【技术实现步骤摘要】
基于神经网络和证据理论的火箭发动机故障诊断方法
本专利技术属于火箭
，具体涉及一种基于神经网络和证据理论的火箭发动机故障诊断方法。
技术介绍
随着航天科技的发展，高可靠性越来越成为航天发射任务的追求目标。在全箭众多的故障模式中，动力系统故障是运载火箭最经常发生的、也是造成后果最严重的故障源，轻则会使入轨精度降低，重则直接导致飞行任务的失败。对于火箭动力系统的故障检测是火箭故障诊断中非常重要的部分。因此利用火箭的传感器数据，同时研究利用具有创新性的方法和理论，对火箭发动机进行实时在线故障诊断具有重大的意义。传统火箭自主检测系统主要在箭上传感器进行状态测量，然后判读传感器信息进行故障检测。然而在实际飞行过程中，故障形式多种多样，甚至有些故障是无法依靠传感器进行测量的。现有的许多针对火箭动力系统的故障诊断方法虽然能够实现一些故障模式的诊断，但存在很多无法消除的缺点，基于专家系统的诊断方法太依赖于先验知识且对于未发生过的故障类型不能识别，基于状态估计的诊断方法十分依赖对于火箭模型的精确建模且对于慢性故障无法识别...
【技术保护点】
1.基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，该方法的具体步骤为：/n步骤A、获取故障数据样本：建立火箭六自由度下的运动模型和故障模型，得到故障模式下的来自火箭运动的数据，即为故障数据的样本；/n步骤B、采用归一化算法对故障数据的样本进行处理，再对所述样本的数据分类标签化；将处理完之后的样本数据分为训练集和验证集两部分，训练集用于训练本专利技术的故障诊断模型，验证集用于测试建立的故障诊断模型的诊断效果；/n步骤C、构建及训练BP神经网络故障诊断模型；/n步骤D、构建及训练径向基神经网络故障诊断模型；/n步骤E、构建证据理论融合诊断模型；/n步骤F、实际故障...
【技术特征摘要】
1.基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，该方法的具体步骤为：
步骤A、获取故障数据样本：建立火箭六自由度下的运动模型和故障模型，得到故障模式下的来自火箭运动的数据，即为故障数据的样本；
步骤B、采用归一化算法对故障数据的样本进行处理，再对所述样本的数据分类标签化；将处理完之后的样本数据分为训练集和验证集两部分，训练集用于训练本发明的故障诊断模型，验证集用于测试建立的故障诊断模型的诊断效果；
步骤C、构建及训练BP神经网络故障诊断模型；
步骤D、构建及训练径向基神经网络故障诊断模型；
步骤E、构建证据理论融合诊断模型；
步骤F、实际故障诊断：将火箭视加速度和角加速度信息作为BP神经网络故障诊断模型和径向基神经网络故障诊断模型的输入，将这两个网络的输出作为证据理论融合诊断模型的输入，以证据理论融合诊断模型的输出作为火箭发动机故障模式的辨识结果；
步骤G、得到故障模式辨识结果后，利用滚动时域估计方法估计故障模式下的飞行状态特征参数。
2.根据权利要求1所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤A中，火箭发动机的故障种类包括：火箭发动机推力损失任意百分比和伺服机构舵机卡死在任意角度。
3.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤B中，对数据进行归一化，使样本数据都分布在[0，1]之间，对不同故障模式下的数据分类标签化，来自同一故障类型的标记为1，其他故障类型的标记为0。
4.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤C中，BP神经网络的输入为三轴视加速度和三轴角加速度，输出为故障类型矩阵；步骤C的具体过程为：
C-1、初始化输入节点xj、隐节点yi、输出节点Ol、阈值θ、输入节点与隐节点间的网络权值ωij、隐节点与输出节点间的网络权值Tli以及输出节点的期望输出tl；
C-2、计算隐节点的输出，公式如下：
yi＝f(∑ωijxj-θi)；
C-3、计算输出节点的输出，公式如下：
C-4、计算误差函数，公式如下：
C-5、通过梯度下降法，更新网络权值和阈值，使误差函数沿着负梯度方向下降，
C-6、调整网络权值和阈值，直到误差满足要求或迭代次数达到最大值，将输出节点的输出结果归一化，选择输出结果最大的对应的故障类型作为故障诊断的结果。
5.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤D中，径向基神经网络的输入为三轴视加速度和三轴角加速度，输出为故障类型矩阵；步骤D的具体过程为：
D-1、初始化径向基神经网络隐含层的聚类中心μk；
D...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。