[發明專利]一種基于BP神經網絡的飛行器推力故障在線辨識方法

有效

• 申請號: 202010076043.3
• 申請日: 2020-01-23
• 公開（公告）號: CN111176263B
• 公開（公告）日: 2023-04-14
• 發明（設計）人: 郜詩佳;柳嘉潤;張雋;施健峰;張惠平;禹春梅;馬衛華
• 申請（專利權）人: 北京航天自動控制研究所
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 胡健男

1.一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于步驟如下：

(1)根據真實飛行器和其所處的環境，構建飛行器六自由度動力學仿真模型；

(2)設定各個仿真偏差組合，將設定的仿真偏差組合輸入步驟(1)構建的飛行器六自由度動力學仿真模型中；進行步驟(3)；

(3)設定各個故障發生時刻與故障程度，將設定的故障發生時刻與故障程度輸入步驟(1)構建的飛行器六自由度動力學仿真模型中；

(4)將步驟(2)設定的仿真偏差組合與步驟(3)設定的各個故障發生時刻與故障程度進行排列組合，得到飛行器六自由度動力學仿真模型在不同情況下的仿真數據，仿真數據包括：加速度、姿態角、姿態角偏差；將不同情況下的仿真數據進行保存；

(5)將不同情況下的仿真數據進行截取，生成數據樣本；根據故障發動機編號以及故障程度設計數據標簽，并對每個數據樣本打標簽；

(6)隨機取(5)中打完標簽的數據的大部分以上劃分為訓練集，其余部分隨機取一半劃分驗證集，另一半劃分為測試集；搭建BP神經網絡；

(7)將步驟(5)中所述訓練集中的數據樣本，輸入步驟(6)搭建的BP神經網絡，進行訓練；采用驗證集中的數據樣本，對訓練過程進行測試，當神經網絡連續N次在驗證集上樣本誤差不下降時，訓練結束，得到訓練結果；

(8)采用測試集中的數據樣本，對訓練結果進行測試，若滿足要求，則將訓練好的BP神經網絡保存，進行步驟(9)；若不滿足，則調整步驟(6)中的BP神經網絡隱層個數或隱層中的神經元個數，重新進行訓練；若多次調整后準確率仍不滿足預設要求，則返回步驟(4)，重新生成數據樣本；

(9)將步驟(8)中保存的BP神經網絡嵌入飛行器控制計算機中，使用訓練好的BP神經網絡，進行故障在線辨識。

2.根據權利要求1所述的一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于：搭建的BP神經網絡，結構包含一個單隱層和輸出層。

3.根據權利要求2所述的一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于：單隱層共10個神經元，激活函數為Sigmoid函數。

4.根據權利要求2所述的一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于：輸出層的共11個神經元。

5.根據權利要求4所述的一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于：輸出層神經元個數為總的故障類別數，即步驟(5)中的總標簽數，激活函數為softmax函數。

6.根據權利要求2所述的一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于：層與層之間采用全連接方式。

7.根據權利要求2所述的一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于：步驟(6)隨機取(5)中打完標簽的數據的大部分以上劃分為訓練集，具體為：隨機取(5)中打完標簽的數據的2/3以上劃分為訓練集。

8.根據權利要求1所述的一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于：步驟(7)將步驟(5)中所述訓練集中的數據樣本，輸入步驟(6)搭建的BP神經網絡，進行訓練，具體如下：

訓練采用交叉熵作為損失函數，采用梯度下降法進行神經網絡參數的更新，更新神經網絡的權值和偏置。

9.根據權利要求1所述的一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于：考慮飛行器質心運動、擾心運動、結構干擾、氣動力及力矩因素，建立飛行器六自由度動力學仿真模型，生成可信的數據樣本，對BP神經網絡進行訓練。

10.根據權利要求1所述的一種基于BP神經網絡的飛行器推力故障在線辨識方法，其特征在于：建立的BP神經網絡為輕量神經網絡，所需計算資源小，能夠嵌入現有飛行控制計算機，進行飛行過程中的故障實時辨識。