[发明专利]一种用于飞行器推力故障在线辨识的机器学习样本生成方法

说明书

本发明涉及一种用于飞行器推力故障在线辨识的机器学习样本生成方法，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。针对控制系统飞行运动信息(如飞行位置、速度、加速度、姿态角、角速度等)进行数据融合生成，并按照本发明设计方法截取相应的数据作为机器学习训练与测试样本。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，通过在仿真模型中引入偏差组合循环生成数据，数据更加真实可信，有利于实际故障辨识精度的提高。本发明对故障模式进行了细化，生成了故障模式颗粒度较细的相关数据，有利于辨识精度的提高。

技术领域

本发明涉及一种用于飞行器推力故障在线辨识的机器学习样本生成方法，适用于运载火箭飞行过程中故障在线辨识领域。

背景技术

由于真实数据有限，基于机器学习的飞行器故障辨识技术多依靠飞行器仿真模型生成大量机器学习样本，若模型不准或与真实模型差距较大时，会极大影响实际飞行辨识精度。现有机器学习故障辨识在仿真试验时可达到较高精度，实际应用时效果往往不好，原因多是机器学习样本数据与真实数据差距较大。且当前机器学习样本数据规模较大，占用较大计算资源，影响计算效率，且不适用于算力有限的计算硬件。

发明内容

本发明解决的技术问题为：克服现有技术的不足，提供一种用于飞行器推力故障在线辨识的机器学习样本生成方法，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。通过在仿真模型中引入偏差组合循环生成数据，数据更加真实可信，有利于实际飞行中故障辨识精度的提高。此外，本发明对故障模式进行了细化，生成了故障模式颗粒度较细的相关数据，有利于辨识精度的提高。本发明通过设计相应算法，避免了正样本大量重复的情形。按照本发明设计方法截取相应的数据获得的机器学习训练与测试样本数据规模较小，能够节省计算资源，并且提高辨识效率。采用本发明所设计的方法生成机器学习样本，可以提高故障辨识速度，快速识别出故障，并同时保证辨识精度。并且可省去人为大量标注数据标签的方式，自动对批量数据进行了标注。

本发明通过如下技术方案予以实现：如图1所示，一种用于飞行器推力故障在线辨识的机器学习样本生成方法，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，仿真数据包括：加速度、姿态角、姿态角偏差；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。

优选的，还包括步骤(6)～(9)；

(6)随机取(5)中打完标签的数据的大部分以上划分为训练集，其余部分随机取一半划分验证集，另一半划分为测试集；搭建BP神经网络，结构包含一个单隐层和输出层；单隐层共10个神经元，激活函数为Sigmoid函数；输出层的共11个神经元，激活函数为softmax函数；层与层之间采用全连接方式；

(7)训练采用交叉熵作为损失函数，采用梯度下降法进行神经网络参数的更新，更新神经网络的权值和偏置；将步骤(5)中所述训练集中的数据样本，输入步骤(6)搭建的BP神经网络，进行训练；训练采用梯度下降法进行网络参数的更新；采用验证集中的数据样本，对训练过程进行测试，当神经网络连续N次在验证集上样本误差不下降时，训练结束，得到训练结果；