一种飞行器多尺度信号的分类识别与故障检测方法技术

一种飞行器多尺度信号的分类识别与故障检测方法,其中，将历史数据和实时数据输入多尺度残差卷积网络网络，得到飞行器信号的特征提取，将深层特征送入分类算法，得到分类结果。特征提取时，含有标签的飞行器信号样本被送入深度神经元卷积网络模块，对输出的信号特征图施加输入分类算法，利用其结果更新传播参数。在多尺度残差卷积模块，输入原始特征，用尺度判断模块感知不同尺度特征，当开始进行信号分类和识别时，设定分类算法的神经网络参数，输入之前通过多尺度残差膨胀卷积模块提取的信号特征，该方法有效解决了提取浅层特征、梯度消失、特征尺度单一等问题，显著提升了飞行器多尺度信号分类和识别的准确率。

【技术实现步骤摘要】
一种飞行器多尺度信号的分类识别与故障检测方法
本专利技术涉及一种飞行器多尺度信号的分类识别与故障检测方法。
技术介绍
飞行器信号的识别与分类是飞行器健康管理策略的核心，通过对复杂系统当前的健康状态进行判别，有效找到故障发生原因及来源，提出一系列维护保障相关的建议或决策。飞行器健康管理策略在航空航天工业领域受到广泛认同和应用，为航天器的安全性和可靠性提供了巨大保障，将成为航空航天工业发展的一种必然趋势。
技术实现思路
飞行器信号分类和识别方法，其特征在于包括：A)当要进行飞行器信号故障判别时，首先对飞行器中包括供电设备、飞行器姿态控制设备、飞行器无线电测控设备的复杂设备的数据进行信号采集，并将采集的信号传输给传感器，B)对传感器收到的信号进行信号预处理，C)然后，进行判断流程，对信号的来源进行判断，其中：若信号来源是历史数据，则读取历史数据，将历史数据进行信号聚类分析，从而有效辅助专家标注工作，并将历史数据及其对应的标注构建成专家数据库；若信号来源是实时数据，则读取实时数据，D)将历史数据和实时数据共同输入神经元网络，E)通过多尺度残差卷积网络的训练，实现飞行器信号的深层特征提取，F)对提取到的飞行器信号的深层特征进行信号分类算法操作，得到飞行器信号分类结果，G)进行收敛判断，其中：若分类结果的损失函数在训练中达到收敛，则输出实时故障诊断的结果；若分类结果的损失函数在训练中没有收敛，则更新神经元网络的权重参数并返回步骤D)，，并重复步骤E)和步骤F)，直到损失函数收敛，其中，所述步骤E)包括：E1)将神经网络中的参数初始化随机值，并且设定迭代步数s＝0，E2)根据前一步骤更新迭代步数s，若前一步骤是E1)时，更新s＝0；若前一步骤是E8)的判断模块中的否支路时，更新迭代步数s＝s+1，E3)把含有标签的飞行器信号样本xs送入深度神经元卷积网络模块，E4)进行多尺度残差卷积操作，E5)前向传播计算出网络输出，输出的内容即飞行器信号特征图，E6)将输出的内容即飞行器信号特征图输入代价函数模块，利用代价函数结果反向更新传播参数；E7)判断是否遍历训练集，若没有遍历整个训练集，则返回步骤E2)；若已经遍历整个训练集，则令s＝s+1；E8)进行迭代步数判断，若迭代步数s<epoch，其中epoch取值为1000，则返回步骤E2)；若迭代步数s>＝epoch，则结束多尺度残差卷积网络的训练，通过训练的多尺度残差卷积网络提取样本的深层特征，其中所述样本是含有标签的飞行器信号样本xs，所述步骤E4)即多尺度残差卷积操作包括:输入原始特征，进入卷积核尺度判断步骤，进行卷积核尺度判断，其中：当判断卷积核尺度为小尺度时，进入小尺度特征提取支流，感知小尺度特征，其中卷积核的公式如下所示：其中为卷积层l的第j个通道的中间特征图的值，为输入特征图即上一层的输出特征图所对应的值，是卷积层l的第j个通道的最终输出特征图的值，f为激活函数，Mj表示用于计算的特征图的部分即卷积核所覆盖的原特征图的位置，是卷积核的权重矩阵中的元素，是卷积后特征图的偏差矩阵中的元素；再将经过卷积核后的结果送入激励函数，所述激励函数采用ReLU函数，其公式表示为：再进行膨胀卷积，其中所述膨胀卷积即或称空洞卷积在卷积核的每个元素之间加入相隔若干元素(膨胀率)的空洞，从而在不增加卷积核参数数目的情况下，扩大卷积层的感受野，当在步骤判断卷积核尺度为大尺度时，进入大尺度特征提取支流，用于感知大尺度特征，经过激励函数，再经过膨胀卷积，进行尺度融合，将小尺度特征与大尺度特征融合在一起，输出尺度融合的结果，结束流程。附图说明图1显示了根据本专利技术的一个实施例的飞行器信号分类与识别的算法流程图，图2显示了根据本专利技术的一个实施例的飞行器信号基于多尺度残差卷积网络模块的特征提取流程图，图3显示了多尺度残差卷积模块原理示意图，图4显示了根据本专利技术的一个实施例的飞行器信号分类算法流程图。具体实施方式飞行器信号识别与分类方法中的传统机器学习算法，缺乏对高维数据的特征提取能力，在飞行器信号分类问题中的分类准确率，分类速度及其他各项性能指标有所局限。本专利技术采用了以多尺度残差膨胀卷积网络为基础的神经元网络学习方法，其作为一类新兴前沿的机器学习方法，被广泛应用于数据科学相关的计算机视觉、自然语言处理等领域，具有更强的鲁棒性和普适性。深度学习方法基于深层的神经网络模型，能够从复杂的飞行器信号样本中自动提取特征，并将简单特征逐渐组合成更复杂的特征并通过这些复杂特征来解决识别问题。本专利技术通过多尺度残差膨胀卷积网络的方法，克服传统机器学习方法对于高维度复杂数据处理难度大的问题，在特征提取能力上和泛化能力上都有所提高。因此，本专利技术涉及多尺度残差膨胀卷积网络算法，信号分类算法。根据本专利技术的一个方面，提供了一种飞行器信号识别与分类的多尺度残差膨胀卷积网络方法，其特征在于包括：训练阈值判断模块；多尺度残差卷积网络模块；信号分类模块。为了解决现有飞行器信号分类和识别方法存在信号尺度识别局限性问题，本专利技术提供了一种基于多尺度残差神经网络的飞行器信号分类和识别方法，有效解决了提取浅层特征，梯度消失，特征尺度单一等问题，显著提升了飞行器多尺度信号分类和识别的准确率。根据本专利技术的一个实施例的飞行器信号分类和识别方法的流程图如图(1)所示，其包括：当飞行器信号要进行故障判别工作时(101)，首先将飞行器中复杂设备(一般包括：供电设备，飞行器姿态控制设备，飞行器无线电测控设备)的数据进行信号采集，并传输给传感器(102)，将传感器得到的原始信号进行信号预处理(103)。然后进行判断流程，对信号来源进行判断(104)，若信号来源是历史数据，则进入历史数据读取环节(105)，将数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，最终将历史数据及其对应的标注构建成专家数据库(108)；若信号来源是实时数据，则进入实时数据读取环节(109)。将历史数据和实时数据共同输入神经元网络(110)，通过多尺度残差卷积网络的学习得到飞行器信号的特征提取(111)，将提取得到的深层特征送入分类算法(112)，得到飞行器信号分类结果。再次进入判断流程(113)，若分类结果的损失函数在训练中达到收敛，进入最终环节输出实时故障诊断结果(114)；若分类结果的损失函数在训练中没有收敛，则要返回神经元网络(110)，更新(110)中的神经网络权重参数，再次进行特征提取(111)，信号分类(112)过程，直到损失函数收敛。整体训练过程采用Adam训练方法进行训练，使参数的更新过程效率更高、鲁棒性更强。训练的学习率设定为0.001，Adam优化器的超参数β1和β2分别设本文档来自技高网...

【技术保护点】
1.飞行器信号分类和识别方法，其特征在于包括：/nA)当要进行飞行器信号故障判别时(101)，首先对飞行器中包括供电设备、飞行器姿态控制设备、飞行器无线电测控设备的复杂设备的数据进行信号采集，并将采集的信号传输给传感器(102)，/nB)对传感器收到的信号进行信号预处理(103)，/nC)然后，进行判断流程，对信号的来源进行判断(104)，其中：/n若信号来源是历史数据，则读取历史数据(105)，将历史数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，并将历史数据及其对应的标注构建成专家数据库(108)；/n若信号来源是实时数据，则读取实时数据(109)，/nD)将历史数据和实时数据共同输入神经元网络(110)，/nE)通过多尺度残差卷积网络的训练，实现飞行器信号的深层特征提取(111)，/nF)对提取到的飞行器信号的深层特征进行信号分类算法操作(112)，得到飞行器信号分类结果，/nG)进行收敛判断(113)，其中：/n若分类结果的损失函数在训练中达到收敛，则输出实时故障诊断的结果(114)；/n若分类结果的损失函数在训练中没有收敛，则更新神经元网络的权重参数并返回步骤D)，，并重复步骤E)和步骤F)，直到损失函数收敛，/n其中，所述步骤E)包括：/nE1)将神经网络中的参数初始化随机值，并且设定迭代步数s＝0(202)，/nE2)根据前一步骤更新迭代步数s(203)，若前一步骤是E1)时，更新s＝0；若前一步骤是E8)的判断模块(211)中的否支路时，更新迭代步数s＝s+1，/nE3)把含有标签的飞行器信号样本x...

【技术特征摘要】
1.飞行器信号分类和识别方法，其特征在于包括：
A)当要进行飞行器信号故障判别时(101)，首先对飞行器中包括供电设备、飞行器姿态控制设备、飞行器无线电测控设备的复杂设备的数据进行信号采集，并将采集的信号传输给传感器(102)，
B)对传感器收到的信号进行信号预处理(103)，
C)然后，进行判断流程，对信号的来源进行判断(104)，其中：
若信号来源是历史数据，则读取历史数据(105)，将历史数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，并将历史数据及其对应的标注构建成专家数据库(108)；
若信号来源是实时数据，则读取实时数据(109)，
D)将历史数据和实时数据共同输入神经元网络(110)，
E)通过多尺度残差卷积网络的训练，实现飞行器信号的深层特征提取(111)，
F)对提取到的飞行器信号的深层特征进行信号分类算法操作(112)，得到飞行器信号分类结果，
G)进行收敛判断(113)，其中：
若分类结果的损失函数在训练中达到收敛，则输出实时故障诊断的结果(114)；
若分类结果的损失函数在训练中没有收敛，则更新神经元网络的权重参数并返回步骤D)，，并重复步骤E)和步骤F)，直到损失函数收敛，
其中，所述步骤E)包括：
E1)将神经网络中的参数初始化随机值，并且设定迭代步数s＝0(202)，
E2)根据前一步骤更新迭代步数s(203)，若前一步骤是E1)时，更新s＝0；若前一步骤是E8)的判断模块(211)中的否支路时，更新迭代步数s＝s+1，
E3)把含有标签的飞行器信号样本xs送入深度神经元卷积网络模块(204)，
E4)进行多尺度残差卷积操作(205)，
E5)前向传播计算出网络输出(206)，输出的内容即飞行器信号特征图，
E6)将输出的内容即飞行器信号特征图输入代价函数模块(207)，利用代价函数结果反向更新传播参数(208)；
E7)判断是否遍历训练集(209)，若没有遍历整个训练集，则返回步骤E2)；若已经遍历整个训练集，则令s＝s+1(210)；
E8)进行迭代步数判断(211)，若迭代步数s<epoch，其中epoch取值为1000，则返回步骤E2)；若迭代步数s>＝epoch，则结束多尺度残差卷积网络的训练(212)，通过训练的多尺度残差卷积网络提取样本的深层特征，其中所述样本是含有标签的飞行器信号样本xs，
所述步骤E4)即多尺度残差卷积操作(205)包括:
输入原始特征(302)，进入卷积核尺度判断步骤(303)，进行卷积核尺度判断，其中：
当判断卷积核尺度为小尺度时，进入小尺度特征提取支流(304)，感知小尺度特征，其中卷积核的公式如下所示：






其中为卷积层l的第j个通道的中间特征图的值，为输入特征图即上一层的输出特征图所对应的值，是卷积层l的第j个通道的最终输出特征图的值，f为激活函数，Mj表示用于计算的特征图的部分即卷积核所覆盖的原特征图的位置，是卷积核的权重矩阵中的元素，是卷积后特征图的偏差矩阵中的元素；
将经过...

【专利技术属性】
技术研发人员：李可，刘静怡，文东升，杨顺昆，刘猛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11