一种基于递归元学习的航天器故障诊断方法技术

本发明专利技术提供了一种基于递归元学习的航天器故障诊断方法，包括如下步骤：训练LSTM神经网络模型；划分递归元学习的数据集；训练快速适应的递归元学习模型；通过训练好的递归元学习模型预测航天器故障。本发明专利技术提供的基于递归元学习的航天器故障诊断方法，相比于传统LSTM神经网络，在适应新故障诊断任务开始时刻，均方误差明显降低，且能更快训练至收敛，提升了在轨航天器故障诊断模型泛化能力，同时提高了样本数据稀缺条件下故障诊断的准确率，信号预测均方误差相较传统LSTM神经网络下降明显，具有较强工程应用价值。有较强工程应用价值。有较强工程应用价值。

【技术实现步骤摘要】
一种基于递归元学习的航天器故障诊断方法


[0001]本专利技术涉及航天器故障诊断
，特别涉及一种基于递归元学习的航天器故障诊断方法。

技术介绍

[0002]随着航空航天技术与人工智能的快速发展，数据驱动的航天器遥测信号故障诊断已成为航天器可靠性和空间安全领域的重要研究方向。目前深度神经网络、卷积神经网络与递归神经网络模型凭借强大的信号特征提取能力，在航天器故障诊断领域受到了极大关注。虽然深度学习模型一定程度摆脱了对于专业知识与工程经验的依赖，但是都需要大量有标签的样本数据对模型进行训练。由于航天器在轨运行过程中所采集的信号只有小部分带有标签且故障样本相对稀少，上述故障诊断方法在航天器设备上的应用受到限制。因此，如何通过人工智能与机器学习，提高模型的自识别和自学习能力，开发具有更好实时性能、更高精度和更好自主性的小样本故障诊断算法是当前亟待解决的航天器安全问题。
[0003]为了解决航天器故障诊断领域样本数据稀少的问题，需要从全新的模型和框架上进行实时性高且安全可靠的小样本故障诊断方法设计。元学习作为一种解决小样本学习问题的通用范式，可以实现跨任务的知识转移和快速适应新任务。其中，基于参数优化的模型不可知元学习算法(Model
‑
Agnostic Meta
‑
Learning,MAML)凭借简洁有效的学习策略，在一众元学习算法中脱颖而出。现有技术中存在将MAML迁移至故障诊断领域，融合三元组神经网络的故障分类学习框架，该框架在稀疏样本条件下具有不错的故障识别能力。为了进一步提升小样本故障诊断性能，可以使用具备细胞状态记忆能力的长短时神经网络(Long Short
‑
Term Memory,LSTM)作为MAML框架的内部网络，而LSTM神经网络自身的收敛性、模型泛化能力、故障预测准确率等仍能够进一步优化。

技术实现思路

[0004]本专利技术的目的是：针对上述
技术介绍
中存在的不足，提供一种改进的航天器信号故障诊断方案，能够在样本数据稀缺的条件下，进一步提高航天器故障诊断性能。
[0005]为了达到上述目的，本专利技术提供了一种基于递归元学习的航天器故障诊断方法，包括如下步骤：
[0006]S1，训练LSTM神经网络模型；
[0007]S2，划分递归元学习的数据集；
[0008]S3，训练快速适应的递归元学习模型；
[0009]S4，通过训练好的递归元学习模型预测航天器故障。
[0010]进一步地，S1中LSTM神经网络包括遗忘门、输入门、输出门；
[0011]在每一时刻，航天器样本数据首先被传送到遗忘门，清理之前无用细胞状态；随后通过输入门更新细胞状态；最终细胞状态在输出门输出。
[0012]进一步地，遗忘门的数学模型如下：
[0013][0014]其中，为遗忘门的输出，为上一时刻隐含层的输入，为当前时刻的输入，W
f
和b
f
分别为遗忘门的偏置系数和权重矩阵，选取sigmoid作为神经网络激活函数。
[0015]进一步地，输入门的数学模型如下：
[0016][0017]其中，为输入门的输出，为由于当前输入所更新的信息，为当前时刻的单元状态，W
i
、W
C
为输出门权重矩阵，b
i
、b
C
为输出门偏置系数。
[0018]进一步地，输出门的数学模型如下：
[0019][0020]其中，为输出门的输出，为当前时刻的状态输出，W
o
和b
o
分别为输出门的偏置系数和权重矩阵。
[0021]进一步地，S2中元学习任务所使用的训练集合p(τ)包括K个时序信号预测任务τ，每个任务又包含m组有标签的时序数据：
[0022]p(τ)＝{τ1,τ2,...,τ
n
}
[0023][0024]其中，x
i
为任务τ
i
中的输入信号，y
i
对应该任务中各组信号的标签，标签为待预测时刻的真实信号值。
[0025]进一步地，S3中将LSTM神经网络的初始权重θ组成神经网络f
θ
，f
θ
的更新过程包括内环更新和外环更新。
[0026]进一步地，内环更新过程中，当适应训练集中任务τ
i
时，神经网络使用均方误差损失函数对于每个分类任务进行运算，并使用梯度下降将神经网络权重θ更新为权重θ
′
：
[0027][0028][0029]其中，α为内环更新过程的步长，为梯度算子；
[0030]内环更新的目标为：
[0031][0032]进一步地，外环更新为递归元学习模型跨任务优化LSTM神经网络的初始权重θ的过程：
[0033][0034]其中，β为外环更新过程的步长。
[0035]本专利技术的上述方案有如下的有益效果：
[0036]本专利技术提供的基于递归元学习的航天器故障诊断方法，相比于传统LSTM神经网络，在适应新故障诊断任务开始时刻，均方误差明显降低，且能更快训练至收敛，提升了在轨航天器故障诊断模型泛化能力，同时提高了样本数据稀缺条件下故障诊断的准确率，信号预测均方误差相较传统LSTM神经网络下降明显，具有较强工程应用价值；
[0037]本专利技术的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
[0038]图1为本专利技术的方法步骤流程图；
[0039]图2为本专利技术实施例中完成训练的递归原学习模型与随机初始参数LSTM神经网络适应小样本时序预测任务时的损失函数迭代图；
[0040]图3为本专利技术实施例中K＝3、N＝6时递归元学习模型与随机初始参数LSTM神经网络对小样本航天器总线电流信号预测结果对比图；
[0041]图4为本专利技术实施例中为K＝3、N＝10时递归元学习模型与随机初始参数LSTM神经网络对小样本航天器总线电流信号预测结果对比图。
具体实施方式
[0042]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0043]需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于递归元学习的航天器故障诊断方法，其特征在于，包括如下步骤：S1，训练LSTM神经网络模型；S2，划分递归元学习的数据集；S3，训练快速适应的递归元学习模型；S4，通过训练好的递归元学习模型预测航天器故障。2.根据权利要求1所述的一种基于递归元学习的航天器故障诊断方法，其特征在于，S1中LSTM神经网络包括遗忘门、输入门、输出门；在每一时刻，航天器样本数据首先被传送到遗忘门，清理之前无用细胞状态；随后通过输入门更新细胞状态；最终细胞状态在输出门输出。3.根据权利要求2所述的一种基于递归元学习的航天器故障诊断方法，其特征在于，遗忘门的数学模型如下：其中，为遗忘门的输出，为上一时刻隐含层的输入，为当前时刻的输入，W
f
和b
f
分别为遗忘门的偏置系数和权重矩阵，选取sigmoid作为神经网络激活函数。4.根据权利要求3所述的一种基于递归元学习的航天器故障诊断方法，其特征在于，输入门的数学模型如下：其中，为输入门的输出，为由于当前输入所更新的信息，为当前时刻的单元状态，W
i
、W
C
为输出门权重矩阵，b
i
、b
C
为输出门偏置系数。5.根据权利要求4所述的一种基于递归元学习的航天器故障诊断方法，其特征在于，输出门的数学模型如下：其中，为输出门的输出，为当前时刻的状态输出，W
o

【专利技术属性】
技术研发人员：魏才盛，郭鹏飞，殷泽阳，陈琪锋，
申请(专利权)人：中南大学，
类型：发明
国别省市：