【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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。