[發明專利]一種基于深度神經網絡的人工特征與卷積特征融合的特征提取方法

在審

• 申請號: 202110824292.0
• 申請日: 2021-07-21
• 公開（公告）號: CN113536683A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 馬劍;鄒新宇;周安;馬翔;張統;陶來發;呂琛
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京元本知識產權代理事務所(普通合伙) 11308
• 代理人: 李斌

提供一種基于深度神經網絡的人工特征與卷積特征融合的特征提取方法，所述方法包括：獲取電動液壓舵機的故障預測數據；對所述故障數據進行綜合預處理，以得到訓練數據集和測試數據集；將所述訓練數據集分別送入卷積神經網絡一次自編碼器和基于專家知識的人工時域特征提取模塊；在所述卷積神經網絡一次自編碼器中進行基于卷積神經網絡的特征提取，獲得卷積特征集；在所述人工時域特征提取模塊進行基于專家知識的時域特征提取，獲得人工時域特征集；對所述卷積特征集和所述人工時域特征集進行特征拼接，得到融合特征；將所述融合特征送入二次自編碼器和解碼器，進行基于堆疊自編碼器的深度特征融合。

技術領域

本發明涉及非特定變量的測量或測試，具體而言，涉及一種用于飛機的電動液壓舵機的數據集特征的提取方法

背景技術

電動液壓舵機系統是一種復雜的機電一體化系統，同時也是一種高精度的位置伺服系統，對飛行器的姿態控制具有重要影響。隨著科學技術的不斷發展，先進航空器廣泛采用速度快、精度高、功率重量比大的全數字化伺服舵機系統。當代工程應用對舵機的可靠性提出了更高的要求。舵機關鍵參數退化過程預測是舵機可靠性研究的一個重要方面。精準預測舵機關鍵參數未來時間序列，把握參數變化趨勢規律，對于合理安排維修計劃、提高飛行品質、保障飛行安全、降低全壽命周期費用等具有重要意義。傳統的時序外推預測方法通常采用時間序列分解的策略，通過將時間序列分解為趨勢項、季節項、殘差項等分別進行預測，最后融合各項預測結果得到參數的時序外推預測序列。然而，對于電動液壓舵機這樣的復雜機電系統，其退化過程往往表現出非線性，導致其退化參數的時間序列往往難以依照傳統方法進行有效分解，給舵機關鍵參數未來時序預測問題帶來了很大困難。

為了解決該問題，提出了一種基于神經網絡的人工特征與卷積特征融合的特征提取方法。該方法結合人工時域特征與卷積深度特征，通過二次自編碼機制實現特征融合，可以將原始參數的時序依賴關系與變化趨勢直接映射到隱層深度特點當中，避免了傳統方法中序列分解的問題，為電動液壓舵機關鍵參數退化時序的外推預測問題提供了更實用的方法。

發明內容

為了解決現有技術所存在的問題，本發明提出一種基于深度神經網絡的人工特征與卷積特征融合的特征提取方法。

根據本發明的一個方面，提供一種基于深度神經網絡的人工特征與卷積特征融合的特征提取方法，所述方法包括：獲取電動液壓舵機的故障預測數據；對所述故障數據進行綜合預處理，以得到訓練數據集和測試數據集；將所述訓練數據集分別送入卷積神經網絡一次自編碼器和基于專家知識的人工時域特征提取模塊；在所述卷積神經網絡一次自編碼器中進行基于卷積神經網絡的特征提取，獲得卷積特征集；在所述人工時域特征提取模塊進行基于專家知識的時域特征提取，獲得人工時域特征集；對所述卷積特征集和所述人工時域特征集進行特征拼接，得到融合特征；將所述融合特征送入二次自編碼器和解碼器，進行基于堆疊自編碼器的深度特征融合。

優選地是，所述獲取故障預測數據的步驟，包括針對電動液壓舵機系統的故障預測要求，使用Simulink軟件對所述電動液壓舵機系統進行結構化建模并進行故障模擬。

優選地是，所述結構化建模包括確定故障注入點，所述故障注入點為輸入反饋電位器的反饋放大系數。

優選地是，所述綜合預處理步驟包括：對關鍵參數時序數據進行滑窗切割，構造樣本數據集；對訓練數據集進行極大極小值歸一化處理；以及構造訓練數據集和測試數據集。

優選地是，所述基于卷積神經網絡的特征提取包括：基于卷積神經網絡的一次自編碼模型構建；以卷積一次自編碼器模型的預訓練；以及使用卷積編碼器進行卷積特征提取。