[發明專利]基于神經網絡和證據理論的火箭發動機故障診斷方法

有效

• 申請號: 202010018485.2
• 申請日: 2020-01-08
• 公開（公告）號: CN111259927B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 閆曉東;孫成志
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安維賽恩專利代理事務所(普通合伙) 61257
• 代理人: 劉春

1.基于神經網絡和證據理論的火箭發動機故障診斷方法，其特征在于，該方法的具體步驟為：

步驟A、獲取故障數據樣本：建立火箭六自由度下的運動模型和故障模型，得到故障模式下的來自火箭運動的數據，即為故障數據的樣本；

步驟B、采用歸一化算法對故障數據的樣本進行處理，再對所述樣本的數據分類標簽化；將處理完之后的樣本數據分為訓練集和驗證集兩部分，訓練集用于訓練故障診斷模型，驗證集用于測試建立的故障診斷模型的診斷效果；

步驟C、構建及訓練BP神經網絡故障診斷模型；

步驟D、構建及訓練徑向基神經網絡故障診斷模型；

步驟E、構建證據理論融合診斷模型；

所述步驟E的具體過程為：

E-1、構建證據體，搭建識別框架；

E-2、分別計算基于BP神經網絡診斷模型和基于徑向基神經網絡診斷模型的基本概率函數，公式如下：

m(Θ)＝E_n，

其中C(A_i)為BP神經網絡診斷模型和徑向基神經網絡的診斷結果，m(Θ)為證據體的不確定性表示，N為故障類型數，En為BP神經網絡和徑向基神經網絡診斷結果與期望值的均方差；

E-3、計算組合后的基本概率賦值，公式如下：

其中A₁,A₂，…,A_K和B₁,B₂，…,B_K分別為BP神經網絡診斷模型和徑向基神經網絡診斷模型基本概率賦值分配的基本元素，K為沖突因子，表達式如下：

步驟F、實際故障診斷：將火箭視加速度和角加速度信息作為BP神經網絡故障診斷模型和徑向基神經網絡故障診斷模型的輸入，將這兩個網絡的輸出作為證據理論融合診斷模型的輸入，以證據理論融合診斷模型的輸出作為火箭發動機故障模式的辨識結果；

步驟G、得到故障模式辨識結果后，利用滾動時域估計方法估計故障模式下的飛行狀態特征參數。

2.根據權利要求1所述的基于神經網絡和證據理論的火箭發動機故障診斷方法，其特征在于，在所述步驟A中，火箭發動機的故障種類包括：火箭發動機推力損失任意百分比和伺服機構舵機卡死在任意角度。

3.根據權利要求1或2所述的基于神經網絡和證據理論的火箭發動機故障診斷方法，其特征在于，在所述步驟B中，對數據進行歸一化，使樣本數據都分布在[0，1]之間，對不同故障模式下的數據分類標簽化，來自同一故障類型的標記為1，其他故障類型的標記為0。

4.根據權利要求1或2所述的基于神經網絡和證據理論的火箭發動機故障診斷方法，其特征在于，在所述步驟C中，BP神經網絡的輸入為三軸視加速度和三軸角加速度，輸出為故障類型矩陣；步驟C的具體過程為：

C-1、初始化輸入節點x_j、隱節點y_i、輸出節點O_l、閾值θ、輸入節點與隱節點間的網絡權值ω_ij、隱節點與輸出節點間的網絡權值T_li以及輸出節點的期望輸出t_l；

C-2、計算隱節點的輸出，公式如下：

y_i＝f(∑ω_ijx_j-θ_i)；

C-3、計算輸出節點的輸出，公式如下：

C-4、計算誤差函數，公式如下：

C-5、通過梯度下降法，更新網絡權值和閾值，使誤差函數沿著負梯度方向下降，

C-6、調整網絡權值和閾值，直到誤差滿足要求或迭代次數達到最大值，將輸出節點的輸出結果歸一化，選擇輸出結果最大的對應的故障類型作為故障診斷的結果。

5.根據權利要求1或2所述的基于神經網絡和證據理論的火箭發動機故障診斷方法，其特征在于，所述步驟G的具體過程為：

G-1、線性化火箭運動模型，求解狀態轉移矩陣和觀測函數雅可比矩陣；

G-2、初始化系統噪聲協方差矩陣、量測噪聲協方差矩陣、狀態估計協方差矩陣、初始狀態估計和滾動時域窗口N；

G-3、當前仿真時刻k≤N時，利用擴展卡爾曼濾波方法進行狀態估計；

G-4、當前仿真時刻k＞N時，優化目標函數得到唯一解；

G-5、計算當前時刻狀態估計值；

G-6、計算下一時刻狀態初始值和狀態估計協方差矩陣；

G-7、根據下一時刻的量測信息，返回步驟G-4進行下一時刻狀態估計。