[发明专利]一种基于深度随机森林算法的飞机作动器故障检测与诊断方法

权利要求书

1.一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：包括以下步骤：

步骤1：分析飞机作动器处于故障模式下的输入输出数据集，确定飞机作动器的故障模式集合；

步骤2：采集飞机作动器正常工作情况下的输入输出数据集，建立基于神经网络的作动器解析模型，并利用采集的历史数据集对神经网络模型进行训练构建作动器的解析冗余；

步骤3：再采集作动器的实际输出与建立的RBF神经网络模型仿真输出信号的残差数据，并对残差数据进行特征提取；

步骤4：建立深度随机森林多分类器模型，利用飞机作动器正常状态以及各种故障模式下采集的残差特征数据集对深度随机森林分类器进行训练，再利用训练好的深度随机森林分类器对新采集到的残差数据进行分类，实现故障诊断。

2.根据权利要求1所述一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：步骤1中分析飞机作动器处于故障模式下的输入输出数据集，确定飞机作动器的故障模式集合包括作动器发生卡死故障、作动器发生增益改变故障、作动器发生漂移故障；其中作动器发生卡死故障指作动器在进行线性运动过程中，停滞在某个位置而不再继续执行后续的动作，作动器发生增益改变故障指作动器不再是指令随动系统，其输出响应与输入指令间存在一定的增益比例，作动器发生漂移故障指作动器输出响应位置与输入期望指令之间存在偏差。

3.根据权利要求2所述一种基于深度随机森林算法的飞机作动器故障检测与诊断方法，其特征在于：步骤2中，建立RBF神经网络，并利用飞机作动器正常工作情况下的输入输出数据集，训练RBF神经网络：

步骤2.1：设定RBF神经网络的输入样本个数为r，其中输入样本中的第p个输入样本向量为X^p＝[x₁,x₂,...,x_n]^T，p＝1,2,3,...,r，n为输入样本向量的维数，也是RBF神经网络输入层节点的个数；设定RBF神经网络的输出向量为Y＝[y₁,y₂,...,y_q]^T，其中q为输出层节点的个数；设定期望输出量O＝[o₁,o₂,...,o_q]^T；初始化RBF神经网络隐含层至输出层的连接权值W_k＝[w_k1,w_k2,...,w_km]^T，其中k＝1,2,...,q，m是隐含层节点的个数；

步骤2.2：利用无监督学习过程，基于K-means聚类算法计算数据中心，具体步骤为：

步骤2.2.1：初始化聚类中心：从r个输入样本向量中选择m个不同的样本作为初始的聚类中心，并记为c_i(0)，i＝1,2,...,m，设置迭代步数s＝0；

步骤2.2.2：计算r个输入样本向量与聚类中心的欧氏距离，寻找每一个向量X^p与聚类中心最小的欧氏距离，并将该输入向量进行归类，体现于下列等式：

i(X^p)＝arg min||X^p-c_i(s)|| i＝1,2,...,m

公式中i(X^p)表示输入样本中第p个输入样本向量被归类为第i个聚类，c_i(s)表示在第s步迭代时，RBF神经网络中第i个隐含层神经元节点中径向基函数的中心；

步骤2.2.3：通过对各个聚类中含有的输入样本向量求取均值的方式调整各聚类中心，得到下一步迭代的聚类中心满足下列等式：

式中N_z表示的是第i个聚类中样本的个数；所述聚类中心即为隐含层神经元节点中径向基函数的中心；

步骤2.2.4：判断各隐含层神经元节点中径向基函数中心c_i是否均变化小于设定阈值，若是则结束寻找径向基函数中心，若否则转到步骤2.2.2继续执行；最终得到的c_i，i＝1,2,...,m即为RBF神经网络基函数最终的函数中心；

步骤2.3：所述RBF神经网络基函数为高斯函数，得到基函数的宽度为

其中d_max是函数中心的最大距离；

步骤2.4：在有监督学习过程中，利用梯度法对隐含层与输出层神经元之间的连接权值进行更新，具体步骤为：

步骤2.4.1：计算隐含层第i个神经元节点的输出值z_i，隐含层中的激活函数为高斯核函数，隐含层第i个神经元节点的输出由下式计算得到：

步骤2.4.2：计算输出层第k个神经元节点的输出值y_k，该输出值由下式得到：

步骤2.4.3：根据神经网络的实际输出向量Y＝[y₁,y₂,...y_k,...,y_q]^T与期望输出向量O＝[o₁,o₂,...,o_q]^T之间的误差，计算神经网络目标输出与实际输出的误差平方和：

式中y_k(h)表示的是在样本中第h维输入的作用下，RBF神经网络输出层的第k个神经元节点的输出值，o_k(h)表示的是对应于样本中第h维输入，RBF神经网络输出层的第k个神经元节点的期望输出值；

步骤2.4.4：判断模型输出误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数时结束算法，否则利用计算得到的目标输出与实际输出的误差平方和按照梯度下降算法更新每个隐含层神经元节点与输出层节点的连接权重，并返回步骤2.4.1。