Методы отбора признаков для оценки технического состояния электромеханического привода летательного аппарата

Исследуется проблема отбора признаков при построении классификационных моделей для диагностики электромеханических приводов (ЭМП) летательных аппаратов (ЛА). Широкое распространение ЭМП в ЛА с высокой степенью электрификации (электрический самолет, беспилотные ЛА) и необходимость обеспечения безопасности полетов определяет актуальность проведенных исследований. Решение проблемы отбора признаков требуется для снижения размерности анализируемых данных и повышения эффективности алгоритмов оценки технического состояния ЭМП ЛА. В качестве объекта исследования в работе рассматривается сервопривод беспилотного ЛА самолетного типа, который предназначен для отклонения рулевых поверхностей. При этом внимание уделяется наиболее известным встроенным методам и методам фильтрации, которые основаны на упрощенных моделях, позволяющих оценить важность признаков и не требующих значительных вычислительных затрат. Для обеспечения репрезентативности результатов расчетных исследований предварительная обработка анализируемых данных выполняется разнообразными методами извлечения признаков: общего назначения (метод главных компонент, метод ядерных компонент, нейронная сеть "автокодировщик" и т. д.) и спектрального и статистического анализа, учитывающими особенности функционирования электромеханических систем. В качестве методов фильтрации исследуются хи-квадрат-тест, t-test, дисперсионный анализ, алгоритмы поиска корреляционных зависимостей, энтропии информации (information gain), абсолютное отклонение. В качестве встроенных методов, включенных в методы машинного обучения, исследуются решающее дерево, случайный лес, ридж-регрессия, расширенный метод решающего дерева. Так как выбранные признаки при совместном использовании должны нести максимум информации для решения классификационной задачи, дополнительно используется процедура исключения коррелированных признаков. В работе приводятся результаты сравнения методов отбора признаков на данных, полученных в результате математического моделирования работы сервопривода беспилотного ЛА в различных технических состояниях. Выделены методы, показавшие наибольшую точность по F1-мере при формировании оценки технического состояния контролируемого объекта на основе анализа значений измеряемых сигналов. 

1. Liu W., Zou Z., Gu F., Shen G. Machine Learning for Fault Diagnosis of Electric Motors in Actuator Systems, Actuators, 2025, vol. 14, pp. 596.

2. Aliluev S. V., Bolshakov A. A., Popov A. N., Teterin D. P. Methods and Algorithms for Control and Diagnostics of the Steering Gear of the Autonomous Underwater Vehicles, Mekhatronika, Avtomatizatsiya, Upravlenie, 2017, vol. 18, no. 4, pp. 264—269 (in Russian).

3. Quattrocchi G., Berri P. C., Dalla Vedova M. D. L., Maggiore P. An Improved Fault Identification Method for Electromechanical Actuators, Aerospace, 2022, vol. 9, no. 7, pp. 341.

4. Yin Z., Neil H., Chen J., Yang Y, Shen G. А Review of Fault Diagnosis, Prognosis and Health Management for Aircraft Electromechanical Actuators, IET Electric Power Applications, 2022, vol. 16, iss. 11, pp. 1249—1272.

5. Grehan J., Ignatyev D., Zolotas А. Fault Detection in Aircraft Flight Control Actuators Using Support Vector Machines, Machines, 2023, vol. 11, no. 2, pp. 211.

6. Peng Z., Sun Z., Chen J., Ping Z., Dong K., Li J., Fu Y., Zio E. А Fault Diagnosis Approach for Electromechanical Actuators with Simulating Model under Small Experimental Data Sample Condition, Actuators, 2022, vol. 11, no. 3, pp. 66.

7. Qiao G., Liu G., Shi Z., Wang Y., S. Ma Y., Lim T. C. А Review of Electromechanical Actuators For More/All Electric Aircraft Systems, Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 2018, vol. 232, pp. 4128—4151.

8. Thanaraj T., Kin H. L., Bing F. N. Actuator Fault Detection and Isolation on Multi-rotor UAV using Extreme Learning Neurofuzzy Systems, ISA Transactions, 2023, vol. 138, pp. 168—185.

9. Verleysen M., François D. The Curse of Dimensionality in Data Mining and Time Series Prediction, Lecture Notes in Computer Science, 2005, vol. 3512, pp. 758—770.

10. Mutlag W. K., Ali S. K., Aydam Z. M., Taher В. H. Feature Extraction Methods: А Review, Journal of Physics: Conference Series, 2020, vol. 1591, pp. 012028.

11. Zhufeng L., Lvjun Q., Xiaodong W., Wen J., Caixia W. Research on Fault Diagnosis Method of Electro-Hydrostatic Actuator, Shock and Vibration, 2021, pp. 6688420.

12. Büyükkeçeci M., Okur M. А Comprehensive Review of Feature Selection and Feature Selection Stability in Machine Learning, Gazi University Journal of Science, vol. 36, iss. 4, pp. 1506—1520.

13. Chebel-Morello B., Malinowski S., Senoussi Н. Feature Selection for Fault Detection Systems: Application to the Tennessee Eastman Process, Applied Intelligence, 2016, vol. 44, pp. 111—122.

14. Sahraoui M. A., Rahmoune C., Meddour I., Bettahar T., Zair M. New Criteria for Wrapper Feature Selection to Enhance Bearing Fault Classification, Advances in Mechanical Engineering, 2023, vol. 15, iss. 6.

15. Balogun A. O., Basri S., Capretz L. F., Mahamad S., Imam A. A., Almomani M. A., Adeyemo V. E., Alazzawi A. K., Bajeh A. O., Kumar G. Software Defect Prediction Using Wrapper Feature Selection Based on Dynamic Re-Ranking Strategy, Symmetry, 2021, vol. 13, pp. 2166.

16. Yaman O., Yol F., Altinors A. А Fault Detection Method Based on Embedded Feature Extraction and SVM Classification for UAV Motors, Microprocessors and Microsystems, 2022, vol. 94, pp. 104683.

17. Mochammad S., Noh Y., Kang Y.-J., Park S., Lee J., Chin S. Multi-Filter Clustering Fusion for Feature Selection in Rotating Machinery Fault Classification, Sensors, 2022, vol. 22, pp. 2192.

18. Phuong H. T. M., My Hanh L. T., Binh N. T. А Study of Filter-Based Feature Selection in Software Fault Prediction, Lecture Notes on Data Engineering and Communications Technologies, vol. 148, pp. 58—67.

19. Udu A., Lecchini-Visintini A., Dong Н. Feature Selection for Aero-Engine Fault Detection, Lecture Notes in Computer Science, 2023, vol. 14146, pp. 522—527.

20. Garcia C. E., Camana M. R., Koo I. Machine Learningbased Scheme for Multi-class Fault Detection in Turbine Engine Disks, ICT Express, 2021, vol. 7, iss. 1, pp. 15—22.

21. Chen J., Chen S., Ma C., Jing Z., Xu Q. Fault Detection of Aircraft Control System Based on Negative Selection Algorithm, International Journal of Aerospace Engineering, 2020, vol. 2020, pp. 8833825.

22. Serebrenny V. V., Boshlyakov A. A., Ogorodnik А. I. Mathematical Model of Executive Modules of Robot Gripping Devices, Vestnik BSTU im. V. G. Shukhova, 2019, no. 6, pp. 123—135 (in Russian).