一种基于决策树的飞行器动力系统故障在线辨识方法与流程

本发明涉及一种基于决策树的飞行器推力故障在线辨识方法，适用于飞行器飞行过程中典型动力系统故障在线辨识领域。
背景技术：
：当前飞行器尚不具备推力故障的自主辨识能力，因而导致在非致命故障情况下不具备容错控制的能力。当前故障诊断各类模型及算法在模型精度、建模方式以及适用领域等方面尚存在不足，且缺乏面向飞行器复杂工况和复杂环境应用的系统性和针对性研究。技术实现要素：本发明解决的技术问题为：克服现有技术的不足，提供一种飞行器典型动力系统故障在线辨识方法，决策树的数据集部分来自现有飞行数据，同时通过仿真方式来增加数据规模丰富训练集。数据集数据包含加速度，以及姿态角，姿态角偏差等信息。本发明通过如下技术方案予以实现：一种基于决策树的飞行器推力故障在线辨识方法，步骤如下：(1)根据真实飞行器和其所处的环境，构建飞行器六自由度动力学仿真模型；(2)设定各个仿真偏差组合，将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中；进行步骤(3)；(3)设定各个故障发生时刻与故障程度，将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中；(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合，得到飞行器六自由度动力学仿真模型在不同情况下的仿真数据，将不同情况下的仿真数据进行保存；(5)将不同情况下的仿真数据进行截取，生成数据样本；根据故障发动机编号以及故障程度设计数据标签，并对每个数据样本打标签，所有数据样本中大部分以上的数据样本放入训练集中；其余部分放于测试集中；如图1所示；(6)采用训练集中数据样本，利用cart算法训练，生成决策树，当生成决策树时，训练结束，得到训练结果；(7)对训练结果进行判断，若训练结果满足要求，则将生成的决策树保存，进行步骤(8)；若不满足，则返回步骤(4)；(8)采用测试集中的数据样本，对步骤(7)中的决策树进行验证，若验证准确率满足要求，则提取决策树中判别规则，并保存；若不满足要求，返回步骤(4)；(9)使用决策树，进行故障在线辨识。优选的，所有数据样本中大部分以上的数据样本放入训练集中，具体为:所有数据样本中2/3以上的数据样本放入训练集中。优选的，步骤(4)中仿真数据包括：位置、速度、加速度，以及姿态角，姿态角偏差。优选的，决策树，为一种基本的分类与回归方法。优选的，决策树呈树形结构，在分类问题中，表示给予特征对实例下进行分类的过程。优选的，飞行器具有2台发动机，形成的推力合力为总推力，所处的环境为真实低空环境，考虑风扰、气动的影响。优选的，飞行器六自由度动力学仿真模型，优选为：基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型。优选的，决策树具有可读性，分类速度快。优选的，根据损失函数最小化的原则建立决策树模型。优选的，通过决策树的算法构造决策树来发现数据中蕴含的分类规则。本发明与现有技术相比具有如下优点：(1)本发明可对飞行器典型动力系统故障进行实时在线辨识，可准确辨识出哪台发动机故障，以及故障程度。(2)本发明搭建轻量级的决策树，运算简单，辨识速度快。(3)本发明所建立的轻量决策树，所需计算资源小，可嵌入现有飞行控制计算机，进行飞行过程中的故障实时辨识。(4)本发明考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素，建立仿真模型。训练样本数据更加真实可信，有利于实际应用辨识精度的提高。附图说明图1为数据样本生成方案示意图；图2为训练样本截取方法示意图；图3为测试样本截取方法示意图；图4为避免正样本过多的算法示意图；图5为控制系统组成框图；图6为涡轮发动机摆角示意图；图7为本发明方案示意图；图8为决策树对训练样本的故障辨识结果示意图。具体实施方式下面结合附图和具体实施例对本发明进行详细说明。本发明涉及一种基于决策树的飞行器推力故障在线辨识方法，适用于飞行器飞行过程中典型动力系统推力故障在线辨识领域。针对控制系统飞行运动信息(如飞行位置、速度、加速度、转速、姿态角、角速度等)进行数据融合生成，并生成决策树，采用训练好的决策树对主发动机故障进行辨识，能够有效实现对故障类型的实时准确建模判别。考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素，建立更加真实可信仿真模型，生成可信的数据样本，生成决策树，本发明可对飞行器推力故障进行实时在线辨识，可准确辨识出哪台发动机故障，以及故障程度。本发明搭建轻量级的神经网络，运算简单，辨识速度快。本发明所建立的轻量神经网络，所需计算资源小，可嵌入现有飞行控制计算机，进行飞行过程中的故障实时辨识。发挥控制系统作用，掌握新的核心技术，解决非致命动力故障导致的飞行失利问题。针对控制系统飞行运动信息(如飞行位置、速度、加速度、转速、姿态角、角速度等)进行融合分析。采用决策树方法对主发动机故障进行辨识，能够有效实现对故障类型的实时准确建模判别。决策树(decisiontree)是一种基本的分类与回归方法。决策树模型呈树形结构(如图4所示)，在分类问题中，表示给予特征对实例下进行分类的过程。它可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性，分类速度快。学习时利用训练数据，根据损失函数最小化的原则建立决策树模型。预测时针对新的数据，利用决策树模型进行分类。决策树算法构造决策树来发现数据中蕴含的分类规则。如何构造精度高、规模小的决策树是决策树的核心内容。决策树的优选算法是id3，c4.5，cart。针对液体主发动机推力下降典型动力故障模式，突破典型动力故障辨识技术，完成关键技术仿真验证，采用飞行器完成关键技术演示验证飞行试验；搭建基于决策树的故障辨识验证平台，完成基于决策树方法的故障辨识方法研究。发挥控制系统作用，掌握新的核心技术，解决非致命动力故障导致的飞行失利问题，进一步提升箭(弹)自主适应能力和智能化水平，为型号的研制提供技术支撑。飞行器优选具有2台发动机，形成的推力合力为总推力，所处的环境为真实低空环境，考虑风扰、气动的影响；飞行器六自由度动力学仿真模型，优选为：基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型。飞行器优选为质量约90kg的火箭。其控制系统组成框图如图5所示。制导、姿控按照pid控制律进行设计。由于飞行器为短时间、低高度、低速度飞行，因此考虑平坦、静止大地，引力加速度按常值计算。气动力系数cx,分别为轴向力系数、法向力系数导数和侧向力系数导数。引力加速度方向为铅垂向下，大小优选为：g0＝9.80665m/s2在目标系下分解为gx、gy、gz。此处合力包含推力、气动力，不包含引力。初始位置：x＝0m,y＝0m,z＝0m初始速度：vx＝0m/s,vy＝0m/s,vz＝0m/s初始姿态角：ψ＝0,γ＝0初始姿态角速度为0。涡喷发动机推力调节特性，优选为：发动机最大摆角：10度。电动舵机动态特性，优选为：惯组动态特性，优选为：该模型其他具体情况见下文具体优选方案(1)中所述。偏差组合中包含的偏差，包括：质量偏差、质心偏差、转动惯量偏差、风速偏差、风向偏差、发动机流量偏差。按照本发明中的偏差组合可减小数据规模，同时尽可能拟合真实模型，保证了实际辨识精度。两台发动机编号分别设为1、2。从起飞开始，取发生故障后2s与飞行结束时刻最小值作为仿真结束，每等间隔0.5s设置一次故障发生时刻。故障在2s均匀注入完毕，使得单台发动机推力下降到故障开始注入时刻的相应故障程度。故障程度，具体是指单台发动机推力的下降程度。故障程度一种方案设为单台故障发动机下降30％-90％，间隔取10％；另一种方案设为单台故障发动机下降10％-30％，间隔取5％。通过模型仿真生成的仿真数据中加速度为目标系下xt、yt、zt三个方向的加速度；姿态角为目标系下的俯仰角、偏航角、滚动角；姿态角偏差为目标系下俯仰角偏差、偏航角偏差、滚转角偏差。步骤(5)根据飞行器有无推力故障、故障发动机编号以及故障程度，设计数据标签，第一种优选方案具体如下：标签0表示推力正常，即无故障情形；1-7分别为1号发动机下降30％-90％；8-14分别为2号发动机下降30％-90％，间隔取10％。标签设置表格如下：根据飞行器有无推力故障、故障发动机编号以及故障程度，设计数据标签，第二种优选方案具体如下：标签0表示推力正常，即无故障情形；1-5分别为1号发动机下降10％-30％；6-10分别为2号发动机下降10％-30％，间隔取5％。标签设置表格如下：步骤(5)将不同情况下的仿真数据进行截取，生成数据样本，优选方案具体为：训练样本截取流程为附图2，测试样本截取流程为附图3，图2、图3中横坐标t为飞行时刻，纵坐标y表示获取的仿真数据，其可为加速度、姿态角或姿态角偏差，l为样本长度大小，i为两个相邻样本的重叠大小，tfault为故障注入时间，tend为仿真结束时间。按飞行完整数据中每1s内每隔50ms取此期间段内20个时刻点的加速度、姿态角、姿态角偏差共9维信息作为训练数据。每组数共9*20，即180维状态量。设t1到t2时间内共有n个样本，每个样本的长度为l，样本间的交叠长度为i，则：对于第k个样本：设k＝1,2，…，n，第k个样本的起始行与终止行：若截取正样本，则上式中：t1＝0t2＝tfault若截取正样本，则上式中：t1＝tfaultt2＝tend其中，tfault为故障注入时间，tend为仿真结束时间。本次试验中，各参数取值如下表：步骤(5)将不同情况下的仿真数据进行截取，生成数据样本，优选方案为：设定避免正样本过多的算法，算法流程参见附图4，采用该算法进行截取，生成数据样本。判断故障注入时刻是否为当前偏差组合下最后的时刻，且故障程度为当前偏差组合下的最后的档位。若是，则截取正样本与负样本；否则，只截取负样本。决策树模型呈树形结构，在分类问题中，表示给予特征对实例下进行分类的过程。它可以认为是判别规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。本次试验中生成的判别规则为178个。训练结果，为生成的决策树和决策树在训练集上的正确率，采用训练集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。采用测试集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。使用决策树，进行故障在线辨识，将决策树的判别规则嵌入飞行器控制计算机中。飞行器在实际飞行过程中，将每1s内的每三个方向的加速度、姿态角、姿态角偏差，以间隔0.2s滑窗形式输入嵌入飞行器控制计算机中的决策树判别规则，并实时输出辨识结果，用于指导飞行控制决策。图8为某次飞行故障辨识结果。通过对数据分析，可准确识别出是否有故障以及推力下降的单台发动机，辨识实时性在故障稳定后2s内，两台发动机推力相差值辨识误差在10％内。本发明的一种基于决策树的飞行器推力故障在线辨识方法，进一步的优选方案步骤如下：(1)根据真实飞行器和其所处的环境，构建飞行器六自由度动力学仿真模型，优选方案具体如下：飞行器具有2台发动机，形成的推力合力为总推力，所处的环境为真实大气环境，考虑风、结构干扰、气动的影响；仿真模型故障注入方式为，从起飞开始，每隔0.5s注入一次故障，进行一次仿真。故障在2s均匀注入完毕，使得单台发动机推力下降到故障开始注入时刻的相应故障程度。飞行器六自由度动力学仿真模型，优选为：基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型，该模型优选如下。飞行器优选为质量约90kg的火箭。其优选的控制系统组成框图如图5所示。制导、姿控按照pid控制律进行设计。发动机最大摆角：10度。飞行器总体数据取值如下表：总体数据取值表(10kg燃油)坐标系定义：目标相对坐标系(t系)以目标点ot为坐标原点，otyt与目标点当地重力方向相反,otxt轴与oyt轴垂直并指向起飞点方向，otzt与otxt轴、oxtyt轴构成右手坐标系，目标相对坐标系oxtytzt随地球自转而旋转。箭体坐标系(b系)坐标原点o为火箭的质心，oxb轴沿火箭纵轴指向头部，oyb在火箭纵相对称面内，垂直于纵轴向上，ozb轴与oxb、oyb轴构成右手坐标系。坐标系转移矩阵如下：仿真模型用到的变量符号作以下定义：t：飞行时间，起飞时刻t＝0s；τ：制导控制周期，τ＝10ms。ψ、γ：目标系xt、yt、zt三个方向的箭体姿态角，单位：radvx、vy、vz：目标系xt、yt、zt三个方向的速度，单位：m/s；；x、y、z：目标系xt、yt、zt三个方向的位置，单位：m；；gx、gy、gz：目标系xt、yt、zt三个方向的重力加速度，单位：m/s2；ψcx、γcx：目标系xt、yt、zt三个方向的程序角，单位：rad；分别为图6ⅰ、ⅱ、ⅲ、ⅳ四个象限的电动舵机控制指令，单位：rad；jx、jx、jx：目标系xt、yt、zt三个方向的转动惯量，单位：kg*m2飞行器控制系统的优选组成框图如图所示。制导、姿控按照pid控制律进行设计。由于飞行器为短时间、低高度、低速度飞行，因此考虑平坦、静止大地，引力加速度按常值计算。在oxtytzt坐标系下的质心运动方程，优选为：箭体系视加速度方程，优选为：上式中，wx、wy、wz为目标系下的xt、yt、zt三个方向的视加速度；wx1、wy1、wz1为箭体坐标系下的xb、yb、zb三个方向的视加速度。fx1、fy1、fz1为箭体坐标系下的xb、yb、zb三个方向的主推力。，优选为质量变化方程：式中，rf为燃油消耗率。燃料消耗率可根据推力指令按照下表关系进行线性插值，超出下表范围的使用线性外推。燃料消耗率数据绕心运动方程，优选为：上式中，mx1、my1、mz1为箭体坐标系下xb、yb、zz三个方向的合力矩，ωx1、ωy1、ωz1为箭体坐标系下xb、yb、zz三个方向的角速度。气动力和力矩计算，优选为：上式中，式中，为弹体系质心相对气流的三轴相对速度，为空速大小。分别为箭体系下xb、yb、zz三个方向的风速与飞行器飞行速度的和。其中，目标系下xt、yt、zt三个方向的风速fx、fy、fz计算公式如下：fx＝-vwindcos(awind-π)fy＝0fz＝-vwindsin(awind-π)上式中，awind是风向。在进行批量仿真时，常常设置8个方向的风。为便于标记，约定：风向0：aw为0度风向1：aw为45度……风向7：aw为315度vwind是风速，仿真取0-5m/s。攻角α、侧滑角β：动压q：ρ为当前高度时的大气密度。气动力包括轴向力rxv、法向力ryv、侧向力rzv，按下式计算：rxv＝-cxqsmsm是参考面积，由飞行器横面给出。气动力系数cx,分别为轴向力系数、法向力系数导数和侧向力系数导数。具体气动参数根据实际飞行器计算给出。引力加速度方向为铅垂向下，大小为：g0＝9.80665m/s2在目标系下分解为gx、gy、gz。此处合力包含推力、气动力，不包含引力。fx1＝rx1+px1fy1＝ry1+py1fz1＝rz1+pz1初始位置：x＝0m,y＝0m,z＝0m初始速度：vx＝0m/s,vy＝0m/s,vz＝0m/s初始姿态角：ψ＝0,γ＝0初始姿态角速度为0。涡喷发动机推力调节特性发动机最大摆角：10度。电动舵机动态特性惯组动态特性涡喷发动机摆角分解公式：发动机安装角发动机在图6四个象限的实际角度a1y、a1z、a2y、a2z：两台发动机x1向推力p1x1、p2x1分别为：p1x1＝p1cos(a1y)cos(a1z)p2x1＝p2cos(a2y)cos(a2z)上式中，p1、p2分别为两台发动机的推力指令。两台发动机y1向推力p1y1、p2y1分别为：p1y1＝-p1sin(a1y)cos(a1z)p2y1＝-p2sin(a2y)cos(a2z)两台发动机z1向推力p1z1、p2z1分别为：p1z1＝-p1sin(a1z)p2z1＝-p2sin(a2z)两台发动机箭体系下xb、yb、zz三个方向的合力px1、py1、pz1分别为：箭体系下xb、yb、zb三个方向的控制力矩：姿态角计算：(2)设定各个仿真偏差组合，将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中，进行步骤(3)，优选方案如下：偏差组合包含：质量、质心、转动惯量、风速、风向、推力线偏斜、发动机流量偏差等。本次试验中偏差组合取值如下：按照此偏差组合可减小数据规模，同时尽可能拟合真实模型，保证了实际辨识精度。(3)设定各个故障发生时刻与故障程度，将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中，优选方案具体如下：两台发动机编号分别设为1、2。从起飞开始，取发生故障后2s与飞行结束时刻最小值作为仿真结束，每等间隔0.5s设置一次故障发生时刻。故障程度一种方案设为单台故障发动机下降30％-90％，间隔取10％；另一种方案设为单台故障发动机下降10％-30％，间隔取5％。(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合，得到飞行器六自由度动力学仿真模型在不同情况下的仿真数据，仿真数据包括：加速度、姿态角、姿态角偏差；加速度为(1)中所述目标系下xt、yt、zt三个方向的加速度；姿态角为目标系下的俯仰角、偏航角、滚动角；姿态角偏差为目标系下俯仰角偏差、偏航角偏差、滚转角偏差。将不同情况下的仿真数据进行保存；(5)将不同情况下的仿真数据进行截取，生成数据样本；根据故障发动机编号以及故障程度设计数据标签，并对每个数据样本打标签，优选方案具体如下：训练样本截取流程为附图2，测试样本截取流程为附图3，图2、图3中横坐标t为飞行时刻，纵坐标表示获取的仿真数据，其可为加速度、姿态角或姿态角偏差，l为样本长度大小，i为两个相邻样本的重叠大小，tfault为故障注入时间，tend为仿真结束时间。按飞行完整数据中每1s内每隔50ms取此期间段内20个时刻点的加速度、姿态角、姿态角偏差共9维信息作为训练数据。每组数共9*20，即180维状态量。设t1到t2时间内共有n个样本，每个样本的长度为l，样本间的交叠长度为i，则：对于第k个样本：设k＝1,2，…，n，第k个样本的起始行与终止行：若截取正样本，则上式中：t1＝0t2＝tfault若截取正样本，则上式中：t1＝tfaultt2＝tend其中，tfault为故障注入时间，tend为仿真结束时间。本次试验中，各参数取值如下表：参数类型值单位l1si0.8stfault1-20s内每隔0.5s注入一次为单次仿真stend实际上升段飞行结束时刻与tfault+2的最小值s步骤(5)将不同情况下的仿真数据进行截取，生成数据样本，优选方案为：设定避免正样本过多的算法，优选算法流程参见附图4，采用该算法进行截取，生成数据样本。判断故障注入时刻是否为当前偏差组合下最后的时刻，且故障程度为当前偏差组合下的最后的档位。若是，则截取正样本与负样本；否则，只截取负样本。标签0表示推力正常，即无故障情形；1-7分别为1号发动机下降30％-90％；8-14分别为2号发动机下降30％-90％，间隔取10％。标签设置表格如下：标签0表示推力正常，即无故障情形；1-5分别为1号发动机下降10％-30％；6-10分别为2号发动机下降10％-30％，间隔取5％。标签设置表格如下：(6)将(5)中所有数据样本中2/3以上的数据样本放入训练集中；其余部分放入测试集中。采用训练集中数据样本，优选利用cart算法训练，生成决策树，当生成决策树时，训练结束，得到训练结果，具体如下：决策树可以认为是判别规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。本次试验中生成的判别规则为178个，即178个对输入特征的判定。(7)对训练结果进行判断，若训练结果满足要求，则将生成的决策树保存，进行步骤(8)；若不满足，则返回步骤(4)，优选方案具体如下：训练结果，为生成的决策树和决策树在训练集上的正确率，采用训练集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。(8)采用测试集中的数据样本，对步骤(7)中的决策树进行验证，若验证准确率满足要求，则提取决策树中判别规则，并保存；若不满足要求，返回步骤(4)，优选方案具体如下：采用测试集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。(9)使用决策树，进行故障在线辨识，优选方案具体如下：使用决策树，进行故障在线辨识，将决策树的判别规则嵌入飞行器控制计算机中。飞行器在实际飞行过程中，将每1s内的每三个方向的加速度、姿态角、姿态角偏差，以间隔0.2s滑窗形式输入嵌入飞行器控制计算机中的决策树判别规则，并实时输出辨识结果，用于指导飞行控制决策。图8为决策树在训练样本的故障辨识结果。除最后一行与最后一列外，表格中的上方数字代表样本数，下方数字表示分类正确率；最后一行与最后一列表格中的上方数字表示分类正确率，下方数字表示分类错误率。通过对数据分析，可准确识别出是否有故障以及推力下降的单台发动机，辨识实时性在故障稳定后2s内，两台发动机推力相差值辨识误差在10％内。本发明的技术方案是提供一种飞行器推力故障在线辨识方法，基于飞行过程中的控制系统信息，搭建适应的神经网络，并进行训练优化。将训练好的bp神经网络应用于飞行过程中的故障实时在线辨识。如图7所示。优选方案具体实现步骤如下：(1)根据真实飞行器和其所处的环境，构建飞行器六自由度动力学仿真模型，优选方案具体如下：飞行器具有2台发动机，形成的推力合力为总推力，所处的环境为真实大气环境，考虑风扰、结构干扰、气动的影响；飞行器六自由度动力学仿真模型，优选为：基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型，该模型具体情况见上文具体方案(1)中所述。(2)设定各个仿真偏差组合，将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中，进行步骤(3)，优选方案具体如下：偏差组合包含：质量、质心、转动惯量、风速、风向、推力线偏斜、发动机流量偏差等。本次试验中偏差组合取值优选如下：按照此偏差组合可减小数据规模，同时尽可能拟合真实模型，保证了实际辨识精度。(3)设定各个故障发生时刻与故障程度，将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中，优选方案具体如下：两台发动机编号分别设为1、2。从起飞开始，取发生故障后2s与飞行结束时刻最小值作为仿真结束，每等间隔0.5s设置一次故障发生时刻。故障程度一种方案设为单台故障发动机下降30％-90％，间隔取10％；另一种方案设为单台故障发动机下降10％-30％，间隔取5％。(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合，得到飞行器六自由度动力学仿真模型在不同情况下的仿真数据，仿真数据包括：加速度、姿态角、姿态角偏差；加速度为(1)中所述目标系下xt、yt、zt三个方向的加速度；姿态角为目标系下的俯仰角、偏航角、滚动角；姿态角偏差为目标系下俯仰角偏差、偏航角偏差、滚转角偏差。将不同情况下的仿真数据进行保存；优选方案具体如下：特征量属性如下表：(5)将不同情况下的仿真数据进行截取，生成数据样本；根据故障发动机编号以及故障程度设计数据标签，并对每个数据样本打标签，优选方案具体如下：训练样本截取流程为附图2，测试样本截取流程为附图3，图2、图3中横坐标t为飞行时刻，纵坐标y表示获取的仿真数据，其可为加速度、姿态角或姿态角偏差，l为样本长度大小，i为两个相邻样本的重叠大小，tfault为故障注入时间，tend为仿真结束时间。按飞行完整数据中每1s内每隔50ms取此期间段内20个时刻点的加速度、姿态角、姿态角偏差共9维信息作为训练数据。每组数共9*20，即180维状态量。设t1到t2时间内共有n个样本，每个样本的长度为l，样本间的交叠长度为i，则：对于第k个样本：设k＝1,2，…，n，第k个样本的起始行与终止行：若截取正样本，则上式中：t1＝0t2＝tfault若截取正样本，则上式中：t1＝tfaultt2＝tend其中，tfault为故障注入时间，tend为仿真结束时间。本次试验中，各参数取值如下表：步骤(5)将不同情况下的仿真数据进行截取，生成数据样本，优选方案为：设定避免正样本过多的算法，优选的算法流程参见附图4，采用该算法进行截取，生成数据样本。判断故障注入时刻是否为当前偏差组合下最后的时刻，且故障程度为当前偏差组合下的最后的档位。若是，则截取正样本与负样本；否则，只截取负样本。标签0表示推力正常，即无故障情形；1-7分别为1号发动机下降30％-90％；8-14分别为2号发动机下降30％-90％，间隔取10％。标签设置表格如下：标签0表示推力正常，即无故障情形；1-5分别为1号发动机下降10％-30％；6-10分别为2号发动机下降10％-30％，间隔取5％。标签设置表格如下：(6)将(5)中所有数据样本中2/3以上的数据样本放入训练集中；其余部分中放入测试集中。采用训练集中数据样本，利用cart算法训练，生成决策树，当生成决策树时，训练结束，得到训练结果，优选方案具体如下：决策树可以认为是判别规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。本次试验中生成的判别规则为178个，即178个对输入特征的判定。(7)对训练结果进行判断，若训练结果满足要求，则将生成的决策树保存，进行步骤(8)；若不满足，则返回步骤(4)，优选方案具体如下：训练结果，为生成的决策树和决策树在训练集上的正确率，采用训练集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。(8)采用测试集中的数据样本，对步骤(7)中的决策树进行验证，若验证准确率满足要求，则提取决策树中判别规则，并保存；若不满足要求，返回步骤(4)，优选方案具体如下：采用测试集对决策树进行测试，若正确率大于90％，则满足要求，若小于90％则不满足要求。(9)使用决策树，进行故障在线辨识，优选方案具体如下：使用决策树，进行故障在线辨识，将决策树的判别规则嵌入飞行器控制计算机中。飞行器在实际飞行过程中，将每1s内的每三个方向的加速度、姿态角、姿态角偏差，以间隔0.2s滑窗形式输入嵌入飞行器控制计算机中的决策树判别规则，并实时输出辨识结果，用于指导飞行控制决策。图8为对训练样本的故障辨识结果。除最后一行与最后一列外，表格中的上方数字代表样本数，下方数字表示分类正确率；最后一行与最后一列表格中的上方数字表示分类正确率，下方数字表示分类错误率。通过对数据分析，可100％准确识别出是否有故障以及推力下降的单台发动机，辨识实时性在故障稳定后2s内，两台发动机推力下降值辨识误差在10％内。当前第1页12