一种船舶惯导系统故障识别方法技术方案

本发明专利技术提出了一种船舶惯导系统故障识别方法。所述方法包括：对预置的训练样本集中的故障敏感信号进行特征提取，以获得对应于每个故障敏感信号的时域特征和频域特征；利用神经网络算法，分别根据获得的多个时域特征和多个频域特征训练时域弱分类器和频域弱分类器；利用adaboost集成学习算法，按预设规则集成所述时域弱分类器以及频域弱分类器，以获得故障识别模型；根据获得的一个或多个故障敏感信号以及所述故障识别模型识别船舶惯导系统的故障。本发明专利技术通过Adaboost算法实现了对船舶惯导系统准确的故障识别。

【技术实现步骤摘要】
一种船舶惯导系统故障识别方法
本专利技术涉及信息处理
，具体的，涉及一种船舶惯导系统故障识别方法，用于对船舶惯导系统故障的准确识别。
技术介绍
船舶惯导系统的故障识别是预测船舶惯导系统健康状态的基础，它时刻影响着军用船舶的作战效率和维修保障效率，因此其在整个部队中的作用极为重要，所以，在大力发展船舶装备的同时，如何为船舶惯导系统提供准确的故障识别也是船舶保障领域中亟待解决的技术问题。
技术实现思路
为解决
技术介绍
中所提到的技术问题，本专利技术提出了一种船舶惯导系统故障识别方法，所述方法包括：对预置的训练样本集中的故障敏感信号进行特征提取，以获得对应于每个故障敏感信号的时域特征和频域特征；利用神经网络算法，分别根据获得的多个时域特征和多个频域特征训练时域弱分类器和频域弱分类器；利用adaboost集成学习算法，按预设规则集成所述时域弱分类器以及频域弱分类器，以获得故障识别模型；根据获得的一个或多个故障敏感信号以及所述故障识别模型识别船舶惯导系统的故障。在一个或多个实施中，所述预设规则包括：为每种故障敏感信号配置权本文档来自技高网...

【技术保护点】
1.一种船舶惯导系统故障识别方法，其特征在于，所述方法包括：/n对预置的训练样本集中的故障敏感信号进行特征提取，以获得对应于每个故障敏感信号的时域特征和频域特征；/n利用神经网络算法，分别根据获得的多个时域特征和多个频域特征训练时域弱分类器和频域弱分类器；/n利用adaboost集成学习算法，按预设规则集成所述时域弱分类器以及频域弱分类器，以获得故障识别模型；/n根据获得的一个或多个故障敏感信号以及所述故障识别模型识别船舶惯导系统的故障。/n

【技术特征摘要】
1.一种船舶惯导系统故障识别方法，其特征在于，所述方法包括：
对预置的训练样本集中的故障敏感信号进行特征提取，以获得对应于每个故障敏感信号的时域特征和频域特征；
利用神经网络算法，分别根据获得的多个时域特征和多个频域特征训练时域弱分类器和频域弱分类器；
利用adaboost集成学习算法，按预设规则集成所述时域弱分类器以及频域弱分类器，以获得故障识别模型；
根据获得的一个或多个故障敏感信号以及所述故障识别模型识别船舶惯导系统的故障。


2.如权利要求1所述的船舶惯导系统故障识别方法，其特征在于，所述预设规则包括：
为每种故障敏感信号配置权重以及分类阈值；
响应于采用第一分类器对第一故障敏感信号分类的正确率大于或等于对应的分类阈值，上调所述第一故障敏感信号对应的权重；
响应于采用第一分类器对第一类故障敏感信号分类的正确率小于对应的分类阈值，下调所述第一故障敏感信号对应的权重；
其中，所述第一分类器为采用adaboost算法进行迭代训练时，当前迭代训练所采用的分类器，所述第一分类器包括：所述时域弱分类器或所述频域弱分类器。


3.如权利要求1所述的船舶惯导系统故障识别方法，其特征在于，所述方法还包括：构建训练样本集；所述构建训练样本集包括：
获取多种对船舶惯导系统的故障敏感的故障敏感信号，构建时序数据集；
对所述时序数据集中的故障敏感信号进行预处理；
对预处理后的故障敏感信号进行故障标记，获得训练样本集。


4.如权利要求3所述的船舶惯导系统故障识别方法，其特征在于，所述预处理包括：
异常值剔除、缺失数据填充、去噪滤波和归一化处理。


5.如权利要求3所述的船舶惯导系统故障识别方法，其特征在于，所述故障标记包括：
0，表示正常；1，表示惯导系统定位偏离异常；2...

【专利技术属性】
技术研发人员：许政，陈乃阔，毕茂华，
申请(专利权)人：山东超越数控电子股份有限公司，
类型：发明
国别省市：山东;37