[發明專利]基于深度神經網絡和隨機森林的飛機電源系統故障識別方法

在審

• 申請號: 202010004752.0
• 申請日: 2020-01-03
• 公開（公告）號: CN111209955A
• 公開（公告）日: 2020-05-29
• 發明（設計）人: 許政;畢茂華;封桂榮
• 申請（專利權）人: 山東超越數控電子股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 姜明

1.基于深度神經網絡和隨機森林的飛機電源系統故障識別方法，其特征在于：包括以下步驟：

S101、獲取飛機多個架次的N種電源系統的飛參數據，構建時序數據集，并對構建的時序數據集進行數據預處理，其中N不小于5；

S102、對構建的時序數據集標記故障狀態；

S103、利用構建好的時序數據集構建卷積神經網絡模型，并獲得時序數據集的高層特征；

S104、利用隨機森林算法，將獲得的高層特征作為隨機森林算法的輸入，并使用基尼系數作為準則，構建隨機森林分類器模型；

S105、根據卷積神經網絡模型、隨機森林分類器模型和真實數據，確定飛機電源系統的故障狀態。

2.根據權利要求1所述的基于深度神經網絡和隨機森林的飛機電源系統故障識別方法，其特征在于：所述的飛參數據包括交流電源電壓、直流信號有效字、直流電壓和交流電壓頻率。

3.根據權利要求2所述的基于深度神經網絡和隨機森林的飛機電源系統故障識別方法，其特征在于：對所述構建的時序數據集進行數據預處理包括異常值剔除、缺失數據填補、去噪濾波和歸一化處理。

4.根據權利要求3所述的基于深度神經網絡和隨機森林的飛機電源系統故障識別方法，其特征在于：對構建的時序數據集標記故障狀態時采用人工進行手動標記，故障狀態分為正常狀態和故障狀態，分別標記為0和1。

5.根據權利要求4所述的基于深度神經網絡和隨機森林的飛機電源系統故障識別方法，其特征在于：利用構建好的時序數據集構建卷積神經網絡模型，并獲取卷積神經網絡最后一個連接層的輸出作為時序數據集的高層特征。

6.根據權利要求5所述的基于深度神經網絡和隨機森林的飛機電源系統故障識別方法，其特征在于：所述卷積神經網絡采用Resnet卷積神經網絡架構。

7.根據權利要求6所述的基于深度神經網絡和隨機森林的飛機電源系統故障識別方法，其特征在于：所述隨機森林算法，采用基尼系數作為分裂樹的準則，使用基尼指數最小的特征對分類樹進行分裂，直到基尼指數小于閥值，建立若干分類樹，構成隨機森林分類器模型。

8.根據權利要求7所述的基于深度神經網絡和隨機森林的飛機電源系統故障識別方法，其特征在于：所述的隨機森林模型的輸入，將從卷積神經網絡獲得的高層特征作為隨機森林分類器模型的輸入，訓練該隨機森林分類器模型。