一种飞行器的智能健康预测方法及系统与流程

本发明涉及一种飞行器的智能健康预测方法及系统，属于飞行器健康预测技术领域。

背景技术：

对于飞行器控制系统而言，状态监测与早期故障诊断是基于监测点瞬时数据来进行研究。由于控制系统日趋复杂，很难了解系统的行为特征，为了解决目前广泛使用的状态监测与故障诊断的固有缺陷——故障发生后，使用事后补救的方式进行飞行器控制系统容错处理，为了实现对系统未来的运行状态和发展趋势做出估计，防止灾难性故障的发生，需利用控制系统的历史信息和动态信息，因此迫切需要有效的健康预测方法来监督控制系统劣化的变化趋势。

技术实现要素：

本发明的技术解决问题是：克服现有技术的不足，提供了一种飞行器的智能健康预测方法，能够实现自动化的、实时的控制系统劣化的变化趋势的监督。

本发明的技术解决方案是：

一种飞行器的智能健康预测方法，步骤如下：

(1)建立飞行器数据模拟模型，生成供健康预测的数据xi和at；

(2)建立基于rnn和lstm的数据集正样本训练预测模型，将数据xi作为输入，生成

(3)建立基于灰色模型的预测模型，将数据xi作为输入，生成

(4)建立组合预测模型，将和联合作为输入，生成

(5)建立健康度计算模型，将和数据at作为输入，输出飞行器实时健康预测值，从而完成飞行器的智能健康预测。

飞行器数据模拟模型具体为：

其中，random表示随机函数，w1,2,3表示系数，a为指数函数的底数，0<a<1，f1,2是对应三角函数的频率，是对应三角函数的初相。

随机函数表征系统中的噪声；指数函数表征系统中随时间衰减的量；三角函数表征系统中的周期量。

基于rnn和lstm的数据集正样本训练预测模型，包括输入层、编码层、attention层、融合层以及输出层；

输入层：对每一时刻输入的数据xi进行归一化处理，得到归一化的浮点数向量作为编码层的输入；

编码层：将输入层输出的归一化浮点数向量，经过gru预测模型编码，得到编码输出hi＝gru(xi,si-1)和si＝gru(xi,si-1)；

attention层：通过获得attention向量ri，其中，

权重ai,j为：

va、wa和ua为预设参数；

融合层：将编码层输出si和在位置i处的attention向量ri进行拼接，形成然后将qi经过gru编码，得到向量mi，向量mi作为输入xi的高维表示；

输出层：将向量mi,经过预设的共享权重矩阵wm,y映射到r^k向量空间，得到输出

所述步骤(3)建立基于灰色模型的预测模型，具体如下：

(3.1)设有原始数列x⁽⁰⁾＝{x⁽⁰⁾(i)＝xi,xi≥0,i＝1,2,…,n}或x⁽⁰⁾＝{x⁽⁰⁾(i)＝0，xi＜0,i＝1,2,…,n}，

(3.2)对原始序列做一次累加生成：

(3.3)计算gm(1,1)模型的背景值：

z(i+1)＝0.5×(x⁽¹⁾(i+1)+x⁽¹⁾(i)),i＝1,2,…,n；

(3.4)根据一阶灰色模型方程：设为参数序列：

由最小二乘法得参数估计值：

(3.5)则得到灰色模型方程的解为：

(3.6)取x⁽¹⁾(0)＝x⁽⁰⁾(0)，则建立基于灰色模型的预测模型为：

其中为原始数据序列x⁽⁰⁾(i)的拟合值，也即为原始数据序列x⁽⁰⁾(i)的预测值，gm(1,1)中的参数a为发展系数，b为灰作用量。

所述步骤(4)建立组合预测模型，具体为：

设d(1),d(2),…,d(n)为历史时延序列，利用历史时延数据对d(n+1)进行预测，与分别为基于rnn和lstm的数据集正样本训练模型的输出以及基于灰色模型的预测模型输出，为组合模型的输出，建立组合预测模型为：

通过确定最佳权重系数γ实现最佳的组合预测模型，设有如下的误差序列：

求取各个误差序列的方差则：

d(e)＝γ²d(el)+(1-γ²)d(e2)+2γ(l-γ)vc(e1，e2)

通过求解可使方差d(e)最小，vc(e1,e2)为e1与e2的协方差；则有：

当γ＝γbest时，即可满足组合预测模型其预测误差序列的方差为0。

建立健康度计算模型，具体为：

(5.1)计算中的任意两个向量ai和aj的标准间距均值σn，用于量化向量分布范围：

n为中向量的个数；

(5.2)将实时获取的数据at，计算与中的任意向量ai的外部距离σt均值:

σt为样本退化间距,用于表征at与正常状态样本特征空间的距离，用于反映此时刻系统或设备的退化程度；

(5.3)计算健康度ht:

健康度ht范围为0-100，健康度数值越接近100则系统运行越稳定，健康度数值变小则说明系统在退化。

一种基于所述的一种飞行器的智能健康预测方法实现的健康预测系统，包括：

数据模拟模型生成模块：建立飞行器数据模拟模型，生成供健康预测的数据xi和at；

第一预测模型生成模块：建立基于rnn和lstm的数据集正样本训练预测模型，将数据xi作为输入，生成

第二预测模型生成模块：建立基于灰色模型的预测模型，将数据xi作为输入，生成

组合预测模型生成模块：建立组合预测模型，将和联合作为输入，生成

健康度计算模块：建立健康度计算模型，将和数据at作为输入，输出飞行器实时健康预测值，从而完成飞行器的智能健康预测。

本发明与现有技术相比带来的有益效果为：

(1)本发明中基于rnn和lstm的数据集正样本训练预测模型是基于正样本的，通过学习大量正确的样本，在实际应用中对加以区分。这与传统的神经网络需要同时进行大量的同数量级的正负样本训练不同。在缩小了需要训练的样本数量的条件下，缩小了模型训练时间，且无模型准确率的损失。

(2)本发明中基于rnn和lstm的数据集正样本训练预测模型的设计，使预测模型对于飞行器决策控制具有良好的非线性时延序列预测效果，具有防止提督弥散的功能，运行速率是传统算法的几十倍，在运动跟踪控制中由于控制周期短，本方法可满足飞行器高实时性要求。

(3)本发明改进的灰色模型，规避了传统的灰色模型适用于短周期故障预测的局限性，改进后的灰色模型参数(a，b)是在线自适应改变的。

(4)本发明组合预测模型的设计，当飞行器发生故障时，该模型的预测值与实际输出值的差值将会出现异常，该差值作为强化学习网络回报函数中的惩罚项，从而解决了传统多控制模型难以做到的提前预知系统的故障问题，并进一步提高了飞行器控制的决策能力。

(5)本发明组合预测模型的设计，打破传统编码器-解码器结构在编解码时都依赖于内部一个固定长度向量的限制。在原有的模型上加入了attention的思想。attention机制的实现是通过保留lstm编码器对输入序列的中间输出结果，然后训练一个模型来对这些输入进行选择性的学习并且在模型输出时将输出序列与之进行关联。换一个角度而言，输出序列中的每一项的生成概率取决于在输入序列中选择了哪些项。attention-basedmodel其实就是一个相似性的度量，当前的输入与目标状态越相似，那么在当前的输入的权重就会越大。

(6)本发明的飞行器数据模拟模型用于模拟飞行器实时产生的信息处理数据，其数据特征为具有时间相关性的结构化浮点数。信息处理数据包括传感器采集接口，如spi、iic及adc等，各模块间通信接口包括rs-422、rs-485、can总线，以及飞行器的工作信息数据，如温度、电压、振动等。本发明的一种飞行器的智能健康预测方法使用该数据，利用健康度评估模型，实时评估健康度。本发明的飞行器数据模拟模型针对航天飞行器应用场景数据难以获取，缺少数据集的问题，构建飞行器数据模拟模型。包括a)从不同传感器采集到的具有历史相关性的结构化浮点数b)各工作模块的系统参数，如器件温度、工作状态等。根据该类数据的特点，数据模拟模型产生的数据具体可以分为三类：随机函数表征系统中的噪声；指数函数表征系统中随时间衰减的量；三角函数表征系统中的周期量。

附图说明

图1为飞行器健康预测方法流程图

图2飞行器数据模拟信息处理数据示意图

图3基准函数组成图示

图4生成数据函数图

图5为组合预测模型

图6健康度预测估计

图7健康度低于故障阈值

图8健康度在一段时间内持续下降

图9健康度长期处于一个较低水平

具体实施方式

如图1所示，本发明提出的一种飞行器的智能健康预测方法，步骤如下：

(1)建立飞行器数据模拟模型，生成供健康预测的数据xi和at；

本发明的飞行器数据模拟模型用于模拟飞行器实时产生的信息处理数据，其数据特征为具有时间相关性的结构化浮点数。如图2所示，信息处理数据包括传感器采集接口，如spi、iic及adc等，各模块间通信接口包括rs-422、rs-485、can总线，以及飞行器的工作信息数据，如温度、电压、振动等。本发明的一种飞行器的智能健康预测方法使用该数据，利用健康度评估模型，实时评估健康度。

本发明的飞行器数据模拟模型针对航天飞行器应用场景数据难以获取，缺少数据集的问题，构建飞行器数据模拟模型。包括a)从不同传感器采集到的具有历史相关性的结构化浮点数b)各工作模块的系统参数，如器件温度、工作状态等。如图3所示。根据该类数据的特点，数据模拟模型产生的数据具体可以分为三类：随机函数表征系统中的噪声；指数函数表征系统中随时间衰减的量；三角函数表征系统中的周期量。本发明仅取图3的前四项。

飞行器数据模拟模型具体为：

其中，random表示随机函数，w1,2,3表示系数，a为指数函数的底数，0<a<1，f1,2是对应三角函数的频率，是对应三角函数的初相。

例如生成一个基准函数，其中random(t)取值(-0.1,0.1)：

该函数图像如图4所示：

基准函数生成后可以作为第一维度数据，构造多维度数据时，若要增加维度，可以在基准函数的基础上做修改，实现不同相关性的数据的生成。修改的方法有：改变各类函数的权重系数、改变三角函数的频率、增加或删除三角函数等。

这样，可将飞行器实时产生的工程问题抽象为数学问题，对同结构的数据进行处理，研究相关结构的数据如何利用人工智能方法检测实时健康度，做到故障预判，实现容错功能。

(2)建立基于rnn和lstm的数据集正样本训练预测模型，将数据xi作为输入，生成

基于rnn和lstm的数据集正样本训练预测模型，包括输入层、编码层、attention层、融合层以及输出层；

输入层：对每一时刻输入的数据xi进行归一化处理，得到归一化的浮点数向量作为编码层的输入；

编码层：将输入层输出的归一化浮点数向量，经过gru预测模型编码，得到编码输出hi＝gru(xi,si-1)和si＝gru(xi,si-1)；

attention层：通过获得attention向量ri，其中，

权重ai,j为：

va、wa和ua为预设参数；

融合层：将编码层输出si和在位置i处的attention向量ri进行拼接，形成然后将qi经过gru编码，得到向量mi，向量mi作为输入xi的高维表示；

输出层：将向量mi,经过预设的共享权重矩阵wm,y映射到r^k向量空间，得到输出

基于rnn和lstm的数据集正样本训练方法，能够使预测模型对于飞行器决策控制具有良好的非线性时延序列预测效果，具有防止提督弥散的功能，运行速率是传统算法的几十倍，在运动跟踪控制中由于控制周期短，本方法可满足飞行器高实时性要求。

(3)建立基于灰色模型的预测模型，将数据xi作为输入，生成具体如下：

(3.1)设有原始数列x⁽⁰⁾＝{x⁽⁰⁾(i)＝xi,xi≥0,i＝1,2,…,n}或x⁽⁰⁾＝{x⁽⁰⁾(i)＝0，xi＜0,i＝1,2,…,n}，

(3.2)对原始序列做一次累加生成：

(3.3)计算gm(1,1)模型的背景值：

z(i+1)＝0.5×(x⁽¹⁾(i+1)+x⁽¹⁾(i))，i＝1，2，...，n；

(3.4)根据一阶灰色模型方程：设为参数序列：

由最小二乘法得参数估计值：

(3.5)则得到灰色模型方程的解为：

(3.6)取x⁽¹⁾(0)＝x⁽⁰⁾(0)，则建立基于灰色模型的预测模型为：

其中为原始数据序列x⁽⁰⁾(i)的拟合值，也即为原始数据序列x⁽⁰⁾(i)的预测值，gm(1,1)中的参数a为发展系数，b为灰作用量。

本模型在处理过程中模型参数(a，b)是在线自适应改变的，

在给定预测维数m的情况下，选择数据序列{x⁽⁰⁾(l)，…，x⁽⁰⁾(m)}建立gm(l，l)预测出数据再选择数据序列{x⁽⁰⁾(1)，…，

x⁽⁰⁾(m+l)}建立gm(l，l)预测数据依次类推，这样每预测一次数据就要建立新的模型(即重算a、b参数)，使得模型参数是在线可变，具有一定的自适应性。

(4)建立组合预测模型，将和联合作为输入，生成如图5所示，建立组合预测模型，具体为：

设d(1),d(2),…,d(n)为历史时延序列，利用历史时延数据对d(n+1)进行预测，与分别为基于rnn和lstm的数据集正样本训练模型的输出以及基于灰色模型的预测模型输出，为组合模型的输出，建立组合预测模型为

通过确定最佳权重系数γ实现最佳的组合预测模型，设有如下的误差序列：

求取各个误差序列的方差则：

d(e)＝γ²d(el)+(1-γ²)d(e2)+2γ(l-γ)vc(e1，e2)

通过求解可使方差d(e)最小，vc(e1,e2)为e1与e2的协方差；则有：

当γ＝γbest时，即可满足组合预测模型其预测误差序列的方差为0。

(5)建立健康度计算模型，将和数据at作为输入，输出飞行器实时健康预测值，从而完成飞行器的智能健康预测。

建立健康度计算模型，具体为：

(5.1)计算中的任意两个向量ai和aj的标准间距均值σn，用于量化向量分布范围：

n为中向量的个数；

(5.2)将实时获取的数据at，计算与中的任意向量ai的外部距离σt均值:

σt为样本退化间距,用于表征at与正常状态样本特征空间的距离，用于反映此时刻系统或设备的退化程度；

(5.3)计算健康度ht:

健康度ht范围为0-100，健康度数值越接近100则系统运行越稳定，健康度数值变小则说明系统在退化。

飞行器健康度预测方法以当前系统的状态为起点，结合被预测对象的近期环境条件及历史数据，通过分析健康度的变化趋势，实现对系统当前的运行状态和发展趋势做出估计，防止灾难性故障的发生。如图6所示。

根据本文预测的飞行器健康度值，实时监测的飞行器健康预警在以下三种情况触发，健康预警发出后，预先启动备用模块或查修被预警模块，可杜绝飞行器故障发生，有效降低系统的故障率。三种情况如下：

(1)模块健康度低于故障阈值k，即设备已经发生故障。以取故障阈值等于60为例，则如图7所示。

(2)模块健康度在一段时间内持续下降，即设备将要发生故障。以取故障阈值等于60为例，则如图8所示。

(3)模块健康度高于阈值k，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。以取故障阈值等于60为例，则如图9所示。

本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。