[发明专利]基于神经网络和证据理论的火箭发动机故障诊断方法

权利要求书

1.基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，该方法的具体步骤为：

步骤A、获取故障数据样本：建立火箭六自由度下的运动模型和故障模型，得到故障模式下的来自火箭运动的数据，即为故障数据的样本；

步骤B、采用归一化算法对故障数据的样本进行处理，再对所述样本的数据分类标签化；将处理完之后的样本数据分为训练集和验证集两部分，训练集用于训练故障诊断模型，验证集用于测试建立的故障诊断模型的诊断效果；

步骤C、构建及训练BP神经网络故障诊断模型；

步骤D、构建及训练径向基神经网络故障诊断模型；

步骤E、构建证据理论融合诊断模型；

所述步骤E的具体过程为：

E-1、构建证据体，搭建识别框架；

E-2、分别计算基于BP神经网络诊断模型和基于径向基神经网络诊断模型的基本概率函数，公式如下：

m(Θ)＝E_n，

其中C(A_i)为BP神经网络诊断模型和径向基神经网络的诊断结果，m(Θ)为证据体的不确定性表示，N为故障类型数，En为BP神经网络和径向基神经网络诊断结果与期望值的均方差；

E-3、计算组合后的基本概率赋值，公式如下：

其中A₁,A₂，…,A_K和B₁,B₂，…,B_K分别为BP神经网络诊断模型和径向基神经网络诊断模型基本概率赋值分配的基本元素，K为冲突因子，表达式如下：

步骤F、实际故障诊断：将火箭视加速度和角加速度信息作为BP神经网络故障诊断模型和径向基神经网络故障诊断模型的输入，将这两个网络的输出作为证据理论融合诊断模型的输入，以证据理论融合诊断模型的输出作为火箭发动机故障模式的辨识结果；

步骤G、得到故障模式辨识结果后，利用滚动时域估计方法估计故障模式下的飞行状态特征参数。

2.根据权利要求1所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤A中，火箭发动机的故障种类包括：火箭发动机推力损失任意百分比和伺服机构舵机卡死在任意角度。

3.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤B中，对数据进行归一化，使样本数据都分布在[0，1]之间，对不同故障模式下的数据分类标签化，来自同一故障类型的标记为1，其他故障类型的标记为0。

4.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤C中，BP神经网络的输入为三轴视加速度和三轴角加速度，输出为故障类型矩阵；步骤C的具体过程为：

C-1、初始化输入节点x_j、隐节点y_i、输出节点O_l、阈值θ、输入节点与隐节点间的网络权值ω_ij、隐节点与输出节点间的网络权值T_li以及输出节点的期望输出t_l；

C-2、计算隐节点的输出，公式如下：

y_i＝f(∑ω_ijx_j-θ_i)；

C-3、计算输出节点的输出，公式如下：

C-4、计算误差函数，公式如下：

C-5、通过梯度下降法，更新网络权值和阈值，使误差函数沿着负梯度方向下降，

C-6、调整网络权值和阈值，直到误差满足要求或迭代次数达到最大值，将输出节点的输出结果归一化，选择输出结果最大的对应的故障类型作为故障诊断的结果。

5.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，所述步骤G的具体过程为：

G-1、线性化火箭运动模型，求解状态转移矩阵和观测函数雅可比矩阵；

G-2、初始化系统噪声协方差矩阵、量测噪声协方差矩阵、状态估计协方差矩阵、初始状态估计和滚动时域窗口N；

G-3、当前仿真时刻k≤N时，利用扩展卡尔曼滤波方法进行状态估计；

G-4、当前仿真时刻k＞N时，优化目标函数得到唯一解；

G-5、计算当前时刻状态估计值；

G-6、计算下一时刻状态初始值和状态估计协方差矩阵；

G-7、根据下一时刻的量测信息，返回步骤G-4进行下一时刻状态估计。