[发明专利]一种改进的RBF飞控系统故障诊断网络训练方法

说明书

本发明属于飞行器故障诊断技术领域，具体涉及一种改进的RBF飞控系统故障诊断网络训练方法。本发明采用基于训练样本初始化种群、基于差分进化算子和算术交叉算子对网络参数基因进行交叉操作：基于训练样本初始化种群：在种群初始化时，采用训练样本初始化RBF网络的神经元中心，网络隐层神经元数目和径向基扩展常数采用随机初始化的方法。基于差分进化算子和算术交叉算子的交叉操作：在交叉操作中，对网络参数基因部分的交叉操作在通常采用的算术交叉算子的基础上，以一定概率采用差分进化算子，使子代个体的参数基因获得更丰富的多样性。

技术领域

本发明属于飞行器故障诊断技术领域，具体涉及一种改进的RBF飞控系统故障诊断网络训练方法。

背景技术

飞控系统作为飞行器的核心系统，其系统部件的故障不仅影响着飞控系统的性能，还会为飞行器的飞行安全带来极大的威胁，将智能故障诊断技术应用于飞行器飞控系统的故障诊断中，辅助机务人员及时排除飞控系统故障，提高飞行器维护效率，保障飞行器的安全飞行，是当前有着迫切需要的研究内容。

飞控系统的故障诊断常用的方法有基于模型的故障诊断，基于信号处理的故障诊断以及基于知识的故障诊断。

基于模型的故障诊断是一种通过建立诊断对象的数学模型，由模型输出于实际输出计算出系统残差，通过分析残差从而对故障做出定位诊断的一种故障诊断方法。但是飞行器作为一个复杂的动态系统，很多部件相关的精确数学模型往往很难建立，且残差量还会受到许多噪声的干扰，使得该类方法的应用范围受到了很大的限制。

基于信号处理的方法是一种通过分析被测对象的信号模型来完成故障诊断的方法，常用的基于信号模型的方法有小波分析法、主元分析法等。但是这类方法利用的故障信息比较单一，对故障诊断中的不确定性问题无法解决，导致对复杂故障的诊断能力相对较弱。

基于知识的故障诊断方法是一种不依赖于数学模型，通过学习运用故障诊断知识完成故障诊断的方法。常用的基于知识的故障诊断方法有：基于专家系统的方法、基于模糊逻辑的方法、基于粗糙集的方法、基于灰色关联度的方法、基于案例推理的方法、基于信息融合的方法、基于人工神经网络的方法、基于贝叶斯网络的方法、基于故障树的方法以及基于支持向量机的方法等。基于知识的故障诊断方法由于其不依赖精确的数学模型，所以其适用范围较广，但是知识的获取往往是影响其故障诊断性能的关键因素。

基于RBF神经网络的故障诊断方法是一种常用的基于知识的故障诊断方法，其在解决复杂故障诊断中具有较好的效果。RBF神经网络的故障诊断性能主要受其训练算法的影响，常用的训练算法有基于随机选取中心的训练算法，基于聚类算法的训练算法，基于梯度下降法的训练算法，基于正交最小二乘法的训练算法，基于进化算法的训练算法。递阶遗传算法是进化算法中的一类，因其染色体的递阶结构可以同时表示RBF网络的网络结构和网络参数且训练时对数据的先验知识要求较低而广泛应用于RBF网络的训练中，但是因为遗传算法属于启发式搜索算法，导致算法训练时间相较于其他非进化训练算法大大加长，制约了其在RBF网络训练中的应用，传统的递阶遗传算法一般包含参数编码、初始种群设定、适应度函数设计、遗传操作设计、控制参数设定、约束条件等六个要素，初始种群影响着算法的迭代次数即运行时间，传统的递阶训练算法在种群初始化时通常采用随机初始化的方式；选择、交叉和变异构成了遗传操作，其中交叉操作是递阶遗传算法增强种群多样性的主要操作，其对算法的寻优能力、迭代次数有着重要影响。

发明内容

本发明的目的，就是针对上述问题，提出一种改进的RBF飞控系统故障诊断网络训练方法。

本发明所采用的技术方案为：

一种改进的RBF飞控系统故障诊断网络训练方法，如图1所示，包括以下步骤：

S1、初始化：

在种群初始化时，采用训练样本初始化RBF网络的神经元中心，网络隐层神经元数目和径向基扩展常数采用随机初始化，具体方法为：