本发明涉及属于计算机技术领域，尤其涉及军用飞行大数据机务外场自主保障信息支持系统的一种基于迁移学习的航天飞行控制系统故障状态识别方法，设备及可读存储介质。
背景技术：
从上世纪90年代至今，航空装备技术飞速发展，尤其是在军事战略的调整以及航空装备作战使用样式发生变化的大环境下，飞机地面保障的要求越来越高，而保障飞行控制系统在其中是最为根本的因素。军事科技的飞速发展对航空飞行控制系统的保障以及故障预测提出了更高的要求。但是在长期的发展中，飞行控制系统的保障技术总是落后于其他航天装备的技术。原有的飞行控制系统保障体系在新装备条件下面临巨大的挑战，而对其保障的不到位，会大大降低军用飞机的战备完好率。
飞行控制系统的故障识别缺乏量化分析，而且在实际使用及维护过程中积累的经验和数据没能与设计数据很好地结合分析，造成理论与实际的脱离。飞行控制系统的故障状态没有自动识别机制，机务外场设备维护人员在检测飞行控制系统的故障状态时，难以做到心中有数，预见性不足，导致难以准确地对飞行控制系统进行故障预测。
当飞行控制系统在发生故障后，机务外场维护人员也很难针对故障现象及可靠性数据、指标数据等的综合分析，进行明确的异常检测，从而很难找到最优的异常检测方法。这使得飞行控制系统维修成本增大，同时飞行控制系统也得不到良好的维护，导致资源的浪费。
飞行控制系统的故障识别是预测飞行控制系统健康状态的基础，它时刻影响着军用飞机的作战效率和维修保障效率，因此其在整个部队中的作用极为重要，所以，在大力发展航空装备的同时，如何为飞行控制系统提供准确的故障识别也是地面保障领域中亟待解决的技术问题。
技术实现要素：
为了克服上述现有技术中的不足，本发明提供一种航天飞行控制器故障状态识别方法，方法包括：
步骤1，获取航天飞机多个架次的n种对飞行控制系统故障状态敏感的飞机参数，并构建时序数据集；
步骤2，对于n种飞行控制系统参数所构建的时序数据集进行数据预处理；
步骤3，对于n种飞行控制系统参数所构建的时序数据集，进行人工标记故障状态；
步骤4，利用adaboost集成学习算法，将多个弱分类器进行集成，形成基于迁移学习的航天飞行控制系统故障状态识别模型；
步骤5，根据基于迁移学习的航天飞行控制系统故障状态识别模型及真实数据集，确定飞行控制系统的实际故障状态。
基于上述方法本发明还提供一种实现航天飞行控制器故障状态识别方法的设备，包括：存储器用于存储计算机程序及航天飞行控制器故障状态识别方法；处理器用于执行所述计算机程序及航天飞行控制器故障状态识别方法，以实现航天飞行控制器故障状态识别方法的步骤。
基于上述方法本发明还提供一种具有航天飞行控制器故障状态识别方法的可读存储介质，可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现航天飞行控制器故障状态识别方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
本发明涉及的航天飞行控制器故障状态识别方法可以预测飞行控制系统健康状态，对军用飞机的作战效率和维修保障效率提供参数参考，有效对飞行控制系统的故障进行识别。解决了在实际使用及维护过程中，飞行控制系统的故障状态没有自动识别机制，机务外场设备维护人员在检测飞行控制系统的故障状态时，难以做到心中有数，预见性不足，导致难以准确地对飞行控制系统进行故障预测的技术问题。
当飞行控制系统在发生故障后，航天飞行控制器故障状态识别方法对故障现象及可靠性数据、指标数据等数据的进行综合分析，进行明确的异常检测，从而找到最优的异常检测方法。这使得飞行控制系统维修成本降低，同时飞行控制系统也得到良好的维护。
附图说明
为了更清楚地说明本发明的技术方案，下面将对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发明的一些实施例，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为航天飞行控制器故障状态识别方法流程图。
具体实施方式
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
本发明提供一种航天飞行控制器故障状态识别方法，如图1所示，方法包括：
s11，获取航天飞机多个架次的n种对飞行控制系统故障状态敏感的飞机参数，并构建时序数据集；
n种对飞行控制系统故障状态敏感的飞机参数包括左鸭翼位置信号、右鸭翼位置信号、方向舵位置信号、左外升降副翼位置信号、左内升降副翼位置信号、右外升降副翼位置信号、右内升降副翼位置信号、左内前缘襟翼位置信号、右内前缘襟翼位置信号、纵向驾驶杆指令表决信号、滚转驾驶杆指令表决信号、脚蹬指令表决信号、侧向加速度表决信号、法向加速度表决信号。对所构建的时序数据集为s＝{s(i)|i＝1,2,...,m}；
s12，对于n种飞行控制系统参数所构建的时序数据集进行数据预处理；
具体的，包括以下子步骤：
步骤1021，对所构建的时序数据集进行数据预处理，所述预处理包括滤波去噪、缺失数据填补和归一化处理；
本发明实施例中，所述预处理包括缺失数据填补、去噪滤波和归一化处理；先对所采集的时序数据集进行缺失数据填补后，再进行归一后处理。其中，可采用插值方法进行缺失数据填补。对所采集的数据集进行归一化处理的目的主要是将所有需要计算的数据都缩小到0-1之间，有效地简化计算，节约计算资源；
步骤1022，对所构建的时序数据集在进行去噪滤波时，采用基于小波变换的去噪算法，并在大数据平台中分布式计算引擎spark进行计算；
本发明实施例中，将s＝{s(i)|i＝1,2,...,n}采用基于小波变换的去噪算法进行滤波去噪。
s13，对于n种飞行控制系统参数所构建的时序数据集，进行人工标记故障状态；
本发明实施例中，由具有多年的飞行控制系统故障状态判别经验的专家进行手动标记。一般可以为具有5年的飞行控制系统故障状态判别经验的专家进行手动标记。
飞行控制系统的故障状态分为正常状态和异常状态，分别标记为0,1。
s14，利用adaboost集成学习算法，将多个弱分类器进行集成，形成基于迁移学习的航天飞行控制系统故障状态识别模型；
具体的，包括以下子步骤：
步骤1041，初始化权重向量d；
本发明实施例中，对于时序数据集中的每一个训练样本s(i)(i＝1,2,...,m)初始化权重值d(i)＝1(i＝1,2,...,m)，并形成权重向量d；
步骤1042，采用adaboost算法基于迁移学习的航天飞行控制系统故障状态识别模型进行训练，对在模型的每一次迭代训练过程中，需要对权重向量d进行更新；
本发明实施例中，更新方法如下：
如果时序数据集中的训练样本被模型正确分类，那么权重向量d的更新公式：
如果时序数据集中的训练样本被模型错误分类，那么权重向量d的更新公式：
其中，dt表示第t轮迭代的权重向量，dt 1表示第t 1轮迭代的权重向量，
其中，
步骤1043，各个弱分类器加权求和投票得到一个强分类器f(x)：
本发明实施例中，各个弱分类器加权求和投票得到一个强分类器f(x)：
其中，
步骤105，根据基于迁移学习的航天飞行控制系统故障状态识别模型及真实数据集，确定飞行控制系统的实际故障状态。
本发明实施例中，根据基于迁移学习的航天飞行控制系统故障状态识别模型及真实数据集，确定飞行控制系统的实际故障状态。
基于上述方法本发明还提供一种实现航天飞行控制器故障状态识别方法的设备，包括：存储器用于存储计算机程序及航天飞行控制器故障状态识别方法；处理器用于执行所述计算机程序及航天飞行控制器故障状态识别方法，以实现航天飞行控制器故障状态识别方法的步骤。
基于上述方法本发明还提供一种具有航天飞行控制器故障状态识别方法的可读存储介质，可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现航天飞行控制器故障状态识别方法的步骤。
实现航天飞行控制器故障状态识别方法的设备是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的实现航天飞行控制器故障状态识别方法的设备可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据实现航天飞行控制器故障状态识别方法公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的索引方法。
所属技术领域的技术人员能够理解，实现航天飞行控制器故障状态识别方法的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
1.一种航天飞行控制器故障状态识别方法，其特征在于，方法包括：
步骤1，获取航天飞机多个架次的n种对飞行控制系统故障状态敏感的飞机参数，并构建时序数据集；
步骤2，对于n种飞行控制系统参数所构建的时序数据集进行数据预处理；
步骤3，对于n种飞行控制系统参数所构建的时序数据集，进行人工标记故障状态；
步骤4，利用adaboost集成学习算法，将多个弱分类器进行集成，形成基于迁移学习的航天飞行控制系统故障状态识别模型；
步骤5，根据基于迁移学习的航天飞行控制系统故障状态识别模型及真实数据集，确定飞行控制系统的实际故障状态。
2.根据权利要求1所述的识别方法，其特征在于，
步骤1中还包括：
步骤11，所述的n种对飞行控制系统故障状态敏感的飞机参数包括左鸭翼位置信号、右鸭翼位置信号、方向舵位置信号、左外升降副翼位置信号、左内升降副翼位置信号、右外升降副翼位置信号、右内升降副翼位置信号、左内前缘襟翼位置信号、右内前缘襟翼位置信号、纵向驾驶杆指令表决信号、滚转驾驶杆指令表决信号、脚蹬指令表决信号、侧向加速度表决信号、法向加速度表决信号；
对所构建的时序数据集为s＝{s(i)|i＝1,2,...,m}。
3.根据权利要求1所述的识别方法，其特征在于，
步骤2中还包括：
步骤21，对所构建的时序数据集进行数据预处理，所述预处理包括滤波去噪、缺失数据填补和归一化处理；
步骤22，对所构建的时序数据集在进行滤波去噪时，采用基于小波变换的去噪算法。
4.根据权利要求1所述的识别方法，其特征在于，
步骤3中还包括：
所述的对于n种飞行控制系统参数所构建的时序数据集，进行人工标记故障状态；
飞行控制系统的故障状态分为正常状态和异常状态，分别标记为0，1。
5.根据权利要求1所述的识别方法，其特征在于，
步骤4中还包括：
步骤41，对于时序数据集中的每一个训练样本s(i)(i＝1,2,...,m)初始化权重值d(i)(i＝1,2,...,m)，并形成权重向量d；
步骤42，采用adaboost算法基于迁移学习的航天飞行控制系统故障状态识别模型进行训练，对在模型的每一次迭代训练过程中，需要对权重向量d进行更新，更新方法如下：
如果时序数据集中的训练样本被模型正确分类，那么权重向量d的更新公式：
如果时序数据集中的训练样本被模型错误分类，那么权重向量d的更新公式：
其中，dt表示第t轮迭代的权重向量，dt 1表示第t 1轮迭代的权重向量，αtj表示第j个弱分类器在第t轮迭代中的权重参数：
其中，
在第t轮迭代的分类中，正确分类的样本权重会降低，错误分类的样本权重会增加；计算出dt 1值之后，adaboost算法又开始进入下一轮迭代，adaboost算法会不断地重复训练和调整权重的过程一直持续到训练错误率为0或者弱分类器的数目达到用户指定的值为止；
步骤43，各个弱分类器加权求和投票得到一个强分类器f(x)：
其中，
6.根据权利要求1所述的识别方法，其特征在于，
步骤5中还包括：
所述的根据基于迁移学习的航天飞行控制系统故障状态识别模型及真实数据集，确定飞行控制系统的实际故障状态。
7.一种实现航天飞行控制器故障状态识别方法的设备，其特征在于，包括：
存储器，用于存储计算机程序及航天飞行控制器故障状态识别方法；
处理器，用于执行所述计算机程序及航天飞行控制器故障状态识别方法，以实现如权利要求1至6任意一项所述航天飞行控制器故障状态识别方法的步骤。
8.一种具有航天飞行控制器故障状态识别方法的可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至6任意一项所述航天飞行控制器故障状态识别方法的步骤。
技术总结