[发明专利]一种基于时序外推预测的电动舵机健康评估方法

说明书

本发明提供一种基于时序外推预测的电动舵机健康评估方法，包括：获取电动液压舵机的故障数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；对所述训练数据集进行基于卷积神经网络CNN的特征提取，得到高维隐含层特征；对所述训练数据集进行基于专家知识的特征提取，得到人工时域特征；对所述人工时域特征和所述高维隐含层特征进行特征拼接，得到拼接特征集；所述特征拼接集送入基于堆叠自编码器SAE进行深度特征融合，从而得到二次编码特征值；所述二次编码特征值送入时序外推预测模型训练模块，进行时序外推预测模型训练，输出电动舵机的预测时序数据；述预测数据送入参数健康评估模块，对电动舵机的已有历史故障数据和所述预测时序数据进行健康评估，输出参数健康度及预测结果。

技术领域

本发明涉及高端设备的健康评估和性能测试，特别是涉及一种基于时序外推预测的电动舵机健康评估方法。

背景技术

电动液压舵机系统是一种复杂的机电一体化系统，同时也是一种高精度的位置伺服系统，对飞行器的姿态控制具有重要影响。随着科学技术的不断发展，先进航空器广泛采用速度快、精度高、功率重量比大的全数字化伺服舵机系统。当代工程应用对舵机的可靠性提出了更高的要求。舵机关键参数退化过程预测是舵机可靠性研究的一个重要方面。精准预测舵机关键参数未来时间序列，把握参数变化趋势规律，对于合理安排维修计划、提高飞行品质、保障飞行安全、降低全寿命周期费用等具有重要意义。传统的时序外推预测方法通常采用时间序列分解的策略，通过将时间序列分解为趋势项、季节项、残差项等分别进行预测，最后融合各项预测结果得到参数的时序外推预测序列。然而，对于电动液压舵机这样的复杂机电系统，其退化过程往往表现出非线性，导致其退化参数的时间序列往往难以依照传统方法进行有效分解，给舵机关键参数未来时序预测问题带来了很大困难。

为了解决该问题，提出了一种基于时序外推预测的电动舵机健康评估方法。该方法结合人工时域特征与卷积深度特征，通过二次自编码机制实现特征融合，可以将原始参数的时序依赖关系与变化趋势直接映射到隐层深度特点当中，避免了传统方法中序列分解的问题，为电动液压舵机的性能预测提供了更实用的健康评估方法。

发明内容

为了解决现有技术所存在的问题，本发明提出一种基于时序外推预测的电动舵机健康评估方法。

根据本发明的一个方面，提供一种基于时序外推预测的电动舵机健康评估方法，所述方法包括：获取电动液压舵机的故障数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；对所述训练数据集进行基于卷积神经网络CNN的特征提取，得到高维隐含层特征；对所述训练数据集进行基于专家知识的特征提取，得到人工时域特征；对所述人工时域特征和所述高维隐含层特征进行特征拼接，得到拼接特征集；所述特征拼接集送入基于堆叠自编码器SAE进行深度特征融合，从而得到二次编码特征值；所述二次编码特征值送入时序外推预测模型训练模块，进行时序外推预测模型训练，输出电动舵机的预测时序数据；述预测数据送入参数健康评估模块，对电动舵机的已有历史故障数据和所述预测时序数据进行健康评估，输出参数健康度及预测结果。

优选地是，所述健康评估过程进一步包括：将所述训练数据集与所述时序外推预测模型预测的预测时序数据进行拼接，形成健康评估数据，对所述健康评估数据进行滑窗分割，形成多个子窗口；对每个子窗口提取状态表征参量。

优选地是，所述健康评估过程进一步包括：经过舵机故障预测数据获取单元获取的历史故障数据为X＝{x₁，x₂，...x_N}，经过故障数据预处理单元综合处理后，得到的训练数据长度为N,将训练数据与时序外推预测模型训练后得到的预测数据进行拼接，得到长度为N+L_p的全部数据；对所述全部数据进行滑窗切割，得到个窗口数据；其中，W″为滑窗宽度为，s″为步长，L_p为预测长度。