[发明专利]一种用于飞行器推力故障在线辨识的机器学习样本生成方法

权利要求书

1.一种用于飞行器推力故障在线辨识的机器学习样本生成方法，其特征在于步骤如下：

(1)根据真实飞行器和其所处的环境，构建飞行器六自由度动力学仿真模型；

(2)设定各个仿真偏差组合，所述偏差组合包含：质量、质心、转动惯量、风速、风向、推力线偏斜、发动机流量偏差；将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中；进行步骤(3)；

(3)设定各个故障发生时刻与故障程度，所述故障发生时刻的设定为：从起飞开始，取发生故障后Ns与飞行结束时刻最小值作为仿真结束，每等间隔(N/4)s设置一次故障发生时刻；所述故障程度的设定为：单台故障发动机下降第一预设百分比～第二预设百分比，等间隔划分故障程度；将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中；

(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合，得到飞行器六自由度动力学仿真模型在不同组合情况下的仿真数据，仿真数据包括：加速度、姿态角、姿态角偏差；将不同组合情况下的仿真数据进行保存；

(5)将不同组合情况下的仿真数据进行截取，生成数据样本；具体为：判断故障注入时刻是否为当前偏差组合下最后的时刻，且故障程度为当前偏差组合下的最后的档位；若是，则截取正样本与负样本，否则，只截取负样本；根据故障发动机编号以及故障程度设计数据标签，并对每个数据样本打标签。

2.根据权利要求1所述的一种用于飞行器推力故障在线辨识的机器学习样本生成方法，其特征在于：还包括步骤(6)～(9)；

(6)随机取(5)中打完标签的数据的大部分以上划分为训练集，其余部分随机取一半划分验证集，另一半划分为测试集；搭建BP神经网络，结构包含一个单隐层和输出层；单隐层共10个神经元，激活函数为Sigmoid函数；输出层的共11个神经元，激活函数为softmax函数；层与层之间采用全连接方式；

(7)训练采用交叉熵作为损失函数，采用梯度下降法进行神经网络参数的更新，更新神经网络的权值和偏置；将步骤(5)中所述训练集中的数据样本，输入步骤(6)搭建的BP神经网络，进行训练；训练采用梯度下降法进行网络参数的更新；采用验证集中的数据样本，对训练过程进行测试，当神经网络连续N次在验证集上样本误差不下降时，训练结束，得到训练结果；

(8)采用测试集中的数据样本，对训练结果进行测试，若满足要求，则将训练好的BP神经网络保存，进行步骤(9)；若不满足，则调整步骤(6)搭建的BP神经网络，返回步骤(6)；

(9)将步骤(8)中保存的BP神经网络嵌入飞行器控制计算机中，使用训练好的BP神经网络，进行故障在线辨识。

3.根据权利要求2所述的一种用于飞行器推力故障在线辨识的机器学习样本生成方法，其特征在于：步骤(6)随机取(5)中打完标签的数据的大部分以上划分为训练集，具体为：随机取(5)中打完标签的数据的2/3以上划分为训练集。

4.根据权利要求2所述的一种用于飞行器推力故障在线辨识的机器学习样本生成方法，其特征在于：步骤(6)中输出层的共11个神经元，其数量为总的故障类别数。

5.根据权利要求4所述的一种用于飞行器推力故障在线辨识的机器学习样本生成方法，其特征在于：总的故障类别数即步骤(5)中的总标签数。

6.根据权利要求1所述的一种用于飞行器推力故障在线辨识的机器学习样本生成方法，其特征在于：还包括步骤(6)～(9)；

(6)随机取(5)中打完标签的数据的大部分以上划分为训练集，其余部分划分为测试集；采用训练集中数据样本，利用CART算法训练，生成决策树，当生成决策树时，训练结束，得到训练结果；

(7)对训练结果进行判断，若训练结果满足要求，则将生成的决策树保存，进行步骤(8)；若不满足，则返回步骤(4)；

(8)采用测试集中的数据样本，对步骤(7)中的决策树进行验证，若验证准确率满足要求，则提取决策树中判别规则，并保存；若不满足要求，返回步骤(4)；

(9)使用决策树，进行故障在线辨识。