一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法技术

提供一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法，所述方法包括：获取电动液压舵机的故障预测数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；将所述训练数据集分别送入卷积神经网络一次自编码器和基于专家知识的人工时域特征提取模块；在所述卷积神经网络一次自编码器中进行基于卷积神经网络的特征提取，获得卷积特征集；在所述人工时域特征提取模块进行基于专家知识的时域特征提取，获得人工时域特征集；对所述卷积特征集和所述人工时域特征集进行特征拼接，得到融合特征；将所述融合特征送入二次自编码器和解码器，进行基于堆叠自编码器的深度特征融合。器的深度特征融合。器的深度特征融合。

【技术实现步骤摘要】
一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法


[0001]本专利技术涉及非特定变量的测量或测试，具体而言，涉及一种用于飞机的电动液压舵机的数据集特征的提取方法

技术介绍

[0002]电动液压舵机系统是一种复杂的机电一体化系统，同时也是一种高精度的位置伺服系统，对飞行器的姿态控制具有重要影响。随着科学技术的不断发展，先进航空器广泛采用速度快、精度高、功率重量比大的全数字化伺服舵机系统。当代工程应用对舵机的可靠性提出了更高的要求。舵机关键参数退化过程预测是舵机可靠性研究的一个重要方面。精准预测舵机关键参数未来时间序列，把握参数变化趋势规律，对于合理安排维修计划、提高飞行品质、保障飞行安全、降低全寿命周期费用等具有重要意义。传统的时序外推预测方法通常采用时间序列分解的策略，通过将时间序列分解为趋势项、季节项、残差项等分别进行预测，最后融合各项预测结果得到参数的时序外推预测序列。然而，对于电动液压舵机这样的复杂机电系统，其退化过程往往表现出非线性，导致其退化参数的时间序列往往难以依照传统方法进行有效分解，给舵机关键参数未来时序预测问题带来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法，包括：获取电动液压舵机的故障预测数据；对所述故障数据进行综合预处理，以得到训练数据集和测试数据集；其特征在于，将所述训练数据集分别送入卷积神经网络一次自编码器和基于专家知识的人工时域特征提取模块；在所述卷积神经网络一次自编码器中进行基于卷积神经网络的特征提取，获得卷积特征集；在所述人工时域特征提取模块进行基于专家知识的时域特征提取，获得人工时域特征集；对所述卷积特征集和所述人工时域特征集进行特征拼接，得到融合特征；将所述融合特征送入二次自编码器和解码器，进行基于堆叠自编码器的深度特征融合。2.根据权利要求1所述的特征提取方法，其特征在于，所述获取故障预测数据的步骤，包括针对电动液压舵机系统的故障预测要求，使用Simulink软件对所述电动液压舵机系统进行结构化建模并进行故障模拟。3.根据权利要求2所述的特征提取方法，其特征在于，所述结构化建模包括确定故障注入点，所述故障注入点为输入反馈电位器的反馈放大系数。4.根据权利要求1所述的特征提取方法，其特征在于，所述综合预处理步骤包括：对关键参数时序数据进行滑窗切割，构造样本数据集；对训练数据集进行极大极小值归一化处理；以及构造训练数据集和测试数据集。5.根据权利要求1所述的特征提取方法，其特征在于，所述基于卷积神经网络的特征提取包括：基于卷积神经网络的一次自编码模型构建；以卷积一次自编码器模型的预训练；以及使用卷积编码器进行卷积特征提取。6.根据权利要求5所述的特征提取方法，其特征在于，所述一次自编码模型构建步骤包括基于所述训练数据集S
train
＝{S
1，nor
，S
2，nor
，...S
n，nor
}，将其数据格式转化为三维数据格式(sn，w，1)，将所构建好的三维训练数据集输入特征提取模型反复执行前向传播和反向传播迭代计算过程，以对所构建的一次自编码模型的卷积层、池化层、全连接层的模型参数不断进行调整，以完成模型的预训练，其中{S
1，nor
，S
2，nor
，...S
sn，nor

【专利技术属性】
技术研发人员：马剑，邹新宇，周安，马翔，张统，陶来发，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：