[發明專利]一種飛行器多尺度信號的分類識別與故障檢測方法

有效

• 申請號: 202010015165.1
• 申請日: 2020-01-07
• 公開（公告）號: CN111414932B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 李可;劉靜怡;文東升;楊順昆;劉猛
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京金恒聯合知識產權代理事務所 11324
• 代理人: 李強

1.一種飛行器多尺度信號的分類識別與故障檢測方法，其特征在于包括：

A)當要進行飛行器信號故障判別時(101)，首先對飛行器中包括供電設備、飛行器姿態控制設備、飛行器無線電測控設備的復雜設備的數據進行信號采集，并將采集的信號傳輸給傳感器(102)，

B)對傳感器收到的信號進行信號預處理(103)，

C)然后，進行判斷流程，對信號的來源進行判斷(104)，其中：

若信號來源是歷史數據，則讀取歷史數據(105)，將歷史數據進行信號聚類分析(106)，從而有效輔助專家標注工作(107)，并將歷史數據及其對應的標注構建成專家數據庫(108)；

若信號來源是實時數據，則讀取實時數據(109)，

D)將歷史數據和實時數據共同輸入神經元網絡(110)，

E)通過多尺度殘差卷積網絡的訓練，實現飛行器信號的深層特征提取(111)，

F)對提取到的飛行器信號的深層特征進行信號分類算法操作(112)，得到飛行器信號分類結果，

G)進行收斂判斷(113)，其中：

若分類結果的損失函數在訓練中達到收斂，則輸出實時故障診斷的結果(114)；

若分類結果的損失函數在訓練中沒有收斂，則更新神經元網絡的權重參數并返回步驟D)，并重復步驟E)和步驟F)，直到損失函數收斂，

其中，所述步驟E)包括：

E1)將神經網絡中的參數初始化隨機值，并且設定迭代步數s＝0(202)，

E2)根據前一步驟更新迭代步數s(203)，若前一步驟是E1)時，更新s＝0；若前一步驟是E8)的判斷模塊(211)中的否支路時，更新迭代步數s＝s+1，

E3)把含有標簽的飛行器信號樣本x_s送入深度神經元卷積網絡模塊(204)，

E4)進行多尺度殘差卷積操作(205)，

E5)前向傳播計算出網絡輸出(206)，輸出的內容即飛行器信號特征圖，

E6)將輸出的內容即飛行器信號特征圖輸入代價函數模塊(207)，利用代價函數結果反向更新傳播參數(208)；

E7)判斷是否遍歷訓練集(209)，若沒有遍歷整個訓練集，則返回步驟E2)；若已經遍歷整個訓練集，則令s＝s+1(210)；

E8)進行迭代步數判斷(211)，若迭代步數sepoch，其中epoch取值為1000，則返回步驟E2)；若迭代步數s＝epoch，則結束多尺度殘差卷積網絡的訓練(212)，通過訓練的多尺度殘差卷積網絡提取樣本的深層特征，其中所述樣本是含有標簽的飛行器信號樣本x_s，

所述步驟E4)即多尺度殘差卷積操作(205)包括:

輸入原始特征(302)，進入卷積核尺度判斷步驟(303)，進行卷積核尺度判斷，其中：

當判斷卷積核尺度為小尺度時，進入小尺度特征提取支流(304)，感知小尺度特征，其中卷積核的公式如下所示：

其中為卷積層l的第j個通道的中間特征圖的值，為輸入特征圖即上一層的輸出特征圖所對應的值，是卷積層l的第j個通道的最終輸出特征圖的值，f為激活函數，M_j表示用于計算的特征圖的部分即卷積核所覆蓋的原特征圖的位置，是卷積核的權重矩陣中的元素，是卷積后特征圖的偏差矩陣中的元素；

將經過卷積核(305)后的結果送入激勵函數(306)，所述激勵函數采用ReLU函數，其公式表示為：

再進行膨脹卷積(307)，其中所述膨脹卷積即或稱空洞卷積在卷積核的每個元素之間加入相隔若干元素的空洞，從而在不增加卷積核參數數目的情況下，擴大卷積層的感受野，其中相隔的元素的數目為膨脹率，

當在步驟(303)判斷卷積核尺度為大尺度時，進入大尺度特征提取支流(308)，用于感知大尺度特征，經過激勵函數(310)，再經過膨脹卷積(311)，

進行尺度融合(312)，將小尺度特征與大尺度特征融合在一起，輸出尺度融合的結果，結束流程(313),

其中：

所述信號分類算法操作(112)包括：

F1)當開始進行信號分類和識別時(401)，設定分類算法的神經網絡參數(402)，

F2)輸入步驟E)提取的飛行器信號的深層特征(403)，

F3)接著，輸入飛行器信號的深層特征到全局平均池化層(404)，

F4)緊接著輸入隨機丟棄層(405)，其公式如下所示：

x^l＝random_p(x^l-1) (4)

其中，p為丟棄x^l-1的概率，random表示為隨機行為，

F5)再接著輸入全連接層(406)：

x^l＝f(u^l) (5)

u^l＝w^lx^l-1+b^l (6)

其中，u^l為全連接層線性輸出的中間量，它等于前一層輸出特征圖x^l-1與全連接層的權重矩陣w^l相乘然后與偏差相加，w^l為全連接層的權重矩陣，b^l為全連接層的偏差矩陣，

F6)將全連接層的輸出送入分類函數(407)，并進行損失函數計算，其中分類函數的公式為標準的分類函數softmax函數，即：

其中，K為數據集總的分類個數；z為分類器前級單元的輸出；i為索引的類別,e為指數函數的表示，

F7)進行損失函數的收斂判斷(408)，其中：當判斷損失函數沒有收斂時，操作返回步驟F1)即參數設定步驟(402)并更新網絡的權重參數；當判斷損失函數發生了收斂時，則直接輸出分類結果(409)。