[发明专利]多方法联合的航电系统故障诊断方法

权利要求书

1.多方法联合的航电系统故障诊断方法，其特征在于：当故障现象明显时，采用FTA与BAM神经网络融合的故障诊断模型，首先利用FTA得到系统的故障模式，分析归纳出BAM的训练样本，最后BAM通过联想记忆矩阵并行联想，得到诊断结果；当故障现象不明显或者故障实例库没有此故障时，采用联合BP神经网络的故障诊断模型，对BP神经网络采集到的训练样本进行学习，最后利用训练后的网络进行故障诊断。

2.根据权利要求1所述的多方法联合的航电系统故障诊断方法，其特征在于：明显的故障现象包括着火、烟、雾、异味、火花、器件损坏、接口松动、零件老化、零件震动或抖动。

3.根据权利要求1所述的多方法联合的航电系统故障诊断方法，其特征在于：不明显的故障现象包括由电源接触不良或内部损坏、短路或断路造成的肉眼无法感知的现象。

4.根据权利要求1所述的多方法联合的航电系统故障诊断方法，其特征在于：所述当故障现象明显时，采用FTA与BAM神经网络融合的故障诊断模型，具体步骤如下：

1-1、建立故障树；

1-2、求出最小割集；

1-3、FTA整理出训练样本：根据步骤1-2中得到的最小割集建立改进的故障树模型，从而得到正交的样本输入向量；所述改进的故障树模型，是指在结构上，利用最小割集对故障树进行优化处理而得到的简化故障树；

1-4、双极化处理：对样本输入向量采用双极化处理，所述双极化处理通过如下公式计算出来：

Xi‾=2Xi-1---(1-1)]]>

式中：X_i为样本输入向量，为双极化处理后的样本输入向量；

1-5、计算BAM权值矩阵：在MATLAB中建立BAM神经网络模型，利用BAM神经网络模型对FTA整理出的训练样本进行学习和记忆，计算权值矩阵；所述的权值矩阵通过如下公式计算出来：

M=Σi=1nXi‾TYi---(1-2)]]>

式中M为BAM神经网络进行学习和记忆后的权值矩阵，为双极化后样本输入向量，即故障现象，Y_i为样本输出向量，即故障原因；

1-6、获得监测点的状态向量值：通过对故障监测点进行监测，获得BAM神经网络的样本输入向量

1-7、BAM联想回忆：BAM神经网络进行联想回忆，输出联想回忆结果，所述的联想回忆结果通过如下公式计算出来：

Y=X‾M---(1-3)]]>

式中Y为BAM神经网络联想回忆输出的故障诊断结果，为BAM神经网络的样本输入向量，即故障现象，M为权值矩阵；

1-8、输出故障诊断结果：根据步骤1-7中BAM的联想回忆结果，输出相应的故障诊断结果。