键参数压强值p1作为目标输出,p1为第一发数据的压强值,即输入参数为p1,p2,p4,p5,p6,p7,p9,p10,f1,f2,f4,f5,f6,f7,f9,f10,8路压强,8路推力,共16路参数,输出目标值为p1,隐层神经元节点数选择需综合考虑训练效率与训练效果,并不是越大越好,若节点数过多,会增加运算量,造成训练过慢,甚至会过度训练,使得输出值发散;节点数过少,则会使得训练结果较差,输出不理想,因此,经过数据分析后,节点数选择为50,训练效果最理想,误差值最小;激活函数选择双极s形函数,因为其值域在[-1,1]之间,而最大压强值达到105kpa,因此将所有输入值与目标值均缩小10-5即可。
初始权值矩阵赋随机数,开始训练网络,当误差达到预定要求后,将此时的权值保存,即可输入实际的发动机试验数据作为测试样本,代人权值计算,进行参数检测。
图3表示了目标值与修复值相关性,可以看出源信号与分离后信号相关程度较高,不管是趋势还是值域,均趋于一致;并且在不同的时延下,相关系数有不同程度的提高,在τ取7时,ccdd的值最大,表明相关程度最高。smse=2.8687。c=1.0008,即目标值与修复制的误差精度在0.08%。
为了验证此恢复值的可靠性,选取另外一发数据的压强p2作为输出,在τ取21时,得到相关系数为c=1.0005,即目标值与修复制的误差精度在0.05%,相关程度最高。
步骤二:异常参数判别;为避免将正常数据误判为异常,检测时误差阈值应大于训练误差阈值。将此时的权值保存,即可输入实际的发动机试验数据作为测试样本,代人权值计算,进行参数检测。因为所收集到的某批抽型号试验数据的压强、推力数据作为主参数,均获得率为100%,无异常情况出现,因此我们将p9中的40个点值人为扩大十倍,构造异常的参数wp9,输入值p1,p2,p4,p5,p6,p7,wp9,p10,f1,f2,f4,f5,f6,f7,f9,f10,8路压强,8路推力,共16路参数,输出目标值为p1,进行神经网络修复,得到修复后的p1,无论时延值τ取任意值时,|1-c|≥0.05,即修复后的p1与目标值p1相关性较差,由此可反推出输入值中有异常参数。同理,在我们构建的神经网络模型的前提下,想判定某一发的推力f、压强p是否有异常,则将输入值中的推力压强值替换为需要判定的参数,输出目标值不变,任为p1,得到修复后的值,并进行比较,观察相关系数是否在规定的阈值内,即|1-c|≤0.05,若满足,则无异常参数,若不满足,则有异常参数,进一步依次替换检测值,判定具体的异常参数。
步骤三:异常参数修复;根据我们训练的神经网络模型,判定出wp9为异常参数后,需要进行异常数据修复,则将图1中的输出层神经元节点设为要恢复的目标参数wp9,输入层神经元节点中去掉目标参数,分别建立各关键参数的数据,重构神经网络,训练方式同前。
本发明应用步骤:
第一步:判断异常点值;选取某次固体火箭发动机试验中的最主要参数-压强值p的稳态数据。首先检验数据的正态性,根据上文(1)、(2)分别计算测量数据的偏度、峰度,偏度越接近0,峰度越接近3时,表明正态分布特性良好,可以应用t检验;其次根据公式(3)、(4)、(5),完成t检验过程,判别出异常点并剔除。
第二步:训练神经网络,检验出异常参数,并进行参数值重构。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。