基于蟻群優(yōu)化的長短時神經(jīng)網(wǎng)絡(luò)變外形飛行器故障模式識別*

張萬超，倪 昊，舒 鵬，孫曉暉，史樹峰

(1. 上海航天控制技術(shù)研究所·上?！?01109；2. 陸軍裝備部駐南京地區(qū)軍代局駐上海地區(qū)第三軍代室·上?！?01109)

0 引 言

變外形飛行器能根據(jù)飛行環(huán)境、飛行狀態(tài)和飛行任務(wù)的需求，快速改變飛行器的外形結(jié)構(gòu)，改變飛行軌跡和打擊方式，相比于常規(guī)飛行器，變外形飛行器具備更優(yōu)的氣動性能與操縱能力，顯著地擴大飛行器的適用范圍，是武器系統(tǒng)創(chuàng)新發(fā)展方向之一。但是其飛行環(huán)境復(fù)雜，氣動特性呈現(xiàn)出強非線性、強耦合、不確定性的特點，此外飛行過程中需要改變外形，機械結(jié)構(gòu)變得復(fù)雜，其執(zhí)行機構(gòu)發(fā)生故障的概率大大增加。一旦執(zhí)行機構(gòu)發(fā)生故障，將會極大地影響飛行性能甚至飛行安全。因此，開展針對執(zhí)行器故障的識別和故障快速定位研究具有很大的工程應(yīng)用價值，是安全飛行的核心技術(shù)和重要手段[1]。飛行器故障診斷是利用各種檢測方法，識別出故障，并對故障進行定位和隔離[2]。研究人員先后開發(fā)了基于專家系統(tǒng)[3]和基于模型[4]的故障診斷技術(shù)，已在航天器中得到了應(yīng)用，但是基于專家系統(tǒng)的故障診斷技術(shù)需要大量的專家經(jīng)驗和人工參與的特征提取過程，基于模型的故障診斷方法需要對飛行器各個部件建立精確的物理或數(shù)學(xué)模型，同時對故障發(fā)生機理有深入的了解，這些缺點都阻礙了故障診斷技術(shù)的進一步應(yīng)用。傳統(tǒng)的診斷方法已不能適應(yīng)日趨智能化、復(fù)雜化的飛行器[5]。在這種背景下，基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù)在無法精確建模的對象上表現(xiàn)出的優(yōu)越特性，受到了廣泛的關(guān)注和應(yīng)用[6]，它以傳統(tǒng)的機器學(xué)習(xí)算法為基本理論，利用數(shù)據(jù)挖掘技術(shù)進行故障特征學(xué)習(xí)和提取，建立故障特征和故障模式之間的聯(lián)系，從而達到檢測與診斷的目的，常用的有決策樹[7]、隨機森林[8]、最小近鄰[9]、支持向量機[10]、貝葉斯網(wǎng)絡(luò)[11]等方法。近年來，深度學(xué)習(xí)技術(shù)在故障診斷的應(yīng)用中越來越廣泛[12-14]，采用多層網(wǎng)絡(luò)以逐層學(xué)習(xí)的方式從故障數(shù)據(jù)中提取故障特征，深層的網(wǎng)絡(luò)結(jié)構(gòu)可以通過多級抽象來表示隱藏在輸入數(shù)據(jù)中較為隱含的屬性，其強大的特征表示學(xué)習(xí)及提取能力可以滿足變外形飛行器故障診斷中對高階、自適應(yīng)、非線性、耦合性以及魯棒性特征學(xué)習(xí)的要求。本文采用基于數(shù)據(jù)驅(qū)動的方式構(gòu)建長短時記憶(Long Short Term Memory，LSTM)神經(jīng)網(wǎng)絡(luò)，通過直接優(yōu)化任務(wù)的總體目標(biāo)，對故障模式的時序特征進行學(xué)習(xí)，實現(xiàn)故障數(shù)據(jù)和故障模式的映射，完成典型執(zhí)行機構(gòu)故障的識別。

1 變外形飛行器動力學(xué)模型

本文以某可變外形飛行器為研究對象，其氣動外形能夠隨著彈翼的變化適應(yīng)不同飛行條件，同時以當(dāng)前環(huán)境下的最優(yōu)升阻比飛行，該飛行器通過伺服機構(gòu)主動控制飛行器的后掠角，執(zhí)行機構(gòu)采用舵面控制，變外形導(dǎo)致氣動耦合現(xiàn)象加劇，在考慮由變外形產(chǎn)生的耦合和非線性后，得到變外形飛行器的六自由度非線性動力學(xué)方程表達式為

(1)

式中，α，β分別表示攻角、側(cè)滑角。P表示發(fā)動機推力，m表示飛行器的質(zhì)量，V表示飛行器的飛行速度。ωx，ωy，ωz表示飛行器繞彈體三個軸的轉(zhuǎn)動角速度。Jx，Jy，Jz表示飛行器繞彈體三個軸的轉(zhuǎn)動慣量，Jxy表示xy軸坐標(biāo)軸慣性積，X，Y，Z表示阻力、升力和側(cè)向力，Mx，My，Mz表示繞飛行器x軸、y軸，z軸方向力矩，其中的受力和力矩與當(dāng)前飛行器狀態(tài)和飛行環(huán)境和可變后掠角有關(guān)，表達式如下

[X,Y,Z,Mx,My,Mz]=
f(Ma,α,β,δp,δy,δr,χ)

(2)

其中，δp，δr，δy分別表示俯仰舵偏角，副翼舵偏角，偏航舵偏角，Ma表示飛行馬赫數(shù)，α表示飛行攻角，χ表示飛行器后掠角，f表示力和力矩與環(huán)境變量之間的非線性關(guān)系，變外形飛行器在飛行過程中，若發(fā)生執(zhí)行器故障將嚴(yán)重影響飛行安全，飛行器的執(zhí)行器故障主要表現(xiàn)為效率損失(失效)故障和隨機漂移故障(漂浮)。效率損失故障表示執(zhí)行機構(gòu)不能完全實現(xiàn)預(yù)期的控制效果，故障模型可表示為

(3)

其中，λ為效率損失系數(shù)，且0≤λ≤1。當(dāng)λ=1時表示執(zhí)行器完全失效，當(dāng)λ=0時表示執(zhí)行器完好，u1表示帶故障的控制輸入，u(t)為期望的控制輸入，tf為故障發(fā)生的時刻。

隨機漂移故障是指執(zhí)行器的隨機任意移動，相當(dāng)于控制輸入的一個附加的時變項，可以表示為

u2=u(t)+Δu(t)

(4)

其中，u2為有故障的控制輸入，Δu(t)表示隨機漂移程度。

2 基于LSTM的執(zhí)行機構(gòu)故障診斷

2.1 網(wǎng)絡(luò)結(jié)構(gòu)描述

LSTM是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)，相比于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM網(wǎng)絡(luò)可將輸入時序數(shù)據(jù)中的有效信息記錄在節(jié)點狀態(tài)中，同時將節(jié)點狀態(tài)中的無效信息進行遺忘和選擇，可對序列數(shù)據(jù)特征進行有效表征[15]。LSTM神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)單元由1條信息帶和3個控制單元組成，3個控制單元與信息帶分別相連，分別稱作遺忘控制單元、輸入控制單元、輸出控制單元，通過這三個單元對信息進行篩選和過濾。LSTM網(wǎng)絡(luò)模型如圖1所示。

下面簡單介紹這幾個重要的控制單元。

遺忘控制單元：為了不讓歷史信息對當(dāng)前輸入產(chǎn)生過多的影響，需要選擇性地遺忘部分歷史信息，表示為

ft=σ(Wf[ht-1,xt]+bf)

(5)

其中，ft為遺忘控制單元的輸出，xt為輸入特征序列數(shù)據(jù)，σ表示激活函數(shù)，Wf為連接權(quán)值，bf為神經(jīng)元偏置，ht為當(dāng)前時刻的權(quán)重信息，ht-1為上一時刻的權(quán)重信息。

輸入控制單元：從當(dāng)前的輸入提取有效信息，并對信息進行有效性劃分，表示為

(6)

輸出控制單元：將當(dāng)前輸入和歷史輸入進行整合后輸出，表示為

(7)

其中，Ct為當(dāng)前時刻的信息流，Ct-1為上一時刻的信息流，*表示Hadamard乘積，Wo為連接權(quán)值，bo為神經(jīng)元偏置，ot為中間變量輸出。

對于帶執(zhí)行機構(gòu)故障的六自由度飛行器模型，通過構(gòu)建基于LSTM的深度神經(jīng)網(wǎng)絡(luò)，以及采集到的狀態(tài)量信息和控制量信息，構(gòu)建序列化的樣本數(shù)據(jù)，對不同故障模式下的狀態(tài)量響應(yīng)特征進行學(xué)習(xí)，學(xué)習(xí)特定故障下的飛行器表現(xiàn)特征，得到相應(yīng)的故障模式?；贚STM神經(jīng)網(wǎng)絡(luò)的故障診斷框架如圖2所示。

圖2 基于LSTM神經(jīng)網(wǎng)絡(luò)的故障診斷框架Fig.2 Fault diagnosis framework based on LSTM neural network

2.2 基于蟻群優(yōu)化方法的超參數(shù)設(shè)計

由于LSTM網(wǎng)絡(luò)訓(xùn)練需要憑借經(jīng)驗調(diào)整多個超參數(shù)，不同超參數(shù)組合下訓(xùn)練的效果有較大差異，本文采用蟻群組合優(yōu)化算法對網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計相關(guān)參數(shù)和訓(xùn)練相關(guān)參數(shù)進行組合優(yōu)化設(shè)計，蟻群組合優(yōu)化算法是一種啟發(fā)式搜索算法，設(shè)定的蟻群目的是找到一條從“巢穴”到“食物源”的最佳路徑，通過群體搜索的方式，每只螞蟻在經(jīng)過的路徑上釋放信息素，并能夠感知其他螞蟻釋放的信息素，信息素濃度越高，表明對應(yīng)的路徑距離越短，然后每只螞蟻會以較大的概率優(yōu)先選擇信息素濃度較高的路徑，并釋放一定量的信息素，形成一個正反饋效應(yīng)，同時路徑上的信息素會隨時間逐漸揮發(fā)，最終找到最短距離。主要關(guān)鍵的兩個步驟是計算轉(zhuǎn)移概率和信息素更新。

計算轉(zhuǎn)移概率：設(shè)定初始信息素，計算相應(yīng)的轉(zhuǎn)移概率P

(8)

其中，k表示第k只螞蟻，α為信息素啟發(fā)因子，β為期望啟發(fā)因子，i，j分別為起點和終點，τij(t)表示t時刻路徑(i，j)的信息素含量，nij(t)為啟發(fā)函數(shù)，表述路徑上兩點之間距離的倒數(shù)，Jk(i)為所有沒有被訪問過的節(jié)點合集。

信息素更新：記錄在當(dāng)前迭代次數(shù)上的最佳解，并對不同解的信息素進行調(diào)整

τij(t+1)=(1-ρ)τij(t)+Δτij,0<ρ<1

(9)

(10)

(11)

其中，Q為信息素總量，為設(shè)定的正常數(shù)，Lk為螞蟻k在當(dāng)前周期內(nèi)通過的路徑長度。

3 驗證與仿真結(jié)果分析

為了衡量本文方法的性能，采用飛行器故障仿真數(shù)據(jù)進行實驗，以故障診斷準(zhǔn)確率作為性能評價指標(biāo)進行測試，樣本數(shù)據(jù)的輸入特征是飛行中的6個狀態(tài)量和3個通道的輸入控制量，連續(xù)采樣200個信號作為序列信號，分別按照不同故障模型，共構(gòu)造2250組訓(xùn)練數(shù)據(jù)，其中2000組作為訓(xùn)練數(shù)據(jù)，250組作為檢驗樣本，具體的樣本構(gòu)成如表 1所示。

表1 訓(xùn)練樣本組成Tab.1 Training sample components

為了對多維特征的序慣數(shù)據(jù)進行特征提取，搭建多層神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)具體為：第一層采用LSTM層進行序列化特征學(xué)習(xí)，第二層采用Dropout層，Dropout率設(shè)為0.5，添加兩層全連接層，最后添加Softmax層進行分類輸出。由于飛行數(shù)據(jù)特征量級差異較大，為防止特征量級差異對網(wǎng)絡(luò)訓(xùn)練造成不利影響，將所有輸入特征進行歸一化處理

(12)

(13)

其中，p(xi)為真實樣本數(shù)據(jù)輸出，q(xi)為神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出。網(wǎng)絡(luò)訓(xùn)練采用自適應(yīng)動量隨機優(yōu)化方法，保證梯度平穩(wěn)過渡。在網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法確定后對其中的一些超參數(shù)進行優(yōu)化設(shè)計，將待優(yōu)化的網(wǎng)絡(luò)超參數(shù)定義為θ，包括：LSTM層神經(jīng)元數(shù)，第一層全連接層神經(jīng)元數(shù)，第二層全連接層神經(jīng)元數(shù)，更新學(xué)習(xí)率。然后通過設(shè)置范圍和初始值，利用蟻群組合優(yōu)化方法對參數(shù)尋優(yōu)，進行組合優(yōu)化設(shè)計，參數(shù)設(shè)置如表 2所示。

表2 蟻群優(yōu)化算法參數(shù)設(shè)置Tab.2 Ant colony optimization algorithm parameter setting

優(yōu)化共迭代20次，蟻群大小設(shè)置為5，適應(yīng)度設(shè)為神經(jīng)網(wǎng)絡(luò)在驗證集上的故障識別準(zhǔn)確度，蟻群優(yōu)化迭代結(jié)果如圖3所示。

圖3 蟻群迭代優(yōu)化收斂過程Fig.3 Convergence process for iterative ant colony optimization

可以看出：隨著迭代的進行，在5次尋優(yōu)后，故障辨識率達到98.6%，在10次后達到了97.6%。

最終的參數(shù)組合：θ=[112，109，125，0.0001]，利用該組參數(shù)進行訓(xùn)練，得到驗證集上的表現(xiàn)，如表 3所示。

表3 優(yōu)化后的參數(shù)在驗證集上的表現(xiàn)Tab.3 Performance of the optimized parameters on the validation set

從實驗的結(jié)果可以看出，在測試集中，對無故障的工況識別精度達到100%，失效故障識別準(zhǔn)確率為98.6%，漂浮故障識別概率達到96.7%，識別誤差出現(xiàn)在漂浮和失效之間，原因是二者部分工況(漂浮角度較小)下的響應(yīng)特征與舵面小角度失效的特征較為相似，導(dǎo)致神經(jīng)網(wǎng)絡(luò)對于兩種特征的識別準(zhǔn)確度降低?？傮w來說，經(jīng)過優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和訓(xùn)練參數(shù)在驗證集上的表現(xiàn)優(yōu)異。

4 結(jié) 論

變外形飛行器的機械結(jié)構(gòu)特性復(fù)雜，執(zhí)行機構(gòu)易發(fā)生故障。本文通過構(gòu)建多層長短時神經(jīng)網(wǎng)絡(luò)，在線采集序列狀態(tài)量信號，對執(zhí)行機構(gòu)典型故障模式的序列化特征數(shù)據(jù)進行學(xué)習(xí)，同時針對網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和訓(xùn)練超參數(shù)多、設(shè)計難的問題，利用蟻群組合優(yōu)化方法對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)和訓(xùn)練參數(shù)進行組合優(yōu)化設(shè)計。驗證結(jié)果表明，利用蟻群優(yōu)化設(shè)計的LSTM網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)在驗證集上的表現(xiàn)，綜合故障識別準(zhǔn)確率達到97%以上，同時訓(xùn)練好的網(wǎng)絡(luò)只需利用狀態(tài)量的序列響應(yīng)即可實現(xiàn)故障的快速辨識，實時性高，在實際工程應(yīng)用中有一定的應(yīng)用價值。