[發(fā)明專利]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)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(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

本發(fā)明公開(kāi)了一種基于SBR?DBN模型的系統(tǒng)故障診斷與狀態(tài)預(yù)測(cè)分析方法，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；本發(fā)明實(shí)現(xiàn)較高SBR?DBN模型故障診斷精度和較快的訓(xùn)練收斂速度，實(shí)現(xiàn)在臨近未來(lái)時(shí)間下?tīng)顟B(tài)的有效預(yù)測(cè)監(jiān)測(cè)參數(shù)。

技術(shù)領(lǐng)域

本發(fā)明涉及飛機(jī)控制系統(tǒng)故障診斷和預(yù)測(cè)技術(shù)領(lǐng)域，具體涉及一種基于SBR-DBN模型的系統(tǒng)故障診斷與狀態(tài)預(yù)測(cè)方法。

背景技術(shù)

飛機(jī)的操縱系統(tǒng)是飛機(jī)的核心系統(tǒng)之一，飛行員通過(guò)操縱系統(tǒng)實(shí)現(xiàn)對(duì)飛機(jī)的控制，從而完成飛行任務(wù)。一旦操縱系統(tǒng)出現(xiàn)問(wèn)題，飛行員就無(wú)法對(duì)飛機(jī)實(shí)現(xiàn)有效的控制；那么就會(huì)帶來(lái)重大的經(jīng)濟(jì)損失以及人員傷亡。所以說(shuō)，針對(duì)飛機(jī)操縱系統(tǒng)建立一種行之有效的故障評(píng)估方法，是提高飛機(jī)可靠性、安全性的一種必要措施。

隨著飛機(jī)控制系統(tǒng)的集成水平不斷提高，其可能出現(xiàn)監(jiān)測(cè)參數(shù)異常和故障種類也越來(lái)越多，飛行故障發(fā)生概率也越來(lái)越大，由于基于飛參數(shù)據(jù)的淺層神經(jīng)網(wǎng)絡(luò)的故障診斷與狀態(tài)預(yù)測(cè)模型由于模型模擬過(guò)程中容易產(chǎn)生偏離，導(dǎo)致檢測(cè)故障因子的偏差問(wèn)題，使得現(xiàn)有的模型已不能很好的擬合系統(tǒng)，需尋求有效途徑實(shí)現(xiàn)故障診斷；而為了順利實(shí)現(xiàn)故障診斷和提高狀態(tài)預(yù)測(cè)的精度，利用深度置信網(wǎng)絡(luò)(DBN)模型卻容易導(dǎo)致系統(tǒng)的過(guò)擬合，影響深度置信網(wǎng)絡(luò)(DBN)模型對(duì)飛機(jī)控制系統(tǒng)的故障診斷和狀態(tài)預(yù)測(cè)順利進(jìn)行。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于SBR-DBN模型的系統(tǒng)故障診斷與狀態(tài)預(yù)測(cè)方法，解決以下技術(shù)問(wèn)題：

怎樣通過(guò)建立SBR-DBN模型實(shí)現(xiàn)較高的故障診斷精度和較快的訓(xùn)練收斂速度。

如何通過(guò)建立SBR-DBN模型實(shí)現(xiàn)臨近未來(lái)時(shí)刻的狀態(tài)預(yù)測(cè)分析，降低模型預(yù)測(cè)數(shù)據(jù)誤差從而保證深度置信網(wǎng)絡(luò)(DBN)模型的泛化能力。

本發(fā)明的目的可以通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

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，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。

優(yōu)選地，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