一种基于长短时记忆网络的航天器故障演化建模方法技术

本发明专利技术公开了一种基于长短时记忆网络的航天器故障演化建模方法，包括步骤为：构建故障

【技术实现步骤摘要】
一种基于长短时记忆网络的航天器故障演化建模方法


[0001]本专利技术属航空航天领域，涉及一种基于长短时记忆网络的航天器故障演化建模方法。

技术介绍

[0002]目前，人工智能技术已在高铁、飞机等复杂系统以及轴承、齿轮箱等典型部件的故障预警、诊断和寿命预测中，取得了非常好的应用效果。人工智能技术在航天器故障诊断与健康管理方面的应用已具备条件，如存储了大量研制、测试和在轨数据，并且地面计算能力越来越强大，能够满足深度学习的需求。但目前，航天器故障样本的稀少和故障数据的不平衡都限制了人工智能技术在航天器故障诊断与健康管理中的应用，迫切需要构建航天器故障演化模型，通过故障数据的扩充，提高人工智能技术在航天器故障诊断与健康管理中的应用效果。

技术实现思路

[0003]本专利技术解决的技术问题是：克服现有技术的不足，提供一种基于长短时记忆网络的航天器故障演化建模方法，能够从大量数据中挖掘故障演化规律，为智能故障诊断模型的训练提供不可或缺的故障数据，解决航天器故障样本稀少和数据不平衡的问题。
[0004]本专利技术的技术方案是：一种基于长短时记忆网络的航天器故障演化建模方法，包括：
[0005]构建故障
‑
测点关联矩阵，确定故障影响关键变量；
[0006]对在轨故障数据进行预处理，得到训练数据；
[0007]对长短时记忆网络进行训练，构建故障演化模型。
[0008]所述构建故障
‑
测点关联矩阵，确定故障影响关键变量，包括：
[0009]对每个部件的功能模块进行划分，并根据功能模块的输入与输出连接关系和部件的测点，建立部件各功能模块的关联关系图；
[0010]针对部件在轨和地面仿真与测试中考虑的故障，对部件进行故障模式影响分析，确定部件故障模式集合F＝{F1,F2,
…
F
m
}，m为故障模式个数；
[0011]在建立的各功能模块关联关系图的基础上，标识出各功能模块故障的影响关系，得到部件的多信号流图；
[0012]根据航天器系统组成、部件之间的连接关系，基于所有部件的多信号流图得到航天器的多信号流图；
[0013]遍历多信号流图，生成航天器的故障列表和测点列表；
[0014]根据故障列表和测点列表建立故障与测点关联矩阵，每个故障模式所在行中元素1对应的所有测点即为该故障模式影响关键变量。
[0015]所述根据故障列表和测点列表建立故障与测点关联矩阵，包括：从故障模式F
i
所在功能模块出发，沿输出方向按广度优先搜索遍历多信号流图，凡是能够到达的测点，即为
该故障模式的可达测点，其它测点为不可达测点，当故障模式与可达测点对应的矩阵元素d
ij
设置为1，否则为0，i∈(1,m)，j∈(1,n)，n为测点个数。
[0016]所述对在轨故障数据进行预处理，得到训练数据，包括：
[0017]定义故障数据为E
o
＝{x1,x2,...,x
n
}，其中x
i
表示第i时刻故障相关的所有关键变量取值，i＝1,2,...,n，n表示采样的时间长度，x
i
为N维数据，N表示得到的故障相关所有关键变量个数；
[0018]设定数据窗口长度L，满足n＝n
m
+L；
[0019]生成训练数据的输入为：
[0020][0021]其中，X
p
＝{x
p
,x
p+1
,...,x
L+p
‑1}，p＝1,2,...,n
m
，n
m
为数据序列个数；
[0022]生成训练数据的期望输出为：
[0023][0024]其中，Y
p
＝{x
p+1
,x
p+2
,...,x
L+p
}；
[0025]利用得到的训练数据，取0.8倍样本量对长短时记忆网络进行训练，得到航天器故障演化模型，用剩余的样本对建立的长短时记忆网络进行验证。
[0026]所述对长短时记忆网络进行训练，构建故障演化模型，包括：
[0027]步骤一：对LSTM的网络参数进行初始化，根据前向计算公式计算模型的输出值；
[0028]步骤二：根据定义的损失函数计算模型的误差，并更新各网络参数；
[0029]步骤三：重复步骤二直至满足更新迭代次数。
[0030]所述对LSTM的网络参数进行初始化，根据前向计算公式计算模型的输出值，包括：
[0031]计算输入门的值i
(p)
：
[0032]计算遗忘门的值f
(p)
：
[0033]计算t时刻记忆单元的状态值c
(p)
：
[0034]计算输出门的值o
(p)
：
[0035]计算LSTM单元的输出h
(p)
：
[0036]其中，σ(
·
)表示激活函数，表示逐点乘积，x
(p)
表示LSTM的输入，即对在轨故障数据进行预处理得到的X
p
，，b
f
，b
i
，b
o
，b
g
为网络参数。
[0037]所述σ(
·
)取Sigmoid函数。
[0038]所述根据定义的损失函数计算模型的误差，并更新各网络参数，包括：
[0039]设定以损失函数最小为目标，根据链式法则，通过计算各网络参数基于目标损失函数的偏导数，来递归计算并更新网络参数。
[0040]所述损失函数为：
[0041][0042]其中，Y
p,j
为Y
p
的第j个元素，h
(p),j
为h
(p)
的第j个元素。
[0043]本专利技术与现有技术相比的优点在于：
[0044](1)目前为了应对航天器故障样本稀少的问题，会基于有限的故障数据通过采用生成对抗网络来生成新的故障数据，但这个过程都是基于故障数据进行的操作，而本专利技术更加贴近航天器部件或系统，根据故障演化模型，通过拉偏或加干扰的方式生成故障数据，保证生成的故障数据更加合理可信。
[0045](2)目前大多采用专家经验开展故障演化建模工作，但由于专家经验在深度与广度上的局限性，故障演化建模只能局部地考虑几个关键性能数据，可是由于航天器的结构高复杂性和变量强耦合性，这些性能数据很难全面精确地描述故障影响的变化趋势，难以保证故障演化模型的全面性。因此，本专利技术利用故障
‑
征兆的关联矩阵来获得故障影响关键变量，能够从大量数据中筛选出受故障影响的关键变量，并且保证筛选过程的客观性。
[0046](3)目前，无论是测试阶段还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短时记忆网络的航天器故障演化建模方法，其特征在于，包括：构建故障
‑
测点关联矩阵，确定故障影响关键变量；对在轨故障数据进行预处理，得到训练数据；对长短时记忆网络进行训练，构建故障演化模型。2.根据权利要求1所述的一种基于长短时记忆网络的航天器故障演化建模方法，其特征在于，所述构建故障
‑
测点关联矩阵，确定故障影响关键变量，包括：对每个部件的功能模块进行划分，并根据功能模块的输入与输出连接关系和部件的测点，建立部件各功能模块的关联关系图；针对部件在轨和地面仿真与测试中考虑的故障，对部件进行故障模式影响分析，确定部件故障模式集合F＝{F1,F2,
…
F
m
}，m为故障模式个数；在建立的各功能模块关联关系图的基础上，标识出各功能模块故障的影响关系，得到部件的多信号流图；根据航天器系统组成、部件之间的连接关系，基于所有部件的多信号流图得到航天器的多信号流图；遍历多信号流图，生成航天器的故障列表和测点列表；根据故障列表和测点列表建立故障与测点关联矩阵，每个故障模式所在行中元素1对应的所有测点即为该故障模式影响关键变量。3.根据权利要求2所述的一种基于长短时记忆网络的航天器故障演化建模方法，其特征在于，所述根据故障列表和测点列表建立故障与测点关联矩阵，包括：从故障模式F
i
所在功能模块出发，沿输出方向按广度优先搜索遍历多信号流图，凡是能够到达的测点，即为该故障模式的可达测点，其它测点为不可达测点，当故障模式与可达测点对应的矩阵元素d
ij
设置为1，否则为0，i∈(1,m)，j∈(1,n)，n为测点个数。4.根据权利要求1所述的一种基于长短时记忆网络的航天器故障演化建模方法，其特征在于，所述对在轨故障数据进行预处理，得到训练数据，包括：定义故障数据为E
o
＝{x1,x2,...,x
n
}，其中x
i
表示第i时刻故障相关的所有关键变量取值，i＝1,2,...,n，n表示采样的时间长度，x
i
为N维数据，N表示得到的故障相关所有关键变量个数；设定数据窗口长度L，满足n＝n
m
+L；生成训练数据的输入为：其中，X
p
＝{x
p
,x
p+1
,...,x
L+p
‑1}，p＝1,2,...,n
m<...

【专利技术属性】
技术研发人员：袁利，王淑一，刘文静，魏春岭，李文博，
申请(专利权)人：北京控制工程研究所，
类型：发明
国别省市：