《Acta Astronautica》：COMPARATIVE STUDY OF MACHINE LEARNING ALGORITHMS IN THE DIAGNOSTICS OF ELECTROMECHANICAL ACTUATORS FOR SAFETY ENHANCEMENT IN AEROSPACE SYSTEMS
编辑推荐：
•
设计机电执行器诊断算法以提高飞行安全性
•
结合数据分析方法用于故障分类模型合成
•
机电执行器故障分类模型的准确性比较
引言
目前，机电执行器（EMAs）是大多数航空航天控制系统中的主要执行机构类型，用于在铰链负载下将电能转换为机械位
- •
设计机电执行器诊断算法以提高飞行安全性
- •
结合数据分析方法用于故障分类模型合成
- •
机电执行器故障分类模型的准确性比较
引言
目前，机电执行器（EMAs）是大多数航空航天控制系统中的主要执行机构类型，用于在铰链负载下将电能转换为机械位移[1] [2]。因此，开发有效的机电执行器诊断算法是一项重要的实际任务，旨在提高先进航空航天系统的故障安全性[3] [4]。机电执行器子系统的退化会引发故障，可能导致失控等紧急情况[5]。虽然容错控制技术可以通过重新配置控制系统来在故障发生时保持系统功能，并尽量减少机电执行器故障的负面影响，但它们无法主动预防此类情况。通过分析监控参数来及时充分评估机电执行器的技术状况将能够：通过算法方法提高运行安全性，利用机电执行器中现有的设计和电路解决方案。
机电执行器的故障可以根据退化和缺陷的位置进行分类。在科学和应用研究中，考虑了与电动机、齿轮箱、电子单元和传感器相关的诊断问题[5] [6] [7] [8]。评估机电执行器技术状况的方法通常基于传统的基于模型的[9]和数据驱动的[10]方法。使用基于模型的方法时，会构建模型来模拟机电执行器的操作过程，并且详细程度各不相同。为了得出技术状况的结论，需要分析残差——这些残差是通过将关键机电执行器组件的实际操作数据与模拟数据进行比较得出的[11]。为了提高诊断准确性，可以应用自适应阈值[12] [13]。基于模型的方法受到以下限制：在数学模型中描述退化的物理定律的复杂性，以及将这些模型适应于实际机电执行器变化的难度。如果通过残差的确定性或统计评估来解决故障检测问题，则解决故障定位和危险等级评估需要使用关于执行器模型和诊断对象的特定知识对残差空间进行复杂分析。数据驱动的方法消除了这些缺点，但需要：大量的实证数据，以及涵盖机电执行器的多样化方面和操作场景。通常采用基于模型和数据驱动方法的组合来利用各自的优点，同时减轻缺点[14] [15]。
在开发用于评估机电执行器技术状况的数据驱动方法时，会使用传统的统计方法——分布分析、贝叶斯分类器，这些方法可能有效，但在描述监控参数和技术过程之间的复杂模式方面能力有限[16] [17]。机器学习方法因其能够有效分析实证数据以生成操作决策建议而受到很大关注。在使用机器学习开发机电执行器诊断算法时，普遍接受的问题表述是分类和异常检测。
当有机会获得包含预定义技术状况类别的机电执行器操作示例的数据时，可以解决分类问题。已知的研究中应用了神经网络、K最近邻、逻辑回归、支持向量机和梯度提升算法进行机电执行器诊断[18] [19]。需要注意的是，在构建分类模型时，必须考虑训练数据集不平衡的问题[20]。尽管获取监控对象正常操作的数据没有困难，但异常和紧急情况相对较少发生，这使得构建具有代表性的训练数据集具有挑战性。训练数据集必须包含所有技术状况类别的足够信息，以便正确生成用于评估机电执行器技术状况的模式。
对于异常检测任务，对训练数据的要求不那么严格，但诊断结果的参考价值较低。异常检测模型是在代表监控对象正常操作的数据上训练的，用于识别观察到的参数值与正常技术状况之间的偏差。从形式上讲，这构成了一个二元分类任务。对于异常检测，既使用了统计方法[21]，也使用了自动编码器和长短期记忆网络等机器学习方法[22] [23]。
在开发机电执行器诊断算法时，应特别注意特征空间的生成和简化。机器学习方法的有效性在很大程度上取决于用于评估机电执行器技术状况的特征的信息量。虽然使用卷积神经网络可以解决自动特征提取的问题，但这会增加模型的复杂性并降低可解释性[24]。通过专用的特征提取[25] [26]和特征选择方法[19] [27]，可以更灵活地管理和生成机电执行器诊断的模式。
在这项研究中，为了开发机电执行器技术状况评估算法，我们综合并比较了3990种组合：特征提取方法、特征选择方法、每种故障类型的机器学习技术以及工作循环图。为了确保训练数据集的代表性，我们采用了实验设计方法、优化空间填充方法来组织机电执行器仿真会话，从而有效地生成覆盖各种技术状态和环境条件的故障案例。所得数据集随后可以通过添加实际操作数据来进一步完善分类模型。实现的故障检测和隔离系统是通过一组分类模型实现的，每个模型负责检测特定的故障类型。每种故障类型的故障估计是通过三类分类进行的：正常操作、故障前状态、临界故障状态。
章节摘录
评估机电执行器技术状况的算法
正在研究机器学习技术的能力，以开发利用与机电执行器齿轮技术状态参数变化相关的故障诊断算法。本研究中考虑的机电执行器的功能图如图1所示。
使用的机电执行器齿轮模型反映了随着背隙、库仑摩擦、粘性摩擦变化而导致的性能特征退化：
为机器学习生成故障案例数据集
为了生成训练和测试数据集，进行了一系列仿真会话，以模拟机电执行器在齿轮箱逐渐退化过程中的标准操作模式。这种退化与以下变化相关：背隙、库仑摩擦、粘性摩擦，以及外部因素的影响，包括：电源电压、电机温度、输出轴负载。在一个仿真会话中创建故障案例的过程如图3所示。
计算实验描述
为数据处理生成并调整了3990种独特的数据处理方法组合，包括：
- •
17种特征提取方法（30种转换包括调整参数）；
- •
19种特征选择方法（12种过滤方法和7种嵌入方法）；
- •
7种机器学习方法。
对于每种数据处理方法和循环图的组合，开发了三种分类模型来评估与以下变化相关的机电执行器技术状况：
讨论
对生成的数据集进行的大规模计算研究的结果使得可以比较为开发在执行多个非稳态循环图期间机电执行器技术状况评估算法而合成的数据处理方法的有效性。
对于所有选定的分类模型（表5），F1分数的准确率高达0.87008到1。应该注意的是，混淆矩阵的分析显示，错误的故障识别发生在
结论
研究结果证实了机器学习技术在评估机电执行器技术状况算法方面的潜在适用性，从而有助于提高航空航天操作的安全性。为此，使用机电执行器的数学模型生成的数据集对算法的性能进行了全面的比较评估。对于每种故障类型和操作循环图，评估了3,990个模型的分类准确性
CRediT作者贡献声明
V.I. Goncharenko：撰写——审阅与编辑、方法论、形式分析、概念化。A.V. Skryabin：撰写——原始草稿、可视化、验证、软件、数据管理。G.S. Veresnikov：撰写——原始草稿、验证、项目管理、方法论、调查、概念化。S.G. Bazhenov：撰写——原始草稿、验证、形式分析、概念化。
利益冲突声明
? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：G.S. Veresnikov报告称获得了俄罗斯科学基金会的财务支持。V.I. Goncharenko报告称获得了俄罗斯科学基金会的财务支持。A.V. Skryabin报告称获得了俄罗斯科学基金会的财务支持。如果有其他作者，他们声明没有已知的财务利益冲突。
致谢
这项工作部分得到了俄罗斯科学基金会（项目编号：23-19-00464-P）的资助。
G.S. Veresnikov|S.G. Bazhenov|V.I. Goncharenko|A.V. Skryabin
