基于深度学习的高超声速飞行器执行器零样本故障辨识

摘要

近年来，基于深度学习的故障诊断已经通过大量数据进行了深入的研究.然而，深度学习技术的巨大成功是基于可以获取大量带标签的训练样本的假设.在实际问题中，经常面临数据不平衡、标记的数据太少或没有数据的情况.基于此，本文研究了高超声速飞行器在零样本情况下的故障辨识问题.考虑飞控系统执行器故障，运用深度学习技术来识别特定故障类型（失效故障或卡死故障）.“零样本”指的是在故障诊断的深度学习模型构建中，未曾包含或引入任何与目标故障相关的样本数据.因此，该模型必须依赖于其他方法和特征来推断和准确识别这些未知故障，以实现有效的故障辨识.针对这一问题，使用人工定义的故障描述来表征未知故障.具体而言，即利用关系网络学习将已知故障样本与定义的未知故障描述进行比较.进一步，为实现特征提取，结合卷积神经网络及长短期记忆神经网络，构建深度神经网络结构.最后，在Winged-cone (翼椎体)构型的高超声速飞行器上进行零样本故障辨识实验，结果表明在没有目标故障样本的情况下，所设计的算法可以完成对目标故障的诊断工作.

关键词

高超声速飞行器 / 故障识别 / 执行器故障 / 零样本 / 关系网络

基金资助

国家自然科学基金资助项目（62203251）; 北京理工大学青年教师学术启动计划资助项目（202207006）