[發(fā)明專(zhuān)利]一種基于SBR-DBN模型的系統(tǒng)故障診斷與狀態(tài)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310412923.7
• 申請(qǐng)日: 2023-04-18
• 公開(kāi)（公告）號(hào): CN116415505A
• 公開(kāi)（公告）日: 2023-07-11
• 發(fā)明（設(shè)計(jì)）人: 蘇艷;邢翔宇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京航空航天大學(xué)
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G06F119/02
• 代理公司: 南京思宸知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32548
• 代理人: 柏夢(mèng)婷

1.一種基于SBR-DBN模型的系統(tǒng)故障診斷與狀態(tài)預(yù)測(cè)分析方法，其特征在于，所述方法包括：

S1、利用疊加多層稀疏貝葉斯正則化受限波爾茲曼機(jī)(SBR-RBM)結(jié)構(gòu)和輸出端的BP神經(jīng)網(wǎng)絡(luò)形成稀疏貝葉斯正則化深度置信(SBR-DBN)模型；

S2、通過(guò)輸入系統(tǒng)標(biāo)簽化監(jiān)測(cè)數(shù)據(jù)對(duì)SBR-DBN模型進(jìn)行分析訓(xùn)練并實(shí)現(xiàn)SBR-DBN模型的收斂過(guò)程；

S3、向訓(xùn)練后的SBR-DBN模型輸入剎車(chē)系統(tǒng)歷史監(jiān)測(cè)參數(shù)信息，進(jìn)行SBR-DBN模型故障診斷并輸出故障診斷結(jié)果；

S4、通過(guò)輸入實(shí)時(shí)故障狀態(tài)監(jiān)測(cè)飛參數(shù)據(jù)進(jìn)行SBR-DBN模型狀態(tài)預(yù)測(cè)，實(shí)現(xiàn)基于SBR-DBN模型狀態(tài)預(yù)測(cè)與真實(shí)運(yùn)行狀態(tài)的誤差判斷。

2.根據(jù)權(quán)利要求1所述的一種基于SBR-DBN模型的系統(tǒng)故障診斷與狀態(tài)預(yù)測(cè)方法，其特征在于，步驟S1中所述SBR-DBM模型形成是根據(jù)彈性網(wǎng)(EN)正則化基礎(chǔ)，通過(guò)向深度置信網(wǎng)絡(luò)(DBN)結(jié)構(gòu)中引入貝葉斯正則化(BR)思想，具體方法為：

將DBN參數(shù)引入先驗(yàn)分布獲得SBR-RBM結(jié)構(gòu)中的新目標(biāo)優(yōu)化函數(shù)，函數(shù)表達(dá)式為：

根據(jù)先驗(yàn)分布特征，利用后驗(yàn)分布獲得的新目標(biāo)函數(shù)并根據(jù)所述新目標(biāo)函數(shù)表達(dá)式：

通過(guò)新目標(biāo)函數(shù)的超參數(shù)表達(dá)獲得三個(gè)超參數(shù)：α、和

依據(jù)RBM神經(jīng)元結(jié)構(gòu)狀態(tài)二值性調(diào)試參數(shù)并獲得所述三個(gè)超參數(shù)最優(yōu)解。

3.根據(jù)權(quán)利要求1所述的一種基于SBR-DBN模型的系統(tǒng)故障診斷與狀態(tài)預(yù)測(cè)方法，其特征在于，步驟S2中所述SBR-DBN模型的分析訓(xùn)練方法為：

通過(guò)對(duì)模型下層多個(gè)RBM網(wǎng)絡(luò)結(jié)構(gòu)對(duì)數(shù)據(jù)逐層進(jìn)行無(wú)監(jiān)督的預(yù)訓(xùn)練；

依據(jù)設(shè)置的BP網(wǎng)絡(luò)對(duì)預(yù)訓(xùn)練后的下層輸入的數(shù)據(jù)和系統(tǒng)標(biāo)簽化監(jiān)測(cè)數(shù)據(jù)值做誤差分析，并向下逐層微調(diào)參數(shù)。

4.根據(jù)權(quán)利要求1所述的一種基于SBR-DBN模型的系統(tǒng)故障診斷與狀態(tài)預(yù)測(cè)方法，其特征在于，所述SBR-DBN模型故障診斷模型包括輸入層和輸出層神經(jīng)元：

輸入層為系統(tǒng)運(yùn)行監(jiān)測(cè)數(shù)據(jù)中與各故障模式相關(guān)的特征監(jiān)測(cè)數(shù)據(jù)；且根據(jù)不同系統(tǒng)間特征參數(shù)的差異，給定不同的輸入層參數(shù)；

輸出層則為系統(tǒng)各故障模式；

其中，神經(jīng)元狀態(tài)值值域?yàn)閧0,1}。

5.根據(jù)權(quán)利要求4所述的一種基于SBR-DBN模型的系統(tǒng)故障診斷與狀態(tài)預(yù)測(cè)方法，其特征在于，所述SBR-DBN模型故障診斷步驟為：

S31、根據(jù)待診斷系統(tǒng)監(jiān)測(cè)特征參數(shù)、故障模式，給定診斷網(wǎng)絡(luò)輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)個(gè)數(shù)；

S32、初始化DBN網(wǎng)絡(luò)中權(quán)重W，偏置a，b，學(xué)習(xí)率η，隱含層神經(jīng)元個(gè)數(shù)ki，超參數(shù)α、和迭代次數(shù)N；初始化BP網(wǎng)絡(luò)誤差值e₀，學(xué)習(xí)率∈，B權(quán)重W_bp，偏置a_bp；

S33、取標(biāo)簽化處理后的監(jiān)測(cè)數(shù)據(jù)樣本集，將數(shù)據(jù)樣本集分為訓(xùn)練集與測(cè)試集，訓(xùn)練集做網(wǎng)絡(luò)訓(xùn)練，測(cè)試集交叉驗(yàn)證；

S34、對(duì)數(shù)據(jù)樣本采用式(4)進(jìn)行標(biāo)準(zhǔn)歸一化訓(xùn)練，將歸一化數(shù)據(jù)輸入基于SBR-DBN的系統(tǒng)故障診斷模型，完成SBR-RBM的預(yù)訓(xùn)練及BP的反向調(diào)參，保存訓(xùn)練完成后的各參數(shù)；

S35、利用SBR-DBN的飛機(jī)系統(tǒng)故障診斷模型對(duì)測(cè)試集數(shù)據(jù)驗(yàn)證，進(jìn)行新數(shù)據(jù)樣本的系統(tǒng)故障診斷。