CN113688885A - 一种基于脉冲神经网络的深空探测器自主故障诊断方法 - Google Patents

一种基于脉冲神经网络的深空探测器自主故障诊断方法 Download PDF

Info

Publication number
CN113688885A
CN113688885A CN202110918858.6A CN202110918858A CN113688885A CN 113688885 A CN113688885 A CN 113688885A CN 202110918858 A CN202110918858 A CN 202110918858A CN 113688885 A CN113688885 A CN 113688885A
Authority
CN
China
Prior art keywords
fault
signal
pulse
neural network
features
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.)
Pending
Application number
CN202110918858.6A
Other languages
English (en)
Inventor
袁家斌
李若玮
马玮琦
查可可
夏涛
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110918858.6A priority Critical patent/CN113688885A/zh
Publication of CN113688885A publication Critical patent/CN113688885A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于脉冲神经网络的深空探测器自主故障诊断方法，包括以下步骤：对深空探测器中传感器收集到的故障数据采用基于时频域的局部均值分解法LMD进行预处理；分析处理后的原始数据，提取相应故障特征；采用随机森林算法对提取到的故障特征进行特征选择；采用随机森林算法对提取到的故障特征进行特征选择；将选择后的故障特征进行归一化为带有时间信息的脉冲序列；构建多层脉冲神经网络，输入脉冲序列训练脉冲神经网络，训练好的模型完成自主故障诊断。本发明通过将脉冲神经网络首次应用于深空探测故障诊断领域，通过识别故障信息，实现探测器自主故障诊断。

Description

一种基于脉冲神经网络的深空探测器自主故障诊断方法
技术领域
本发明属于航天器在深空探测任务中故障处理领域，特别涉及一种基于脉冲神经网络的深空探测器的自主故障诊断方法。
背景技术
随着近年来计算机科学和空间技术的发展，为智能化深空探测体系提供了良好的支撑。由于月球及各个行星与地球距离远、环境条件恶劣等，机器设备的生存健康仅仅依靠地面诊断干预与引导模式难以应对许多危急情况，因此需要研究发展智能生存与健康管理技术使得深空探测器能够自主检测分析环境和健康的状况建立定的自主修复能力。人工智能等前沿技术的迅速发展，类脑智能化的研究已成为各国焦点，国内外研究学者通过对于神经科学、认知科学和信息科学等多学科对生物神经系统是如何实现智能计算进行探索，从而模拟生物神经系统，实现类脑计算智能系统。
现有技术中，较为主流的故障诊断技术包括基于知识的故障诊断技术、基于模型的故障诊断技术以及基于数据驱动的故障诊断技术，最常用的深空探测器故障诊断方法主要包括人工蚁群算法、模糊算法。但传统故障检测方法大多是针对周期性故障的问题进行识别与搜索，自主性相对较差。上个世纪90年代，美国NASA研发的Livingstone系统利用的就是基于定性模型的故障诊断技术，该系统可以实现最小人工干预情况下的火星探测器的故障诊断，北京控制工程研究所开发出故障诊断系统SCRDES，它基于专家系统的故障诊断方法完成了卫星控制系统在线实时监测与诊断。近年来，由于深度学习的蓬勃发展，为深空探测器自主故障诊断提供了新的思路。通过异构深度神经网络，建立全神经网络的智能自适应容错控制，从而实现故障诊断与容错控制。但是由于航天器故障通常是离散分布的，且传统神经网络进行训练常常会能耗过高。
发明内容
本发明提供一种基于脉冲神经网络的深空探测器自主故障诊断方法，以解决目前已有的深空探测器故障诊断方法存在局限性较高、准确度不高以及能耗较高的问题，通过使用脉冲神经网络训练学习，识别深空探测器的故障，从而实现自主故障诊断。
为实现上述目的，本发明采用的技术方案为：
一种基于脉冲神经网络的深空探测器自主故障诊断方法，包括以下步骤：
S1.对深空探测器中传感器收集到的原始数据进行预处理；
S2.分析处理后的原始数据，提取相应故障特征；
S3.采用随机森林算法对提取到的故障特征进行特征选择；
S4.将选择后的故障特征进行归一化为带有时间信息的脉冲序列；
S5.构建多层脉冲神经网络，输入脉冲序列训练脉冲神经网络，训练好的模型完成自主故障诊断。
进一步的，所述步骤S1包括以下步骤：
S11.根据收集到的原始信号数据，采用时频域信号分解算法LMD对原始故障数据进行信号分解，设k为记录局部极值点序号的常量,找出故障信号x(t)的所有局部极值点nk(k＝1,2,…)，计算每两个连续极值点nk和nk+1的均值mk和包络估计值ak，其中：mk＝(nk+nk+1)/2，ak＝(|nk-nk+1|)/2；对各个离散点进行曲线拟合，得出局部均值函数m11(t)和局部包络函数a11(t)；
S12.将故障信号x(t)减去局部均值函数m11(t)得到余下信号h11(t)，将余下信号h11(t)除以局部包络函数a11(t)得到调频信号s11(t)；将调频信号s11(t)作为新的故障信号循环执行S21和S22直到得到纯调频信号s1n(t)，设n为分解次数，第n次得到的调频信号为a1n(t)，其中：a1n(t)＝1；
S13.设j为记录局部包络函数序号的常量，j＝1,2,3…,将所有局部包络函数a1j(t)相乘得到包络信号a1(t)，
Figure BDA0003206699230000021
表示累积相乘符号，则
Figure BDA0003206699230000022
将a1(t)与s1n(t)相乘得到第一个瞬时信号分量PF1(t)，PF1(t)＝a1(t)×s1n(t)；从原始故障信分离出PF1(t)与第一个残差信号r1(t)作为新的信号，循环步骤S11至S13直到r1(t)单调，令I为循环次数，i表示从1至I的常量，i＝1,2…I,得到故障信号x(t)的分解结果：
Figure BDA0003206699230000023
进一步的，所述步骤S2包括以下步骤：
S21.由于LMD分解后得到的瞬时信号PF分量仍有海量的数据量，直接作为特征向量会增加模型复杂度，对原始故障信号划分为m个片段，每个片段进行LMD分解为4个瞬时信号分量，即PF1为第一个瞬时信号分量，PF2为第二个瞬时信号分量，PF3为第三个瞬时信号分量，PF4为第四个瞬时信号分量和残差信号r(t)，对PF分量进行特征提取，残差信号不做特征提取处理，其中：原始故障信号为S，T为信号长度s1,s2…sT为分解后得到的各个故障信号分量，即S＝(s1,s2,…sT)，
Figure BDA0003206699230000031
为均值，σ为标准差；
S22.设st为S＝(s1,s2,…sT)的子集，t表示由1到T的常量t＝1,2…T，通过特征提取得到偏度
Figure BDA0003206699230000032
峰度
Figure BDA0003206699230000033
峰度指标
Figure BDA0003206699230000034
波形指标
Figure BDA0003206699230000035
脉冲指标
Figure BDA0003206699230000036
裕度指标
Figure BDA0003206699230000037
得到提取的特征。
进一步的，所述步骤S3包括以下步骤：
S31.在高维深空环境下，由于包括大量无关信息和冗余信息，故需要对故障特征进行选择，采用随机森林算法对于故障特征进行选择，获取S22中提取到的故障特征，令每个PF分量作为节点，每个节点有f个特征，随机选取节点上的一部分特征nsub，利用随机选取的这部分样本特征选择一个最优的作为决策树的左右子树划分；
S32.输入故障特征集合D,迭代次数P,对于故障特征集进行e次随机采样，得到包含e个样本的采样集合Dt，用采样集合训练决策树模型Gt(x)，每次选取训练决策树模型节点上所有样本特征中的一部分特征，这些随机选取的部分样本特征中选择一个最优的作为左右子树划分,最终迭代完成后即获得了故障特征集合，完成特征选择。
进一步的，所述步骤S4包括以下步骤：
S41.由于在脉冲神经网络中，输入以及每层的激活值是以脉冲信号的形式传播，故需要对输入样本数据进行编码，为了编码数据，将故障特征向量进行归一化，采用min-max归一化方法，公式为
Figure BDA0003206699230000038
其中：
Figure BDA0003206699230000039
为第p个特征归一化后的值，xp为第p个特征，xmax为第p个特征最大值，xmin为第p个特征最小值；
S42.每个故障特征向量具有6个特征(x1,x2,…x6)，利用高斯群编码的方法将输入特征编码成脉冲神经网络能够处理的脉冲时间信息，采用3个高斯接受阈将每个输入特征编码到脉冲神经元点火时间上，即用3个神经元的点火时间表示1个特征，将原始故障数据映射到更高维的数据空间，扩大数据之间的差距。
进一步的，所述步骤S5包括以下步骤：
S51.采用泄露发放积分神经元模型(Leaky integrate fire,LIF)，输入分为两部分，IR为流向电阻R的电流，IC为流向电容C的电流，令：t为时间，u为神经元膜电压，I(t)为随时间变化的电流函数，u(t)为神经元膜电压随时间变化的函数，
Figure BDA0003206699230000041
为神经元膜电压对时间的微分，
Figure BDA0003206699230000042
等式两边同时乘R得到
Figure BDA0003206699230000043
其中：时间常数τm＝RC；
S52.利用梯度下降法进行权重更新
Figure BDA0003206699230000044
其中：w为权重，wnew为更新后的权重值，wpost为更新前的权重值，E为损失函数，α为学习速率，选取交叉熵函数E(y,y′)作为损失函数，E(y,y′)＝-[ylogy′+(1-y)log(1-y′)]，y为网络中样本输入数据得到的实际输出序列，y′为目标输出序列，更新每一层的网络参数
Figure BDA0003206699230000045
表示与第l层神经元b相连的神经元a的权重，当膜电压超过阈值θ时，神经元发出脉冲，之后神经元处于静息电位urest，通常urest＝0，
Figure BDA0003206699230000046
表示在t时刻，第l层神经元是否发放脉冲，取值为0或1，当膜电压超过阈值θ时，
Figure BDA0003206699230000047
取值为1，之后电压处于静息电位0，若电压值未达到阈值，则
Figure BDA0003206699230000048
取值为0，继续更新权重，累积电压直到能触发脉冲；
S53.构建三层结构的脉冲神经网络模型，包括输入层，隐藏层和输出层，将编码后的脉冲数据输入输入层，为隐藏层和输出层分别设置不同的阈值电压θh和θo，每两层神经元之间的连接方式为全连接，输出层神经元的个数等于故障类型的数量，对脉冲神经网络模型进行训练，完成自主故障诊断。
与现有技术相比，本发明具有以下有益效果：
本发明通过将脉冲神经网络首次应用于航天器深空探测的自主故障诊断领域，通过识别故障数据，进行自主故障诊断。先对探测器收集到的原始故障数据进行预处理，通过时频域分解法得到分割后的信号数据；然后对分解后得到的信号数据进行特征提取；并且采用随机森林算法对于提取到的故障特征进行选择，除去冗余信息；之后通过高斯群编码方式将故障特征数据转化为脉冲序列；最后构建脉冲神经网络模型，将归一化数据输入脉冲神经网络模型进行训练，从而完成自主故障诊断。本发明的好处在于由于深空探测器故障是离散的，故通过脉冲神经元可以有效地模拟故障的离散性；同时，脉冲神经网络是事件驱动机制，只有脉冲发放是才会有能耗的损失，故可以大量的降低能耗；并且实验表明,识别故障特征并对特征进行有效选择，利用脉冲神经网络进行故障诊断的训练能够有效完成自主故障诊断。
附图说明
图1为本发明的流程图。
图2为故障数据信号处理流程图。
图3为基于脉冲神经网络的故障诊断模型图。
具体实施方式
下面结合实施例对本发明作更进一步的说明。
如图1所示，一种基于脉冲神经网络的深空探测器自主故障诊断方法，包括以下步骤：
S1.对深空探测器中传感器收集到的原始数据进行预处理；
S11.根据收集到的原始信号数据，采用时频域信号分解算法LMD对原始故障数据进行信号分解，设k为记录局部极值点序号的常量,找出故障信号x(t)的所有局部极值点nk(k＝1,2,…)，计算每两个连续极值点nk和nk+1的均值mk和包络估计值ak，其中：mk＝(nk+nk+1)/2，ak＝(|nk-nk+1|)/2；对各个离散点进行曲线拟合，得出局部均值函数m11(t)和局部包络函数a11(t)；
S12.将故障信号x(t)减去局部均值函数m11(t)得到余下信号h11(t)，将余下信号h11(t)除以局部包络函数a11(t)得到调频信号s11(t)；将调频信号s11(t)作为新的故障信号循环执行S21和S22直到得到纯调频信号s1n(t)，设n为分解次数，第n次得到的调频信号为a1n(t)，其中：a1n(t)＝1；
S13.设j为记录局部包络函数序号的常量，j＝1,2,3…,将所有局部包络函数a1j(t)相乘得到包络信号a1(t)，
Figure BDA0003206699230000061
表示累积相乘符号，则
Figure BDA0003206699230000062
将a1(t)与s1n(t)相乘得到第一个瞬时信号分量PF1(t)，PF1(t)＝a1(t)×s1n(t)；从原始故障信分离出PF1(t)与第一个残差信号r1(t)作为新的信号，循环步骤S11至S13直到r1(t)单调，令I为循环次数，i表示从1至I的常量，i＝1,2…I,得到故障信号x(t)的分解结果：
Figure BDA0003206699230000063
S2.分析处理后的原始数据，提取相应故障特征；
S21.由于LMD分解后得到的瞬时信号PF分量仍有海量的数据量，直接作为特征向量会增加模型复杂度，对原始故障信号划分为m个片段，每个片段进行LMD分解为4个瞬时信号分量，即PF1为第一个瞬时信号分量，PF2为第二个瞬时信号分量，PF3为第三个瞬时信号分量，PF4为第四个瞬时信号分量和残差信号r(t)，对PF分量进行特征提取，残差信号不做特征提取处理，其中：原始故障信号为S，T为信号长度s1,s2…sT为分解后得到的各个故障信号分量，即S＝(s1,s2,…sT)，
Figure BDA0003206699230000064
为均值，σ为标准差；
S22.设st为S＝(s1,s2,…sT)的子集，t表示由1到T的常量t＝1,2…T，通过特征提取得到偏度
Figure BDA0003206699230000065
峰度
Figure BDA0003206699230000066
峰度指标
Figure BDA0003206699230000067
波形指标
Figure BDA0003206699230000068
脉冲指标
Figure BDA0003206699230000069
裕度指标
Figure BDA00032066992300000610
得到提取的特征。
具体来讲，如图2所示，先对原始故障数据进行LMD分解得到四个PF分量以及残差信号，再对于每一个PF分量进行特征提取，残差数据不作处理，每个PF分量提取到6个特征包括偏度S,峰度K，峰度指标CF，波形指标SF，脉冲指标IF，裕度指标CLF，据此得到提取的特征。
S3.采用随机森林算法对提取到的故障特征进行特征选择；
S31.在高维深空环境下，由于包括大量无关信息和冗余信息，故需要对故障特征进行选择，采用随机森林算法对于故障特征进行选择，获取S22中提取到的故障特征，令每个PF分量作为节点，每个节点有f个特征，随机选取节点上的一部分特征nsub，利用随机选取的这部分样本特征选择一个最优的作为决策树的左右子树划分；
S32.输入故障特征集合D,迭代次数P,对于故障特征集进行e次随机采样，得到包含e个样本的采样集合Dt，用采样集合训练决策树模型Gt(x)，每次选取训练决策树模型节点上所有样本特征中的一部分特征，这些随机选取的部分样本特征中选择一个最优的作为左右子树划分,最终迭代完成后即获得了故障特征集合，完成特征选择。
具体来讲，将提取到的故障特征利用随机森林算法进行特征选择，确定每一个故障特征的重要性，在建立每一个决策树时，根据对应的袋外数据(Out of Bag，OOB)即建立决策树是没有被利用到的数据，计算袋外数据误差；再对袋外数据样本特征随即加入某种干扰，再一次计算袋外误差；两次袋外误差之差除以决策树的数量既可获得每一种故障特征的重要性；按照故障特征重要性进行大小排序，选择部分比例的特征进行剔除。
S4.将选择后的故障特征进行归一化为带有时间信息的脉冲序列；
S41.由于在脉冲神经网络中，输入以及每层的激活值是以脉冲信号的形式传播，故需要对输入样本数据进行编码，为了编码数据，将故障特征向量进行归一化，采用min-max归一化方法，公式为
Figure BDA0003206699230000071
其中：
Figure BDA0003206699230000072
为第p个特征归一化后的值，xp为第p个特征，xmax为第p个特征最大值，xmin为第p个特征最小值；
S42.每个故障特征向量具有6个特征(x1,x2,…x6)，利用高斯群编码的方法将输入特征编码成脉冲神经网络能够处理的脉冲时间信息，采用3个高斯接受阈将每个输入特征编码到脉冲神经元点火时间上，即用3个神经元的点火时间表示1个特征，将原始故障数据映射到更高维的数据空间，扩大数据之间的差距。
S5.构建多层脉冲神经网络，输入脉冲序列训练脉冲神经网络，训练好的模型完成自主故障诊断。
S51.采用泄露发放积分神经元模型(Leaky integrate fire,LIF)，输入分为两部分，IR为流向电阻R的电流，IC为流向电容C的电流，令：t为时间，u为神经元膜电压，I(t)为随时间变化的电流函数，u(t)为神经元膜电压随时间变化的函数，
Figure BDA0003206699230000081
为神经元膜电压对时间的微分，
Figure BDA0003206699230000082
等式两边同时乘R得到
Figure BDA0003206699230000083
其中：时间常数τm＝RC；
S52.利用梯度下降法进行权重更新
Figure BDA0003206699230000084
其中：w为权重，wnew为更新后的权重值，wpost为更新前的权重值，E为损失函数，α为学习速率，选取交叉熵函数E(y,y′)作为损失函数，E(y,y′)＝-[ylogy′+(1-y)log(1-y′)]，y为网络中样本输入数据得到的实际输出序列，y′为目标输出序列，更新每一层的网络参数
Figure BDA0003206699230000085
表示与第l层神经元b相连的神经元a的权重，当膜电压超过阈值θ时，神经元发出脉冲，之后神经元处于静息电位urest，通常urest＝0，
Figure BDA0003206699230000086
表示在t时刻，第l层神经元是否发放脉冲，取值为0或1，当膜电压超过阈值θ时，
Figure BDA0003206699230000087
取值为1，之后电压处于静息电位0，若电压值未达到阈值，则
Figure BDA0003206699230000088
取值为0，继续更新权重，累积电压直到能触发脉冲；
S53.构建三层结构的脉冲神经网络模型，包括输入层，隐藏层和输出层，将编码后的脉冲数据输入输入层，为隐藏层和输出层分别设置不同的阈值电压θh和θo，每两层神经元之间的连接方式为全连接，输出层神经元的个数等于故障类型的数量，对脉冲神经网络模型进行训练，完成自主故障诊断。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于脉冲神经网络的深空探测器自主故障诊断方法，其特征在于，包括以下步骤：
S1.对深空探测器中传感器收集到的原始数据进行预处理；
S2.分析处理后的原始数据，提取相应故障特征；
S3.采用随机森林算法对提取到的故障特征进行特征选择；
S4.将选择后的故障特征进行归一化为带有时间信息的脉冲序列；
S5.构建多层脉冲神经网络，输入脉冲序列训练脉冲神经网络，训练好的模型完成自主故障诊断。
2.根据权利要求1所述的基于脉冲神经网络的深空探测器自主故障诊断方法，其特征在于，所述步骤S1包括以下步骤：
S11.根据收集到的原始信号数据，采用时频域信号分解算法LMD对原始故障数据进行信号分解，设k为记录局部极值点序号的常量,找出故障信号x(t)的所有局部极值点nk(k＝1,2,…)，计算每两个连续极值点nk和nk+1的均值mk和包络估计值ak，其中：mk＝(nk+nk+1)/2，ak＝(|nk-nk+1|)/2；对各个离散点进行曲线拟合，得出局部均值函数m11(t)和局部包络函数a11(t)；
S12.将故障信号x(t)减去局部均值函数m11(t)得到余下信号h11(t)，将余下信号h11(t)除以局部包络函数a11(t)得到调频信号s11(t)；将调频信号s11(t)作为新的故障信号循环执行S21和S22直到得到纯调频信号s1n(t)，设n为分解次数，第n次得到的调频信号为a1n(t)，其中：a1n(t)＝1；
S13.设j为记录局部包络函数序号的常量，j＝1,2,3…,将所有局部包络函数a1j(t)相乘得到包络信号a1(t)，
Figure FDA0003206699220000011
表示累积相乘符号，则
Figure FDA0003206699220000012
将a1(t)与s1n(t)相乘得到第一个瞬时信号分量PF1(t)，PF1(t)＝a1(t)×s1n(t)；从原始故障信分离出PF1(t)与第一个残差信号r1(t)作为新的信号，循环步骤S11至S13直到r1(t)单调，令I为循环次数，i表示从1至I的常量，i＝1,2…I,得到故障信号x(t)的分解结果：
Figure FDA0003206699220000021
3.根据权利要求2所述的基于脉冲神经网络的深空探测器自主故障诊断方法，其特征在于，所述步骤S2包括以下步骤：
S21.由于LMD分解后得到的瞬时信号PF分量仍有海量的数据量，直接作为特征向量会增加模型复杂度，对原始故障信号划分为m个片段，每个片段进行LMD分解为4个瞬时信号分量，即PF1为第一个瞬时信号分量，PF2为第二个瞬时信号分量，PF3为第三个瞬时信号分量，PF4为第四个瞬时信号分量和残差信号r(t)，对PF分量进行特征提取，残差信号不做特征提取处理，其中：原始故障信号为S，T为信号长度s1,s2…sT为分解后得到的各个故障信号分量，即S＝(s1,s2,…sT)，
Figure FDA0003206699220000028
为均值，σ为标准差；
S22.设st为S＝(s1,s2,…sT)的子集，t表示由1到T的常量t＝1,2…T，通过特征提取得到偏度
Figure FDA0003206699220000022
峰度
Figure FDA0003206699220000023
峰度指标
Figure FDA0003206699220000024
波形指标
Figure FDA0003206699220000025
脉冲指标
Figure FDA0003206699220000026
裕度指标
Figure FDA0003206699220000027
得到提取的特征。
4.根据权利要求3所述的基于脉冲神经网络的深空探测器自主故障诊断方法，其特征在于，所述步骤S3包括以下步骤：
S31.在高维深空环境下，由于包括大量无关信息和冗余信息，故需要对故障特征进行选择，采用随机森林算法对于故障特征进行选择，获取S22中提取到的故障特征，令每个PF分量作为节点，每个节点有f个特征，随机选取节点上的一部分特征nsub，利用随机选取的这部分样本特征选择一个最优的作为决策树的左右子树划分；
S32.输入故障特征集合D,迭代次数P,对于故障特征集进行e次随机采样，得到包含e个样本的采样集合Dt，用采样集合训练决策树模型Gt(x)，每次选取训练决策树模型节点上所有样本特征中的一部分特征，这些随机选取的部分样本特征中选择一个最优的作为左右子树划分,最终迭代完成后即获得了故障特征集合，完成特征选择。
5.根据权利要求5所述的基于脉冲神经网络的深空探测器自主故障诊断方法，其特征在于，所述步骤S4包括以下步骤：
S41.由于在脉冲神经网络中，输入以及每层的激活值是以脉冲信号的形式传播，故需要对输入样本数据进行编码，为了编码数据，将故障特征向量进行归一化，采用min-max归一化方法，公式为
Figure FDA0003206699220000031
其中：
Figure FDA0003206699220000032
为第p个特征归一化后的值，xp为第p个特征，xmax为第p个特征最大值，xmin为第p个特征最小值；
S42.每个故障特征向量具有6个特征(x1,x2,…x6)，利用高斯群编码的方法将输入特征编码成脉冲神经网络能够处理的脉冲时间信息，采用3个高斯接受阈将每个输入特征编码到脉冲神经元点火时间上，即用3个神经元的点火时间表示1个特征，将原始故障数据映射到更高维的数据空间，扩大数据之间的差距。
6.根据权利要求5所述的基于脉冲神经网络的深空探测器自主故障诊断方法，其特征在于，所述步骤S5包括以下步骤：
S51.采用泄露发放积分神经元模型，输入分为两部分，IR为流向电阻R的电流，IC为流向电容C的电流，令：t为时间，u为神经元膜电压，I(t)为随时间变化的电流函数，u(t)为神经元膜电压随时间变化的函数，
Figure FDA0003206699220000033
为神经元膜电压对时间的微分，
Figure FDA0003206699220000034
等式两边同时乘R得到
Figure FDA0003206699220000035
其中：时间常数τm＝RC；
S52.利用梯度下降法进行权重更新
Figure FDA0003206699220000036
其中：w为权重，wnew为更新后的权重值，wpost为更新前的权重值，E为损失函数，α为学习速率，选取交叉熵函数E(y,y′)作为损失函数，E(y,y′)＝-[ylogy′+(1-y)log(1-y′)]，y为网络中样本输入数据得到的实际输出序列，y′为目标输出序列，更新每一层的网络参数
Figure FDA0003206699220000037
表示与第l层神经元b相连的神经元a的权重，当膜电压超过阈值θ时，神经元发出脉冲，之后神经元处于静息电位urest，通常urest＝0，
Figure FDA0003206699220000041
表示在t时刻，第l层神经元是否发放脉冲，取值为0或1，当膜电压超过阈值θ时，
Figure FDA0003206699220000042
取值为1，之后电压处于静息电位0，若电压值未达到阈值，则
Figure FDA0003206699220000043
取值为0，继续更新权重，累积电压直到能触发脉冲；
S53.构建三层结构的脉冲神经网络模型，包括输入层，隐藏层和输出层，将编码后的脉冲数据输入输入层，为隐藏层和输出层分别设置不同的阈值电压θh和θo，每两层神经元之间的连接方式为全连接，输出层神经元的个数等于故障类型的数量，对脉冲神经网络模型进行训练，完成自主故障诊断。
CN202110918858.6A 2021-08-11 2021-08-11 一种基于脉冲神经网络的深空探测器自主故障诊断方法 Pending CN113688885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110918858.6A CN113688885A (zh) 2021-08-11 2021-08-11 一种基于脉冲神经网络的深空探测器自主故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110918858.6A CN113688885A (zh) 2021-08-11 2021-08-11 一种基于脉冲神经网络的深空探测器自主故障诊断方法

Publications (1)

Publication Number Publication Date
CN113688885A true CN113688885A (zh) 2021-11-23

Family

ID=78579614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110918858.6A Pending CN113688885A (zh) 2021-08-11 2021-08-11 一种基于脉冲神经网络的深空探测器自主故障诊断方法

Country Status (1)

Country Link
CN (1) CN113688885A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359320A (zh) * 2021-12-15 2022-04-15 哈尔滨工业大学 月球探测器鲁棒环形山检测方法及飞行器导航方法
CN115965057A (zh) * 2022-11-28 2023-04-14 北京交通大学 一种面向列车传动系统的类脑持续学习故障诊断方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359320A (zh) * 2021-12-15 2022-04-15 哈尔滨工业大学 月球探测器鲁棒环形山检测方法及飞行器导航方法
CN114359320B (zh) * 2021-12-15 2023-02-03 哈尔滨工业大学 月球探测器鲁棒环形山检测方法及飞行器导航方法
CN115965057A (zh) * 2022-11-28 2023-04-14 北京交通大学 一种面向列车传动系统的类脑持续学习故障诊断方法
CN115965057B (zh) * 2022-11-28 2023-09-29 北京交通大学 一种面向列车传动系统的类脑持续学习故障诊断方法

Similar Documents

Publication Publication Date Title
WO2015158198A1 (zh) 一种基于神经网络自学习的故障识别方法及系统
CN109213121B (zh) 一种风机制动系统卡缸故障诊断方法
She et al. Wear indicator construction of rolling bearings based on multi-channel deep convolutional neural network with exponentially decaying learning rate
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
CN107730040B (zh) 基于rbm的电力信息系统日志信息综合特征提取方法和装置
CN113688885A (zh) 一种基于脉冲神经网络的深空探测器自主故障诊断方法
CN111815806B (zh) 一种基于野值剔除和特征提取的飞参数据预处理方法
CN103558519A (zh) 一种gis局部放电超声波信号识别方法
CN111881627A (zh) 一种核动力装置故障诊断方法和系统
CN114266301A (zh) 基于图卷积神经网络的电力设备故障智能预测方法
CN110851654A (zh) 基于张量化数据降维的工业设备故障检测分类方法
CN116680105A (zh) 一种基于邻域信息融合注意力机制的时序异常检测方法
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及系统
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
CN113707175B (zh) 基于特征分解分类器与自适应后处理的声学事件检测系统
CN111881299A (zh) 基于复制神经网络的离群事件检测与识别方法
CN115147645A (zh) 基于多特征信息融合的膜组件膜污染检测方法
CN107689015A (zh) 一种改进的电力系统不良数据辨识方法
Wani et al. Efficient control chart pattern recognition through synergistic and distributed artificial neural networks
CN116170200A (zh) 电力监控系统时间序列异常检测方法、系统、设备及存储介质
Xiaoqian A sensor fault diagnosis algorithm for uav based on neural network
CN110826690A (zh) 一种设备状态识别方法及其系统、计算机可读存储介质
CN116307852A (zh) 一种广电无线覆盖系统健康评估和故障预测方法
CN115556099B (zh) 一种可持续学习的工业机器人故障诊断系统及方法

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