基于蟻群優化的長短時神經網絡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. 上海航天控制技術研究所·上?！?01109；2. 陸軍裝備部駐南京地區軍代局駐上海地區第三軍代室·上?！?01109)

0 引 言

變外形飛行器能根據飛行環境、飛行狀態和飛行任務的需求，快速改變飛行器的外形結構，改變飛行軌跡和打擊方式，相比于常規飛行器，變外形飛行器具備更優的氣動性能與操縱能力，顯著地擴大飛行器的適用范圍，是武器系統創新發展方向之一。但是其飛行環境復雜，氣動特性呈現出強非線性、強耦合、不確定性的特點，此外飛行過程中需要改變外形，機械結構變得復雜，其執行機構發生故障的概率大大增加。一旦執行機構發生故障，將會極大地影響飛行性能甚至飛行安全。因此，開展針對執行器故障的識別和故障快速定位研究具有很大的工程應用價值，是安全飛行的核心技術和重要手段[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]。研究人員先后開發了基于專家系統[3]和基于模型[4]的故障診斷技術，已在航天器中得到了應用，但是基于專家系統的故障診斷技術需要大量的專家經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學模型，同時對故障發生機理有深入的了解，這些缺點都阻礙了故障診斷技術的進一步應用。傳統的診斷方法已不能適應日趨智能化、復雜化的飛行器[5]。在這種背景下，基于數據驅動的故障診斷技術在無法精確建模的對象上表現出的優越特性，受到了廣泛的關注和應用[6]，它以傳統的機器學習算法為基本理論，利用數據挖掘技術進行故障特征學習和提取，建立故障特征和故障模式之間的聯系，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]、貝葉斯網絡[11]等方法。近年來，深度學習技術在故障診斷的應用中越來越廣泛[12-14]，采用多層網絡以逐層學習的方式從故障數據中提取故障特征，深層的網絡結構可以通過多級抽象來表示隱藏在輸入數據中較為隱含的屬性，其強大的特征表示學習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、非線性、耦合性以及魯棒性特征學習的要求。本文采用基于數據驅動的方式構建長短時記憶(Long Short Term Memory，LSTM)神經網絡，通過直接優化任務的總體目標，對故障模式的時序特征進行學習，實現故障數據和故障模式的映射，完成典型執行機構故障的識別。

1 變外形飛行器動力學模型

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不同飛行條件，同時以當前環境下的最優升阻比飛行，該飛行器通過伺服機構主動控制飛行器的后掠角，執行機構采用舵面控制，變外形導致氣動耦合現象加劇，在考慮由變外形產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方程表達式為

(1)

式中，α，β分別表示攻角、側滑角。P表示發動機推力，m表示飛行器的質量，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動角速度。Jx，Jy，Jz表示飛行器繞彈體三個軸的轉動慣量，Jxy表示xy軸坐標軸慣性積，X，Y，Z表示阻力、升力和側向力，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前飛行器狀態和飛行環境和可變后掠角有關，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，α表示飛行攻角，χ表示飛行器后掠角，f表示力和力矩與環境變量之間的非線性關系，變外形飛行器在飛行過程中，若發生執行器故障將嚴重影響飛行安全，飛行器的執行器故障主要表現為效率損失(失效)故障和隨機漂移故障(漂浮)。效率損失故障表示執行機構不能完全實現預期的控制效果，故障模型可表示為

(3)

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

隨機漂移故障是指執行器的隨機任意移動，相當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的執行機構故障診斷

2.1 網絡結構描述

LSTM是一種特殊的遞歸神經網絡，相比于傳統的循環神經網絡，LSTM網絡可將輸入時序數據中的有效信息記錄在節點狀態中，同時將節點狀態中的無效信息進行遺忘和選擇，可對序列數據特征進行有效表征[15]。LSTM神經網絡基本結構單元由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網絡模型如圖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前輸入產生過多的影響，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為輸入特征序列數據，σ表示激活函數，Wf為連接權值，bf為神經元偏置，ht為當前時刻的權重信息，ht-1為上一時刻的權重信息。

輸入控制單元：從當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：將當前輸入和歷史輸入進行整合后輸出，表示為

(7)

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

對于帶執行機構故障的六自由度飛行器模型，通過構建基于LSTM的深度神經網絡，以及采集到的狀態量信息和控制量信息，構建序列化的樣本數據，對不同故障模式下的狀態量響應特征進行學習，學習特定故障下的飛行器表現特征，得到相應的故障模式?；贚STM神經網絡的故障診斷框架如圖2所示。

圖2 基于LSTM神經網絡的故障診斷框架Fig.2 Fault diagnosis framework based on LSTM neural network

2.2 基于蟻群優化方法的超參數設計

由于LSTM網絡訓練需要憑借經驗調整多個超參數，不同超參數組合下訓練的效果有較大差異，本文采用蟻群組合優化算法對網絡的結構設計相關參數和訓練相關參數進行組合優化設計，蟻群組合優化算法是一種啟發式搜索算法，設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，表明對應的路徑距離越短，然后每只螞蟻會以較大的概率優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，同時路徑上的信息素會隨時間逐漸揮發，最終找到最短距離。主要關鍵的兩個步驟是計算轉移概率和信息素更新。

計算轉移概率：設定初始信息素，計算相應的轉移概率P

(8)

其中，k表示第k只螞蟻，α為信息素啟發因子，β為期望啟發因子，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)為啟發函數，表述路徑上兩點之間距離的倒數，Jk(i)為所有沒有被訪問過的節點合集。

信息素更新：記錄在當前迭代次數上的最佳解，并對不同解的信息素進行調整

τij(t+1)=(1-ρ)τij(t)+Δτij,0<ρ<1

(9)

(10)

(11)

其中，Q為信息素總量，為設定的正常數，Lk為螞蟻k在當前周期內通過的路徑長度。

3 驗證與仿真結果分析

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

表1 訓練樣本組成Tab.1 Training sample components

為了對多維特征的序慣數據進行特征提取，搭建多層神經網絡，其網絡結構具體為：第一層采用LSTM層進行序列化特征學習，第二層采用Dropout層，Dropout率設為0.5，添加兩層全連接層，最后添加Softmax層進行分類輸出。由于飛行數據特征量級差異較大，為防止特征量級差異對網絡訓練造成不利影響，將所有輸入特征進行歸一化處理

(12)

(13)

其中，p(xi)為真實樣本數據輸出，q(xi)為神經網絡的預測輸出。網絡訓練采用自適應動量隨機優化方法，保證梯度平穩過渡。在網絡結構和訓練算法確定后對其中的一些超參數進行優化設計，將待優化的網絡超參數定義為θ，包括：LSTM層神經元數，第一層全連接層神經元數，第二層全連接層神經元數，更新學習率。然后通過設置范圍和初始值，利用蟻群組合優化方法對參數尋優，進行組合優化設計，參數設置如表 2所示。

表2 蟻群優化算法參數設置Tab.2 Ant colony optimization algorithm parameter setting

優化共迭代20次，蟻群大小設置為5，適應度設為神經網絡在驗證集上的故障識別準確度，蟻群優化迭代結果如圖3所示。

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

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

最終的參數組合：θ=[112，109，125，0.0001]，利用該組參數進行訓練，得到驗證集上的表現，如表 3所示。

表3 優化后的參數在驗證集上的表現Tab.3 Performance of the optimized parameters on the validation set

從實驗的結果可以看出，在測試集中，對無故障的工況識別精度達到100%，失效故障識別準確率為98.6%，漂浮故障識別概率達到96.7%，識別誤差出現在漂浮和失效之間，原因是二者部分工況(漂浮角度較小)下的響應特征與舵面小角度失效的特征較為相似，導致神經網絡對于兩種特征的識別準確度降低?？傮w來說，經過優化的網絡結構參數和訓練參數在驗證集上的表現優異。

4 結 論

變外形飛行器的機械結構特性復雜，執行機構易發生故障。本文通過構建多層長短時神經網絡，在線采集序列狀態量信號，對執行機構典型故障模式的序列化特征數據進行學習，同時針對網絡結構參數和訓練超參數多、設計難的問題，利用蟻群組合優化方法對神經網絡的結構參數和訓練參數進行組合優化設計。驗證結果表明，利用蟻群優化設計的LSTM網絡，提高了網絡在驗證集上的表現，綜合故障識別準確率達到97%以上，同時訓練好的網絡只需利用狀態量的序列響應即可實現故障的快速辨識，實時性高，在實際工程應用中有一定的應用價值。