基于循环神经网络的惯导重标期预测

2022-04-15郝田义许克勤

航空维修与工程 2022年2期

关键词：标定

郝田义许克勤

摘要：现阶段，由于惯导标定技术研究主要集中在误差参数估计方法、惯导标定精度分析方面，较少涉猎惯导的标定周期，导致业内简单地将惯导的标定可靠性作为重新标定的周期。本文以循环神经网络技术为基础，对惯导关键数据进行分析，预测激光捷联惯导重标需求的方法。通过对多台惯导历史数据的回归验证发现，通过使用基于循环神经网络技术等人工智能手段，构建基于惯导导航数据的分析模型，对惯导精度变化趋势进行预测，能够实现对惯导重新标定时间的预测，及时策划相应维修保障工作，避免惯导突报视情标定而影响作战任务执行。

关键词：循环神经网络；导航数据分析模型；捷联惯导；标定

Keywords： recurrent neural network；navigation data analysis model；strapdown inertial navigation；calibration

0 引言

惯导系统作为一种不依赖于外部信息、不向外辐射能量的自主导航系统，被广泛应用于航空、航天、航海以及地面导航等多种工作环境。按其结构划分，惯导系统主要分为平台式惯导系统和捷联式惯导系统两大类。随着激光陀螺、光纤陀螺、加速度计等电子技术的发展，测量精度不断提高，捷联式惯导系统依托其结构简单、体积小、维护方便等优势，迅速在各型航空器中取代平台式惯导系统，得到广泛应用。但捷联式惯导系统没有实体物理平台，是将陀螺和加速度计直接固定安装在运动载体上，因而无法实现现场精确标定。捷联惯导重标周期作为其性能保障的一项重要指标，也已成为其长期精度稳定性的标志和设备使用过程中标定保障的直接依据。因此，如何有效、精确地确定重标期成为捷联惯导系统的关键技术之一，引起了国内外研究与應用机构的广泛关注。

1 惯导重标期国内外研究现状

目前，由于技术封锁与商业保密性等原因，国外在惯导重标期方面的相关理论研究并未披露。从各国捷联式惯导的性能指标变化来看，国外的捷联式惯导重新标定周期基本分为两个阶段。第一阶段为定期重新标定阶段，该阶段按照美军标中提出的关于惯性元器件的周、月、年稳定性和重复性的分级指标体系，将惯导重标期确定为2年；第二阶段主要致力于全寿命周期内免重新标定技术的实现，一般寿命为5～10年。

国内在此领域的研究还处于起步阶段，目前普遍规定标定周期为12个月或18个月。12个月或18个月的最小标定周期其实是用平均无故障间隔时间（MTBF）指标简单替代重标周期，或者基于长期使用获得粗略的经验周期来获取最小标定周期，并没有一套完整的理论与方法指导捷联惯导重标周期的确定。这种方法在实际使用中导致重标周期与使用性能不匹配，甚至标定保障周期无据可依。

随着健康监控技术的应用，航空装备定期维修的工作理念逐步转变为基于状态的视情维护。目前，在用的激光捷联惯性系统已采用了视情标定技术，但对于惯导本身精度的评定仍基于1989年发布的GJB 729-89《惯性导航系统精度评定方法》。该方法仅在惯导内部记录最近8次任务的有效径向误差率，计算其累计圆概率误差，并与技术指标相比较，如果超过该指标，则立即提示惯导需重新标定。现行的维修手册及规程已明确：当单惯导系统提示重新标定时，可执行一次任务；当双惯导系统同时提示重新标定时，必须对其中至少一部惯导进行标定或更换至少一部惯导后方可执行任务。实际使用过程中常常存在上一架次提示标定，但在持续使用一架次后反而不再提示的情况，或者导航误差明显偏大时又不提示标定的情况。

2 基于循环神经网络的惯导重标期预测方法

传统的基于时间序列的非线性重构对于多参数变量的随机特性的预测效率较低。人工神经网络技术的发展，催生了越来越多对于所选信号参数和预测结果中存在未知关系时诊断的应用。从数学角度出发，循环神经网络将一组输入变量映射为输出变量。循环神经网络由输入层、隐藏层和输出层组成，其原理如图1所示。输入层的主要任务是预处理（可能包括信号的归一化或缩放）。主要的处理过程发生在隐藏层和输出层。通过设计层与层之间的逻辑关系，循环神经网络使上一层的每个元素都能有效地连接到下一层的每个部分。

实际使用中，惯导工作的性能参数逐步退化衰老。在这一衰老过程中，可以通过飞参获取其不断输出的数据以及使用时间信息。将这些数据与卫星导航数据进行实时对比，便可得出惯导精度的变化历程。这些变化数据经过基于循环神经网络的人工智能算法的处理，并从惯导飞参数据中提取特征、寻找规律，而后对算法进行优化调整，最终训练即形成捷联惯导精度变化的趋势预测模型。在接受惯导飞参数据输入后，根据该模型实时输出预测结果，并且使用结果与期望值之间的Loss值（真实值与预测值之间的差距衡量参数）来衡量模型的准确程度，最终达到一定的预测准确率，从而实现对惯导标定时机的科学预测。

2.1 循环神经网络建模分析方法

传统的基于可靠性研究分析的惯导重标期确定方法一般采用理论分析和失效实验相结合的方法，其分析与研究的对象一般是失效数据。对于惯导这一高可靠性长寿命产品，能够采集到的失效数据样本相对较少，甚至在试飞鉴定的特定周期内也无法获取失效数据，故需要引入一种新的评估方法来弥补传统可靠性评估方法的不足。

由于构成惯导的系统较为复杂，难以利用失效的物理、化学反应规律来构建惯导失效模型。因此，本文采用数据直接拟合的方式建立模型。惯导重标期的特征模型主要由特征参量阈值、实际参数分布和性能退化轨迹函数3个重要部分构成。本文提出的建模思路为：测量导航精度退化数据分布，估计导航精度退化数据分布参数并拟合轨迹，给出分布参数随时间变化规律的模型。

重标期预测是利用概率统计方法对惯导的导航精度特征量进行统计推断的过程，该方法本质上是以概率形式反应一定时间内导航精度达到阈值的可能性。

其中，t为时间；为性能退化量；、为退化轨迹系数。

由于同型产品的一般退化趋势具有区域一致性，因此本文假设同种产品的退化轨迹可以利用同种数学函数进行表达。由于不同产品件的个体差异，个体的退化轨迹函数之间存在不同的方程参数，导致其个体的重标期存在不确定性。因此，本文假设产品的性能退化服从相同的分布规律，分布参数随时间变化，即在不同测量时间，产品性能下降遵循相同的分布模型，分布参数是以时间为变量的函数。

2.2 数据集的获取及處理

本文选取图2所示的时间类、纯惯类、卫星类、星组类、陀螺类等37个连续性数据作为循环神经网络的输入数据。

目前，飞参中导出数据只能使用采样率为1点/s的方式，观察发现每秒的数据变化量十分微小（变化精度为0.001），模型在处理分析过程中会有大量的冗余数据，影响了模型的学习效率。因此，在对惯导数据进行读取时，采用1点/8s的方式进行采样。测试结果表明，该采样方式可确保数据特征不丢失，同时能极大地提高模型训练速度。

本文用某型机4台惯导5年的飞参数据集合作为惯导数据集来构建循环神经网络模型，并基于过去多次实际标定情况作为模型事后评估预测的依据。

3 预测模型的建立及验证

3.1 基于长短时记忆网络的经典循环神经网络预测模型的建立

循环神经网络（RNN）通过循环核从时间维度提取数据特征，将提取到的特征送到全连接网络（Dense）进行预测等操作。循环核具有记忆力，且不同时刻的参数能够共享。目前，3种非常成熟的RNN网络结构为RNN、LSTM和GRU。使用过程中发现，RNN建立的模型准确率与其他两个网络相比较低，但是网络参数少，训练速度较快；GRU在LSTM网络的基础上进行了优化，准确率更高，但是训练速度较慢。因此，最终选择了准确率较高、训练速度较快的LSTM网络。

本文将17余万条飞行数据拆分为训练集和测试集，并将这些数据输入神经网络，进行50个epoch（世代）的模型训练，从而不断优化模型参数，提高模型准确率。另外，训练采用Batch Normal的方法，通过调整各层的激活值，使其拥有适当的广度，提高了训练速度，同时也有效抑制了模型过拟合的问题，最终生成具有97800个参数的模型文件。

最终形成的惯导模型有以下特点：模型由输入X（也就是惯导数据）乘以权重W，再加上偏置项B，经过激活函数Activation进行输出。激活函数的作用是：当（X·W+B）的值达到一定条件后才继续往后输出，避免了因模型过度线性化而产生的过拟合或欠拟合问题，因此可以拟合非线性的数据。模型是一个多层网络：惯导数据为输入层；内部网络称为隐藏层，是由权重和偏置项构成的复杂网络；最终的预测结果称为输出层。神经网络模型的准确率由Loss值来衡量。Loss反映了预测值与真实值之间的差距，Loss值越小，说明预测值更加接近真实值，也说明模型更准确。另外，神经网络的训练过程就是对权重和偏置项参数通过反向传播梯度下降算法进行不断地优化、调整，最终得到使Loss值最小的解；神经网络的参数量非常大，可以达到上百万甚至上千万。

3.2 模型的验证

在机器学习的研究中，模型的准确程度是用模型的Loss值（也就是模型在训练过程中使用的损失函数的值，一般使用均方误差和交叉熵误差）来衡量的。损失函数是表示神经网络性能“恶劣程度”的指标，即当前的神经网络对监督数据在多大程度上不拟合，在多大程度上不一致。从图3 可以看出，随着训练epoch的不断增加，神经网络会不断通过反向传播梯度下降算法进行参数优化，模型训练集的Loss值越来越小，测试集的Val_Loss值也慢慢减小。模型Loss值的变化规律如图4所示。

模型训练完成后，对其中某个架次的数据进行验证，对比了误差预测值与实际值的变化曲线，如图5所示。

从图5可以看出，二者基本重合。说明该模型能够有效预测惯导误差的变化趋势，可以对未来一段时期的各指标误差数据进行预测。用科学计算pandas库对预测数据进行多维度分析，将各个误差指标根据权重进行计算，输入激活函数后得到一个惯导标定预测值，数值范围为0～1。数值越接近0，说明该惯导越不需要标定；数值越接近1，则惯导近期内需要标定。同时，根据数值大小，系统给出了标定时间结论。

4 结束语

传统的基于时间的预测方法已不适用于现阶段视情维护的保障需求，需要构建一套综合化的健康状态监控管理系统。本文将循环神经网络模型应用于惯导重标期的预测，将惯导实时飞行数据输入模型中，基于人工智能方法对标定需求进行计算与预测，实现了对惯导重新标定的有效预测。通过对维修备件、工作计划的合理策划，提升机务维修保障效能。