[發(fā)明專利]一種飛行器多尺度信號(hào)的分類識(shí)別與故障檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010015165.1
• 申請(qǐng)日: 2020-01-07
• 公開(kāi)（公告）號(hào): CN111414932B
• 公開(kāi)（公告）日: 2022-05-31
• 發(fā)明（設(shè)計(jì)）人: 李可;劉靜怡;文東升;楊順昆;劉猛
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京金恒聯(lián)合知識(shí)產(chǎn)權(quán)代理事務(wù)所 11324
• 代理人: 李強(qiáng)

一種飛行器多尺度信號(hào)的分類識(shí)別與故障檢測(cè)方法,其中，將歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)輸入多尺度殘差卷積網(wǎng)絡(luò)網(wǎng)絡(luò)，得到飛行器信號(hào)的特征提取，將深層特征送入分類算法，得到分類結(jié)果。特征提取時(shí)，含有標(biāo)簽的飛行器信號(hào)樣本被送入深度神經(jīng)元卷積網(wǎng)絡(luò)模塊，對(duì)輸出的信號(hào)特征圖施加輸入分類算法，利用其結(jié)果更新傳播參數(shù)。在多尺度殘差卷積模塊，輸入原始特征，用尺度判斷模塊感知不同尺度特征，當(dāng)開(kāi)始進(jìn)行信號(hào)分類和識(shí)別時(shí)，設(shè)定分類算法的神經(jīng)網(wǎng)絡(luò)參數(shù)，輸入之前通過(guò)多尺度殘差膨脹卷積模塊提取的信號(hào)特征，該方法有效解決了提取淺層特征、梯度消失、特征尺度單一等問(wèn)題，顯著提升了飛行器多尺度信號(hào)分類和識(shí)別的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及一種飛行器多尺度信號(hào)的分類識(shí)別與故障檢測(cè)方法。

背景技術(shù)

飛行器信號(hào)的識(shí)別與分類是飛行器健康管理策略的核心，通過(guò)對(duì)復(fù)雜系統(tǒng)當(dāng)前的健康狀態(tài)進(jìn)行判別，有效找到故障發(fā)生原因及來(lái)源，提出一系列維護(hù)保障相關(guān)的建議或決策。飛行器健康管理策略在航空航天工業(yè)領(lǐng)域受到廣泛認(rèn)同和應(yīng)用，為航天器的安全性和可靠性提供了巨大保障，將成為航空航天工業(yè)發(fā)展的一種必然趨勢(shì)。

發(fā)明內(nèi)容

飛行器信號(hào)分類和識(shí)別方法，其特征在于包括：

A)當(dāng)要進(jìn)行飛行器信號(hào)故障判別時(shí)，首先對(duì)飛行器中包括供電設(shè)備、飛行器姿態(tài)控制設(shè)備、飛行器無(wú)線電測(cè)控設(shè)備的復(fù)雜設(shè)備的數(shù)據(jù)進(jìn)行信號(hào)采集，并將采集的信號(hào)傳輸給傳感器，

B)對(duì)傳感器收到的信號(hào)進(jìn)行信號(hào)預(yù)處理，

C)然后，進(jìn)行判斷流程，對(duì)信號(hào)的來(lái)源進(jìn)行判斷，其中：

若信號(hào)來(lái)源是歷史數(shù)據(jù)，則讀取歷史數(shù)據(jù)，將歷史數(shù)據(jù)進(jìn)行信號(hào)聚類分析，從而有效輔助專家標(biāo)注工作，并將歷史數(shù)據(jù)及其對(duì)應(yīng)的標(biāo)注構(gòu)建成專家數(shù)據(jù)庫(kù)；

若信號(hào)來(lái)源是實(shí)時(shí)數(shù)據(jù)，則讀取實(shí)時(shí)數(shù)據(jù)，

D)將歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)共同輸入神經(jīng)元網(wǎng)絡(luò)，

E)通過(guò)多尺度殘差卷積網(wǎng)絡(luò)的訓(xùn)練，實(shí)現(xiàn)飛行器信號(hào)的深層特征提取，

F)對(duì)提取到的飛行器信號(hào)的深層特征進(jìn)行信號(hào)分類算法操作，得到飛行器信號(hào)分類結(jié)果，

G)進(jìn)行收斂判斷，其中：

若分類結(jié)果的損失函數(shù)在訓(xùn)練中達(dá)到收斂，則輸出實(shí)時(shí)故障診斷的結(jié)果；

若分類結(jié)果的損失函數(shù)在訓(xùn)練中沒(méi)有收斂，則更新神經(jīng)元網(wǎng)絡(luò)的權(quán)重參數(shù)并返回步驟D)，并重復(fù)步驟E)和步驟F)，直到損失函數(shù)收斂，

其中，所述步驟E)包括：

E1)將神經(jīng)網(wǎng)絡(luò)中的參數(shù)初始化隨機(jī)值，并且設(shè)定迭代步數(shù)s＝0，

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

E3)把含有標(biāo)簽的飛行器信號(hào)樣本x_s送入深度神經(jīng)元卷積網(wǎng)絡(luò)模塊，

E4)進(jìn)行多尺度殘差卷積操作，

E5)前向傳播計(jì)算出網(wǎng)絡(luò)輸出，輸出的內(nèi)容即飛行器信號(hào)特征圖，

E6)將輸出的內(nèi)容即飛行器信號(hào)特征圖輸入代價(jià)函數(shù)模塊，利用代價(jià)函數(shù)結(jié)果反向更新傳播參數(shù)；

E7)判斷是否遍歷訓(xùn)練集，若沒(méi)有遍歷整個(gè)訓(xùn)練集，則返回步驟E2)；若已經(jīng)遍歷整個(gè)訓(xùn)練集，則令s＝s+1；

E8)進(jìn)行迭代步數(shù)判斷，若迭代步數(shù)sepoch，其中epoch取值為 1000，則返回步驟E2)；若迭代步數(shù)s＝epoch，則結(jié)束多尺度殘差卷積網(wǎng)絡(luò)的訓(xùn)練，通過(guò)訓(xùn)練的多尺度殘差卷積網(wǎng)絡(luò)提取樣本的深層特征，其中所述樣本是含有標(biāo)簽的飛行器信號(hào)樣本x_s，