CN102360455A - 基于专家知识和神经网络的太阳翼展开可靠性评估方法 - Google Patents

Abstract

本发明公开了一种基于专家知识和神经网络的太阳翼展开可靠性评估方法，包括：根据专家知识建立太阳翼展开可靠性综合评价指标体系；采用层次分析法来综合多位专家的知识，得到评价指标体系的权向量；将专家知识加入到太阳翼展开可靠性神经网络建模的网络训练过程，通过多位专家对原始试验数据的评价，使试验数据融入了专家知识，并统一了各评价标准的量纲。本发明将专家知识与神经网络方法相结合，充分利用历史试验数据，克服了以往因试验次数少以及单纯依赖个别专家知识而导致的评价结果不确定性高、可信度低的问题。

Description

基于专家知识和神经网络的太阳翼展开可靠性评估方法

技术领域

本发明涉及一种太阳翼展开可靠性评估方法，属于航天工程与信息科学的交叉领域。 

背景技术

随着航天技术的迅速发展，空间飞行器的结构日趋复杂，功能不断增多，需要采取各种机构来完成多种任务。太阳翼展开机构是卫星的主要组成部分。太阳翼能否顺利展开关系到卫星的成败。世界航天史上发生了多起太阳翼在空间轨道展开失败而导致卫星发射或运行失败的事例。太阳翼能否展开是卫星能否进行正常工作的先决条件。太阳翼不能正常展开，将会造成灾难性的后果，给国家财产造成重大损失。但是，由于太阳翼机构造价昂贵，故不可能进行大量的展开试验。 

人工神经网络ANN(Artificial Neural Network)是20世纪80年代中期迅速兴起的一门非线性科学，是国内外学者关注的前沿研究领域。它由大量人工神经元密集连接而成的网络，具有模拟人脑对信息处理的能力。人工神经网络具有并行处理、自适应性、联想记忆、容错性强及鲁棒性等特点，具有很好的非线性拟合及预测能力，因而受到众多领域学者的关注。它在模式识别、数据处理及自动控制等领域已经获得了初步应用。根据人工神经元结构及互联方式的不同，可以获得各种不同的人工神经网络模型。神经网络模型有多种，目前主要有两大类：一类是以Hopfield网络模型为代表的反馈型模型，主要用于联想记忆及解决非线性优化问题；另一类是以多层感知器为基础的前馈模型，主要用于分类、模式识别。 

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐含层或者多隐含层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播，由输出层向外界输出处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含层、输入层逐层反传。周而复始的信息正向传播和误差反向传播使得各层的权值不断调整，这也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者达到预先设定的学习次数为止。 

发明内容

发明目的：本发明的目的是提供一种基于专家知识和神经网络的太阳翼展开可靠性评估方法。该方法充分考虑了展开试验数据具有零失效和小子样的特点，放弃了一般的基于概率的可靠性表达方式，引入了专家评价，并充分利用历史试验数据，评估结果客观、可信。 

技术方案：为实现上述目的，本发明采用如下技术方案，一种基于专家知识和神经网络的太阳翼展开可靠性评估方法，包括以下步骤： 

(1)根据专家知识建立太阳翼展开可靠性综合评价指标体系，挖掘出影响太阳翼展开可靠性的主要指标及其层次结构。确定太阳翼展开可靠性综合评价指标体系包括4个一级指标：展开状态基频、最小静力矩裕度、铰链驱动特性综合指标和展开试验综合指标。其中铰链驱动特性综合指标包含以下4个2级指标：根部铰链力矩、支撑臂/连接架铰链力矩、连接架/内板铰链力矩、内板/外板铰链力矩。展开试验综合指标则包含以下5个2级指标：展开时间、展开对中度、钢丝绳张力、锁定深度、气浮装置连接件与横梁之间的高度。 

(2)确定基于专家知识的各评价指标的权系数：对构成同一个综合指标的各基本指标，由3位以上专家进行两两比较给出评分，然后采用层次分析法处理多位专家的评分矩阵，求得各指标的权系数。 

(3)根据综合评价指标体系的需要，收集和整理历史试验数据：根据步骤(1)所述的评价指标体系找到历史试验中每一个基本评价指标对应的试验数据；然后确定一个评价标准，由3位以上专家按照统一的标准对该试验对相应的评价指标给出评分；对于“铰链驱动特性综合指标”、“展开试验综合指标”和“太阳翼展开可靠性综合评价”3个综合性指标，则由专家参照历史数据中的评估结果，按照上述统一的评价标准，对上述三个指标给出评分。 

(4)对待评估的太阳翼的试验数据处理：根据步骤(1)所述的评价指标体系忽略不相关数据，找到每一个基本评价指标对应的试验数据，由3位以上专家针对该次展开试验结果对相应的评价指标给出评分。 

(5)建立神经网络模型：针对展开试验综合指标建立神经网络；网络输入为“展开时间”、“展开对中度”、“钢丝绳张力”、“锁定深度”、“气浮装置连接件与横梁之间的高度”5个指标对应的专家评分，网络输出为展开试验综合指标对应的评分。 

由于在收集历史数据时，展开试验相关数据较为丰富，而铰链驱动特性、展开状态基频、最小静力矩裕度的相关数据较少(这主要是因为展开试验往往做多次，而铰链驱动特性等试验仅做1次)，不足以训练出稳定、可靠的神经网络，并且步骤(2)中确定的权系数显示，展开试验综合指标的重要程度远高于其它3项，所以最终决定仅针对展开试验综合指标建立神经网络。 

(6)求解太阳翼展开可靠性综合评价结果：用历史试验数据训练神经网络，用待评估的太阳翼试验数据和训练后的神经网络参数，计算展开试验综合指标；根据步骤(2)得出的各指标权系数和相应的试验数据，运用综合法计算出铰链驱动特性综合指标和最终的太阳翼展开可靠性综合评价结果。 

有益效果：本发明的基于专家知识和神经网络的太阳翼展开可靠性评估方法既充分利用 了专家知识又不依赖于某个具体的专家意见，并充分利用了历史数据，使得评估结果更加客观、准确。通过引入专家评价，放弃可靠性的概率表达方式，解决了零失效条件下的可靠性评价问题。 

附图说明

图1是本发明方法的流程图。 

图2是采用层次分析法求权向量的流程图。 

图3是太阳翼展开可靠性神经网络的网络结构示意图。 

图4是软件运行结果。 

具体实施方式

下面结合附图和实施例，对本发明做进一步的说明。 

图1是本发明的建模流程图。 

本发明利用专家知识建立太阳翼展开可靠性综合评价指标体系，采用层次分析法(Analytic Hieracrhy ProeesS，AHP)综合专家知识得到各评价指标的权系数。权系数的分布显示，太阳翼展开试验数据直接反应了太阳翼展开的可靠性，其对太阳翼展开可靠性综合评价结果的影响远大于其它试验数据，并且太阳翼展开试验的数据也比其它数据丰富。据此，针对太阳翼展开试验建立BP神经网络模型，求得太阳翼展开试验综合评价，再依据各评价指标的权系数，运用综合法计算出太阳翼展开可靠性的综合评价。其具体实施步骤如下： 

1、建立太阳翼展开可靠性综合评价指标体系。 

通过查阅文献、分析太阳翼展开试验数据和听取专家意见，最终确定太阳翼展开可靠性综合评价指标体系包括以下4个一级指标：展开状态基频、最小静力矩裕度、铰链驱动特性综合指标和展开试验综合指标。其中铰链驱动特性综合指标包含以下4个2级指标：根部铰链力矩、支撑臂/连接架铰链力矩、连接架/内板铰链力矩、内板/外板铰链力矩；展开试验综合指标则包含以下5个2级指标：展开时间、展开对中度、钢丝绳张力、锁定深度、气浮装置连接件与横梁之间的高度。 

2、神经网络拓扑结构的确定和参数的选择。 

本发明所用神经网络采用3层BP神经网络。根据前述太阳翼展开可靠性综合评价指标体系，神经网络输入层参数为5个，分别代表展开时间、展开对中度、钢丝绳张力、锁定深度和气浮装置连接件与横梁之间的高度。输出层参数为1个，代表太阳翼展开试验综合评价。隐含层节点采用11个。 

网络采用的激活函数为： 

$f\left(x\right)=\frac{1}{1+e^{-x}}$

步长因子取0.1，最大训练次数取10000，目标训练误差取1E-6。这3个参数可以根据网络具体训练情况做适当调整。 

3、确定各评价指标的权系数。 

根据太阳翼展开可靠性综合评价指标体系，其中共有3个综合指标。对每一个综合指标，对其所有因素指标两两比较，按百分制打分，填写判断矩阵A＝(a_ij)_n×n，其中a_ij是评判分值。 

因素x，y相比较的评分标准如下表： 

理论分析表明，n是理想判断矩阵A的特征值，n所对应的归一化特征向量就是所求得的权向量。 

判断矩阵A确定后，即可用迭代法或其他方法求出权向量。图2为求取权向量的流程图，其具体步骤描述如下： 

(1)任取向量 $W^{\left(0\right)}={(w_1^{\left(0\right)},w_2^{\left(0\right)},...,w_n^{\left(0\right)})}^T,$ 其中 $w_i^{\left(0\right)}\∈\left[\mathrm{0,1}\right],$ 且 $\max w_i^{\left(0\right)}=1;$

(2)设经过k-1次迭代，找到A的第一特征值λ₁的近似值λ^(k-1)及λ₁所对应的正规化特征向量W的近似值 $W^{(k-1)}={(w_1^{(k-1)},w_2^{(k-1)},...,w_n^{(k-1)})}^T.$ 令W^*＝AW^(k-1)，  $W^{*}={(w_1^{*},w_2^{*},...,w_n^{*})}^T,$ $w_{\max }^{*}=\underset{1\≤i\≤n}{\max }{w}_i^{*},{\mathrm{\λ}}^{\left(k\right)}=w_{\max }^{*},$ $w_i^{\left(k\right)}=w_i^{*}/w_{\max }^{*},$ i＝1，2，...，n。 

(3)给定精度ε＞0，当 

时，就以λ^(k)作为λ₁的近似值，以W^(k)作为λ₁所对应的正规化特征向量的近似值，计算结束。否则转到(2)继续。 

在迭代结束后，应通过计算出的第一特征值对判断矩阵进行一致性检验，只有符合一致性要求的判断矩阵才是比较理想的矩阵。 

4、神经网络训练样本准备。 

神经网络训练样本由历史试验数据处理得到。搜集太阳翼展开可靠性试验数据，采用以下数据：展开时间、展开对中度、钢丝绳张力、锁定深度、气浮装置连接件与横梁之间的高度。其中钢丝绳张力、锁定深度、气浮装置连接件与横梁之间的高度的数据还具有多个分量。 如钢丝绳张力具体包括支撑臂张力、连接架张力和内板张力。这些分量具有同等重要的地位。请3位以上专家对这些原始数据评分，采用百分制，0-100之间的任意分数均可。专家依据对测量结果的满意程度评分： 

100分：表示试验结果完美无缺； 

90～99分：表示试验结果处在最佳范围内； 

80～89分：表示试验结果基本达到了试验预期，但并不是很理想； 

60～79分：表示试验结果未能达到试验预期，但勉强可以容忍接受； 

60分以下：表明试验结果非常糟糕，无法接受。 

对于具有多个分量的数据，取各分量评分的平均值作为该项数据的评分。以上5个数据项作为神经网络的输入。 

采集当时的技术人员对相应历史数据的总体评价。如其评价结果与上述百分制的评价标准一致，则直接采用作为神经网络的输出，否则由专家们根据当时的技术人员的评估结果和试验数据的整体表现，按照上述评价标准，给出评分作为神经网络的输出。 

然后对神经网络的输入和输出进行归一化处理。 

神经网络的输入变量按如下方式归一化： 

${\mathrm{sx}}_i=\frac{x_i-x_i^{\min }}{x_i^{\max }-x_i^{\min }}$

式中x_i是第i个输入变量的评价结果，sx_i表示第i个输入变量归一化处理后作为神经网络的实际输入值， 

和 

表示第i个输入变量的下限和上限。这里输入变量的上限 

统一取100，下限 

取全体样本输入变量的最小值。 

所述神经网络的输出变量利用下式进行归一化处理： 

$\mathrm{sy}=\frac{y-y^{\min }}{y^{\max }-y^{\min }}$

式中y是实际输出变量的评价结果，sy表示归一化处理后的值，y^min和y^max表示输出变量的下限和上限。这里输出变量的上限y^max统一取100，下限y^min取比全体样本输出变量最小值略小，但大于0的一个值。 

5、训练神经网络。 

使用BP神经网络训练太阳翼展开试验样本数据集的步骤如下： 

(1)网络训练开始时连接权值为未知数，一般用较小的随机数作为各层连接权值的初始值，随机初始化各层连接权值和阈值； 

(2)计算隐含层各单元的输入、输出。用输入层的输出x_i、连接权值w_ij和阈值θ_j计算中间层各单元的输入a_j，再用a_j通过激活函数计算中间层各单元的输出b_j： 

$a_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i+{\mathrm{\θ}}_j,(j=\mathrm{1,2},...,q)$

b_j＝f(a_j)； 

(3)计算输出层各单元的输入、输出。用中间层的输出b_j、连接权值v_jk和阈值γ_k计算输出层各单元的输入c_k，然后用c_k通过激活函数计算输出层各单元的输出 

$c_k=\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{v}_{\mathrm{jk}}{b}_j+{\mathrm{\γ}}_k$

${\hat{y}}_k=f\left(c_k\right);$

(4)使用以下误差函数，计算网络性能的均方差E(w)： 

$E\left(w\right)=0.5\mathrm{\Σ}{(y_k-{\hat{y}}_k)}^2;$

(5)计算输出层各单元的一般化误差。用期望输出y_k和网络实际输出 

计算输出层各单元的一般化误差d_k： 

$d_k=(y_k-{\hat{y}}_k)\×{\hat{y}}_k\×(1-{\hat{y}}_k);$

(6)计算隐含层各单元的一般化误差。用连接权值v_jk、输出层的一般化误差d_k和中间层各单元的输出b_j，计算中间层各单元的一般化误差e_j： 

$e_j=\left(\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{d}_k{v}_{\mathrm{kj}}\right)\×b_j(1-b_j)$

其中 

表示输出层结点k的误差d_k通过权值v_kj向隐含层结点j传播成为隐含层结点的误差。 

(7)调整隐含层和输出层的连接权值v_jk，以及输出层阈值γ_k。用输出层各单元的一般化误差d_k、中间层各单元的输出b_j修正连接权值v_jk和阈值γ_k： 

Δv_jk＝η×b_j×d_k

Δγ_k＝η×d_k

调整各连接权值： 

v_jk＝v_jk+Δv_jk

(8)调整输入层和隐含层的连接权值w_ij及隐含层阈值θ_j。用中间层各单元的一般化误差e_j、输入层各单元的输入X_i修正连接权值w_ij和阈值θ_j： 

Δw_ij＝η×x_i×e_j

Δθ_j＝η×e_j

按下式调整各连接权值： 

w_ij＝w_ij+Δw_ij

(9)判断学习模式是否训练完。若是，转(10)；否则，转(2)； 

(10)计算全局误差E。判断E是否达到指定的误差范围内，若是，转(11)；否则，转(2)； 

(11)结束学习。网络训练结束，确定当前网络权值和阈值。 

7、求解太阳翼展开可靠性综合评价结果。 

首先，按照步骤4中所述的评分标准，由3位以上专家分别对被评估的太阳翼展开可靠性试验数据，进行评分。这些数据包括：太阳翼展开试验相关数据、铰链驱动特性相关数据、展开状态基频和最小静力矩裕度。 

然后对太阳翼展开试验相关数据进行归一化处理，通过训练好的神经网络计算出太阳翼展开试验综合指标评价结果。试验数据如有多组，则分别通过神经网络进行计算，结果取平均值。 

计算结果反归一化方法通过下式获得： 

$\tilde{y}=y^{\′}(y^{\max }-y^{\min })+y^{\min }$

式中 

是网络计算反归一化后的最终输出值，y′为神经网络的计算值，y^min和y^max为设定的神经网络输出变量实际测量值下限和上限。 

然后，计算铰链驱动特性试验综合指标评价。依据步骤3中求得的权系数，对其各因子进行综合，取其加权平均值作为铰链驱动特性试验综合指标评价。 

最后用同样的方法，综合展开状态基频、最小静力矩裕度、铰链驱动特性综合指标和展开试验综合指标，得到最终的解太阳翼展开可靠性综合评价结果。 

8、结束。 

以上为一个实施例的具体操作步骤。需要特别说明的是，如果相应的历史试验数据丰富，求解铰链驱动特性试验综合指标评价和最终的太阳翼展开可靠性综合评价，同样可以用神经网络模型，即，若能搜集到足够多的铰链驱动特性、展开状态基频、最小静力矩裕度的相关历史数据，可针对“铰链驱动特性综合指标”、“展开试验综合指标”和“太阳翼展开可靠性综合评价”3个综合性指标分别建立3个神经网络，前2个网络的输出同时也是最后1个网络的输入，3个网络可分别进行训练并联合在一起工作。这种情况同样包含在本发明之内。 

Claims (6)

1.一种基于专家知识和神经网络的太阳翼展开可靠性评估方法，其特征在于包括如下步骤：

(1)根据专家知识建立太阳翼展开可靠性综合评价指标体系：挖掘出影响太阳翼展开可靠性的主要指标及其层次结构，确定太阳翼展开可靠性综合评价指标体系包括4个一级指标：展开状态基频、最小静力矩裕度、铰链驱动特性综合指标和展开试验综合指标；其中铰链驱动特性综合指标包含以下4个2级指标：根部铰链力矩、支撑臂/连接架铰链力矩、连接架/内板铰链力矩、内板/外板铰链力矩；展开试验综合指标则包含以下5个2级指标：展开时间、展开对中度、钢丝绳张力、锁定深度、气浮装置连接件与横梁之间的高度；

(2)确定基于专家知识的各评价指标的权系数：对构成同一个综合指标的各基本指标，由3位以上专家进行两两比较给出评分，然后采用层次分析法处理多位专家的评分矩阵，求得各指标的权系数；

(3)根据综合评价指标体系的需要，收集和整理历史试验数据：根据步骤(1)所述的评价指标体系找到历史试验中每一个基本评价指标对应的试验数据；然后确定一个评价标准，由3位以上专家按照统一的标准对该试验对相应的评价指标给出评分；对于“铰链驱动特性综合指标”、“展开试验综合指标”和“太阳翼展开可靠性综合评价”3个综合性指标，则由专家参照历史数据中的评估结果，按照上述统一的评价标准，对上述三个指标给出评分；

(4)对待评估的太阳翼的试验数据处理：根据步骤(1)所述的评价指标体系忽略不相关数据，找到每一个基本评价指标对应的试验数据，由3位以上专家针对该次展开试验结果对相应的评价指标给出评分；

(5)建立神经网络模型：针对展开试验综合指标建立神经网络；网络输入为“展开时间”、“展开对中度”、“钢丝绳张力”、“锁定深度”、“气浮装置连接件与横梁之间的高度”5个指标对应的专家评分，网络输出为展开试验综合指标对应的评分；

(6)求解太阳翼展开可靠性综合评价结果：用历史试验数据训练神经网络，用待评估的太阳翼试验数据和训练后的神经网络参数，计算展开试验综合指标；根据步骤(2)得出的各指标权系数和相应的试验数据，运用综合法计算出铰链驱动特性综合指标和最终的太阳翼展开可靠性综合评价结果。

2.根据权利要求1所述的基于专家知识和神经网络的太阳翼展开可靠性评估方法，其特征在于，步骤(5)所述的神经网络，采用3层前馈神经网络算法的网络结构实现，该网络结构实现方法包括：

(51)建立网络：确定网络拓扑结构，选择合适的参数，包括初始权值、学习率、最大迭代次数；

(52)数据归一化；

(53)训练网络：存储训练后的网络权值；

(54)计算可靠性评估结果；

(55)计算结果反归一化。

3.根据权利要求2所述的方法，其特征在于，步骤(52)所述的数据归一化方法如下：神经网络的输入变量利用下式进行归一化处理：

${\mathrm{sx}}_i=\frac{x_i-x_i^{\min }}{x_i^{\max }-x_i^{\min }}$

式中x_i是第i个输入变量的评价结果，sx_i表示第i个输入变量归一化处理后作为神经网络的实际输入值，

和

表示第i个输入变量的下限和上限，归一化处理后的输入变量的下限和上限分别变为0和1；

所述神经网络的输出变量利用下式进行归一化处理：

$\mathrm{sy}=\frac{y-y^{\min }}{y^{\max }-y^{\min }}$

式中y是实际输出变量的评价结果，sy表示归一化处理后的值，y^min和y^max表示输出变量的下限和上限，归一化处理后的输出变量的下限和上限分别为0和1。

4.根据权利要求2所述的基于专家知识和神经网络的太阳翼展开可靠性评估方法，其特征在于，步骤(55)所述的计算结果反归一化方法通过下式计算：

$\tilde{y}=y^{\′}(y^{\max }-y^{\min })+y^{\min }$

式中

是网络计算反归一化后的最终输出值，y′为神经网络的计算值，y^min和y^max为设定的神经网络输出变量实际测量值下限和上限。

5.根据权利要求1或2所述的基于专家知识和神经网络的太阳翼展开可靠性评估方法，其特征在于，所述神经网络采用的激活函数为：

$f\left(x\right)=\frac{1}{1+e^{-x}}.$

6.根据权利要求1所述的基于专家知识和神经网络的太阳翼展开可靠性评估方法，其特征在于，步骤(5)中所述的神经网络模型并非一成不变，若能搜集到足够多的铰链驱动特性、展开状态基频、最小静力矩裕度的相关历史数据，则采用下面的模型：

针对“铰链驱动特性综合指标”、“展开试验综合指标”和“太阳翼展开可靠性综合评价”3个综合性指标分别建立3个神经网络，前2个网络的输出同时也是最后1个网络的输入，3个网络可分别进行训练并联合在一起工作。

Images