基于蚁群优化的长短时神经网络变外形飞行器故障模式识别*

张万超，倪 昊，舒 鹏，孙晓晖，史树峰

(1. 上海航天控制技术研究所·上海·201109；2. 陆军装备部驻南京地区军代局驻上海地区第三军代室·上海·201109)

0 引 言

变外形飞行器能根据飞行环境、飞行状态和飞行任务的需求，快速改变飞行器的外形结构，改变飞行轨迹和打击方式，相比于常规飞行器，变外形飞行器具备更优的气动性能与操纵能力，显著地扩大飞行器的适用范围，是武器系统创新发展方向之一。但是其飞行环境复杂，气动特性呈现出强非线性、强耦合、不确定性的特点，此外飞行过程中需要改变外形，机械结构变得复杂，其执行机构发生故障的概率大大增加。一旦执行机构发生故障，将会极大地影响飞行性能甚至飞行安全。因此，开展针对执行器故障的识别和故障快速定位研究具有很大的工程应用价值，是安全飞行的核心技术和重要手段[1]。飞行器故障诊断是利用各种检测方法，识别出故障，并对故障进行定位和隔离[2]。研究人员先后开发了基于专家系统[3]和基于模型[4]的故障诊断技术，已在航天器中得到了应用，但是基于专家系统的故障诊断技术需要大量的专家经验和人工参与的特征提取过程，基于模型的故障诊断方法需要对飞行器各个部件建立精确的物理或数学模型，同时对故障发生机理有深入的了解，这些缺点都阻碍了故障诊断技术的进一步应用。传统的诊断方法已不能适应日趋智能化、复杂化的飞行器[5]。在这种背景下，基于数据驱动的故障诊断技术在无法精确建模的对象上表现出的优越特性，受到了广泛的关注和应用[6]，它以传统的机器学习算法为基本理论，利用数据挖掘技术进行故障特征学习和提取，建立故障特征和故障模式之间的联系，从而达到检测与诊断的目的，常用的有决策树[7]、随机森林[8]、最小近邻[9]、支持向量机[10]、贝叶斯网络[11]等方法。近年来，深度学习技术在故障诊断的应用中越来越广泛[12-14]，采用多层网络以逐层学习的方式从故障数据中提取故障特征，深层的网络结构可以通过多级抽象来表示隐藏在输入数据中较为隐含的属性，其强大的特征表示学习及提取能力可以满足变外形飞行器故障诊断中对高阶、自适应、非线性、耦合性以及鲁棒性特征学习的要求。本文采用基于数据驱动的方式构建长短时记忆(Long Short Term Memory，LSTM)神经网络，通过直接优化任务的总体目标，对故障模式的时序特征进行学习，实现故障数据和故障模式的映射，完成典型执行机构故障的识别。

1 变外形飞行器动力学模型

本文以某可变外形飞行器为研究对象，其气动外形能够随着弹翼的变化适应不同飞行条件，同时以当前环境下的最优升阻比飞行，该飞行器通过伺服机构主动控制飞行器的后掠角，执行机构采用舵面控制，变外形导致气动耦合现象加剧，在考虑由变外形产生的耦合和非线性后，得到变外形飞行器的六自由度非线性动力学方程表达式为

(1)

式中，α，β分别表示攻角、侧滑角。P表示发动机推力，m表示飞行器的质量，V表示飞行器的飞行速度。ωx，ωy，ωz表示飞行器绕弹体三个轴的转动角速度。Jx，Jy，Jz表示飞行器绕弹体三个轴的转动惯量，Jxy表示xy轴坐标轴惯性积，X，Y，Z表示阻力、升力和侧向力，Mx，My，Mz表示绕飞行器x轴、y轴，z轴方向力矩，其中的受力和力矩与当前飞行器状态和飞行环境和可变后掠角有关，表达式如下

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

(2)

其中，δp，δr，δy分别表示俯仰舵偏角，副翼舵偏角，偏航舵偏角，Ma表示飞行马赫数，α表示飞行攻角，χ表示飞行器后掠角，f表示力和力矩与环境变量之间的非线性关系，变外形飞行器在飞行过程中，若发生执行器故障将严重影响飞行安全，飞行器的执行器故障主要表现为效率损失(失效)故障和随机漂移故障(漂浮)。效率损失故障表示执行机构不能完全实现预期的控制效果，故障模型可表示为

(3)

其中，λ为效率损失系数，且0≤λ≤1。当λ=1时表示执行器完全失效，当λ=0时表示执行器完好，u1表示带故障的控制输入，u(t)为期望的控制输入，tf为故障发生的时刻。

随机漂移故障是指执行器的随机任意移动，相当于控制输入的一个附加的时变项，可以表示为

u2=u(t)+Δu(t)

(4)

其中，u2为有故障的控制输入，Δu(t)表示随机漂移程度。

2 基于LSTM的执行机构故障诊断

2.1 网络结构描述

LSTM是一种特殊的递归神经网络，相比于传统的循环神经网络，LSTM网络可将输入时序数据中的有效信息记录在节点状态中，同时将节点状态中的无效信息进行遗忘和选择，可对序列数据特征进行有效表征[15]。LSTM神经网络基本结构单元由1条信息带和3个控制单元组成，3个控制单元与信息带分别相连，分别称作遗忘控制单元、输入控制单元、输出控制单元，通过这三个单元对信息进行筛选和过滤。LSTM网络模型如图1所示。

下面简单介绍这几个重要的控制单元。

遗忘控制单元：为了不让历史信息对当前输入产生过多的影响，需要选择性地遗忘部分历史信息，表示为

ft=σ(Wf[ht-1,xt]+bf)

(5)

其中，ft为遗忘控制单元的输出，xt为输入特征序列数据，σ表示激活函数，Wf为连接权值，bf为神经元偏置，ht为当前时刻的权重信息，ht-1为上一时刻的权重信息。

输入控制单元：从当前的输入提取有效信息，并对信息进行有效性划分，表示为

(6)

输出控制单元：将当前输入和历史输入进行整合后输出，表示为

(7)

其中，Ct为当前时刻的信息流，Ct-1为上一时刻的信息流，*表示Hadamard乘积，Wo为连接权值，bo为神经元偏置，ot为中间变量输出。

对于带执行机构故障的六自由度飞行器模型，通过构建基于LSTM的深度神经网络，以及采集到的状态量信息和控制量信息，构建序列化的样本数据，对不同故障模式下的状态量响应特征进行学习，学习特定故障下的飞行器表现特征，得到相应的故障模式。基于LSTM神经网络的故障诊断框架如图2所示。

图2 基于LSTM神经网络的故障诊断框架Fig.2 Fault diagnosis framework based on LSTM neural network

2.2 基于蚁群优化方法的超参数设计

由于LSTM网络训练需要凭借经验调整多个超参数，不同超参数组合下训练的效果有较大差异，本文采用蚁群组合优化算法对网络的结构设计相关参数和训练相关参数进行组合优化设计，蚁群组合优化算法是一种启发式搜索算法，设定的蚁群目的是找到一条从“巢穴”到“食物源”的最佳路径，通过群体搜索的方式，每只蚂蚁在经过的路径上释放信息素，并能够感知其他蚂蚁释放的信息素，信息素浓度越高，表明对应的路径距离越短，然后每只蚂蚁会以较大的概率优先选择信息素浓度较高的路径，并释放一定量的信息素，形成一个正反馈效应，同时路径上的信息素会随时间逐渐挥发，最终找到最短距离。主要关键的两个步骤是计算转移概率和信息素更新。

计算转移概率：设定初始信息素，计算相应的转移概率P

(8)

其中，k表示第k只蚂蚁，α为信息素启发因子，β为期望启发因子，i，j分别为起点和终点，τij(t)表示t时刻路径(i，j)的信息素含量，nij(t)为启发函数，表述路径上两点之间距离的倒数，Jk(i)为所有没有被访问过的节点合集。

信息素更新：记录在当前迭代次数上的最佳解，并对不同解的信息素进行调整

τij(t+1)=(1-ρ)τij(t)+Δτij,0<ρ<1

(9)

(10)

(11)

其中，Q为信息素总量，为设定的正常数，Lk为蚂蚁k在当前周期内通过的路径长度。

3 验证与仿真结果分析

为了衡量本文方法的性能，采用飞行器故障仿真数据进行实验，以故障诊断准确率作为性能评价指标进行测试，样本数据的输入特征是飞行中的6个状态量和3个通道的输入控制量，连续采样200个信号作为序列信号，分别按照不同故障模型，共构造2250组训练数据，其中2000组作为训练数据，250组作为检验样本，具体的样本构成如表 1所示。

表1 训练样本组成Tab.1 Training sample components

为了对多维特征的序惯数据进行特征提取，搭建多层神经网络，其网络结构具体为：第一层采用LSTM层进行序列化特征学习，第二层采用Dropout层，Dropout率设为0.5，添加两层全连接层，最后添加Softmax层进行分类输出。由于飞行数据特征量级差异较大，为防止特征量级差异对网络训练造成不利影响，将所有输入特征进行归一化处理

(12)

(13)

其中，p(xi)为真实样本数据输出，q(xi)为神经网络的预测输出。网络训练采用自适应动量随机优化方法，保证梯度平稳过渡。在网络结构和训练算法确定后对其中的一些超参数进行优化设计，将待优化的网络超参数定义为θ，包括：LSTM层神经元数，第一层全连接层神经元数，第二层全连接层神经元数，更新学习率。然后通过设置范围和初始值，利用蚁群组合优化方法对参数寻优，进行组合优化设计，参数设置如表 2所示。

表2 蚁群优化算法参数设置Tab.2 Ant colony optimization algorithm parameter setting

优化共迭代20次，蚁群大小设置为5，适应度设为神经网络在验证集上的故障识别准确度，蚁群优化迭代结果如图3所示。

图3 蚁群迭代优化收敛过程Fig.3 Convergence process for iterative ant colony optimization

可以看出：随着迭代的进行，在5次寻优后，故障辨识率达到98.6%，在10次后达到了97.6%。

最终的参数组合：θ=[112，109，125，0.0001]，利用该组参数进行训练，得到验证集上的表现，如表 3所示。

表3 优化后的参数在验证集上的表现Tab.3 Performance of the optimized parameters on the validation set

从实验的结果可以看出，在测试集中，对无故障的工况识别精度达到100%，失效故障识别准确率为98.6%，漂浮故障识别概率达到96.7%，识别误差出现在漂浮和失效之间，原因是二者部分工况(漂浮角度较小)下的响应特征与舵面小角度失效的特征较为相似，导致神经网络对于两种特征的识别准确度降低。总体来说，经过优化的网络结构参数和训练参数在验证集上的表现优异。

4 结 论

变外形飞行器的机械结构特性复杂，执行机构易发生故障。本文通过构建多层长短时神经网络，在线采集序列状态量信号，对执行机构典型故障模式的序列化特征数据进行学习，同时针对网络结构参数和训练超参数多、设计难的问题，利用蚁群组合优化方法对神经网络的结构参数和训练参数进行组合优化设计。验证结果表明，利用蚁群优化设计的LSTM网络，提高了网络在验证集上的表现，综合故障识别准确率达到97%以上，同时训练好的网络只需利用状态量的序列响应即可实现故障的快速辨识，实时性高，在实际工程应用中有一定的应用价值。