CN112766408A - 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 - Google Patents
基于主元分析和多层超限学习机的飞行器微小故障诊断方法 Download PDFInfo
- Publication number
- CN112766408A CN112766408A CN202110127254.XA CN202110127254A CN112766408A CN 112766408 A CN112766408 A CN 112766408A CN 202110127254 A CN202110127254 A CN 202110127254A CN 112766408 A CN112766408 A CN 112766408A
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- principal component
- matrix
- learning machine
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000010410 layer Substances 0.000 abstract description 39
- 230000009467 reduction Effects 0.000 abstract description 2
- 239000002356 single layer Substances 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于主元分析和多层超限学习机的飞行器微小故障诊断方法,属于飞行器动态系统微小故障诊断领域。基于带标签的故障样本原始数据,采用主元分析法进行特征提取和降噪;构造多层超限学习机,进行在线序列学习训练;把待检测的系统实际数据,进行主元分析法提取特征和去噪后,在线输入多层超限学习机网络,基于输出权重矩阵,计算实际数据的在线网络输出值,把输出值和故障样本的标签值相比较进行故障判定。突破了目前已有单层超限学习机诊断精度低、不能快速发现早期微小故障的局限,提高了早期微小故障诊断的准确性。
Description
技术领域
本发明涉及飞行器故障诊断领域的基于数据的微小故障诊断方法,具体涉及一种基于主元分析和多层超限学习机的飞行器微小故障诊断方法,属于飞行器动态系统微小故障诊断领域。
背景技术
空天飞行器系统的结构逐渐趋于复杂,功能越来越强大。同时,对其的安全性和可靠性要求也越来越高。空天飞行器运行环境复杂,且地面测试系统具有较多局限性,因此空天飞行器运行过程中容易发生故障,空天飞行器一旦发生故障,将影响空天飞行器正常工作,导致空天飞行器飞行活动的失败甚至空天飞行器损毁。所以,空天飞行器的故障诊断技术对于其飞行任务的成败起到至关重要的作用,而对空天飞行器进行早期微小故障诊断,可以有效预防重大故障的发生,对于空天飞行器飞行活动的顺利进行具有十分重要的意义。
《主成分分析和超限学习机的模拟电路故障诊断》(高坤,何怡刚,谭阳红,薄祥雷,童耀南,《计算机工程与应用》,2016年第52期第9卷)一文中提出了一种基于主成分分析和极限学习机相结合的模拟电路故障诊断方法,该方法采用主成分分析降维,然后采用极限学习机进行故障分类识别,达到了故障诊断的目的,但是对于空天飞行器微小故障来说,该方法故障分类受到了一定局限性,无法对早期微小故障进行很好的分类。本发明提供的多层超限学习机方法增加了隐含层数,能够充分提取故障的内在信息,从而对微小故障进行有效诊断,并且相比于深度学习计算量更少。
发明内容
要解决的技术问题
为了克服目前空天飞行器姿态系统早期微小故障难以诊断的缺陷,本发明提出一种基于主元分析和多层超限学习机的飞行器微小故障诊断方法,该方法能够充分地挖掘微小故障特征,在线序列诊断微小故障,解决了微小故障在线诊断的难题。
技术方案
一种基于主元分析和多层超限学习机的飞行器微小故障诊断方法,其特征在于步
骤如下:
步骤1:采用主元分析法对基于系统带标签的故障样本原始数据进行提取特征和去噪;
1)对除去故障标签的p维空间中的n个原始数据矩阵Xn×p进行数据标准化;
原始数据标准化有:
2)计算原始矩阵Xn×p的相关系数矩阵R,即
其中rij,为原变量xi与xj的相关系数,i,j=1,2,…,p,其计算公式为
3)对相关系数矩阵R进行特征分析,由R的特征方程|R-λI|=0,其中I为单位阵,可得R的p个特征值λi,i=1,2,…,p,其中,λ1≥λ2≥…≥λp≥0;特征向量为
U=(U1,U2,…,Up)
其中特征值按照从大到小的顺序排列,对应的特征向量也做相应排列;
4)计算主成分贡献率及累计贡献率:
其中,ηi为方差贡献率,ηΣ(m)为累计方差贡献率分别为取累计贡献率满足要求的90%关键主成分,即令ηΣ(m)>90%,求取关键主成分的个数m;
5)提取的主成分样本,第i个主成分定义为
其中,m为关键主成分的个数;
步骤2:构造多层超限学习机,进行在线序列学习训练;
2)计算初始的隐含层输出矩阵H0,有
其中g(·)为激活函数;
3)计算初始的输出权重矩阵β0,有
其中
4)设k=0,k为块数,表示初始化学习阶段;
6)计算隐含层输出矩阵Hk+1,有
在线序列学习;利用新样本递推更新输出权重矩阵βk+1,直到k=N;
计算输出权重矩阵βk+1,有
其中
令k=k+1,转至在线学习阶段步骤1)直到k=N结束;
步骤3:针对实际系统数据,进行微小故障诊断
本发明技术方案更进一步的说:步骤3中的激活函数为Sigmiod函数。
有益效果
本发明针对空天飞行器姿态系统执行机构微小故障提出了一种基于数据的智能故障诊断方法,采用主元分析法进行故障特征提取和去噪,构造了多层超限学习机进行微小故障分类,进一步诊断出微小故障,突破了目前已有单层超限学习机诊断精度低、不能快速发现早期微小故障的局限,提高了早期微小故障诊断的准确性。
此外,本发明针对空天飞行器姿态系统执行机构微小故障智能诊断实时性和计算量平衡的问题,采用在线序列多层超限学习机进行故障分类,保证了训练的实时性,相比与深度学习算法,减少了计算量,利于工业中实时故障诊断,扩展了实际工程应用范围。
附图说明
图1本发明流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
为了提高飞行器飞行过程的安全性和可靠性,本发明提出一种基于主元分析和多层超限学习机的飞行器微小故障诊断方法,解决了飞行器执行机构早期微小故障在线诊断难题。
下面结合空天飞行器姿态系统中舵机等执行机构微小故障诊断过程阐述本发明的具体实施方式:
执行步骤一:基于带标签的故障样本原始数据,采用主元分析法进行特征提取和降噪;
考虑空天飞行器绕质心转动的动力学方程,并且只考虑重力、空气动力和发动机的推力。取航天器本体坐标系OXbYbZb为动坐标系,建立空天飞行器绕质心旋转运动的动力学方程为:
式中,Jx、Jy、Jz分别为航天器相对航天器本体坐标系OXbYbZb3个坐标轴的转动惯量;ωx、ωy、ωz分别为航天器相对于地心惯性坐标系坐标系OXiYiZi的旋转角速度矢量在航天器本体坐标系各轴上的投影分量;Mx、My、Mz分别为作用在空天飞行器上的所有外力对质心之力矩在航天器本体坐标系各轴上的分量。假设空天飞行器在飞行过程中受到的扰动为正弦扰动,同时假设系统噪声ω(k)和v(k)为零均值高斯白噪声。在外力Mx、My、Mz上注入执行机构微小故障,生成不同微小故障下的样本数据共n组,并进行标签标记。
1)对除去故障标签的p维空间中的n个原始数据矩阵Xn×p进行数据标准化;
原始数据标准化有:
2)计算原始矩阵Xn×p的相关系数矩阵R,即
其中rij(i,j=1,2,…,p)为原变量xi与xj的相关系数,其计算公式为
3)对相关系数矩阵R进行特征分析,由R的特征方程|R-λI|=0,其中I为单位阵,可得R的p个特征值λi,i=1,2,…,p,其中,λ1≥λ2≥…≥λp≥0;特征向量为
U=(U1,U2,…,Up)
其中特征值按照从大到小的顺序排列,对应的特征矢量也做相应排列。
提取的主成分可记为
即
k=1,2,…,n j=1,2,…,n
4)计算主成分贡献率及累计贡献率:
其中,ηi为方差贡献率,ηΣ(m)为累计方差贡献率分别为取累计贡献率满足要求的90%关键主成分,即令ηΣ(m)>90%,求取关键主成分的个数m;
5)提取的主成分样本,第i个主成分定义为
其中,m为关键主成分的个数;
执行步骤二:构造多层超限学习机,进行在线序列学习训练;
2)计算初始的隐含层输出矩阵H0,有
其中g(·)为激活函数;
3)计算初始的输出权重矩阵β0,有
其中
4)设k=0,k为块数,表示初始化学习阶段;
6)计算隐含层输出矩阵Hk+1,有
在线序列学习;利用新样本递推更新输出权重矩阵βk+1,直到k=N;
计算输出权重矩阵βk+1,有
其中
令k=k+1,转至在线学习阶段步骤1)直到k=N结束;
步骤三:针对实际系统数据,进行微小故障诊断
本发明未详细说明部分属于领域技术人员公知常识。
Claims (2)
1.一种基于主元分析和多层超限学习机的飞行器微小故障诊断方法,其特征在于步骤如下:
步骤1:采用主元分析法对基于系统带标签的故障样本原始数据进行提取特征和去噪;
1)对除去故障标签的p维空间中的n个原始数据矩阵Xn×p进行数据标准化;
原始数据标准化有:
2)计算原始矩阵Xn×p的相关系数矩阵R,即
其中rij,为原变量xi与xj的相关系数,i,j=1,2,…,p,其计算公式为
3)对相关系数矩阵R进行特征分析,由R的特征方程|R-λI|=0,其中I为单位阵,可得R的p个特征值λi,i=1,2,…,p,其中,λ1≥λ2≥…≥λp≥0;特征向量为
U=(U1,U2,…,Up)
其中特征值按照从大到小的顺序排列,对应的特征向量也做相应排列;
4)计算主成分贡献率及累计贡献率:
其中,ηi为方差贡献率,ηΣ(m)为累计方差贡献率分别为取累计贡献率满足要求的90%关键主成分,即令ηΣ(m)>90%,求取关键主成分的个数m;
5)提取的主成分样本,第i个主成分定义为
其中,m为关键主成分的个数;
步骤2:构造多层超限学习机,进行在线序列学习训练;
2)计算初始的隐含层输出矩阵H0,有
其中g(·)为激活函数;
3)计算初始的输出权重矩阵β0,有
其中
4)设k=0,k为块数,表示初始化学习阶段;
6)计算隐含层输出矩阵Hk+1,有
在线序列学习;利用新样本递推更新输出权重矩阵βk+1,直到k=N;
计算输出权重矩阵βk+1,有
其中
令k=k+1,转至在线学习阶段步骤1)直到k=N结束;
步骤3:针对实际系统数据,进行微小故障诊断
2.根据权利要求1所述的一种基于主元分析和多层超限学习机的飞行器微小故障诊断方法,其特征在于步骤3中的激活函数为Sigmiod函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127254.XA CN112766408B (zh) | 2021-01-29 | 2021-01-29 | 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110127254.XA CN112766408B (zh) | 2021-01-29 | 2021-01-29 | 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766408A true CN112766408A (zh) | 2021-05-07 |
CN112766408B CN112766408B (zh) | 2024-05-14 |
Family
ID=75703764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110127254.XA Active CN112766408B (zh) | 2021-01-29 | 2021-01-29 | 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766408B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569463A (zh) * | 2021-06-17 | 2021-10-29 | 南京理工大学 | 基于极限学习的弹丸气动系数辨识方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012040916A1 (zh) * | 2010-09-29 | 2012-04-05 | 东北大学 | 基于递归核主元分析的连续退火过程故障监测方法 |
CN106597260A (zh) * | 2016-12-29 | 2017-04-26 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN109766952A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
-
2021
- 2021-01-29 CN CN202110127254.XA patent/CN112766408B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012040916A1 (zh) * | 2010-09-29 | 2012-04-05 | 东北大学 | 基于递归核主元分析的连续退火过程故障监测方法 |
CN106597260A (zh) * | 2016-12-29 | 2017-04-26 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN109766952A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 |
Non-Patent Citations (3)
Title |
---|
曾祥辉;兰媛;黄家海;胡晋伟;魏晋宏;武兵;: "基于核超限学习机的轴向柱塞泵故障诊断", 液压与气动, no. 01, 15 January 2018 (2018-01-15) * |
许斌, 段哲民: "基于虚拟仪器技术的飞机电源测试系统", 信息与电子工程, no. 02, 30 June 2003 (2003-06-30) * |
郝丽娜;王风立;曹瑞珉: "基于多层超限学习机的滚动轴承故障诊断方法", 科学技术与工程, no. 014, 31 December 2017 (2017-12-31) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569463A (zh) * | 2021-06-17 | 2021-10-29 | 南京理工大学 | 基于极限学习的弹丸气动系数辨识方法 |
CN113569463B (zh) * | 2021-06-17 | 2024-06-11 | 南京理工大学 | 基于极限学习的弹丸气动系数辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112766408B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
CN111259927B (zh) | 基于神经网络和证据理论的火箭发动机故障诊断方法 | |
CN112100865B (zh) | 基于并行cnn模型的航空发动机剩余寿命预测方法 | |
CN112348124B (zh) | 一种基于数据驱动的微小故障诊断方法及装置 | |
CN111190429B (zh) | 一种基于强化学习的无人机主动容错控制方法 | |
CN113311803B (zh) | 一种基于核主元分析的在轨航天器飞轮故障检测方法 | |
CN108540311B (zh) | 卫星执行机构的故障检测深度学习网络处理方法及装置 | |
CN112947385B (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
CN110531737A (zh) | 基于混合模型的卫星执行机构故障诊断方法、系统及介质 | |
Wang et al. | Deep learning domain adaptation for electro-mechanical actuator fault diagnosis under variable driving waveforms | |
CN112859898A (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
CN114544155A (zh) | 基于深度学习的auv推进器多信源融合故障诊断方法及系统 | |
CN110554606A (zh) | 一种用于高超音速飞行器的自适应容错控制方法 | |
CN112766408A (zh) | 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 | |
CN110412997B (zh) | 一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 | |
Farahani et al. | Fault diagnosis of control moment gyroscope using optimized support vector machine | |
Azam et al. | In-flight fault detection and isolation in aircraft flight control systems | |
CN110262447B (zh) | 一种基于ann的acs闭环系统故障定位方法 | |
CN112784487A (zh) | 飞行动作识别方法和装置 | |
Nejati et al. | Robust three stage central difference kalman filter for helicopter unmanned aerial vehicle actuators fault estimation | |
Alberto-Olivares et al. | Remaining useful life prediction for turbofan based on a multilayer perceptron and kalman filter | |
CN116678434A (zh) | 一种基于区间值置信规则库的三自激光惯组故障检测方法 | |
CN109753045B (zh) | 一种基于bp神经网络的航天器姿控系统故障诊断方法 | |
CN115017984A (zh) | 一种航空发动机故障风险预警方法及系统 | |
Jin et al. | Multi-feature fused bidirectional long short-term memory for remaining useful life prediction |
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 |