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

張萬(wàn)超，倪 昊，舒 鵬，孫曉暉，史樹(shù)峰

(1. 上海航天控制技術(shù)研究所·上海·201109；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·上海·201109)

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(dòng)性能與操縱能力，顯著地?cái)U(kuò)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(dòng)特性呈現(xiàn)出強(qiáng)非線性、強(qiáng)耦合、不確定性的特點(diǎn)，此外飛行過(guò)程中需要改變外形，機(jī)械結(jié)構(gòu)變得復(fù)雜，其執(zhí)行機(jī)構(gòu)發(fā)生故障的概率大大增加。一旦執(zhí)行機(jī)構(gòu)發(fā)生故障，將會(huì)極大地影響飛行性能甚至飛行安全。因此，開(kāi)展針對(duì)執(zhí)行器故障的識(shí)別和故障快速定位研究具有很大的工程應(yīng)用價(jià)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(cè)方法，識(shí)別出故障，并對(duì)故障進(jìn)行定位和隔離[2]。研究人員先后開(kāi)發(fā)了基于專(zhuān)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(zhuān)家系統(tǒng)的故障診斷技術(shù)需要大量的專(zhuān)家經(jīng)驗(yàn)和人工參與的特征提取過(guò)程，基于模型的故障診斷方法需要對(duì)飛行器各個(gè)部件建立精確的物理或數(shù)學(xué)模型，同時(shí)對(duì)故障發(fā)生機(jī)理有深入的了解，這些缺點(diǎn)都阻礙了故障診斷技術(shù)的進(jìn)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(dòng)的故障診斷技術(shù)在無(wú)法精確建模的對(duì)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(jī)器學(xué)習(xí)算法為基本理論，利用數(shù)據(jù)挖掘技術(shù)進(jìn)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(dá)到檢測(cè)與診斷的目的，常用的有決策樹(shù)[7]、隨機(jī)森林[8]、最小近鄰[9]、支持向量機(jī)[10]、貝葉斯網(wǎng)絡(luò)[11]等方法。近年來(lái)，深度學(xué)習(xí)技術(shù)在故障診斷的應(yīng)用中越來(lái)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(guò)多級(jí)抽象來(lái)表示隱藏在輸入數(shù)據(jù)中較為隱含的屬性，其強(qiáng)大的特征表示學(xué)習(xí)及提取能力可以滿(mǎn)足變外形飛行器故障診斷中對(duì)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(dòng)的方式構(gòu)建長(zhǎng)短時(shí)記憶(Long Short Term Memory，LSTM)神經(jīng)網(wǎng)絡(luò)，通過(guò)直接優(yōu)化任務(wù)的總體目標(biāo)，對(duì)故障模式的時(shí)序特征進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)故障數(shù)據(jù)和故障模式的映射，完成典型執(zhí)行機(jī)構(gòu)故障的識(shí)別。

1 變外形飛行器動(dòng)力學(xué)模型

本文以某可變外形飛行器為研究對(duì)象，其氣動(dòng)外形能夠隨著彈翼的變化適應(yīng)不同飛行條件，同時(shí)以當(dāng)前環(huán)境下的最優(yōu)升阻比飛行，該飛行器通過(guò)伺服機(jī)構(gòu)主動(dòng)控制飛行器的后掠角，執(zhí)行機(jī)構(gòu)采用舵面控制，變外形導(dǎo)致氣動(dòng)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(dòng)力學(xué)方程表達(dá)式為

(1)

式中，α，β分別表示攻角、側(cè)滑角。P表示發(fā)動(dòng)機(jī)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(gè)軸的轉(zhuǎn)動(dòng)角速度。Jx，Jy，Jz表示飛行器繞彈體三個(gè)軸的轉(zhuǎn)動(dòng)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(dá)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(guò)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(jī)漂移故障(漂浮)。效率損失故障表示執(zhí)行機(jī)構(gòu)不能完全實(shí)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(shí)表示執(zhí)行器完全失效，當(dāng)λ=0時(shí)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(shí)刻。

隨機(jī)漂移故障是指執(zhí)行器的隨機(jī)任意移動(dòng)，相當(dāng)于控制輸入的一個(gè)附加的時(shí)變項(xiàng)，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(jī)漂移程度。

2 基于LSTM的執(zhí)行機(jī)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(shí)序數(shù)據(jù)中的有效信息記錄在節(jié)點(diǎn)狀態(tài)中，同時(shí)將節(jié)點(diǎn)狀態(tài)中的無(wú)效信息進(jìn)行遺忘和選擇，可對(duì)序列數(shù)據(jù)特征進(jìn)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(gè)控制單元組成，3個(gè)控制單元與信息帶分別相連，分別稱(chēng)作遺忘控制單元、輸入控制單元、輸出控制單元，通過(guò)這三個(gè)單元對(duì)信息進(jìn)行篩選和過(guò)濾。LSTM網(wǎng)絡(luò)模型如圖1所示。

下面簡(jiǎn)單介紹這幾個(gè)重要的控制單元。

遺忘控制單元：為了不讓歷史信息對(duì)當(dāng)前輸入產(chǎn)生過(guò)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(shí)刻的權(quán)重信息，ht-1為上一時(shí)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(duì)信息進(jìn)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(jìn)行整合后輸出，表示為

(7)

其中，Ct為當(dāng)前時(shí)刻的信息流，Ct-1為上一時(shí)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(duì)于帶執(zhí)行機(jī)構(gòu)故障的六自由度飛行器模型，通過(guò)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(duì)不同故障模式下的狀態(tài)量響應(yīng)特征進(jìn)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。基于LSTM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(jì)

由于LSTM網(wǎng)絡(luò)訓(xùn)練需要憑借經(jīng)驗(yàn)調(diào)整多個(gè)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(duì)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)相關(guān)參數(shù)和訓(xùn)練相關(guān)參數(shù)進(jìn)行組合優(yōu)化設(shè)計(jì)，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(guò)群體搜索的方式，每只螞蟻在經(jīng)過(guò)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(duì)應(yīng)的路徑距離越短，然后每只螞蟻會(huì)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(gè)正反饋效應(yīng)，同時(shí)路徑上的信息素會(huì)隨時(shí)間逐漸揮發(fā)，最終找到最短距離。主要關(guān)鍵的兩個(gè)步驟是計(jì)算轉(zhuǎn)移概率和信息素更新。

計(jì)算轉(zhuǎn)移概率：設(shè)定初始信息素，計(jì)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(diǎn)和終點(diǎn)，τij(t)表示t時(shí)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(diǎn)之間距離的倒數(shù)，Jk(i)為所有沒(méi)有被訪問(wèn)過(guò)的節(jié)點(diǎn)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(duì)不同解的信息素進(jìn)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(guò)的路徑長(zhǎng)度。

3 驗(yàn)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(jìn)行實(shí)驗(yàn)，以故障診斷準(zhǔn)確率作為性能評(píng)價(jià)指標(biāo)進(jìn)行測(cè)試，樣本數(shù)據(jù)的輸入特征是飛行中的6個(gè)狀態(tài)量和3個(gè)通道的輸入控制量，連續(xù)采樣200個(gè)信號(hào)作為序列信號(hào)，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(yàn)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(duì)多維特征的序慣數(shù)據(jù)進(jìn)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(jìn)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(jìn)行分類(lèi)輸出。由于飛行數(shù)據(jù)特征量級(jí)差異較大，為防止特征量級(jí)差異對(duì)網(wǎng)絡(luò)訓(xùn)練造成不利影響，將所有輸入特征進(jìn)行歸一化處理

(12)

(13)

其中，p(xi)為真實(shí)樣本數(shù)據(jù)輸出，q(xi)為神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出。網(wǎng)絡(luò)訓(xùn)練采用自適應(yīng)動(dòng)量隨機(jī)優(yōu)化方法，保證梯度平穩(wěn)過(guò)渡。在網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法確定后對(duì)其中的一些超參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)，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(guò)設(shè)置范圍和初始值，利用蟻群組合優(yōu)化方法對(duì)參數(shù)尋優(yōu)，進(jìn)行組合優(yōu)化設(shè)計(jì)，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(yàn)證集上的故障識(shí)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(guò)程Fig.3 Convergence process for iterative ant colony optimization

可以看出：隨著迭代的進(jìn)行，在5次尋優(yōu)后，故障辨識(shí)率達(dá)到98.6%，在10次后達(dá)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(jìn)行訓(xùn)練，得到驗(yàn)證集上的表現(xiàn)，如表 3所示。

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

從實(shí)驗(yàn)的結(jié)果可以看出，在測(cè)試集中，對(duì)無(wú)故障的工況識(shí)別精度達(dá)到100%，失效故障識(shí)別準(zhǔn)確率為98.6%，漂浮故障識(shí)別概率達(dá)到96.7%，識(shí)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(duì)于兩種特征的識(shí)別準(zhǔn)確度降低。總體來(lái)說(shuō)，經(jīng)過(guò)優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和訓(xùn)練參數(shù)在驗(yàn)證集上的表現(xiàn)優(yōu)異。

4 結(jié) 論

變外形飛行器的機(jī)械結(jié)構(gòu)特性復(fù)雜，執(zhí)行機(jī)構(gòu)易發(fā)生故障。本文通過(guò)構(gòu)建多層長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)，在線采集序列狀態(tài)量信號(hào)，對(duì)執(zhí)行機(jī)構(gòu)典型故障模式的序列化特征數(shù)據(jù)進(jìn)行學(xué)習(xí)，同時(shí)針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和訓(xùn)練超參數(shù)多、設(shè)計(jì)難的問(wèn)題，利用蟻群組合優(yōu)化方法對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)和訓(xùn)練參數(shù)進(jìn)行組合優(yōu)化設(shè)計(jì)。驗(yàn)證結(jié)果表明，利用蟻群優(yōu)化設(shè)計(jì)的LSTM網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)在驗(yàn)證集上的表現(xiàn)，綜合故障識(shí)別準(zhǔn)確率達(dá)到97%以上，同時(shí)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(shí)現(xiàn)故障的快速辨識(shí)，實(shí)時(shí)性高，在實(shí)際工程應(yīng)用中有一定的應(yīng)用價(jià)值。