劉丙杰 冀海燕 楊繼鋒

海軍潛艇學(xué)院，青島 266042

?

基于數(shù)據(jù)驅(qū)動(dòng)的導(dǎo)彈伺服液面預(yù)測

劉丙杰 冀海燕 楊繼鋒

海軍潛艇學(xué)院，青島 266042

針對導(dǎo)彈伺服機(jī)構(gòu)液壓源液面下降的問題，根據(jù)導(dǎo)彈伺服液面實(shí)測數(shù)據(jù)，采用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)集成和最小二乘多項(xiàng)式擬合3種數(shù)據(jù)驅(qū)動(dòng)方法對伺服液面高度進(jìn)行模型辨識(shí)。通過對實(shí)測數(shù)據(jù)仿真分析，發(fā)現(xiàn)不同輸入維數(shù)對預(yù)測精度有所影響：當(dāng)輸入維數(shù)為4時(shí)，支持向量機(jī)預(yù)測誤差最低；不同輸入維數(shù)下，最小二乘多項(xiàng)式預(yù)測誤差最穩(wěn)定，且綜合誤差最小。 關(guān)鍵詞 數(shù)據(jù)驅(qū)動(dòng)；伺服液面；支持向量回歸；神經(jīng)網(wǎng)絡(luò)集成；最小二乘多項(xiàng)式擬合

伺服系統(tǒng)是導(dǎo)彈控制系統(tǒng)的執(zhí)行機(jī)構(gòu)，伺服液壓源是伺服機(jī)構(gòu)的動(dòng)力源，為了保證導(dǎo)彈完全按照指令飛行控制，就必須有充足的工作液。這就需要對伺服工作液進(jìn)行測試，以判斷伺服機(jī)構(gòu)的狀態(tài)。目前，伺服工作液的測試都是實(shí)時(shí)測試，只要判斷合格即可。但是，隨著載彈值班時(shí)間的增加，伺服工作液可能發(fā)生泄漏、滲漏和揮發(fā)等故障，一旦出現(xiàn)這種故障，只能返廠維修，這將嚴(yán)重影響導(dǎo)彈發(fā)射和作戰(zhàn)任務(wù)的實(shí)施，在歷次導(dǎo)彈測試、訓(xùn)練、試驗(yàn)中就出現(xiàn)過類似故障。如果能事先預(yù)測工作液狀態(tài)，實(shí)現(xiàn)預(yù)防性維修，將大大提高導(dǎo)彈的綜合保障能力和戰(zhàn)備完好性。但是，目前有關(guān)伺服機(jī)構(gòu)工作液液面預(yù)測的研究鮮有公開資料。本文將利用數(shù)據(jù)驅(qū)動(dòng)方法實(shí)現(xiàn)伺服機(jī)構(gòu)工作液液面的預(yù)測。數(shù)據(jù)驅(qū)動(dòng)僅利用受控系統(tǒng)的在線和離線I/O 數(shù)據(jù)以及經(jīng)過數(shù)據(jù)處理得到的知識(shí)實(shí)現(xiàn)模型辨識(shí), 并在一定的假設(shè)下, 有收斂性、穩(wěn)定性保障和魯棒性結(jié)論的控制理論與方法[1]。

數(shù)據(jù)驅(qū)動(dòng)方法有很多，本文采用神經(jīng)網(wǎng)絡(luò)集成、支持向量回歸機(jī)和最小二乘多項(xiàng)式逼近3種方法進(jìn)行伺服液面預(yù)測，并給出各種方法的預(yù)測精度對比結(jié)果。

1 導(dǎo)彈伺服機(jī)構(gòu)伺服液壓源

伺服液壓源是伺服機(jī)構(gòu)的重要組成部分[2]，由燃?xì)鉁u輪泵和油源組件2部分組成，見圖1，具體說明見參考文獻(xiàn)[2]。

1)燃?xì)鉁u輪泵

燃?xì)鉁u輪泵為適宜于超高速運(yùn)行的緊湊通軸結(jié)構(gòu)，由渦輪轉(zhuǎn)子、動(dòng)密封組件和轉(zhuǎn)速傳感器等組成。

渦輪轉(zhuǎn)子是以耐熱合金材料制造的整體式轉(zhuǎn)子；動(dòng)密封組件是超高速機(jī)構(gòu)動(dòng)密封組件，靜環(huán)為石墨制品；轉(zhuǎn)速傳感器是磁電型傳感器，用于測量渦輪轉(zhuǎn)速。

圖1 伺服液壓源結(jié)構(gòu)組成示意圖

2)油源組件

油源組件為整體化的高溫液壓系統(tǒng)，由流體連接器、安全閥、油位傳感器、溫度傳感器、工作液和測量電子盒等組成。

燃?xì)饨?jīng)進(jìn)氣噴嘴轉(zhuǎn)變?yōu)槌羲倭?，推?dòng)渦輪轉(zhuǎn)子作超高速運(yùn)轉(zhuǎn)，并直接帶動(dòng)同軸反向噴射的直葉式泵輪在油源組件的泵殼內(nèi)旋轉(zhuǎn)，形成超高速旋轉(zhuǎn)的液壓油在其外圈具有一定壓力和極高轉(zhuǎn)速。高壓液流經(jīng)自封流體連接器送至伺服作動(dòng)器，推動(dòng)發(fā)動(dòng)機(jī)噴管擺動(dòng)。

2 數(shù)據(jù)驅(qū)動(dòng)方法

本文所用的3種方法在其他文獻(xiàn)中都有詳細(xì)描述，先簡要介紹支持向量回歸和機(jī)神經(jīng)網(wǎng)絡(luò)集成方法的基本原理，詳細(xì)算法介紹請參考文獻(xiàn)[3-4]。

1)支持向量回歸機(jī)

支撐向量回歸(Support Vector Regression：SVR)是將模式識(shí)別問題中的估計(jì)指示函數(shù)得到的結(jié)論推廣到回歸估計(jì)中的估計(jì)實(shí)函數(shù)中，且引入一種新的損失函數(shù)-ε不敏感損失函數(shù)。

與支持向量機(jī)(SVM)一樣，SVR也有線性和非線性之分。本文僅介紹常用的非線性SVR。

針對訓(xùn)練樣本為非線性情形，只要選擇合適的核函數(shù)，用核函數(shù)取代線性情況下的內(nèi)積運(yùn)算，便可以將輸入空間投影到高維特征空間，在高維空間中可利用線性回歸估計(jì)方法解決[3]?；诤撕瘮?shù)，在非線性情況下，可以構(gòu)造如下形式的待估計(jì)函數(shù)：

(1)

(2)

2)神經(jīng)網(wǎng)絡(luò)集成

由于神經(jīng)網(wǎng)絡(luò)集成(Neural Network Ensemble，NNE)是一種泛化能力較強(qiáng)的建模工具，所以本文采用NNE實(shí)現(xiàn)伺服機(jī)構(gòu)液面預(yù)測。NNE是由一組神經(jīng)網(wǎng)絡(luò)對同一個(gè)問題進(jìn)行學(xué)習(xí)，然后組合各個(gè)神經(jīng)網(wǎng)絡(luò)的輸出。

本文采用一種綜合神經(jīng)網(wǎng)絡(luò)集成(Integrated NNE，InNNE)[4]進(jìn)行伺服液面預(yù)測，其主要思想是：首先將樣本分類，不同的個(gè)體神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)不同類的樣本，這樣可以提高個(gè)體神經(jīng)網(wǎng)絡(luò)之間的差異性，然后根據(jù)輸入數(shù)據(jù)的特征自適應(yīng)調(diào)整集成權(quán)值，其結(jié)構(gòu)如圖2所示。

圖2 自適應(yīng)NNE原理框圖

InNNE算法步驟如下：

Step1：將樣本聚類，并記錄樣本中心，形成若干個(gè)體網(wǎng)路訓(xùn)練樣本集；

Step2：個(gè)體網(wǎng)絡(luò)學(xué)習(xí)，即用不同的神經(jīng)網(wǎng)絡(luò)個(gè)體學(xué)習(xí)不同類的樣本，并隨機(jī)初始化集成權(quán)值；

Step3：對輸入數(shù)據(jù)進(jìn)行相關(guān)分析，即計(jì)算輸入數(shù)據(jù)與每個(gè)樣本集的距離，據(jù)此確定集成權(quán)值。距離越近，權(quán)值越大；反之亦然；

Step4：集成輸出結(jié)果。

3 基于數(shù)據(jù)驅(qū)動(dòng)的導(dǎo)彈伺服機(jī)構(gòu)液面預(yù)測

假設(shè)伺服機(jī)構(gòu)液面測試歷史數(shù)據(jù)為：

X={x1,x2,...，xm}

(3)

采用數(shù)據(jù)驅(qū)動(dòng)方法預(yù)測下一時(shí)刻伺服機(jī)構(gòu)液面為：

y=f(Xn-m,n)

(4)

其中，Xn-m,n={xn-m,xn-m+1,...,xn}；m表示預(yù)測所需的歷史數(shù)據(jù)數(shù)量，分別取m=4,5,8；f(Xn-m,n)為預(yù)測模型，本文采用SVR，InNEE和最小二乘多項(xiàng)式擬合3種模型。

不論采用什么方法，其算法步驟基本一致：

Step1：對原始時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)處理，并分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；

Step2：采用預(yù)測模型進(jìn)行數(shù)據(jù)擬合；

Step3：模型檢驗(yàn)。利用測試數(shù)據(jù)對各模型預(yù)測誤差進(jìn)行檢驗(yàn)；

Step4：利用最優(yōu)預(yù)測模型對液面時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測。

4 仿真實(shí)例

對某型導(dǎo)彈伺服液面進(jìn)行預(yù)測，液面正常范圍：7.5～10.0。采集原始數(shù)據(jù)如表1所示。

表1 某型導(dǎo)彈伺服油面測試數(shù)據(jù)

根據(jù)上述原始數(shù)據(jù)形成訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，其中m=5時(shí)的樣本如表2所示，表中*代表測試數(shù)據(jù)。

表2 訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)

支持向量回歸機(jī)采用Sigmoid核函數(shù)，懲罰系數(shù)C=1000，InNNE采用RBF神經(jīng)網(wǎng)絡(luò)為個(gè)體神經(jīng)網(wǎng)絡(luò)，InNNE規(guī)模為6。最小二乘多項(xiàng)式擬合采用6次冪多項(xiàng)式。

分別利用3種方法對上述數(shù)據(jù)進(jìn)行擬合，擬合效果如圖3～5所示。擬合相對誤差如表3所示。

表3中，InNNE(3)表示聚類結(jié)果為,3組訓(xùn)練樣本，即3個(gè)神經(jīng)網(wǎng)絡(luò)個(gè)體；InNNE(5) 表示聚類結(jié)果為5組訓(xùn)練樣本，即5個(gè)神經(jīng)網(wǎng)絡(luò)個(gè)體。

圖3 InNNE預(yù)測圖

圖4 SVR預(yù)測

圖5 最小二乘多項(xiàng)式擬合(LSPF)

表3 伺服液面預(yù)測誤差

方法mSVRInNNE(3)InNNE(5)LSPFm=40.362%0.542%0.558%0.690%m=51.145%0.441%0.520%0.62%m=81.120%2.460%2.335%0.664%綜合誤差2.627%3.443%3.413%1.974%

從仿真結(jié)果看，當(dāng)m=4時(shí)，SVR預(yù)測誤差最?。划?dāng)m=8時(shí)，InNNE(3)預(yù)測誤差最大，而LSPF的預(yù)測誤差比較穩(wěn)定，且綜合誤差最小。InNNE需要較大的計(jì)算量，SVR需要確定核函數(shù)、懲罰系數(shù)等。一旦訓(xùn)練完畢，在同等硬件條件下，SVR的計(jì)算速度與最小二乘的計(jì)算速度相差不多。

5 結(jié)束語

采用3種數(shù)據(jù)驅(qū)動(dòng)方法對導(dǎo)彈伺服液壓源的液面高度進(jìn)行了預(yù)測模型辨識(shí)。本文采用的方法有限，不排除有更好的方法。但從文中選擇的數(shù)據(jù)仿真結(jié)果看，SVR比較適合于導(dǎo)彈伺服液面預(yù)測，這也為裝備綜合保障提供了有力支持。但是，由于獲取數(shù)據(jù)困難，所選擇的數(shù)據(jù)有限，不排除其他數(shù)據(jù)用其他方法預(yù)測更準(zhǔn)確的可能。

[1] 侯忠生,許建新.數(shù)據(jù)驅(qū)動(dòng)控制理論及方法的回顧和展望[J].自動(dòng)化學(xué)報(bào)，2009, 35(6):650-667.(Hou Zhongsheng, Xu Jianxin. On Data-driven Control Theory: the State of the Art and Pers:pective[J]. Acta Automatica Sinica, 2009, 35(6): 650-667.)

[2] 胡昌華，馬清亮，鄭建飛.導(dǎo)彈測試與發(fā)射控制技術(shù)[M]. 北京：國防工業(yè)出版社, 2010.(Hu Changhua, Ma Qingliang, Zheng Jianfei. Testing, Launching and Controlling of Missile[M]. Beijing: National Defence Industry Press , 2010.)

[3] 徐海永.基于主元分析和支持向量回歸機(jī)的故障預(yù)測[D].大連理工大學(xué)碩士學(xué)位論文，2013.(Xu Haiyong. Fault Predicting Based on Principle Analysis and Support Vector Machine[D].Dalian university of technology, 2013.)

[4] 齊新戰(zhàn)，劉丙杰，冀海燕.基于聚類分析的的綜合神經(jīng)網(wǎng)絡(luò)集成算法[J].計(jì)算機(jī)仿真，2010,27(1)：166-169.(Qi Xinzhan，Liu Bingjie， Ji Haiyan. An Integrated Neural Network Ensemble Algorithm Based on Clustering Technology[J]. Computer Simulation, 2010, 27(1)：166-169.)

Prediction of Liquid Level of Missile Servo Based on Data Driven

Liu Bingjie, Ji Haiyan, Yang Jifeng

Navy Submarine Academy, Qingdao 266042，China

Aimingatsolvingthedescendingliquidlevelofmissileservo,thesupportvectorregression(SVR),neuralnetworkensemble(NNE)andleastsquarepolynomialfit(LSPF)areusedformodelidentificationbasedonrealdataofliquidlevelofmissileservo.Theresultsofsimulationdemonstratethatdifferentpredictingresultscanbeproducedbyinputdimension, SVRhasminimumpredictionerror,thepredictionerrorofLSPFismoststableandLSPFhasminimumsyntheticallyerror.

Datadreiven；Liquidlevelofmissileservo；Supportvectorregression；Neuralnetworkensemble；Leastsquarepolynomialfit

2015-06-30

劉丙杰(1979-)，男，山西曲沃人，博士，講師，主要研究方向?yàn)閼?zhàn)略導(dǎo)彈可靠性工程；冀海燕(1975-)，女，山東青州人，碩士，講師，主要研究方向?yàn)閷?dǎo)彈控制；楊繼鋒(1980-)，男，吉林柳河人，碩士，講師，主要研究方向?yàn)閷?dǎo)彈發(fā)射。

V19；TP23

A

1006-3242(2016)02-0091-04