王伟钢
海军装备部,西安 710089
摘要:针对试飞测试数据量大、数据类型多、判据复杂等特点,本文设计了一种基于特征曲线的试飞测试参数自动判别方法,建立参数的判读规则,按试验点构建参数特征趋势,通过改进的灰色关联分析方法计算关联度,判别参数的变化趋势是否异常。与传统的人工判读方法相比,该方法能有效提高测试数据判读的效率和准确性,并通过仿真实验验证了该方法的可用性。
关键字:飞行试验工程; 判读规则; 自动判读; 关联度
0 引言
随着现代飞机设计及飞行试验技术的发展,飞行试验采集记录的单架次数据总量高达到上百个GB。飞行结束后经过预处理产生的工程量结果数据也随之增大,根据试飞科目的不同,总的工程量结果数据文件有几十个GB不等。试飞工程师通过对这些物理量结果数据的分析判读,能够了解飞机飞行状态,各子系统工作状态,并能进行异常的诊断。而目前,对测试数据的判读多停留在依靠试飞工程师经验比较、图像趋势观察阶段,由于判读时间有限,试飞工程师只能判读部分关键参数,导致判读数据不完整,另外判读工作也易受工作人员个人经验影响,出现误判、漏判、以及效率低下等问题。因此研究先进的自动判读方法提高测试数据判读实时性、准确性和工作效率,减轻试飞工程师工作负担,是试飞工作的迫切需要。
本文主要从建立判读规则和参数变化趋势判读两个方面展开论述,最后通过仿真试验验证了自动判别算法的可用性。
1 判读规则
目前的试飞测试工作中,试飞工程师通常按照以下2条判据来判读参数是否正常:1)曲线是否在设定的区域内波动;2)曲线的变化趋势是否符合任务单中规定的试验点要求。自动判读的实现过程即用数学语言描述判据,并转换成计算机语言后交付计算机执行。因此建立如下判读规则:
1)越界规则:直接给出参数规定的最大值、最小值;
2)动态变化规则:参数的正确数值随时间动态变化,形成一个特征趋势曲线.
其中参数的最大值、最小值来源于测试任务书或配置接口文件中的定义。根据任务单试验点信息、历史数据建立参数特征趋势曲线,首先根据任务单试验点的高度、速度,匹配GPS参数数据的时间段;进一步匹配参数历史数据对应时间段的曲线,建立参数特征趋势曲线。
图1 自动匹配算法
2.参数趋势判读
本文通过对比参数变化趋势与参数特征趋势的一致性,实现参数变化趋势的自动判读参数。
2.1 常用的一致性检验方法
数据的一致性可以指两序列间发展过程或量级的相近性,也可以指两序列发展趋势或曲线形状的相似性,而有些参数的特性需要在频域进行判读。
1)相似性
检验两个数据序列的相似性,即几何形状的相似或接近程度,这种相似程度可以通过序列各对应时间段上曲线的斜率接近程度进行衡量,由于研究的是离散序列,这里的曲线斜率是广义上的。从该角度建立的关联度为相似性关联度,典型的方法有TIC方法、灰色关联分析方法。
TIC方法就是在根据两个数据序列向量构造出一个标量函数(TIC系数),将其作为一致性检验的指标。设两个数据序列分别为,数据长度为n,则TIC系数为:
这样对于给定的权函数,灰色关联度越大,则表明两个数据序列之间的关联性就越强,该方法具有计算简便,对样本量没有限制等特点,但是无法确定灰色关联系数的统计特性,仍然属于一种定性分析方法。
2)相近性
检验两个数据序列的相近性,即空间位置的远近程度。这种远近程度可以通过各种距离进行衡量,或通过两个序列所对应折线之间的面积进行衡量。从该角度建立的关联度为相近性关联度,典型的方法有距离检验方法。
距离检验方法其基本思想是在N维样本空间中,以两个时间序列之间的马氏距离、平均标准化距离、平均欧式距离为指标,来衡量两个时间序列的接近程度。在正态分布或非正态分布两种情况下,均可以给出一致性检验拒绝域,对一致性进行定量判断。若数据序列向量服从正态分布情况下,以平均马氏距离为指标,根据多元统计分析理论,得出一致性检验的拒绝域;若数据序列向量服从非正态分布或者是未知服从何种分布时,则需要根据两步仿真法,给出一致性检验的拒绝域。
距离检验方法对数据序列没有任何限制,对平稳时间序列和非平稳时间序列均适用,不用对数据预处理,克服其计算误差带来的影响,并且不受坐标原点选取和量纲的影响,在时域内实现了一致性检验的定量分析。
3)频域特性
有些参数的特性需要转换到频域再进行判读,傅立叶谱估计分析方法是通过传统的傅立叶余弦变换,得到在频域内两个数据序列的功率谱函数,依据样本功率谱估计的近似分布来比较功率谱的一致性,以此判断两个数据序列的一致性程度[5]。
若式(4)给出的置信区间上限和下限包含1,则就认为在对应的频率点上两个时间序列的一致性检验通过。如果所有的频率点对应的置信区间上下限都包含1,可以认为在给定的显著水平下,两个时间序列是一致的。采用这种方法的理论和算法都比较成熟,然而前提要求样本序列是平稳序列。
2.2加权双因子一致性检验模型
相近性和相似性这两个属性相互间不具有独立性,数据越接近,在总的趋势上会导致序列在空间中几何形状越趋于一致,它们间存在相关性;当两个序列在数值上相距较远时,两个数据序列的一致性程度是不能通过数据序列在空间中的几何形状的更加接近来得到补偿,因此两个属性间也不存在线性补偿的关系;对于评判两个数据序列的一致性来说,两个属性是同等重要的,两属性间也不存在可替换的关系。因此需要同时考虑两个数据序列在空间中的几何形状的接近程度,以及相应数据在数值上的接近程度两个属性。基于多属性多指标综合评价理论,本文通过负指数形式将距离概念引入对各个灰色关联系数进行赋权,建立加权双因子检验模型,以便于能够全面检验数据序列的一致性。
加权双因子检验模型综合考虑了序列间形状的相似性和距离的相近性,无论是序列的变化趋势出现变化,还是两序列的距离发生变化,关联度都会随之改变。因此该模型能更适宜用于多源试飞数据一致性的检验。
3.自动判读算法验证
在试飞工作开始之前,依据任务单、历史数据、配置接口文件,定义好参数的判读规则。飞行结束后测试数据经过预处理,对参数x实现自动判读算法如下:
图2自动判读算法
第一步:获取参数x的预处理结果,与设定区间进行比较,若超出区间则提示异常;
第二步:对参数x预处理结果、特征趋势曲线计算关联度,并与设定值比较(本文取0.8000)若低于设定值则提示异常。
第三步:综合第1步、第2步结果,给出自动判读结论,如果两步都满足则表示参数正常,否则提示参数异常。
第一步旨在判别参数的最大值、最小值是否在设定的范围内,第二步旨在判断参数变化趋势是否与任务书中的试验点要求相符。
以某次飞行测试参数NX为例,计算参数的关联度为0.8040,大于设定值0.8000,表明参数NX不存在异常。
4.结束语
为了实现试飞数据的自动判读,提高大量测试数据判读实时性、准确性和工作效率,本文设计了一种基于特征曲线的试飞测试参数自动判别方法。建立自动判读规则,按试验点构建参数特征趋势,为自动判别提供依据,并采用改进的灰色关联度算法判断曲线一致性,当参数目标数据曲线与特征趋势曲线一致性达不到要求时提示参数存在异常。并以某次飞行测试参数为例验证了自动判别算法,仿真结果表明该方法运用简便,效果良好。
参考文献:
[1] 谢明明,沈湘衡,贺庚贤,等.空间相机仿真测试数据自动判读系统的设计 [J].计算机测量与控制.2010,18(6):1277-1279.
[2] 张强,郭丽丽,马振林.基于模型自动判读的研究与实现[J].计算机技术与发展,2014.07.005.
[3] 金球星.基于相关系数的火箭测试变化缓变参数自动判读方法[J]. 飞行器测控学报,2014.33(1):40-43.
[4] 吴伟,张威,潘顺良,等.自动判读系统在载人航天器电测中的应用[J].航天器环境工程.2011,28(6):628-631.
[5] 李鑫,高家智,崔俊峰,谢会琴.一种遥测缓变参数自动判读的新方法[J].宇航学报. 2018.05.014.
[6] 符娆,陈钊,左思佳.一致性检验在试飞数据有效性评定中的应用[J].现代机械,2016,192(2) :77
[7] 张津源,基于数据一致性分析的仿真模型验证方法及工具研究[D].哈尔滨工业大学,2011
[8] 傅惠民,陈建伟.动态仿真结果距离检验方法[J].机械强度,2007,29(2):206-211
[9] 魏华梁,李钟武.灰色关联分析及其在导弹系统仿真模型验证中的应用[J].系统工程与电子技术,1997,192:(55-61)
[10] 刘藻珍,梁魏华.系统仿真[M].背景:北京理工大学出版社,2004.2.
[11] K heir N.A, Holmes W. M. On Validating Simulation Models of Missile Systems [J].Simulation, 1978, 30(4):117-128.