CN111191770A - 一种基于模糊神经网络的火箭系统健康状态评估方法 - Google Patents

一种基于模糊神经网络的火箭系统健康状态评估方法 Download PDF

Info

Publication number
CN111191770A
CN111191770A CN201911360703.4A CN201911360703A CN111191770A CN 111191770 A CN111191770 A CN 111191770A CN 201911360703 A CN201911360703 A CN 201911360703A CN 111191770 A CN111191770 A CN 111191770A
Authority
CN
China
Prior art keywords
subsystem
neural network
evaluation
level
belongs
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911360703.4A
Other languages
English (en)
Other versions
CN111191770B (zh
Inventor
姜寅啸
贾凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aerospace Measurement and Control Technology Co Ltd
Original Assignee
Beijing Aerospace Measurement and Control Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Aerospace Measurement and Control Technology Co Ltd filed Critical Beijing Aerospace Measurement and Control Technology Co Ltd
Priority to CN201911360703.4A priority Critical patent/CN111191770B/zh
Publication of CN111191770A publication Critical patent/CN111191770A/zh
Application granted granted Critical
Publication of CN111191770B publication Critical patent/CN111191770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于模糊神经网络的火箭系统健康状态评估方法，首先获取各评价指标属于各属性的隶属度，完成评估的一次模糊化，将得到的隶属度根据隶属度区间对评价指标再进行一次分级，完成评估的二次模糊化，克服了隶属度有重合，导致评价指标所属属性不明确的缺陷；本发明融合了专家规则和神经网络训练方法的优点，还将两次模糊化过程中得到的各子系统的评价指标和所属级别，火箭系统属于各等级的概率等作为神经网络的训练样本，克服模糊专家推理方法时间长和神经网络训练方法样本获取困难的缺点，既可以很好地表达专家领域的知识，又具有良好的自学习能力，可以快速准确地对火箭系统进行健康状态评估。

Description

一种基于模糊神经网络的火箭系统健康状态评估方法
技术领域
本发明属于运载火箭的健康状态管理技术领域，尤其涉及一种基于模糊神经网络的火箭系统健康状态评估方法。
背景技术
火箭作为我国现阶段唯一可以把航天器送入太空轨道的运载工具，其健康状态对发射成功率至关重要，这就需要对其健康状态进行实时评估并能快速给出评估结果，把发射失败的概率降到最低。通过人工的检测方式，不仅效率低下，而且无法实时地和准确地对火箭整体进行健康状态评估，因此火箭系统的健康状态评估向着高智能化、高实时性和高准确度发展。
现有应用在火箭上智能化的健康评估方法有模糊专家推理方法和神经网络训练方法，模糊专家推理方法采用模糊理论可以高效地处理专家领域的经验和知识，但建立推理规则时，常常会因为输入数据维数过大而导致规则组合呈指数式增长，造成评估算法复杂且时间过长。神经网络专家训练方法是一个具有分布式存储和自动学习的非线性映射系统，但网络的学习是隐含的、不易被人理解的，并需要充足的样本才能获得较好的评估结果，而实际中样本的获取途径，以及获取多少很难评定。
发明内容
为解决上述问题，本发明提供一种基于模糊神经网络的火箭系统健康状态评估方法，能够快速准确地对火箭系统进行健康状态评估。
一种基于模糊神经网络的火箭系统健康状态评估方法，包括以下步骤：
S1：分别对火箭系统划分的发动机子系统、惯导子系统、总线子系统以及测发控子系统设定两个以上的评价指标，其中，所述评价指标的属性包括很好、较好、一般、较差以及很差；
S2：分别获取各评价指标属于各属性的隶属度；
S3：为评价指标设定等级，并设定每个评价指标属于某个等级的隶属度区间，然后根据评价指标各属性的隶属度，确定评价指标的所属等级，其中，等级包括一级至五级；
S4：为子系统设定等级，然后基于各评价指标的所属等级，利用专家规则确定各子系统属于各等级的概率，其中，等级包括一级至五级；
S5：为子系统设定级别，并设定每个子系统属于某个级别的概率区间，然后根据子系统属于各等级的概率，确定子系统的所属级别，其中，级别包括一等至五等；
S6：将各子系统的评价指标作为第一级神经网络的输入，对应的子系统的所属级别作为第一级神经网络的输出，对第一级神经网络进行训练，得到用于评价子系统健康状态的第一级神经网络；
S7：基于各子系统的所属级别，利用专家规则确定火箭系统属于各等级的概率，其中，等级包括一级～五级；
S8：将各子系统的所属级别作为第二级神经网络的输入，对应的火箭系统属于各等级的概率作为第二级神经网络的输出，对第二级神经网络进行训练，得到用于评价火箭系统健康状态的第二级神经网络；
S9：重新获取火箭系统各子系统的评价指标，采用第一级神经网络评价子系统健康状态，然后将第一级神经网络输出的各子系统的所属级别作为第二级神经网络的输入，评价火箭系统健康状态。
进一步地，所述发动机子系统的评价指标包括管路进出口压力差、涡轮泵扬程、阀门进出口压力差、喷注器压降以及燃烧室室压，所述惯导子系统的评价指标包括陀螺敏感角度误差、加速度计测量误差、电源输出功率以及环境干扰造成的误差，所述总线子系统的评价指标包括信号线阻抗、每秒传输的数据量以及误码率，所述测发控子系统的评价指标包括模拟准确率、测试周期、指令执行周期以及执行器执行时间。
进一步地，各评价指标属于各属性的隶属度的获取方法为：
将各评价指标分别代入公式(1)～(5)，得到各评价指标属于各属性的隶属度；
Figure BDA0002337092820000031
Figure BDA0002337092820000032
Figure BDA0002337092820000033
Figure BDA0002337092820000041
Figure BDA0002337092820000042
其中，x表示评价指标，a1～a4与b1～b4分别为设定值，f1(x)为评价指标的属性为很好时的隶属度，f2(x)为评价指标的属性为较好时的隶属度，f3(x)为评价指标的属性为一般时的隶属度，f4(x)为评价指标的属性为较差时的隶属度，f5(x)为评价指标的属性为很差时的隶属度。
进一步地，所述隶属度区间具体设定为：
若f1(x)∈[0.5,1]且f2(x)∈[0,0.5]，则评价指标属于一级；
若f1(x)∈[0,0.5]且f2(x)∈[0.5,1]，或者f2(x)∈[0.5,1]且f3(x)∈[0,0.5]，则评价指标属于二级；
若f2(x)∈[0,0.5]且f3(x)∈[0.5,1]，或者f3(x)∈[0.5,1]且f4(x)∈[0,0.5]，则评价指标属于三级；
若f3(x)∈[0,0.5]且f4(x)∈[0.5,1]，或者f4(x)∈[0.5,1]且f5(x)∈[0,0.5]，则评价指标属于四级；
若f4(x)∈[0,0.5]且f5(x)∈[0.5,1]，则评价指标属于五级。
进一步地，当子系统的所有评价指标的所属等级均为一级时，该子系统属于一级的概率为1，当子系统的所有评价指标的所属等级均为五级时，该子系统属于五级的概率为1。
进一步地，所述概率区间具体设定为：
若p1∈[0.5,1]且p2∈[0,0.5]，则子系统属于一等；
若p1∈[0,0.5]且p2∈[0.5,1]，或者p2∈[0.5,1]且p3∈[0,0.5]，则子系统属于二等；
若p2∈[0,0.5]且p3∈[0.5,1]，或者p3∈[0.5,1]且p4∈[0,0.5]，则子系统属于三等；
若p3∈[0,0.5]且p4∈[0.5,1]，或者p4∈[0.5,1]且p5∈[0,0.5]，则子系统属于四等；
若p5∈[0.5,1]且p4∈[0,0.5]，则子系统属于五等；
其中，p1表示子系统属于一级的概率，p2为表示子系统属于二级的概率，p3为表示子系统属于三级的概率，p4为表示子系统属于四级的概率，p5为表示子系统属于五级的概率。
有益效果：
本发明提供一种基于模糊神经网络的火箭系统健康状态评估方法，首先获取各评价指标属于各属性的隶属度，完成评估的一次模糊化，将得到的隶属度根据隶属度区间对评价指标再进行一次分级，完成评估的二次模糊化，克服了隶属度有重合，导致评价指标所属属性不明确的缺陷；本发明融合了专家规则和神经网络训练方法的优点，还将两次模糊化过程中得到的各子系统的评价指标和所属级别，火箭系统属于各等级的概率等作为神经网络的训练样本，克服模糊专家推理方法时间长和神经网络训练方法样本获取困难的缺点，既可以很好地表达专家领域的知识，又具有良好的自学习能力，可以快速准确地对火箭系统进行健康状态评估。
附图说明
图1为本发明提供的一种基于模糊神经网络的火箭系统健康状态评估方法的流程图；
图2为本发明提供的子系统和全箭的评估模型示意图；
图3为本发明提供的梯形隶属度函数示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
参见图1，该图为本实施例提供的一种基于模糊神经网络的火箭系统健康状态评估方法的流程图。一种基于模糊神经网络的火箭系统健康状态评估方法，其特征在于，包括以下步骤：
S1：分别对火箭系统划分的发动机子系统、惯导子系统、总线子系统以及测发控子系统设定两个以上的评价指标，其中，所述评价指标的属性包括很好、较好、一般、较差以及很差。
需要说明的是，可以通过对按功能划分后的火箭系统进行失效模式与影响分析(FMEA，Failure Mode and Effect Analysis)，从而设定具体的评价指标。
①发动机子系统故障分析
火箭发动机通过向后喷射物质推动火箭前进，是火箭产生动力的关键部件。其工作的过程中涡轮泵通过高速旋转对低压推进剂进行增压，推进剂按照流量并通过管路和阀门的配合进入燃烧室进行燃烧，在进入燃烧室时，需要利用喷注器使其快速地实现雾化并与燃气混合，以保证其按照规定状态完成燃烧，燃烧生成的高压燃气通过喷管排出产生推力。整个发动机系统必须在管路，涡轮泵，阀门，喷注器，燃气发生器和燃烧室都正常的情况下，才能对火箭产生理想的推力，其中只要有一个部件出现故障，都会使火箭的动力性能下降。因此，导致发动机的故障原因有管路的泄漏和堵塞，涡轮泵的腐蚀、磨损、轴承破坏，阀门的打开与关闭不正常，喷注器的堵塞、烧蚀和破裂，燃气发生器和燃烧室的泄漏。
②惯导子系统故障分析
惯导系统通过陀螺和加速度计计算出火箭在导航坐标系中的速度，航偏角和位置等信息，是火箭能够精确把航天器运送至轨道的关键部件。其工作过程中，根据陀螺的输出建立导航坐标系，使加速度计的测量轴稳定在该坐标系中，并给出航向和姿态角，加速度计通过2次积分得到火箭在导航坐标系中的位置。惯导系统必须在敏感陀螺和加速度计都正常的时候，并且在适当的外部环境干扰和误差累计的情况下，才能对火箭起到精确定位作用。因此，惯导系统的故障原因有敏感陀螺方面的敏感元件失效，适调电路故障，表现的综合特征为敏感角度的误差；加速度计方面的敏感元件失效，适调电路故障，表现的综合特征为测得的加速度的误差；电源系统方面的变压器，交流，直流模块故障，表现的综合特征为各电源模块输出总功率；电子线路方面的环境信号干扰，算法误差累积，表现的综合特征为信号误差累积。
③总线子系统故障分析
总线系统通过物理层、电器层和协议层的配合对总线上各个电子部件节点进行信息提取，信息交换以及信息监测，是有效获取火箭各电子节点信息的关键部件。其工作过程中，物理层是各个节点之间进行信息传输的媒介，电器层是总线通信接口的电路系统，保证箭上总线和其他总线系统的正确连接，协议层是节点与节点进行通信时候的需要遵守的协议准则，属于软件部分。当物理层、电器层和协议层都正常的情况下，火箭总线系统才能有效的对各节点的信息进行提取，因此火箭总线系统的故障原因有物理层方面的信号线断路、短路、信号线之间阻抗变小，表现的综合特征为信号线的阻抗；电器层方面的通信接口电路故障，表现的综合特征为每秒传送的数据量；协议层方面的帧传输故障，命令响应故障，表现的综合特征为误码率。
④测发控子系统故障分析
测发控系统包括等效器，测试设备，控制器，发控组合四个部分，对箭上电子控制系统的各类参数进行定量检测和定性监视，实现控制系统的供配电控制和状态控制，是火箭能成功点火发射的关键部件。其工作过程中，测试设备利用等效器的模拟输出，检查控制系统和其他系统电器设备性能，然后控制器接收指挥监控系统指令，通过发控组合实施对火箭的发射点火。测发控系统只有在等效器，测试设备，控制器，发控组合都正常的情况下，才能对火箭实现成功点火，因此测发控系统的故障原因有等效器方面的接口故障和模拟程序故障，表现的综合特征为模拟准确率；测试设备方面的测试板卡故障和嵌入式系统故障，表现的综合特征为最小测试周期；控制器方面的控制芯片，外围电路故障，内部程序故障，表现的综合特征为指令执行周期；发控组合方面的继电器机柜故障，延时电路故障，表现得综合特征为执行器执行时间。
根据对火箭的子系统工作原理与故障模式分析得出火箭FMEA表如表1所示。
表1火箭系统FMEA表
Figure BDA0002337092820000081
Figure BDA0002337092820000091
根据所述子系统故障分析，提取的各子系统的评价指标如表2所示，得到子系统和全箭的评估模型如图2所示。
表2火箭子系统评价参数
Figure BDA0002337092820000092
Figure BDA0002337092820000101
也就是说，可选的，所述发动机子系统的评价指标包括管路进出口压力差、涡轮泵扬程、阀门进出口压力差、喷注器压降以及燃烧室室压，所述惯导子系统的评价指标包括陀螺敏感角度误差、加速度计测量误差、电源输出功率以及环境干扰造成的误差，所述总线子系统的评价指标包括信号线阻抗、每秒传输的数据量以及误码率，所述测发控子系统的评价指标包括模拟准确率、测试周期、指令执行周期以及执行器执行时间。
S2：分别获取各评价指标属于各属性的隶属度。
具体计算方法为：
将各评价指标分别代入梯形隶属度函数的公式(1)～(5)，得到各评价指标属于各属性的隶属度；
Figure BDA0002337092820000111
Figure BDA0002337092820000112
Figure BDA0002337092820000113
Figure BDA0002337092820000114
Figure BDA0002337092820000115
其中，x表示评价指标，a1～a4与b1～b4分别为设定值，根据专家经验来确定，f1(x)为评价指标的属性为很好时的隶属度，f2(x)为评价指标的属性为较好时的隶属度，f3(x)为评价指标的属性为一般时的隶属度，f4(x)为评价指标的属性为较差时的隶属度，f5(x)为评价指标的属性为很差时的隶属度。
其中，梯形隶属度函数示意图如图3所示，以发动机子系统为例，把管路进出口压力差，涡轮泵扬程，阀门进出口压力差，喷注器压降，燃烧室室压这5个评价指标分别带入(1)-(5)，可以得到属于各属性的隶属度aij(即属于很好，较好，一般，较差，很差的概率)。在aij中，i代表第几个指标，(对于发动机系统i＝1,2,3,4,5)，j代表第几个属性(j＝1,2,3,4,5)，比如a23代表涡轮泵扬程属于一般的概率，因此可以得到发动机系统指标的模糊隶属度矩阵如下：
Figure BDA0002337092820000121
以发动机子系统的指标1-管路进出口压力为例进行说明为何需要对隶属度再进行一次分级；a11是管路进出口压力属于很好的概率，当管路进出口压力值p<a1时，a11＝1，a12＝0，a13＝0，a14＝0，a15＝0，这时候可以肯定管路进出口压力一定是属于很好，但是当a1<p<b1时，根据公式(1)可得
Figure BDA0002337092820000122
根据公式(2)可得
Figure BDA0002337092820000123
a13＝0，a14＝0，a15＝0，不能确定管路进出口压力到底是属于很好还是较好，因此需要对进出口压力进行二次模糊化，二次模糊化指的是对一次模糊化求出的隶属度a11，a12，a13，a14，a15再进行一次区域划分，可以避免管路进出口压力处于[a1,b1]，[a2,b2]，[a3,b3]，[a4,b4]，[a5,b5]这些区间的时候，对所属属性存在不明确的问题。为了区分一次模糊化，设置管路进出口压力二次模糊化的模糊向量为W＝{一级，二级，三级，四级，五级}，二次模糊化的过程如步骤S3所示。
S3：为评价指标设定等级，并设定每个评价指标属于某个等级的隶属度区间，然后根据评价指标各属性的隶属度，确定评价指标的所属等级，其中，等级包括一级～五级。
所述隶属度区间具体设定为：
若f1(x)∈[0.5,1]且f2(x)∈[0,0.5]，则评价指标属于一级；
若f1(x)∈[0,0.5]且f2(x)∈[0.5,1]，或者f2(x)∈[0.5,1]且f3(x)∈[0,0.5]，则评价指标属于二级；
若f2(x)∈[0,0.5]且f3(x)∈[0.5,1]，或者f3(x)∈[0.5,1]且f4(x)∈[0,0.5]，则评价指标属于三级；
若f3(x)∈[0,0.5]且f4(x)∈[0.5,1]，或者f4(x)∈[0.5,1]且f5(x)∈[0,0.5]，则评价指标属于四级；
若f4(x)∈[0,0.5]且f5(x)∈[0.5,1]，则评价指标属于五级。
以管路进出口压力为例，二次模糊化所依据的隶属度区间如表3所示：
表3隶属度区间
Figure BDA0002337092820000131
Figure BDA0002337092820000141
其中，0.5为梯形隶属度函数的公式(1)～(5)之间的交点的纵坐标。同理发动机系统的剩余指标的二次模糊化方式和指标管路进出口压力一样，对此不作赘述。
S4：为子系统设定等级，然后基于各评价指标的所属等级，利用专家规则确定各子系统的属于各等级的概率，其中，等级包括一级～五级。
需要说明的是，当子系统的所有评价指标的所属等级均为一级时，该子系统属于一级的概率为1，当子系统的所有评价指标的所属等级均为五级时，该子系统属于五级的概率为1。
将各子系统的属于各等级的概率记为模糊规则值，如表4所示，其中规则序号1对应的模糊规则值(1，0，0，0，0，)表示发动机子系统属于一级的概率为100％，规则序号2对应的评价指标中，只有燃烧室室压属于二级，则发动机专家规则确定的模糊规则值有可能为(0.9,0.08,0.02,0,0)，也就是规则序号2对应的评价指标对应的发动机子系统有90％的概率为一级，且模糊规则值中的五个概率和值为1。
表4发动机子系统对应的模糊规则值
Figure BDA0002337092820000142
Figure BDA0002337092820000151
S5：为子系统设定级别，并设定每个子系统属于某个级别的概率区间，然后根据子系统属于各等级的概率，确定子系统的所属级别，其中，级别包括一等～五等。
所述概率区间具体设定为：
若p1∈[0.5,1]且p2∈[0,0.5]，则子系统属于一等；
若p1∈[0,0.5]且p2∈[0.5,1]，或者p2∈[0.5,1]且p3∈[0,0.5]，则子系统属于二等；
若p2∈[0,0.5]且p3∈[0.5,1]，或者p3∈[0.5,1]且p4∈[0,0.5]，则子系统属于三等；
若p3∈[0,0.5]且p4∈[0.5,1]，或者p4∈[0.5,1]且p5∈[0,0.5]，则子系统属于四等；
若p5∈[0.5,1]且p4∈[0,0.5]，则子系统属于五等；
其中，p1表示子系统属于一级的概率，p2为表示子系统属于二级的概率，p3为表示子系统属于三级的概率，p4为表示子系统属于四级的概率，p5为表示子系统属于五级的概率。根据概率区间确定发动机子系统的所属级别如表5所示。
表5根据概率区间确定发动机子系统的所属级别
Figure BDA0002337092820000152
S6：将各子系统的评价指标作为第一级神经网络的输入，对应的子系统的所属级别作为第一级神经网络的输出，对第一级神经网络进行训练，得到用于评价子系统健康状态的第一级神经网络。
需要说明的是，以发动机子系统为例，子系统对应的第一级神经网络的数据指的是输入和目标输出，根据规则来收集数据，比如收集数据pij，(i为规则序号，i＝1,2，…3125；j为评价指标序号，j＝1,2,3,4,5)，由于发动机子系统有5个评价指标，因此其神经网络的样本输入是5维向量I＝{pi1,pi2,pi3,pi4,pi5},由于发动机子系统的所属级别对应的模糊集是个5维向量，目标输出也是5维向量O＝{qi1,qi2,qi3,qi4,qi5}(其中qi1表示第i个规则下发动机子系统属于一等的概率，qi2表示第i个规则下发动机子系统属于二等的概率，后面以此类推)。样本的数量需要大于等于规则的数量，发动机子系统有3125个规则(由于发动机子系统有5个评价指标，而每个评价指标有5个属性，因此一共有55个组合，每个组合形成一个规则)，因此最少需要收集3125组数据(一组数据包括5维的输入向量，和5维的输出向量)。
S7：基于各子系统的所属级别，利用专家规则确定火箭系统属于各等级的概率，其中，等级包括一级～五级。
表6全箭对应的模糊规则值
Figure BDA0002337092820000161
Figure BDA0002337092820000171
将全箭的属于各等级的概率记为模糊规则值，如表6所示，其中规则序号1对应的模糊规则值(1，0，0，0，0，)表示全火箭系统属于一级的概率为100％，规则序号2对应的评价指标中，只有测发控子系统属于二级，则全箭专家规则确定的模糊规则值有可能为(0.9,0.08,0.02,0,0)，也就是规则序号2对应的子系统对应的全火箭系统有90％的概率为一级，且模糊规则值中的五个概率和值为1。
S8：将各子系统的所属级别作为第二级神经网络的输入，对应的火箭系统属于各等级的概率作为第二级神经网络的输出，对第二级神经网络进行训练，得到用于评价火箭系统健康状态的第二级神经网络。
需要说明的是，总系统对应的第二级神经网络的数据也指的是输入和目标输出，第二级神经网络的输入是每个子系统的输出，输入数据为{bjk}，(j是指第几个子系统，则j＝1,2,3,4，k表示所属级别，则k＝1,2,3,4,5，因此，第二级神经网络的输入是个20维向量
{b11,b12,b13,b14,b15,b21,b22,b23,b24,b25,b31,b32,b33,b34,b35,b41,b42,b43,b44,b45},输出数据是5维向量{Ok}＝{O1,O2,O3,O4,O5}。
S9：重新获取火箭系统各子系统的评价指标，采用第一级神经网络评价子系统健康状态，然后将第一级神经网络输出的各子系统的所属级别作为第二级神经网络的输入，评价火箭系统健康状态。
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种基于模糊神经网络的火箭系统健康状态评估方法，其特征在于，包括以下步骤：
S1：分别对火箭系统划分的发动机子系统、惯导子系统、总线子系统以及测发控子系统设定两个以上的评价指标，其中，所述评价指标的属性包括很好、较好、一般、较差以及很差；
S2：分别获取各评价指标属于各属性的隶属度；
S3：为评价指标设定等级，并设定每个评价指标属于某个等级的隶属度区间，然后根据评价指标各属性的隶属度，确定评价指标的所属等级，其中，等级包括一级至五级；
S4：为子系统设定等级，然后基于各评价指标的所属等级，利用专家规则确定各子系统属于各等级的概率，其中，等级包括一级至五级；
S5：为子系统设定级别，并设定每个子系统属于某个级别的概率区间，然后根据子系统属于各等级的概率，确定子系统的所属级别，其中，级别包括一等至五等；
S6：将各子系统的评价指标作为第一级神经网络的输入，对应的子系统的所属级别作为第一级神经网络的输出，对第一级神经网络进行训练，得到用于评价子系统健康状态的第一级神经网络；
S7：基于各子系统的所属级别，利用专家规则确定火箭系统属于各等级的概率，其中，等级包括一级～五级；
S8：将各子系统的所属级别作为第二级神经网络的输入，对应的火箭系统属于各等级的概率作为第二级神经网络的输出，对第二级神经网络进行训练，得到用于评价火箭系统健康状态的第二级神经网络；
S9：重新获取火箭系统各子系统的评价指标，采用第一级神经网络评价子系统健康状态，然后将第一级神经网络输出的各子系统的所属级别作为第二级神经网络的输入，评价火箭系统健康状态。
2.如权利要求1所述的一种基于模糊神经网络的火箭系统健康状态评估方法，其特征在于，所述发动机子系统的评价指标包括管路进出口压力差、涡轮泵扬程、阀门进出口压力差、喷注器压降以及燃烧室室压，所述惯导子系统的评价指标包括陀螺敏感角度误差、加速度计测量误差、电源输出功率以及环境干扰造成的误差，所述总线子系统的评价指标包括信号线阻抗、每秒传输的数据量以及误码率，所述测发控子系统的评价指标包括模拟准确率、测试周期、指令执行周期以及执行器执行时间。
3.如权利要求1所述的一种基于模糊神经网络的火箭系统健康状态评估方法，其特征在于，各评价指标属于各属性的隶属度的获取方法为：
将各评价指标分别代入公式(1)～(5)，得到各评价指标属于各属性的隶属度；
Figure FDA0002337092810000021
Figure FDA0002337092810000022
Figure FDA0002337092810000031
Figure FDA0002337092810000032
Figure FDA0002337092810000033
其中，x表示评价指标，a1～a4与b1～b4分别为设定值，f1(x)为评价指标的属性为很好时的隶属度，f2(x)为评价指标的属性为较好时的隶属度，f3(x)为评价指标的属性为一般时的隶属度，f4(x)为评价指标的属性为较差时的隶属度，f5(x)为评价指标的属性为很差时的隶属度。
4.如权利要求3所述的一种基于模糊神经网络的火箭系统健康状态评估方法，其特征在于，所述隶属度区间具体设定为：
若f1(x)∈[0.5,1]且f2(x)∈[0,0.5]，则评价指标属于一级；
若f1(x)∈[0,0.5]且f2(x)∈[0.5,1]，或者f2(x)∈[0.5,1]且f3(x)∈[0,0.5]，则评价指标属于二级；
若f2(x)∈[0,0.5]且f3(x)∈[0.5,1]，或者f3(x)∈[0.5,1]且f4(x)∈[0,0.5]，则评价指标属于三级；
若f3(x)∈[0,0.5]且f4(x)∈[0.5,1]，或者f4(x)∈[0.5,1]且f5(x)∈[0,0.5]，则评价指标属于四级；
若f4(x)∈[0,0.5]且f5(x)∈[0.5,1]，则评价指标属于五级。
5.如权利要求1所述的一种基于模糊神经网络的火箭系统健康状态评估方法，其特征在于，当子系统的所有评价指标的所属等级均为一级时，该子系统属于一级的概率为1，当子系统的所有评价指标的所属等级均为五级时，该子系统属于五级的概率为1。
6.如权利要求1所述的一种基于模糊神经网络的火箭系统健康状态评估方法，其特征在于，所述概率区间具体设定为：
若p1∈[0.5,1]且p2∈[0,0.5]，则子系统属于一等；
若p1∈[0,0.5]且p2∈[0.5,1]，或者p2∈[0.5,1]且p3∈[0,0.5]，则子系统属于二等；
若p2∈[0,0.5]且p3∈[0.5,1]，或者p3∈[0.5,1]且p4∈[0,0.5]，则子系统属于三等；
若p3∈[0,0.5]且p4∈[0.5,1]，或者p4∈[0.5,1]且p5∈[0,0.5]，则子系统属于四等；
若p5∈[0.5,1]且p4∈[0,0.5]，则子系统属于五等；
其中，p1表示子系统属于一级的概率，p2为表示子系统属于二级的概率，p3为表示子系统属于三级的概率，p4为表示子系统属于四级的概率，p5为表示子系统属于五级的概率。
CN201911360703.4A 2019-12-25 2019-12-25 一种基于模糊神经网络的火箭系统健康状态评估方法 Active CN111191770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911360703.4A CN111191770B (zh) 2019-12-25 2019-12-25 一种基于模糊神经网络的火箭系统健康状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911360703.4A CN111191770B (zh) 2019-12-25 2019-12-25 一种基于模糊神经网络的火箭系统健康状态评估方法

Publications (2)

Publication Number Publication Date
CN111191770A true CN111191770A (zh) 2020-05-22
CN111191770B CN111191770B (zh) 2023-04-21

Family

ID=70709432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911360703.4A Active CN111191770B (zh) 2019-12-25 2019-12-25 一种基于模糊神经网络的火箭系统健康状态评估方法

Country Status (1)

Country Link
CN (1) CN111191770B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116861270A (zh) * 2023-09-04 2023-10-10 中南大学 无人机系统级健康评估方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835103A (zh) * 2015-05-11 2015-08-12 大连理工大学 基于神经网络和模糊综合评价的移动网络健康评价方法
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835103A (zh) * 2015-05-11 2015-08-12 大连理工大学 基于神经网络和模糊综合评价的移动网络健康评价方法
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孟小胴等: "基于模糊神经网络的起重机安全评估方法研究", 《电子设计工程》 *
黄晓光等: "燃气轮机混合智能故障诊断专家系统", 《船舶工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116861270A (zh) * 2023-09-04 2023-10-10 中南大学 无人机系统级健康评估方法和系统
CN116861270B (zh) * 2023-09-04 2023-11-28 中南大学 无人机系统级健康评估方法和系统

Also Published As

Publication number Publication date
CN111191770B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN103983453B (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
Marinai et al. Prospects for aero gas-turbine diagnostics: a review
Volponi et al. The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study
CN104597892A (zh) 一种用于电子信息装备层次化故障诊断方法
Santi et al. Optimal sensor selection for health monitoring systems
Lu et al. Application of autoassociative neural network on gas-path sensor data validation
CN117933065A (zh) 一种液体火箭发动机的寿命评估方法
CN111191770B (zh) 一种基于模糊神经网络的火箭系统健康状态评估方法
Fentaye et al. Hybrid model-based and data-driven diagnostic algorithm for gas turbine engines
Zhang et al. Hierarchical hybrid testability modeling and evaluation method based on information fusion
Dinca et al. A model-based probabilistic approach for fault detection and identification with application to the diagnosis of automotive engines
Niculita et al. Design for diagnostics and prognostics: A physical-functional approach
Berenji et al. Inductive learning for fault diagnosis
CN110688152B (zh) 一种结合软件开发质量信息的软件可靠性定量评估方法
Sun et al. Bayesian network-based multiple sources information fusion mechanism for gas path analysis
Zarate et al. Computation and monitoring of the deviations of gas turbine unmeasured parameters
Lilleheier Analysis of commom cause failures in complex safety instrumented systems
Azevedo et al. Online simulation of methods to predict the remaining useful lifetime of aircraft components
Alexander et al. Gas turbine engine fault diagnostics using fuzzy concepts
Sampath Fault diagnostics for advanced cycle marine gas turbine using genetic algorithm
Tang et al. Automated Contingency Management Design for Advanced Propulsion Systems
Eustace A Real-World Application of Fuzzy Logic and Influence Coefficients for Gas Turbine Performance Diagnostics
Arkov et al. Application of Markov chains to identification of turbine engine dynamic models
Tulpule Pattern classification approach to rocket engine diagnostics
Loboda et al. Adjustment and Validation of Monitoring System Algorithms on the Simulated Historical Data of an Aircraft Engine Fleet

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant