基于多组合分类器的数据驱动系统状态模型在线辨识方法与流程

本发明涉及一种数据驱动系统状态模型在线辨识方法，特别涉及一种基于多组合分类器的数据驱动系统状态模型在线辨识方法。
背景技术：
：文献“基于等效置换的故障建模方法研究，西北工业大学学报，2015年2月第33卷第1期”公开了一种基于等效模型置换的故障建模方法，能够针对部件和系统故障建模与故障仿真问题，在利用专家经验知识并尽力避免建立复杂模型的前提下，实现故障的有效模拟，形成通用的故障等效模型置换实施步骤，即在分析系统工作机理的基础上，建立正常模型，并划分功能模块，然后结合功能分层思想和故障树分析方法进行故障模式分析，将故障分级归类。文献所述的方法需要根据建模对象的物理模型与工作机理进行系统模块划分，然后通过故障等效建模形成故障等效模型库，并将对象运行状态与模型库中的信息进行比对，从而建立故障模型。然而在实际应用中，航天器系统复杂，无法精确分析系统的物理模型与工作机理，建立故障等效模型库较为困难；航天器的在轨运行环境同样复杂多变，模型库中的等效分系统模型可能与实际系统具有较大的差别，会导致模型建立不准确。技术实现要素：为了克服现有数据驱动系统状态模型在线辨识方法建模困难的不足，本发明提供一种基于多组合分类器的数据驱动系统状态模型在线辨识方法。该方法结合对航天器历史监测数据与系统运行特点的分析，通过多组合分类器的设计及训练，对实时测量数据进行分析与分类，辨识得到航天器各个系统的运行状态模型。解决了由于系统复杂程度较高，无法直接利用物理模型搭建数学模型的技术问题，根据系统物理运行机理进行建模中未考虑模型运行环境而导致的模型不准确的问题，提高了建立航天器在轨运行状态模型的可行性与准确性。在辨识过程中，由于提前设计与训练分类器，使得实时模型的辨识时间较短，能够实现系统状态模型的在线辨识，由模型反映出正在运行的航天器中是否发生了故障以及故障的类型与程度，对系统的实时状态监测、容错控制系统设计、故障修复等研究具有重要意义。本发明解决其技术问题所采用的技术方案：一种基于多组合分类器的数据驱动系统状态模型在线辨识方法，其特点是包括以下步骤：步骤一、历史数据分析处理。对历史监测数据进行分析处理，从中提取特征向量，并设置每种状态的特征标签，获取系统运行状态的信息。步骤二、多组合分类器设计。采用多组合分类器联合决策的方法，将朴素贝叶斯分类器与支持向量机分类器进行组合，考察每个单分类器的分类能力和待分类系统的状态特征，确定分类器权重，将两个分类器的一次分类结果通过加权求和的方法确定最终的分类结果。在确定分类器权重时，采用粒子群优化算法进行寻优，根据分类方法设计多组合分类器。分类方法包括基于分类器性能的固定权重联合分类方法和基于待分类系统每个类别各自的特征向量特点的按类分权重联合分类方法。步骤三、多组合分类器训练。分别对朴素贝叶斯分类器和支持向量机分类器进行训练学习，然后对每个分类器的输出结果进行训练学习，通过对粒子群优化算法的训练，获取分类器组合权重，完成多组合分类器的训练。根据不同的角度，采用不同准则进行权重的分配。分配方法一：固定权重联合分类器分类。待分类目标分别经过NBS分类器和SVM分类器进行分类决策后，将各个分类器输出的分类结果进行加权求和，将加权之和的最大值所对应的类别作为待测目标的类别。选取m组样本数据S＝{(X1,Y1),...,(Xj,Yj),...,(Xc,Yc)}作为分类器的训练集，其中c为系统状态类别个数，Xj为经过数据准备的n维特征向量集合Xj＝{xj1,xj2,...,xjn}，Yj为训练样本的标记类，同一类系统状态对应的标记类相同。分别对NBS分类器和SVM分类器进行训练，表示为CBayes和CSVM。为了选取最优权值，将训练集S中的特征向量集合{X1,X2...,Xc}分别作为测试数据输入NBS分类器和SVM分类器。在NBS分类器中，度量层的输出结果为待测试特征向量集合对应每种类型的后验概率集合：在SVM分类器中，采用1对1多类别支持向量机分类器，将每个二值分类器的分类结果作为投票人，采用投票法获得待测试特征向量集合对应每种类型的票数：将上述集合按行归一化后获得1对1多类别支持向量机分类器输出的概率集合：如式(1)、式(2)所示，输入相同的测试数据{X1,X2...,Xc}时，两种分类器所输出的概率集合维数相等，且一一对应。采用训练集继续训练每个分类器的分类效果，分配权重ωNBS和ωSVM，将两种分类器的输出概率集合加权相加，建立联合分类器输出概率集合：上述概率集合每行的最大概率值所对应的标记类即为每组测试特征向量对应的标记类即为联合分类器的分类结果，即联合分类器输出的标记类集合：L=L1L2...Lm=maxP1·P2·...Pm·---(5)]]>定义每一组训练样本数据序号为i，i＝1,2,...m，样本数据包含的类别序号为j，j＝1,2,...c，则样本数据所对应的类别标签为Yi，经过联合分类器分类后样本数据所属的类别为Li：Li＝argmax{(ωNBS·Pij+ωBVM·Pij)|j＝1,2,...c}(6)为了获得更优的权重系数，通过对NBS分类器和SVM分类器在度量层的输出结果进行学习，使得联合分类器的分类准确率最高，即将最优权重求解过程转化为联合分类器输出标记类集合L(L1,L2,...,Lm)与测试样本数据标记类集合Y(Y1,Y2,...,Ym)中各元素一一对应的元素个数最大化：J(ω)=Σi=1m(1|Li=Yi)m=Σi=1m(1|argmax{(ωNBS·Pij+ωBVM·Pij)|j=1,2,...c}=Yi)m---(7)]]>采用粒子群优化算法寻找权重系数ω(ωNBS,ωSVM)的最优解，求解过程如下：(a)粒子初始化：在W维空间中随机生成D个粒子，及其位置和速度xd=(xd1,xd2,...,xdc)vd=(vd1,vd2,...,vdc)---(8)]]>并记为粒子d当前搜索到的最优解，pg＝(pg1,pg2,...,pgc)为整个粒子群当前搜索到的最优解。(b)适应度值计算：以式(8)为适应度函数评价各个粒子的性能，对每个粒子，比较它的适应度值与它的历史最优的适应度值。(c)根据适应度值的大小更新粒子：在[0,1]中随机产生系数r1和r2，按照公式：Vd(t+1)＝Vd(t)+C1×r1×(pd(t)-Xd(t))+C2×r2×(pgd(t))(9)Xd(t+1)＝Xd(t)+Vd(t+1)(10)更新粒子的速度和位置，获得新一次更新的各个粒子d的最优位置pd及粒子群的最优位置pg，并将最好的值作为历史最优值。(d)再次计算适应度值，如果达到结束条件，即分类准确率达到要求，则结束，否则转入步骤(b)，再一次更新粒子的速度和位置。分配方法二：按类分权重联合分类器分类。由于每种故障的特点不同，在单一分类器中的分类效果不同，即在给NBS分类器和SVM分类器分配权重时可以针对不同的故障类型分配不同的权重。对于训练样本数据S＝{(X1,Y1),...,(Xj,Yj),...,(Xc,Yc)}中的c种故障类型，将训练集S中的特征向量集合{X1,X2...,Xc}分别作为测试数据输入NBS分类器和SVM分类器。经过NBS分类器分类，输出待分类特征向量集合中每种故障类型对应的后验概率集合：PNBS＝[P1P2…Pc](11)其中Pi为第i类故障类型中每组训练样本所对应的后验概率的集合。在SVM分类器中，采用1对1多类别的支持向量机分类器，采用投票法获取分类结果，经过归一化后的分类器输出概率集合为：PSVM＝[P1P2…Pc](12)其中Pi为第i类故障类型中每组训练样本所对应的概率集合。按照每种故障类型的特征分配权重，将两种分类器的输出概率集合加权相加，建立按类分权重联合分类器：上述概率集合每行的最大概率值所对应的标记类即为每组测试特征向量对应的标记类即为联合分类器的分类结果，即联合分类器输出的标记类集合：L=L1L2...Lm=maxP1·P2·...Pm·---(14)]]>通过粒子群优化算法寻求最优的权重集合，适应度函数与统一加权联合分类器相似，将最优权重集合求解过程转化为联合分类器输出标记类集合L(L1,L2,...,Lm)与测试样本数据标记类集合Y(Y1,Y2,...,Ym)中各元素一一对应的元素个数最大化，根据适应度函数不断地更新粒子群的位置和速度，寻求适应度函数符合条件的最优权重系数集合ω(ωNBS1,ωNBS2,...,ωNBSc,ωSVM1,ωSVM2,...,ωSVMc)。步骤四、实时测量数据的诊断与分类。为了实现在轨航天器系统故障模型的实时检测与辨识，需要分析历史数据，在系统状态分类时确定相应的模型结构，即建立分类结果与模型结构一一对应的映射关系，使得测试数据经过分类器分类后即可确定模型的结构。因此在使用大量的仿真数据对分类器进行训练的同时，还需训练模型的结构，建立系统状态—结构映射表，将系统的运行状态与模型结构一一对应起来。当模型结构已知时，根据模型的物理性能分析即可获取系统在不同状态时的模型结构，直接建立系统状态—结构映射表。当模型结构未知时，采用大量的训练数据样本集合对已知故障类型的模型结构进行辨识，考虑到模型的复杂性，采用AIC信息准则对训练样本数据进行结构辨识。步骤五、状态模型的在线辨识。经过步骤一至四的系统状态分类与结构辨识，确定系统的模型结构后，针对实时获取的测量数据，采用递推方法进行在线估计，得到模型新的估计值。为了最优化辨识效率，采用经典的最小二乘参数辨识方法对模型参数进行辨识，实现模型参数的在线辨识。本发明的有益效果是：该方法结合对航天器历史监测数据与系统运行特点的分析，通过多组合分类器的设计及训练，对实时测量数据进行分析与分类，辨识得到航天器各个系统的运行状态模型。解决了由于系统复杂程度较高，无法直接利用物理模型搭建数学模型的技术问题，根据系统物理运行机理进行建模中未考虑模型运行环境而导致的模型不准确的问题，提高了建立航天器在轨运行状态模型的可行性与准确性。在辨识过程中，由于提前设计与训练分类器，使得实时模型的辨识时间较短，能够实现系统状态模型的在线辨识，由模型反映出正在运行的航天器中是否发生了故障以及故障的类型与程度，对系统的实时状态监测、容错控制系统设计、故障修复等研究具有重要意义。下面结合附图和具体实施方式对本发明作详细说明。附图说明图1是本发明基于多组合分类器的数据驱动系统状态模型在线辨识方法的流程图。图2是具体实施方式中朴素贝叶斯分类器与支持向量机分类器组成的联合分类器的算法流程图。图3是具体实施方式中通过粒子群优化算法寻优获取多分类器结合最优权重的过程中适应度值变化曲线。图4是具体实施方式中模型系统辨识结果。图5是具体实施方式中对正常状态模型进行辨识的误差。图6是具体实施方式中单轴卡死故障时故障模型系统辨识结果。图7是具体实施方式中单轴卡死故障时故障模型辨识误差。图8是具体实施方式中双轴卡死时故障模型系统辨识结果。图9是具体实施方式中双轴卡死时故障模型辨识误差。图10是具体实施方式中摩擦力矩增大时故障模型系统辨识结果。图11是具体实施方式中摩擦力矩增大时故障模型辨识误差。图12是具体实施方式中传感器恒增益变化时故障模型系统辨识结果。图13是具体实施方式中传感器恒增益变化时故障模型辨识误差。具体实施方式参照图1-13。本发明基于多组合分类器的数据驱动系统状态模型在线辨识方法具体步骤如下：步骤1：历史数据分析处理。对在轨卫星姿态控制系统进行分析研究，建立相应的数学模型，经由故障状态分析与故障注入，获取大量的不同状态下的在轨卫星姿态控制系统仿真数据，并从中选取某一种初始状态下的仿真数据作为用于测试的实测数据。在此选取卫星姿态控制系统的几个典型故障模式为例，通过故障注入仿真，获取训练数据和实时测试数据。其中采样周期均设置为T＝1s，每种变量均匀采样，时序性一致，且每种情况下采集的数据长度为1500组，选取的典型故障模式如下表1所示:表1卫星姿态控制系统典型故障步骤2：多组合分类器设计。设计用于卫星姿态控制系统状态分类的多组合分类器。根据朴素贝叶斯分类器与支持向量机分类器的分类性能不同设计了固定权重联合分类器；根据卫星控制系统正常运行状态和几种典型故障模式下的运行特点，设计了按类分权重联合分类器。步骤3：多组合分类器训练。朴素贝叶斯与支持向量机双重机制下多分类器组合的学习过程属于有指导学习，单分类器首先进行各自的训练学习，然后组合分类器进行对训练结合和基本分类器输出结果的学习，即组合算法的学习。针对基于分类性能的固定权重联合分类方法，最优权重仅有两个数值，将两个分类器直接结合形成新的分类器；而对于基于系统不同状态特点的按类权重联合分类方法需要寻求两组权重值，对于不同的系统状态，包括正常状态与不同的故障状态，选取不同的权重进行联合，从而构成新的分类器。采用粒子群优化算法对权重进行寻优，不断更新粒子群的位置直至组合分类方法对训练集数据集的正确识别率最高。在利用粒子群优化算法对多分类器结合的权重进行寻优的过程中，固定权重联合分类方法与按类分权重联合分类方法的适应度值都能够迅速收敛，说明本发明的方法具有较高的效率，能够实现多分类器联合权重的快速寻优。在训练过程中，不同分类方法的识别率如下表所示：表2训练集数据测试结果比较基于上述特征向量，采用训练数据分别对单分类器分类方法，包括NBS分类器和1对1的SVM多分类器，以及两种NBS与SVM联合分类器进行训练，并采用测试数据对分类器的分类效果进行测试。四种分类方法的性能与结果比较如下表所示：表3四种分类方法性能与结果对比由上表所示，两种单分类器对于多种故障的分类都有不错的效果，对测量数据集的分类正确率均达到了百分之八十以上。其中NBS分类器结构简单，对分类器的训练时间和对每组测试数据进行分类时所需的测试时间都较短，1对1的支持向量机分类器由多个支持向量机二分类器构成，需要对训练数据中的每种状态类别两两训练，所需的时间相对较长。而两种多分类器对测试数据集的正确识别率均高于单分类器，具有更高的应用价值。虽然在多分类器训练时，由于粒子群优化算法寻求最优权重时需要进行多次迭代，导致训练时间相较于单分类器大大提高，但是对于每组测试数据的分类时间依旧较短，可以满足实际应用中的时间限制。步骤4：实时测量数据的诊断与分类。卫星姿态控制系统的相关变量包括三个方向上的卫星姿态角、卫星姿态角速度和飞轮的电磁驱动力矩，其中卫星姿态角为输出变量，卫星姿态角速度和飞轮电磁驱动力矩为输入变量。在物理模型未知的情况下，该系统可由下列典范差分方程来表示：a(z-1)Y(k)＝B(z-1)U(k)+ξ(k)其中Y(k)为3维输出；U(k)为6维输入；ξ(k)为3维噪声，a、B为待辨识参数，且：a(z-1)＝1+a1z-1+…+anz-nB(z-1)＝B+B1z-1+…+Bnz-n其中需要辨识的参数数目为na+18·(nb+1)个，其中na、nb分别为输出变量和输入变量的模型阶次。通过基于AIC准则的模型结构辨识，可以得到每种状态下的系统模型阶次和模型结构参数，从而建立卫星运行正常状态及典型故障类型的系统状态—结构映射表，如表4所示：表4卫星姿态控制系统状态—结构映射表通过故障诊断与分类，可以根据上表获取测量数据所对应的模型结构，用于在线参数辨识。步骤5：状态模型的在线辨识。图4为卫星姿态控制系统正常状态下的系统辨识结果。在整个仿真过程中，卫星姿态在飞轮的调控下逐步稳定在目标姿态，通过状态分类与在线辨识得到的数学模型输出与实际测量数据的变化相吻合。图5为卫星姿态控制系统正常状态下的系统辨识误差。虽然在不同的时刻辨识误差有所不同，但总体上误差小于0.005％，辨识精度较高，辨识结果具有较高的可信性与稳定性。图6-13分别为卫星姿态控制系统几种典型故障模式的系统辨识结果与辨识误差。当飞轮发生故障时，卫星姿态无法达到被控目标，与正常运行状态发生偏离。而辨识结果与实际运行状态之间的误差均小于0.1％，通过辨识获得的故障模型，能够准确的跟踪卫星的运行状况。通过该模型，可以掌握卫星姿态控制系统的变化情况及故障情况，辨识结果具有较高的准确性和可信性。在仿真过程中，对于每组测量数据的故障分类与模型辨识所使用的总时间不超过1毫秒，能够满足实时在线辨识模型的要求，具有较高的实际应用价值以上实例说明本发明采用多分类器，在数据驱动的条件下对航天器在轨状态模型进行在线辨识的方法是精确有效的，该方法能够在航天器的故障诊断、预测与控制发展领域得到一定的应用。同时，该技术不仅仅局限于航天器状态模型的辨识，还能够应用于其他领域系统状态模型的在线辨识上，具有良好的推广应用价值。当前第1页1 2 3