基于故障预测的冗余控制系统
文献发布时间:2023-06-19 11:44:10
技术领域
本申请涉及冗余容错技术领域,特别是涉及一种基于故障预测的冗余控制系统。
背景技术
海恩法则指出:每一起严重事故的背后,必然有29次轻微事故和300起未遂先兆以及1000起事故隐患。冗余容错技术可以结合冗余资源,并重复配置部分系统部件,可以在产生故障的情况下保证系统的正常运行。
传统冗余容错技术大多通过提前设计专家知识库进行容错控制,故虽然可以在故障发生后成功进行识别,却难以实现对故障的先知预判,即难以发现未知错误。
发明内容
基于此,有必要针对传统冗余容错技术无法发现未知错误的问题,提供一种基于故障预测的冗余控制系统。
本申请提供一种基于故障预测的冗余控制系统,包括:
波形变换子系统,用于接收或模拟传感器数据,并对接收或模拟的所述传感器数据进行波形变换处理以及预处理;
故障检测子系统,与所述波形变换子系统电连接,用于接收所述传感器数据,根据预设故障检测模型和所述传感器数据计算健康度,并根据所述健康度和预设决策模型生成控制指令;以及
冗余切换子系统,与所述故障检测子系统电连接,用于接收所述控制指令,并根据所述控制指令进行冗余切换。
在其中一个实施例中,所述预设决策模型为:若所述健康度小于健康阈值,则判定发生故障;若所述健康度在第一预设时间内持续下降,则判定即将发生故障;和/或,若所述健康度大于所述健康阈值且小于亚健康阈值,则判定存在故障风险并间隔第二预设时间重新进行检测。
在其中一个实施例中,所述波形变换子系统包括:
数据生成模块,用于接收或模拟所述传感器数据;
波形变换模块,与所述数据生成模块电连接,用于对接收或模拟的所述传感器数据进行波形变换处理;以及
数据处理模块,与所述波形变换模块和所述故障检测子系统电连接,用于对波形变换后的所述传感器数据进行数据清理、数据标准化和/或数据平稳化处理。
在其中一个实施例中,所述数据生成模块包括:
波形接收电路,与所述波形变换模块电连接,用于接收外部实际传感器数据,以生成并发送所述传感器数据至所述波形变换模块;以及
波形生成电路,所述波形生成电路包括方波发生器和RC桥式震荡电路,所述RC桥式震荡电路的输入端与所述方波发生器的输出端电连接,所述RC桥式震荡电路的输出端与所述波形变换模块电连接,所述波形生成电路用于模拟所述传感器数据,并发送所述传感器数据至所述波形变换模块。
在其中一个实施例中,所述波形变换模块包括积分电路,所述积分电路与所述数据生成模块和所述数据处理模块分别电连接,所述积分电路用于对所述传感器数据进行波形变换处理,并将波形变换处理后的所述传感器数据发送至所述数据处理模块。
在其中一个实施例中,所述积分电路包括电阻、电容以及运算放大器,所述电阻的一端形成所述积分电路的输入端,所述运算放大器的输出端形成所述积分电路的输出端;所述电阻的另一端以及所述电容的一端分别与所述运算放大器的反向输入端电连接,所述运算放大器的正向输入端接地,所述电容的另一端与所述运算放大器的输出端电连接。
在其中一个实施例中,所述故障检测子系统包括:
第一预测模块,与所述波形变换子系统电连接,用于接收所述传感器数据,并根据所述预设故障检测模型和所述传感器数据计算第一健康度;
第二预测模块,与所述波形变换子系统电连接,用于接收所述传感器数据,并根据所述预设故障检测模型和所述传感器数据计算第二健康度;以及
决策模块,内置有所述预设决策模型,与所述第一计算模块和所述第二计算模块分别电连接,用于接收所述第一健康度和所述第二健康度,并根据所述预设决策模型、所述第一健康度和所述第二健康度生成所述控制指令。
在其中一个实施例中,所述决策模块包括:
健康度选择子模块,与所述第一计算模块和所述第二计算模块分别电连接,用于接收所述第一健康度和所述第二健康度,并选择所述第一健康度和所述第二健康度中较大的作为所述健康度;以及
健康度判断子模块,与所述健康度选择子模块电连接,用于接收所述健康度,并根据所述健康度和所述预设决策模型生成所述控制指令。
在其中一个实施例中,所述第一预测模块与所述冗余切换子系统电连接,以形成由所述波形变换子系统、所述第一预测模块以及所述冗余切换子系统依次电连接组成的直通备保链路。
在其中一个实施例中,所述冗余切换子系统包括:
MOS管驱动电路,分别与所述第一预测模块和决策模块电连接,用于根据所述控制指令驱动供配电功率控制电路;
模拟量采集接口电路,分别与所述第一预测模块和决策模块电连接,用于根据所述控制指令驱动模数转换电路和/或数据采集电路;
位置姿态运算电路,分别与所述第一预测模块和决策模块电连接,用于根据所述控制指令计算位置姿态;以及
通信接口电路,分别与所述第一预测模块和决策模块电连接,用于根据所述控制指令完成各模块之间通信。
本申请提供的基于故障预测的冗余控制系统包括:波形变换子系统、故障检测子系统和冗余切换子系统。波形变换子系统用于接收或模拟传感器数据,并对接收或模拟的传感器数据进行波形变换处理以及预处理,从而保证传感器数据的统一。故障检测子系统与波形变换子系统电连接,用于接收传感器数据,根据预设故障检测模型和传感器数据计算健康度,并根据健康度和预设决策模型生成控制指令。可以理解,故障检测子系统的设置可以根据传感器数据计算健康度,从而实现对故障的预测。冗余切换子系统与故障检测子系统电连接,用于接收控制指令,并根据控制指令进行冗余切换,从而保证了系统的正常工作,避免因系统故障导致的损失。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于故障预测的冗余控制系统的电连接结构示意图;
图2为本申请实施例提供的另一种基于故障预测的冗余控制系统的电连接结构示意图;
图3为本申请实施例提供的一种方波发生器电路结构示意图;
图4为本申请实施例提供的一种RC震荡电路结构示意图;
图5为本申请实施例提供的一种积分电路结构示意图;
图6为本申请实施例提供的一种组合电路结构示意图;
图7为本申请实施例提供的一种决策模型中第一类预警方法流程图;
图8为本申请实施例提供的一种决策模型中健康阈值优劣结果图;
图9为本申请实施例提供的一种决策模型中第二类预警计算方法示意图;
图10为本申请实施例提供的一种决策模型第二类预警方法流程图;
图11为本申请实施例提供的一种决策模型第三类预警方法流程图。
附图标号说明
100、基于故障预测的冗余控制系统;10、波形变换子系统;110、数据生成模块;111、波形接收电路;112、波形生成电路;120、波形变换模块;130、数据处理模块;20、故障检测子系统;210、第一预测模块;220、第二预测模块;230、决策模块;231、健康度选择子模块;232、健康度判断子模块;30、冗余切换子系统;310、MOS管驱动电路;320、模拟量采集接口电路;330、位置姿态运算电路;340、通信接口电路。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施的限制。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参见图1,本申请提供一种基于故障预测的冗余控制系统100。基于故障预测的冗余控制系统100包括波形变换子系统10、故障检测子系统20和冗余切换子系统30。波形变换子系统10用于接收或模拟传感器数据,并对接收或模拟的传感器数据进行波形变换处理以及预处理。故障检测子系统20与波形变换子系统10电连接,用于接收传感器数据,根据预设故障检测模型和传感器数据计算健康度,并根据健康度和预设决策模型生成控制指令。冗余切换子系统30与故障检测子系统20电连接,用于接收控制指令,并根据控制指令进行冗余切换。
请一并参见图2,在其中一个实施例中,波形变换子系统10用于接收或模拟的传感器数据,即传感器数据可以为待测设备实际传感器采集的数据,也可以为波形变换子系统10模拟产生的传感器数据。因此,波形变换子系统10的设置可以避免整个系统受限于待测设备是否具有相关传感器,从而扩大了基于故障预测的冗余控制系统100的应用范围。在其中一个实施例中,待测设备可以为飞行器,此时实际传感器采集的数据可以为惯组信息、红外信息、回波信息和/或流程及逻辑控制信息。
在其中一个实施例中,故障检测子系统20需要的数据可以具有时序、浮点、非线性、多维以及耦合共五点性质。其中,时序是指传感器数据可以为时间序列相关的数据;浮点是指传感器数据的类型可以为浮点数;由于现实应用中大多数复杂系统是非线性系统,故传感器数据可以为非线性数据;多维是指传感器数据可以具有多个维度,即通过多个特征空间反应系统的工作状态;耦合是指各维度间可以存在一定相关性,其可以通过计算维度数据间的相关系数衡量。因此,需要使用波形变换系统接收或模拟传感器数据。
在其中一个实施例中,故障检测子系统20可以内置有时间序列预测算法,其可以根据实时接收的传感器数据进行预测,以得到随后某一时刻的传感器预测数据。另外,故障检测子系统20还可以预先获取波形变换子系统10接收或模拟的健康状态下的传感器数据,即正样本数据,并根据健康状态下的传感器数据对提前对预设故障检测模型进行自编码神经网络训练。最后,根据上述传感器预测数据以及预设故障检测模型计算得到健康度。
在其中一个实施例中,采用卷积神经网络(Convolutional Neural Networks,CNN)自编码器构建自编码神经网络。本实施例中,健康度可以为:
其中,σ
其中,N为健康状态特征空间中向量的个数,i、j=1......N,a
其中,a
在其中一个实施例中,由于由自编码网络提取的特征本质上是一组向量,衡量向量之间相似度的方法为计算向量之间的距离。本实施例中,上述实施例中两个向量之间的距离可以为n维空间两点之间的欧式距离。欧氏距离为n维空间中两个点之间的真实距离或者向量的自然长度,而二维和三维空间中的欧氏距离为两点之间的实际距离。其中n维空间两点欧式距离的计算公式如下:
在其中一个实施例中,根据健康度和预设决策模型,故障检测子系统20可以生成控制指令,是此案对冗余切换子系统30的控制。在其中一个实施例中,仅采用正样本对对预设故障检测模型进行训练,可以提高预设故障检测对飞行器等待测设备决策控制的良好的非线性时延序列预测效果,具有防止梯度弥散的功能,运行速率为传统算法的几十倍,由于运动跟踪控制中的短控制周期,可以满足飞行器等高实时性要求的待测设备。
在其中一个实施例中,在使用预设故障检测模型之前,可以根据接收或模拟的健康数据构建健康状态数据集,并根据故障数据构建不同故障程度的故障状态数据集,从而实现对预设故障检测模型的验证,提高故障检测子系统20故障预测的准确性。本实施例中,故障检测子系统20可以根据健康状态数据集和不同故障程度的故障状态数据集,对预设故障检测模型进行验证和调整。
在其中一个实施例中,冗余切换子系统30实现冗余输出控制,即根据故障检测子系统20生成并发出的不同控制指令,执行所需的相关动作。在其中一个实施例中,可以通过控制MOS管控制串并联冗余、功率供电控制电路以及感性/容性/阻性负载进行冗余切换、控制模拟量采集接口进行冗余切换、控制位置姿态设备进行冗余切换以及控制通信接口进行冗余切换。
在其中一个实施例中,基于故障预测的冗余控制系统100可以应用于飞行器冗余控制,从而可以有效提高智能设备实时在线的可靠性。基于故障预测的冗余控制系统100采用单冗余实时预切换,从而避免了传统飞行器多冗余处理方案存在的缺陷。其中,波形变换子系统10可以采集或模拟待测设备各个状态下的传感数据,并结合故障检测子系统20对待测设备进行故障预警,最后冗余切换子系统30时限对待测设备的状态管理。
可以理解,本申请提供的基于故障预测的冗余控制系统100是针对传统冗余容错系统无法定量化设备可靠性、无法预测故障等问题,提出的一种基于健康度评估的系统。本申请提供的基于故障预测的冗余控制系统100包括波形变换子系统10、故障检测子系统20和冗余切换子系统30,可以应用于冗余容错领域。波形变换子系统10用于接收或模拟传感器数据,并对接收或模拟的传感器数据进行波形变换处理以及预处理,从而保证传感器数据的统一。故障检测子系统20与波形变换子系统10电连接,用于接收传感器数据,根据传感器数据计算健康度,并根据健康度和预设决策模型生成控制指令。可以理解,故障检测子系统20的设置可以根据传感器数据计算健康度,从而实现对故障的预测。冗余切换子系统30与故障检测子系统20电连接,用于接收控制指令,并根据控制指令进行冗余切换,从而保证了系统的正常工作,避免因系统故障导致的损失。
在其中一个实施例中,波形变换子系统10包括数据生成模块110、波形变换模块120以及数据处理模块130。数据生成模块110用于接收或模拟传感器数据。波形变换模块120与数据生成模块110电连接,用于对接收或模拟的传感器数据进行波形变换处理。数据处理模块130与波形变换模块120和故障检测子系统20电连接,用于对波形变换处理后的传感器数据进行数据清理、数据标准化和/或数据平稳化处理。
在其中一个实施例中,由于数据生成模块110模拟的传感器数据为时序数据,故其在一定程度上可能存在维度量纲不一致以及偏差过大等问题,而数据生成模块110接收的实际传感器数据可能存在数据缺失以及异常等问题。因此,在将传感器数据输入故障检测子系统20之前,可以对传感器数据进行预处理。本实施例中,数据处理模块130对传感器数据进行的预处理可以包括数据清理、数据归约、数据标准化、数据域变换以及对处理后数据的平稳性和纯随机性检验等过程。可以理解,上述预处理过程可以有效提高后续算法的泛化性。
在其中一个实施例中,原始数据中大量的不完整、不一致以及异常等数据会严重影响到后续数据分析的执行效率,甚至可能导致分析结果的偏差,因此要进行数据清理。数据清理主要包括对缺失值、异常值和噪声数据的处理。另外,数据归约为在尽可能保持数据原貌的前提下,最大限度地统一数据,使得处理算法具有良好的泛化性。
在其中一个实施例中,缺失值处理原则可以为使用最可能的值代替缺失值,使缺失值与其他数值之间的关系保持最大。缺失值处理的方法可以包括忽略元组,即可以当元组中有多个属性缺少值且属性缺少值的百分比变化较小,可以采用忽略元祖的方法删除记录;当数据集小且缺失值少时可以采用人工填充的方法填写缺失值;使用全局常量将缺失的属性值用同一个常数,如“null”替换;使用属性中心度量;使用与给定元组属性同一类的所有样本的属性均值或中位数;用回归或贝叶斯等基于推理的工具或决策树归纳确定的最可能的值填充缺失值;使用该样本的属性均值进行均值填充;另外,还有拉格朗日插值法以及牛顿插值法等,可以根据实际需要选择缺失值处理原则。
在其中一个实施例中,异常值是数据集中偏离大部分数据的数据,即数据集中与平均值的偏差超过两倍标准差的数据,其中与平均值的偏差超过三倍标准差的数据,称为高度异常的异常值。异常值处理原则可以为直接删除异常值,该方法简单易行,但在数据量较少的情况下可能会造成样本量不足或改变变量的原有分布,从而造成统计模型不稳定,故还可以暂且保留异常值并结合整体模型进行综合分析;可以采用均值或其他统计量取代异常值,该方法主要针对利用均值进行建模的模型,可以克服丢失样本的特性;将异常值视为缺失值并利用统计模型进行填补,该方法可以利用现有变量信息对异常值或缺失值进行填补。可以根据实际需要选择对应的异常值处理原则。
在其中一个实施例中,噪声是被测量的变量的随机误差或方差。噪声的处理原则可以为分箱、回归以及离群点分析。其中分箱为通过考察数据的近邻来光滑有序数据值;回归为用一个函数拟合数据来光滑数据;离群点分析为通过聚类等方法来检测离群点,可以根据实际需要选择对应的噪声处理原则。
在其中一个实施例中,输入数据的预处理对第一预测模块210、第二预测模块220的预测结果存在重要影响。而数据标准化是最常见的预处理手段之一,其通过将数据按比例缩放,从而使数据落入一个小的特定区间。
在其中一个实施例中,第一预测模块210和第二预测模块220可以通过预先训练的自编码神经网络模型,即预设故障检测模型,计算传感器数据的健康度。可以理解,数据标准化可以有利于网络数据初始化。由于输入数据的范围会影响初始化的效果。例如,某个神经元的值可以为tansig(w1*x1+w2*x2+b),由于tansig函数只有在[-1.7,1.7]的范围才具有较好的非线性,故w1*x1+w2*x2+b的取值范围需要与[-1.7,1.7]存在交集,才可以使神经元利用到非线性部分。因此,若要将每个神经元初始化成有效的状态,需要获取w1*x1+w2*x2+b的取值范围,即需要知道输入输出数据的范围。输入数据的范围对初始化的影响无法避免的,故可以假设输入数据的范围为[0,1]或者[-1,1],从而提高处理过程的便捷性。因此,输入数据的标准化处理可以为初始化提供简便清晰的处理思路。
在其中一个实施例中,数据标准化可以解决梯度更新时的数值问题。以输入-隐层-输出这样的三层神经网络为例,对于输入-隐层权值的梯度有2e·w·(1-a
在其中一个实施例中,数据标准化可以加速模型收敛。输入范围不同,对应w的有效范围就不同。假设w
在其中一个实施例中,可以构建健康状态数据集和不同故障程度的故障状态数据集,即健康数据、轻微故障数据、严重故障数据,从而实现对数据处理模块130对波形变换处理后的传感器数据进行数据清理、数据标准化和/或数据平稳化处理等过程的说明。在其中一个实施例中,每一类数据可以包括100万条,前80万条作为可以训练集,后20万条可以作为测试集。本实施例中,健康数据、轻微故障数据、严重故障数据采样率均可以为100Hz。由于波形变换子系统10的输入输出包含故障信息较多且采集简单,故通过分析波形变换子系统10的输入输出即可获得健康度。
在其中一个实施例中,可以采用小数定标标准化方法,即Decimal scaling标准化方法。Decimal scaling标准化方法是一种通过移动数据的小数点位置来进行标准化的方法,其中小数点移动多少位取决于属性A的取值中的最大绝对值。将属性A的原始值x使用Decimal scaling标准化到x'的计算方法为x′=x/(10*j)。其中,j为满足条件的最小整数。例如,假定A的值由-986到917,A的最大绝对值为986,为使用小数定标标准化,采用1000(即,j=3)除以每个值,以使-986被规范化为-0.986。
在其中一个实施例中,第一预测模块210和第二预测模块220中采用的神经网络可以为三层卷积核三层反卷积的自编码网络。未经数据标准化的数据共三组,分别为健康数据、轻微故障数据和严重故障数据,分别根据三组数据的第20000-21000组的1000组数据计算健康度。本实施例中,分别取健康数据、轻微故障数据和严重故障数据这三组数据的第20000-21000组的1000组数据进行Decimal scaling标准化。将80万组数据输入预设故障检测模型,迭代训练50个epoch。经过计算,Decimal scaling标准化的平均误差在0.01以内,且平均相对误差在1%左右。Decimal scaling标准化后的模型收敛效果较好,收敛后Loss位于0.0001附近,同时相比于未标准化的模型,收敛所需轮数减少,即Decimal scaling标准化可以加速模型收敛。由于Decimal scaling标准化只是移动了原始数据的小数点,很大程度保留了原始数据的数值信息和波动信息。因此,采用Decimal scaling标准化对三组数据进行处理后的三组数据健康度曲线清晰可分,健康数据健康度大部分在80-100,轻微故障数据健康度大部分在50-80,严重故障数据健康度全部在40以下,符合数据本身的特点。相较未经标准化数据的健康度曲线图,健康度曲线波动更为剧烈。
在其中一个实施例中,在对实际的传感器数据,即时间序列进行建模之前,可以应首先检验序列是否平稳。若序列非平稳,应先通过适当变换将其化为平稳序列,然后再进行模型的建立。序列的非平稳包括均值非平稳和方差非平稳。针对前者,其平稳化的方法可以为差分变换;针对后者,其序列平稳化的方法可以为对数变换、平方根变换等。
在其中一个实施例中,可以首先通过该序列的时间路径图来粗略判断它是否是平稳的。根据平稳时间序列均值、方差为常数的性质,平稳的时间序列在图形上通常表现为围绕其均值不断随机波动,波动范围有界、无明显趋势及无周期特征。而非平稳序列则往往表现出在不同的时间段具有不同的均值,如持续上升或持续下降。通过观察时间序列的趋势图来判断时间序列是否存在趋势性或周期性,具有简便、直观的优点,适用于明显非平稳序列的检测。上述实施例中的健康数据、轻微故障数据以及严重故障数据分别在0.81、0.8以及0.5附近随机波动,且有界、无明显趋势及无周期特征,即均具有平稳性。
在其中一个实施例中,可以采用自相关图检验数据平稳性。平稳序列通常具有短时相关性,该性质用自相关系数来描述,可以表述为随着延迟期数的增加,平稳序列的自相关系数会很快地衰减至零。若时间序列的自相关系数在k>3时均落入置信区间,且逐渐趋于零,则该时间序列具有平稳性。若该时间序列的自相关系数更多地落在置信区间外面,则该时间序列就不具有平稳性。上述实施例中的健康数据、轻微故障数据以及严重故障数据的自相关系数均可以很快衰减至零,之后在零附近小范围波动,因此可以认为数据具有平稳性。
在其中一个实施例中,可以对时序数据进行纯随机性检验,即可以判断上述实施例中的健康数据、轻微故障数据以及严重故障数据均不具有纯随机性,满足预设故障检测模型训练的数据要求。本实施例中,纯随机检验可以通过统计检验完成,检验的原理是Barlett公式。
在其中一个实施例中,数据生成模块110包括波形接收电路111和波形生成电路112。波形接收电路111与波形变换模块120电连接,用于接收外部实际传感器数据,以生成并发送传感器数据至波形变换模块120。波形生成电路112包括方波发生器和RC桥式震荡电路,RC桥式震荡电路的输入端与方波发生器的输出端电连接,RC桥式震荡电路的输出端与波形变换模块120电连接,波形生成电路112用于模拟传感器数据,并发送传感器数据至波形变换模块120。
在其中一个实施例中,波形接收电路111和波形生成电路112可以为并列结构,可以理解为二者可以相互等效。在其中一个实施例中,飞行器传感器数据可以为惯组数据、红外数据以及雷达回波数据,即飞行器的传感器数据可以通过波形接收电路111直接将惯组数据、红外数据以及雷达回波数据输入波形变换子系统10。当缺少惯组数据、红外数据以及雷达回波数据等相关符合条件的数据时,即可以采用波形生成电路112进行传感器数据的模拟。
在其中一个实施例中,波形生成电路112还可以针对部分航天飞行器应用场景数据难以获取导致的缺少数据集的问题。可以根据飞行器数据模拟模型、不同传感器采集到的具有历史相关性的结构化浮点数以及各工作模块的器件温度、工作状态等系统参数的特点,模拟产生随机函数表征系统中的噪声、指数函数表征系统中随时间衰减的量以及三角函数表征系统中的周期量等三类数据。
请参见图3-图4,在其中一个实施例中,波形发生电路可以包括方波发生器与RC桥式震荡电路。方波发生器电路图可以参见图3,其可以由滞回比较器与RC振荡器组成。根据电路图计算可知,其产生波形的震荡频率为:
幅值为U
在其中一个实施例中,波形变换模块120包括积分电路,积分电路与数据生成模块110和数据处理模块130分别电连接,积分电路用于对传感器数据进行波形变换处理,并将波形变换处理后的传感器数据发送至数据处理模块130。可以理解,积分电路用于波形变换、放大电路失调电压的消除及反馈控制中的积分补偿等场合。本实施例中,积分电路可以将一种波形变换为另一种波形,如将正弦波变换为另一种正弦波,将方波变换为三角波。
请一并参见图5-图6,在其中一个实施例中,积分电路包括电阻、电容以及运算放大器,电阻的一端形成积分电路的输入端,运算放大器的输出端形成积分电路的输出端;电阻的另一端以及电容的一端分别与运算放大器的反向输入端电连接,运算放大器的正向输入端接地,电容的另一端与运算放大器的输出端电连接。
在其中一个实施例中,结合波形生成电路112和积分电路,可以RC桥式震荡电路的输出端U
在其中一个实施例中,可以根据运算放大器的基本参数,如共模电压范围、共模抑制比、全功率带宽、增益带宽积、输入偏置电流、输入偏置电流漂移、输入失调电流、输入失调电流漂移、开环增益、工作电源电压范围、电源抑制比以及建立时间,可以选取JFET输入放大器。其中最佳JFET输入运算放大器失调电压为100μV至1000μV,故其具有极高的输入阻抗与低噪声性能,可以提高传感器数据的采集精度。
在其中一个实施例中,根据电阻的允许误差、额定功率、最高工作电压、温度系数及噪声等参数,选择碳膜电阻器(CFR/CCR)作为电阻。碳膜电阻器的阻值范围为0Ω至22MΩ,工作温度为-55℃至125℃,具有性能稳定、体积小、极限电压较高、脉冲负荷适应性强、高频特性好等优势。通过采用碳膜电阻器,可以满足不断改变输入信号的频率、幅值及信号变换电路的增益值等需要。
在其中一个实施例中,选用的电容可以为固定电容器,固定电容器可以分为无机介质电容器与有机薄膜电容器。其中无机介质电容器可以包括云母电容器、瓷介电容器与独石电容器,有机薄膜电容器可以包括纸介电容器、金属化纸介电容器与聚苯乙烯电容器。由于瓷介电容器具有温度系数小、稳定性高、损耗低与耐压高等优点,且其最大容量不超过1000pF,故可以适用于高频电路。聚苯乙烯电容器具有绝缘电阻大、介质损耗小、容量稳定、精度高等优点,可以适用于中、高频电路中。故可切换使用不同阻值的瓷介电容器与聚苯乙烯电容器。在其中一个实施例中,可以选用聚苯乙烯电容器。
在其中一个实施例中,传统设备或系统故障的典型症状可以包括振动异常、噪声增大、发热异常等。然而,对于波形变换子系统10,故障可能并不会引起振动、噪声和发热的过多改变,即外界传感参数包含的故障信息较少。参数性故障虽然不会导致电路功能完全丧失,但可以使得电路输出特性发生变化和/或系统整体或部分性能发生偏离,导致系统不能按要求完成指定功能。对于上述实施例中的波形变换子系统10这类功能明确的系统,系统的功能及性能的改变对系统输出影响十分明显,很容易被观察和提取,从而获取与故障相关的传感器数据,保证了故障预测的准确性。例如,积分电路中电阻R或电容C改变后,积分电路输出端信号频率与幅值也会随之改变。
在其中一个实施例中,故障检测子系统20包括:第一预测模块210、第二预测模块220和决策模块230。第一预测模块210与波形变换子系统10电连接,用于接收传感器数据,并根据预设故障检测模型和传感器数据计算第一健康度。第二预测模块220与波形变换子系统10电连接,用于接收传感器数据,并根据预设故障检测模型和传感器数据计算第二健康度。决策模块230内置有预设决策模型,与第一计算模块和第二计算模块分别电连接,用于接收第一健康度和第二健康度,并根据预设决策模型、第一健康度和第二健康度生成控制指令。
在其中一个实施例中,第一预测模块210和第二预测模块220内部还可以集成有时间序列预测算法,即可以为控制算法执行软件和/或多元信息融合软件。本实施例中,时间序列预测算法可以对时间序列进行较好的预测处理,例如博克思(Box)和詹金斯(Jenkins)于20世纪70年代初提出的一种时间序列预测方法,即自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)。可以理解,通过时间序列预测算法,可以根据获取的传感器数据进行预测,以得到实时传感器数据对应的传感器预测数据。第一预测模块210和第二预测模块220可以根据传感器预测数据以及预设故障检测模型,可以分别计算第一健康度和第二健康度。也即,当飞行器发生故障时,第一预测模块210和第二预测模块220的预测数传感器据与实际输出的传感器数据之间的差值将会出现异常,该差值可以作为决策模型的惩罚项,从而解决了传统多控制模型难以做到的提前预知系统的故障问题,并进一步提高了飞行器控制的决策能力。
在其中一个实施例中,决策模块230的输入可以包括波形变换子系统10的输出、第一预测模块210和第二预测模块220的输出,以及冗余切换子系统30的输出。决策模块230的输出为第一预测模块210和第二预测模块220输出结果的仲裁。本实施例中,决策模块230内置的决策模型还可以针对整个系统的时间、功耗、历史数据和模拟量的情况,进行比较和决策,从而运行平稳的预测至冗余切换子系统30的输出,具备冗余抗失效能力。
在其中一个实施例中,通过在故障检测子系统20中同时使用第一预测模块210和第二预测模块220,第一预测模块210和第二预测模块220内置的预设故障检测模型可以采用不同的自编码网络模型,即第一预测模块210和第二预测模块220可以共同组成双异构算法模块,可以进一步提高了系统可靠性。利用波形变换子系统10接收或模拟的传感器数据,可以完成双异构算法模块中的模型训练,随后由第一预测模块210和第二预测模块220分别对历史状态与当前状态的对比分析,从而实现故障的预判,采用决策模块230生成控制指令至冗余切换子系统30,从而实现待测设备的冗余容错。
在其中一个实施例中,决策模块230包括健康度选择子模块231和健康度判断子模块232。健康度选择子模块231与第一计算模块和第二计算模块分别电连接,用于接收第一健康度和第二健康度,并选择第一健康度和第二健康度中较大的作为健康度。健康度判断子模块232与健康度选择子模块231电连接,用于接收健康度,并根据健康度和预设决策模型生成控制指令。
在其中一个实施例中,预设决策模型为:若健康度小于健康阈值,则判定发生故障;若健康度在第一预设时间内持续下降,则判定即将发生故障;和/或,若健康度大于健康阈值且小于亚健康阈值,则判定存在故障风险并间隔第二预设时间重新进行检测。可以理解,预设决策模型具有算法精简,结构简洁,占用系统资源小,满足嵌入式需求等优点,可以对故障进行预测,避免了严重事故的发生。
请一并参见图7,在其中一个实施例中,第一种情况:获取当前健康度health,并判断健康度是否低于健康阈值k。若健康度低于健康阈值k,则可以判定设备已经发生故障。可以理解,第一类预警仅需要设定健康阈值k,并在当健康度低于健康阈值k时触发预警即可。本实施例中,健康阈值k可以根据历史或模拟的健康数据健康度曲线和故障数据健康度曲线确定,即确保健康阈值k可以完全区分健康数据和故障数据。
请一并参见图8,在其中一个实施例中,针对不同的健康阈值k,可以使用精确率precision与召回率recall来衡量健康阈值k的优劣,两者的计算公式分别为precision=TP/(TP+FP)和recall=TP/(TP+FN)。其中,其中TP为故障样本被判定为故障的样本数,FP为健康样本被判定为故障的样本数,FN为故障样本被判定为健康的样本数。在其中一个实施例中,可以分别设置健康阈值k为30、40、50、60、70、80、90,通过计算每个健康阈值k的精确率和召回率可知,将健康阈值k设置为50-90时,precision与recall均能达到100%。健康阈值k设置为30与40时,precision能够达到100%,但是recall表现较差。因此,健康阈值k可以设置为50-90均可区分健康数据与故障数据。在其中一个实施例中,考虑到健康数据到故障数据之间可能存在亚健康数据,故可以将健康阈值k设置为50。
请一并参见图9-图10,在其中一个实施例中,第二种情况:健康度在一段时间内持续下降,即设备将要发生故障。第二类预警需要获取当前健康度以及预设的之前某段时间内的历史健康度,故需要构建队列数据结构存储长度为L的历史健康度。可以理解,由于健康度在一定范围内可能存在波动,为了消除相邻数据波动产生的影响,可以使用一定时间间隔t内的平均健康度代替单个时间节点的健康度进行判别,即若在一定时间T内间隔为t的数据健康度持续下降,则触发第二类预警。
然而,针对健康度波动较大且持续下降趋势不明显的数据,可以在第二类预警时引入神经网络,其中神经网络模型可以采用6层卷积以及2层全连接的CNN网络在其中一个实施例中,通过数据生成模块110生成不同速率的健康度下降数据,并将其和健康数据以大约1:1的数据比例构建训练集。其中训练集40000组数据,验证集6700组数据,测试集6000组数据,训练50轮。训练获得的CNN模型在训练集、验证集、测试集中的准确率均接近100%,提高了第二类预警的准确性。可以理解,深度学习算法可以有效检测数据的健康度是否呈下降趋势,且初始化后无需检测时间,能够实时判别数据的健康度是否呈下降趋势。
请一并参见图11,在其中一个实施例中,第三种情况:健康度高于健康阈值k,但长期处于一个较低水平,即设备长期处于亚健康状态,很有可能发生故障。可以理解,第三类预警需要根据健康度曲线分布设定亚健康状态范围。本实施例中,可以判断每个时刻的健康度是否落入亚健康状态范围内,若当前时刻健康度落入亚健康状态范围内则预警计数器加1,若预警计数器达到M,则发出第三类健康预警。撤销预警计数器置0,若当前时刻健康度高于亚健康状态范围,即没有落入亚健康状态范围,则撤销计数器加1,若撤销计数器达到N,则认为系统恢复健康状态,撤销第三类健康预警。在其中一个实施例中,健康阈值k可以为50,由于健康数据的健康度主要分布在90-100之间,故可以将健康度在[50,80]的范围设置为亚健康状态区间。当然,实际应用时也可以应根据特殊情况,以及具体使用数据的健康度分布情况更换亚健康状态区间。
在其中一个实施例中,第一预测模块210与冗余切换子系统30电连接,以形成由波形变换子系统10、第一预测模块210以及冗余切换子系统30依次电连接组成的直通备保链路。可以理解,若决策模块230或者冗余部分发生故障,均可以按照图2中所示的直通备保链路中的惯组信息、第一预测模块210输出控制指令至冗余切换子系统30,从而确保整个系统在多种情况下都可以成功进行冗余切换。本实施例中,冗余切换子系统30的输入可以为第一预测模块210的输出以及决策模块230的输出。其中第一预测模块210和冗余切换子系统30的连接形成了直通备保链路。
在其中一个实施例中,冗余切换子系统30包括MOS管驱动电路310、模拟量采集接口电路320、位置姿态运算电路330以及通信接口电路340。MOS管驱动电路310分别与第一预测模块210和决策模块230电连接,用于根据控制指令驱动供配电功率控制电路。模拟量采集接口电路320分别与第一预测模块210和决策模块230电连接,用于根据控制指令驱动模数转换电路和/或数据采集电路。位置姿态运算电路330分别与第一预测模块210和决策模块230电连接,用于根据控制指令计算位置姿态。通信接口电路340分别与第一预测模块210和决策模块230电连接,用于根据控制指令完成各模块之间通信。
在其中一个实施例中,冗余切换子系统30可以根据故障检测子检测系统的预设决策模块230的输出值执行系统需要的相关动作,即采用主动冗余容错方法提前预判,选择更优冗余模块执行操作,提升冗余容错性能。在其中一个实施例中,设置于飞行器的冗余切换子系统30可以用于驱动飞行器根据控制指令实时驱动相关的处理单元。本实施例中,冗余切换子系统30的处理单元可以包括以下四类:第一,MOS管驱动电路310,该驱动电路可以分为三类感性负载电路、容性负载电路和阻性负载链路,其具有串并联冗余功能,常常作为驱动全系统的供配电功率的控制电路。第二,模拟量采集接口,常常采用驱动ADC电路,以及完成采集飞行器的工作信息数据,如温度、电压、振动等。第三,位置姿态运算电路330。第四,通信接口电路340,其可以与测控设备通信,伺服执行指令,该接口的数据为多维浮点数,各模块间通信接口包括RS-422、RS-485、RS-232、1553B、CAN、SPI、IIC总线。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
- 基于故障预测的冗余控制系统
- 一种基于神经网络预测的网络化控制系统故障检测方法