[發明專利]基于人工智能的航天器故障診斷方法

在審

• 申請號: 201811216219.X
• 申請日: 2018-10-18
• 公開（公告）號: CN109255441A
• 公開（公告）日: 2019-01-22
• 發明（設計）人: 劉偉;付莎莎
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華

1.一種基于人工智能的航天器故障診斷方法，其特征在于，包括如下：

(1)確定反向傳播BP神經網絡模型：

定義反向傳播BP神經網絡結構包括：一個輸入層，兩個隱藏層，一個輸出層，該反向傳播BP神經網絡的輸入為預處理后的航天環境數據，其輸出表示航天器某類異常事件發生的概率；

(2)獲取反向傳播BP神經網絡的訓練集數據和測試集數據：

將航天環境數據集中的70％數據作為訓練樣本集，其余30％數據作為測試樣本集，并對訓練樣本集和測試樣本集進行歸一化，得到歸一化的訓練樣本集X_r和測試樣本集X_t；

提取出訓練樣本集對應的標簽和測試樣本集對應的標簽其中表示第k個訓練樣本對應的標簽值，表示第n個測試樣本對應的標簽值，k＝1,2,...,p，n＝1,2,...,q，p表示所有訓練樣本數，q表示所有測試樣本數；

(3)初始化反向傳播BP神經網絡的參數：

將BP神經網絡的權重矩陣W^(l)和偏置向量b^(l)初始化為0～1之間的隨機數，設置輸入層和隱藏層的神經元個數為s^l，輸出層神經元個數為1，其中l＝1,2,...,L-1，L表示BP神經網絡總的層數；

(4)對反向傳播BP網絡進行訓練：

(4a)設反向傳播BP網絡訓練的當前迭代次數為M，其中M＝1,2,3,...,M_max，M_max為設置的訓練BP網絡最大迭代次數；設網絡訓練的目標誤差值為Acc，設網絡訓練的誤差值為err；本實例中取M_max＝5000，err＝1.0，Acc＝0.0005；

(4b)采用最大最小歸一化方法對訓練集進行預處理，得到歸一化后的訓練集X_r；

(4c)在歸一化的訓練集X_r中隨機選取一個樣本，輸入到反向傳播BP神經網絡中，計算訓練集中單個樣本對應的BP神經網絡的實際輸出值y^(k)；

(4d)采用基于梯度下降法的反向傳播算法，利用訓練集中第k個樣本對應的網絡的實際輸出值y^(k)和期望輸出值對BP網絡進行微調，實現對網絡參數的更新；

(4e)參數更新后，采用最小均方誤差評估方法，利用所有訓練樣本對應的網絡的實際輸出值Y_rp＝{y⁽¹⁾,y⁽²⁾,...,y^(k),...,y^(p)}和期望輸出值Y_r計算BP神經網絡的全局訓練誤差Acc_r，并判斷Acc_r<err是否成立，若是，則將Acc_r賦給err，再執行(4f)，否則，直接執行(4f)；

(4f)令M＝M+1，重復(4c)至(4e)，將M＝M_max時err所對應的BP神經網絡作為訓練好的BP神經網絡；

(5)對訓練好的反向傳播BP神經網絡進行優化：

(5a)將測試集X_t輸入到訓練好的BP神經網絡中，得到測試集對應的網絡實際輸出值Y_p＝{d⁽¹⁾,d⁽²⁾,...,d⁽ⁿ⁾,...,d^(q)}，其中d⁽ⁿ⁾表示第n個測試樣本對應的網絡實際輸出值，n＝1,2,...,q；

(5b)采用最小均方誤差評估方法，通過網絡的實際輸出值Y_p和期望輸出值Y_t計算訓練好的BP神經網絡的誤差Acc_p；

(5c)判斷Acc_p>Acc是否成立，若是，則調整M，返回(4)，否則，得到優化后的BP神經網絡，執行(6)；

(6)將新的歸一化的航天環境數據集V輸入到訓練好的BP神經網絡中，得到故障診斷結果Y，即航天器某類異常事件發生的概率。