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方案

本发明专利技术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；本发明专利技术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。

A method of rocket system health evaluation based on Fuzzy Neural Network

【技术实现步骤摘要】
一种基于模糊神经网络的火箭系统健康状态评估方法
本专利技术属于运载火箭的健康状态管理
，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。
技术介绍
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。
技术实现思路
为解决上述问题，本专利技术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；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：本专利技术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；本专利技术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为本专利技术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为本专利技术提供的子系统和全箭的评估模型示意图；图3为本专利技术提供的梯形隶属度函数示意图。具体实施方式为了使本
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，包括本文档来自技高网...

【技术保护点】
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：/nS1：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；/nS2：分别获取各评价指标属于各属性的隶属度；/nS3：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；/nS4：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；/nS5：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；/nS6：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；/nS7：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；/nS8：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；/nS9：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。/n...

【技术特征摘要】
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；






<...

【专利技术属性】
技术研发人员：姜寅啸，贾凡，
申请(专利权)人：北京航天测控技术有限公司，
类型：发明
国别省市：北京;11