CN112069724A - 一种基于长短时记忆自编码器的火箭健康度评估方法 - Google Patents

一种基于长短时记忆自编码器的火箭健康度评估方法 Download PDF

Info

Publication number
CN112069724A
CN112069724A CN202010705690.6A CN202010705690A CN112069724A CN 112069724 A CN112069724 A CN 112069724A CN 202010705690 A CN202010705690 A CN 202010705690A CN 112069724 A CN112069724 A CN 112069724A
Authority
CN
China
Prior art keywords
long
data
short
time
encoder
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
CN202010705690.6A
Other languages
English (en)
Other versions
CN112069724B (zh
Inventor
谢立
张元明
绍硕
黄兴
张婷婷
程程
况羿
王伟哲
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.)
Shanghai Aerospace System Engineering Institute
Original Assignee
Shanghai Aerospace System Engineering Institute
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 Shanghai Aerospace System Engineering Institute filed Critical Shanghai Aerospace System Engineering Institute
Priority to CN202010705690.6A priority Critical patent/CN112069724B/zh
Publication of CN112069724A publication Critical patent/CN112069724A/zh
Application granted granted Critical
Publication of CN112069724B publication Critical patent/CN112069724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于长短时记忆自编码器的火箭健康度评估方法，属于发动机健康诊断技术领域，通过将长短时记忆单元作为构建网络模型的基本单元，以自编码器为框架构建模型，对原始数据进行压缩编码，再解码并于原始数据进行比对，通过两者之间的误差水平判定数据健康度。本发明采用长短时记忆自编码器的模型对地面数据进行训练，所获得模型可用于火箭飞行过程中发动机数据诊断，经对历史飞行数据验证，可有效排除测量故障，诊断准确率大于95％，虚警率低于5％，可以较为准确地实现健康度评估。

Description

一种基于长短时记忆自编码器的火箭健康度评估方法
技术领域
本发明涉及一种基于长短时记忆自编码器的运载火箭发动机健康诊断模型训练方法，属于发动机健康诊断技术领域。
背景技术
航空航天一直是我国战略部署中相当重要的一个板块，作为航天的动力源泉的火箭发动机更是显得尤为重要。在火箭发射任务中，发动机性能及发动机推力在发射过程中起着决定性的作用，如何在发射过程中，以高效、高可靠的手段评价发动机健康状态，是火箭动力冗余控制的关键。当前主流检测方法主要包括参数阈值检测，数学模型预测等，这些手段依赖于对发动机各部件模型系数固定，不能很好的动态反应发动机各个参数间内在联系，对不同发动机工艺上的差异性不能很好的匹配，对发动机工况诊断结果可靠度较低，不足以满足作为火箭判断动力异常与否的依据。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供了一种基于长短时记忆自编码器的火箭健康度评估方法，通过将长短时记忆单元作为构建网络模型的基本单元，以自编码器为框架构建模型，对原始数据进行压缩编码，再解码并于原始数据进行比对，通过两者之间的误差水平判定数据健康度。
本发明目的通过以下技术方案予以实现：
一种基于长短时记忆自编码器的火箭健康度评估方法，包括如下步骤：
S1、测量并采集运载火箭发动机启动过程中的原始数据，然后进行预处理；
S2、将预处理后的数据分为训练集和测试集；
S3、根据原始数据的维数，建立长短时记忆自编码器模型，并初始化模型参数；
S4、利用训练集对长短时记忆自编码器模型进行多代训练，使得长短时记忆自编码器模型损失收敛，并达到预设训练代数后，获得训练好的长短时记忆自编码器模型；
S5、利用训练好的长短时记忆自编码器模型计算测试集的输出，然后根据测试集、预设阈值，计算运载火箭发动机健康度。
上述基于长短时记忆自编码器的火箭健康度评估方法，优选的，S1中所述的预处理采用min-max标准化方法，即：
Figure BDA0002594601850000021
其中x′为标准化后的数据样本，x为标准化前的数据样本，xmin为x中的最小值，xmax为x中的最大值。
上述基于长短时记忆自编码器的火箭健康度评估方法，优选的，S2中划分训练集和测试集的方法为：将正常的原始数据选出作为训练集，测量错误的数据选出作为测试集。
上述基于长短时记忆自编码器的火箭健康度评估方法，优选的，所述长短时记忆自编码器模型包括若干编码层和若干解码层；所述编码层用于对数据样本进行特征提取；所述解码层用于将提取的特征还原成与输入样本格式一致的矩阵。
上述基于长短时记忆自编码器的火箭健康度评估方法，优选的，S4中，在进行多代训练时，每一代均从训练集中划分验证集，用于检验长短时记忆自编码器模型的训练效果，同时用于判断长短时记忆自编码器模型是否过拟合。
上述基于长短时记忆自编码器的火箭健康度评估方法，优选的，计算训练好的长短时记忆自编码器模型计算测试集的输出，与，测试集的差值的绝对值后，减去预设阈值，最后计算运载火箭发动机健康度。
一种基于长短时记忆自编码器的火箭健康度评估系统，包括数据输入模块、样本训练模块、数据监测模块；
所述数据输入模块用于输入火箭发动机原始数据，并进行数据处理；
所述样本训练模块采用权利要求1所述的方法利用处理后的火箭发动机的样本数据训练模型，确定模型参数；
所述数据监测模块用于监测火箭发动机的实时数据，并利用所述样本训练模块实时确定运载火箭发动机健康度。
上述基于长短时记忆自编码器的火箭健康度评估系统，优选的，S2中划分训练集和测试集的方法为：将正常的原始数据选出作为训练集，测量错误的数据选出作为测试集。
上述基于长短时记忆自编码器的火箭健康度评估系统，优选的，S4中，在进行多代训练时，每一代均从训练集中划分验证集，用于检验长短时记忆自编码器模型的训练效果，同时用于判断长短时记忆自编码器模型是否过拟合。
上述基于长短时记忆自编码器的火箭健康度评估系统，优选的，计算训练好的长短时记忆自编码器模型计算测试集的输出，与，测试集的差值的绝对值后，减去预设阈值，最后计算运载火箭发动机健康度。
本发明相比于现有技术具有如下有益效果：
本发明采用长短时记忆自编码器的模型对地面数据进行训练，所获得模型可用于火箭飞行过程中发动机数据诊断，经对历史飞行数据验证，可有效排除测量故障，诊断准确率大于95％，虚警率低于5％，可以较为准确地实现健康度评估。
附图说明
图1为健康度评估系统示意图；
图2为样本训练模块工作示意图；
图3为数据监测模块工作示意图；
图4为长短时记忆单元示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步详细描述。
一种基于长短时记忆自编码器的火箭健康度评估方法，包括如下步骤：
S1、测量并采集运载火箭发动机启动过程中的原始数据，然后进行预处理；
S2、将预处理后的数据分为训练集和测试集；
S3、根据原始数据的维数，建立长短时记忆自编码器模型，并初始化模型参数；
S4、利用训练集对长短时记忆自编码器模型进行多代训练，使得长短时记忆自编码器模型损失收敛，并达到预设训练代数后，获得训练好的长短时记忆自编码器模型；
S5、利用训练好的长短时记忆自编码器模型计算测试集的输出，然后根据测试集、预设阈值，计算运载火箭发动机健康度。
作为本发明的一种优选方案，S1中所述的预处理采用min-max标准化方法，即：
Figure BDA0002594601850000041
其中x′为标准化后的数据样本，x为标准化前的数据样本，xmin为x中的最小值，xmax为x中的最大值。
作为本发明的一种优选方案，S2中划分训练集和测试集的方法为：将正常的原始数据选出作为训练集，测量错误的数据选出作为测试集。
作为本发明的一种优选方案，所述长短时记忆自编码器模型包括若干编码层和若干解码层；所述编码层用于对数据样本进行特征提取；所述解码层用于将提取的特征还原成与输入样本格式一致的矩阵。
作为本发明的一种优选方案，S4中，在进行多代训练时，每一代均从训练集中划分验证集，用于检验长短时记忆自编码器模型的训练效果，同时用于判断长短时记忆自编码器模型是否过拟合。
作为本发明的一种优选方案，计算训练好的长短时记忆自编码器模型计算测试集的输出，与，测试集的差值的绝对值后，减去预设阈值，最后计算运载火箭发动机健康度。
一种基于长短时记忆自编码器的火箭健康度评估系统，包括数据输入模块、样本训练模块、数据监测模块；
所述数据输入模块用于输入火箭发动机原始数据，并进行数据处理；
所述样本训练模块采用权利要求1所述的方法利用处理后的火箭发动机的样本数据训练模型，确定模型参数；
所述数据监测模块用于监测火箭发动机的实时数据，并利用所述样本训练模块实时确定运载火箭发动机健康度。
实施例1：
一种基于长短时记忆自编码器的火箭健康度评估方法。该方法利用长短时记忆单元处理时序数据的优势，结合自编码器进行无监督学习，自动对火箭正常启动过程中的原始数据进行特征提取，还原从而实现火箭异常监测，并结合健康度计算函数进行健康度估计。具体包括以下步骤：
1、将已采集好的火箭中各传感器的原始数据的多个数据样本X进行预处理后得到
Figure BDA0002594601850000052
并保留预处理参数Xmax,Xmin。
所述预处理步骤分为两步：标准化以及数据格式更改。
所述标准化采用min-max标准化方法，即：
Figure BDA0002594601850000051
其中x′为标准化后的数据样本，x为标准化前的数据样本，xmin为x中的最小值，xmax为x中的最大值。
所述数据格式更改为将数据格式修改为LSTM需求输入格式，具体为：原输入数据格式为(n,d)，n为样本个数，d是特征维数。长短时记忆单元需要的输入格式为(samples,timestep,input_dim)，其中：samples为样本个数，即n；input_dim即特征维数，即d；timestep为时间步长，可根据需求设定，此处选用时间步长为1，即将原数据格式变为(n,1,)，如果需要设置更长时间步长，仅需在调用数据输入模块中的函数时传入所需的时间步长即可，则对应的数据格式为(n-t+1,t,d)，其中t为时间步长。
2、将预处理之后的数据划分为训练集Dtrain和测试集Dtest。
3、根据原始数据维数(原始数据指标个数)搭建长短时记忆自编码器模型LSTM-AE，并初始化参数：各LSTM层的参数Wf,Wi,Wc,Wo,bf,bi,bc,bo，其包含若干编码层(Encoder)和若干解码层(Decoder)，其中编码层用于对数据样本进行特征提取；解码层用于将提取的特征还原成与输入的数据样本格式一致的矩阵。
4、利用训练集对长短时记忆自编码器初始模型进行训练以获得模型的各参数Wf,Wi,Wc,Wo,bf,bi,bc,bo的值，并将该参数进行保存。
5、训练过程分为多代训练，每一代随机以0.05的比例从训练集Dtrain中划分出验证集Dvalidation进行交叉验证以检验模型的训练效果以及判断模型是否过拟合。
6、利用存储的预处理参数Xmax,Xmin将待测数据进行预处理后，传入训练好的模型以获得自编码器还原的结果，求得该结果与真实数据的差值绝对值Difference1，并在减去预设的阈值Threshold得到Difference2传入健康度计算函数得到火箭健康度Healthrate。
所述设定的阈值Threshold是由正常数据的输出拟合求得的。具体为：模型训练结束以后，获取所有正常数据的输出，求得均值μ以及方差σ2。然后使用如下公式拟合得到阈值。
Figure BDA0002594601850000061
本实施例中，该值计算结果为0.01423。
所述测试数据为发动机性能数据。
实施例2：
如图1所示，本实施例涉及一种基于长短时记忆自编码器的火箭健康度评估系统，包括：数据输入模块、样本训练模块、数据监测模块。其中：数据输入模块用于输入火箭发动机关键原始数据并初步更改数据格式以符合长短时记忆单元的输入需求；样本训练模块利用样本数据训练模型，更新参数并将最终训练好的模型参数保存；数据检测模块利用训练好的模型对数据进行实时监测，绘制数据曲线，展示数据实时健康度。
所述原始数据为发动机性能数据。
如图2和图3所示，本实施例涉及基于上述系统的运载火箭发动机健康诊断方法，具体包括以下步骤：
步骤1：输入测量所得到的发动机性能原始数据，进行标准化并保留标准化参数，更改数据格式以满足后续输入要求。
所述原始数据包括：主涡轮泵转速(nt)，煤油一级泵出口压力(Pepf1)，推力室点火路压力(Pigc)，点火导管前压力(Piti)。
所述原始数据的存储格式如表1所示。
表1
字段名称 字母代号 数据类型 单位
主涡轮泵转速 Nt Float r/m
煤油一级泵出口压力 Pepf1 Float MPa
推力室点火路压力 Pigc Float MPa
点火导管前压力 Piti Float MPa
所述原始数据实例如表2所示。
表2
Pepf1 Nt Piti Pigc
0.36 0 0.54 0.16
0.36 0 0.53 0.16
0.36 0 0.53 0.16
0.36 0 0.53 0.16
0.37 0 0.53 0.16
所述标准化步骤采用min-max标准化方法，即：
Figure BDA0002594601850000071
其中x′为标准化后的数据样本，x为标准化前的数据样本，xmin为x中的最小值，xmax为x中的最大值。
所述标准化参数即为xmin以及xmax，此后对待测样本的标准化过程也使用这两个值而非待测样本的对应值。
所述更改数据格式具体为：原输入数据格式为(n,4)，n为样本个数，4是特征维数，也即上述主涡轮泵转速、煤油一级泵出口压力、推力室点火路压力、点火导管前压力四个参数指标。长短时记忆单元需要的输入格式为(samples,timestep,input_dim)，其中：samples为样本个数，即n；input_dim即特征维数，即4；timestep为时间步长，可根据需求设定，此处选用时间步长为1，即将原数据格式变为(n,1,4)，如果需要设置更长时间步长，仅需在调用数据输入模块中的函数时传入所需的时间步长即可，则对应的数据格式为(n-t+1,t,4)，其中t为时间步长。
假设输入数据为[[1,2],[3,4],[5,6],[7,8]]，所需时间步长为2，则更改数据格式后的数据为：[[[1,2],[3,4]],[[3,4],[5,6]],[[5,6],[7,8]]]。
步骤2：将全部原始数据划分为训练集和测试集，将正常的原始数据选出作为训练集，测量错误的数据选出作为测试集。若全为正常数据则可按一定比例划分训练、测试集。
步骤3：根据输入数据格式(原始数据指标个数)建立自动长短时记忆编码器模型，随机初始化各矩阵权重，并选择平均绝对误差为损失函数，Adam优化器为优化器。
所述长短时记忆自动编码器模型结构及参数数量如表3所示
表3
Figure BDA0002594601850000081
Figure BDA0002594601850000091
所述模型中lstm(longshorttermmemory，即为长短时记忆)层均采用Relu函数作为激活函数，其公式为：
Figure BDA0002594601850000092
其中x为上一层长短时记忆单元的输出，y为传递到下一层长短时记忆单元的输入。
所述长短时记忆单元结构如图4所示，其中各值计算公式如下：
Figure BDA0002594601850000093
ft＝σ(Wf·[ht-1,xt]+bf) ⑷
it＝σ(Wi·[ht-1,xt]+bi) ⑸
Figure BDA0002594601850000094
ot＝σ(Wo·[ht-1,xt]+bo) ⑺
ht＝ot×tanh(Ct) ⑻
其中ft是遗忘门，是一个向量其中每个元素均位于[0,1]范围内，用于表示Ct-1的哪些特征将被用于计算Ct。用sigmoid函数作为激活函数(即σ(·))
Figure BDA0002594601850000095
表示单元状态更新值，由输入数据xt和隐节点ht-1经由一个神经网络层得到，单元状态更新值的激活函数常使用tanh(·)。it叫输入门，同样是一个每个元素均位于[0,1]范围内的向量，用于控制
Figure BDA0002594601850000096
中的哪些特征用于更新Ct。ot是输出门，同样是一个每个元素均位于[0,1]范围内的向量，其与Ct结合用于计算长短时记忆单元的输出ht。
所述损失函数为：
Figure BDA0002594601850000101
其中num为样本个数，y1为最终模型输出，x1为原始数据，也即模型输入
表3中各LSTM层所需训练参数个数满足如下公式：
Param＝4×((input_dim+output_dim)×output_dim+output_dim) ⑽
其中input_dim为输入的特征维数，output_dim为输出的特征维数，以第一个LSTM层举例，其输入维数是4，输出维数是16，则其所需要训练的参数个数为：
4×((4+16)×16+16)＝1344
表3中InputLayer为输入层，代表输入数据，故无训练参数。
表3中Repeatvector层为整理数据格式层，故无训练参数。
表3中Timedisributed层本质为全连接层，其参数个数计算公式为：
Param＝input_×timestep×output_dim+output_din×timestep ⑾
具体为：
16×4×1+4×1＝68
步骤4：利用已经处理好的原始数据训练作为训练样本对已构建好的模型进行训练，计算模型对于原始数据的输出。
所述训练过程采用批训练，批尺寸为32，即每次取出32个样本进行训练，对应的数据格式为(32,1,4)。
所述训练过程将模型进行多代训练，默认训练代数为5代，经过观察，训练3代以后模型损失收敛。
所述训练过程使用反向传播算法，可表示为
Figure BDA0002594601850000102
其中W为权重矩阵，：＝为赋值运算，η为学习率，
Figure BDA0002594601850000103
为损失函数对权重矩阵的梯度。
步骤5：计算最终输出与原始输入的绝对误差，即计算loss。
步骤6：利用反向传播算法计算各神经元(长短时记忆单元本质为多层神经网络)更新各神经元矩阵参数，并判断是否完成预设训练代数，如果已完成预设训练代数则进入步骤7，否则进入步骤4。
步骤7：运用步骤4至步骤6训练好的模型计算待测原始数据的输出y。
步骤8：计算该输出与待测原始数据的差值绝对值，即：
difference1＝|y-x| ⒀
其中x和y的形状均为(n,1,4)
步骤9：将difference1减去预设阈值threshold得到其与阈值的差值，即：
diffenrece2＝difference1-threshold ⒁
所述阈值指对异常数据和正常数据的划分阈值，表征对数据波动的容忍度，数值越小则对于数据波动越敏感。
本实施例中阈值是由正常数据的输出拟合求得的。具体为：模型训练结束以后，获取所有正常数据的输出，求得均值μ以及方差σ2。然后使用如下公式拟合得到阈值。
Figure BDA0002594601850000111
本实施例中，该值计算结果越为0.01423。
步骤10：将difference2传入健康度计算函数，得到该原始数据健康度。
所述健康度计算函数为经过修改的sigmoid函数，因为数据经过标准化，值均比较小，最后算出来的误差绝对值以及与阈值的差值也比较小，故在送入函数计算健康度前先进行放缩处理。放缩处理函数如下：
target＝(1(difference2)*w+b)*(difference2) ⒂
其中w,b为均为预设的权值矩阵，与1(difference2＜0)结合可对低于阈值和高于阈值的数据分别做扩大处理。其中1(difference2＜0)具体为：
Figure BDA0002594601850000112
最终健康度计算函数如下：
Figure BDA0002594601850000121
其中difference2的形状为(n,1,4)，i,j,w分别为三个维度的下标。
步骤11：利用matplotlib以及tkinter制作UI界面实时展示待测原始数据曲线与实时健康度评估。
模型训练完成后，用一组正常数据以及两组不同异常数据共计三组数据测试后结果如表4(测试数据平均健康度汇总表)、表5所示。
表4
指标 正常数据 降电平异常数据 参数缓慢下降异常数据
Pepf1 0.914 0.205 0.166
Nt 0.946 0.016 0.127
Piti 0.959 0.038 0.104
Pigc 0.962 0.25 0.357
表5模型作为分类器预测准确度汇总表，即分别使用正常数据和两种异常数据进行验证。将健康度低于90的数据作为异常数据，分别测试异常数据和正常数据根据上述方法所判断的正确率，其具体值如下表所示。
表5
Figure BDA0002594601850000122
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种基于长短时记忆自编码器的火箭健康度评估方法，其特征在于，包括如下步骤：
S1、测量并采集运载火箭发动机启动过程中的原始数据，然后进行预处理；
S2、将预处理后的数据分为训练集和测试集；
83、根据原始数据的维数，建立长短时记忆自编码器模型，并初始化模型参数；
S4、利用训练集对长短时记忆自编码器模型进行多代训练，使得长短时记忆自编码器模型损失收敛，并达到预设训练代数后，获得训练好的长短时记忆自编码器模型；
S5、利用训练好的长短时记忆自编码器模型计算测试集的输出，然后根据测试集、预设阈值，计算运载火箭发动机健康度。
2.根据权利要求1所述的一种基于长短时记忆自编码器的火箭健康度评估方法，其特征在于，S1中所述的预处理采用min-max标准化方法，即：
Figure FDA0002594601840000011
其中x′为标准化后的数据样本，x为标准化前的数据样本，xmin为x中的最小值，xmax为x中的最大值。
3.根据权利要求1所述的一种基于长短时记忆自编码器的火箭健康度评估方法，其特征在于，S2中划分训练集和测试集的方法为：将正常的原始数据选出作为训练集，测量错误的数据选出作为测试集。
4.根据权利要求1～3之一所述的一种基于长短时记忆自编码器的火箭健康度评估方法，其特征在于，所述长短时记忆自编码器模型包括若干编码层和若干解码层；所述编码层用于对数据样本进行特征提取；所述解码层用于将提取的特征还原成与输入样本格式一致的矩阵。
5.根据权利要求1～3之一所述的一种基于长短时记忆自编码器的火箭健康度评估方法，其特征在于，S4中，在进行多代训练时，每一代均从训练集中划分验证集，用于检验长短时记忆自编码器模型的训练效果，同时用于判断长短时记忆自编码器模型是否过拟合。
6.根据权利要求1～3之一所述的一种基于长短时记忆自编码器的火箭健康度评估方法，其特征在于，计算训练好的长短时记忆自编码器模型计算测试集的输出，与，测试集的差值的绝对值后，减去预设阈值，最后计算运载火箭发动机健康度。
7.一种基于长短时记忆自编码器的火箭健康度评估系统，其特征在于，包括数据输入模块、样本训练模块、数据监测模块；
所述数据输入模块用于输入火箭发动机原始数据，并进行数据处理；
所述样本训练模块采用权利要求1所述的方法利用处理后的火箭发动机的样本数据训练模型，确定模型参数；
所述数据监测模块用于监测火箭发动机的实时数据，并利用所述样本训练模块实时确定运载火箭发动机健康度。
8.根据权利要求7所述的一种基于长短时记忆自编码器的火箭健康度评估系统，其特征在于，S2中划分训练集和测试集的方法为：将正常的原始数据选出作为训练集，测量错误的数据选出作为测试集。
9.根据权利要求7所述的一种基于长短时记忆自编码器的火箭健康度评估系统，其特征在于，S4中，在进行多代训练时，每一代均从训练集中划分验证集，用于检验长短时记忆自编码器模型的训练效果，同时用于判断长短时记忆自编码器模型是否过拟合。
10.根据权利要求7所述的一种基于长短时记忆自编码器的火箭健康度评估系统，其特征在于，计算训练好的长短时记忆自编码器模型计算测试集的输出，与，测试集的差值的绝对值后，减去预设阈值，最后计算运载火箭发动机健康度。
CN202010705690.6A 2020-07-21 2020-07-21 一种基于长短时记忆自编码器的火箭健康度评估方法 Active CN112069724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010705690.6A CN112069724B (zh) 2020-07-21 2020-07-21 一种基于长短时记忆自编码器的火箭健康度评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010705690.6A CN112069724B (zh) 2020-07-21 2020-07-21 一种基于长短时记忆自编码器的火箭健康度评估方法

Publications (2)

Publication Number Publication Date
CN112069724A true CN112069724A (zh) 2020-12-11
CN112069724B CN112069724B (zh) 2023-06-20

Family

ID=73656534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010705690.6A Active CN112069724B (zh) 2020-07-21 2020-07-21 一种基于长短时记忆自编码器的火箭健康度评估方法

Country Status (1)

Country Link
CN (1) CN112069724B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114688926A (zh) * 2022-03-22 2022-07-01 中国运载火箭技术研究院 一种运载火箭健康检测验证评估系统和方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520301A (zh) * 2018-04-17 2018-09-11 重庆大学 一种基于深度置信网络的电路间歇故障诊断方法
CN108805015A (zh) * 2018-04-26 2018-11-13 常州大学 加权卷积自编码长短期记忆网络人群异常检测方法
CN109184931A (zh) * 2018-11-13 2019-01-11 山东交通学院 沼气内燃发电机组的主动控制系统及方法
CN109408552A (zh) * 2018-08-08 2019-03-01 南京航空航天大学 基于lstm-ae深度学习框架的民机系统故障监测与识别方法
CN109779736A (zh) * 2019-03-20 2019-05-21 山东交通学院 一种发动机电控硅油风扇的节能优化控制方法及系统
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
CN110705181A (zh) * 2019-10-13 2020-01-17 重庆交通大学 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法
US20200167966A1 (en) * 2018-11-27 2020-05-28 Raytheon Company Computer architecture for artificial image generation using auto-encoder
CN111310672A (zh) * 2020-02-19 2020-06-19 广州数锐智能科技有限公司 基于时序多模型融合建模的视频情感识别方法、装置及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520301A (zh) * 2018-04-17 2018-09-11 重庆大学 一种基于深度置信网络的电路间歇故障诊断方法
CN108805015A (zh) * 2018-04-26 2018-11-13 常州大学 加权卷积自编码长短期记忆网络人群异常检测方法
CN109408552A (zh) * 2018-08-08 2019-03-01 南京航空航天大学 基于lstm-ae深度学习框架的民机系统故障监测与识别方法
CN109184931A (zh) * 2018-11-13 2019-01-11 山东交通学院 沼气内燃发电机组的主动控制系统及方法
US20200167966A1 (en) * 2018-11-27 2020-05-28 Raytheon Company Computer architecture for artificial image generation using auto-encoder
CN109779736A (zh) * 2019-03-20 2019-05-21 山东交通学院 一种发动机电控硅油风扇的节能优化控制方法及系统
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
CN110705181A (zh) * 2019-10-13 2020-01-17 重庆交通大学 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法
CN111310672A (zh) * 2020-02-19 2020-06-19 广州数锐智能科技有限公司 基于时序多模型融合建模的视频情感识别方法、装置及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114688926A (zh) * 2022-03-22 2022-07-01 中国运载火箭技术研究院 一种运载火箭健康检测验证评估系统和方法

Also Published As

Publication number Publication date
CN112069724B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
US10373056B1 (en) Unsupervised model building for clustering and anomaly detection
CN110207997B (zh) 基于卷积自编码器的液体火箭发动机故障检测方法
CN109447263B (zh) 一种基于生成对抗网络的航天异常事件检测方法
CN110542819B (zh) 一种基于半监督dbnc的变压器故障类型诊断方法
CN110376522A (zh) 一种数据融合的深度学习网络的电机故障诊断方法
CN113255546B (zh) 一种用于飞机系统传感器故障的诊断方法
CN112036513A (zh) 基于内存增强潜在空间自回归的图像异常检测方法
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
CN114048468A (zh) 入侵检测的方法、入侵检测模型训练的方法、装置及介质
CN112465124A (zh) 孪生深度时空神经网络模型获取/故障诊断方法、装置
CN116086790A (zh) 氢燃料电池高压阀的性能检测方法及其系统
CN111079348B (zh) 一种缓变信号检测方法和装置
CN113537352A (zh) 传感器异常值监测方法、装置、计算机设备及存储介质
CN112069724A (zh) 一种基于长短时记忆自编码器的火箭健康度评估方法
CN114662327A (zh) 一种用于auv舱内泄露监测的辅助方法
CN114548154A (zh) 一种重要厂用水泵智能诊断的方法及装置
CN112711530A (zh) 一种基于机器学习的代码风险预测方法及系统
CN101813747B (zh) 基于维纳核和神经网络的非线性模拟电路故障诊断方法
CN111914424A (zh) 一种基于短期测风资料的设计风速取值方法及系统
CN112836990B (zh) 隧道监测设备故障判断方法、装置及电子设备
CN116611184A (zh) 一种齿轮箱的故障检测方法、装置及介质
CN113409213B (zh) 柱塞泵故障信号时频图降噪增强方法和系统
CN111881988B (zh) 基于少数类过采样方法的异质不平衡数据故障检测方法
CN112560252A (zh) 一种航空发动机剩余寿命预测方法
CN116701948B (zh) 管道故障诊断方法及系统、存储介质和管道故障诊断设备

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