[发明专利]一种基于自然环境的军机故障率预测方法

权利要求书

1.一种基于自然环境的军机故障率预测方法，其特征在于，所述故障率预测方法包括：

步骤1：分别采集军机在不同使用环境下的环境数据，以及军机在对应使用环境下的故障统计；环境数据包括环境温度、湿度和气压数据；

步骤2：统计不同使用环境条件下单位日历时间内的军机故障数量及飞行时间，计算军机的故障率；

步骤3：根据不同使用环境下单位日历时间内故障率的大小对军机的故障率等级进行划分；

步骤4：将每个使用环境下单位日历时间内的环境温度、湿度和气压信号数据序列转换为二维环境信号图像；

步骤5：所述二维环境信号图像作为卷积神经网络模型的输入，建立卷积神经网络模型；

步骤6：随机选择二维环境信号图像及其对应的故障率等级作为训练样本，其余二维环境信号图像及其对应的故障率等级作为测试样本；

步骤7：利用训练样本对卷积神经网络模型进行训练，采用训练好的深度卷积神经网络模型预测测试样本对应的故障率等级，并判断卷积神经网络模型是否符合要求。

2.根据权利要求1所述的军机故障率预测方法，其特征在于，军机的故障率，计算公式如下：

其中n为单位日历时间内的故障数量，单位为个；h为单位日历时间内的飞行时间，单位为小时；单位日历时间指示为一个月。

3.根据权利要求1所述的军机故障率预测方法，其特征在于，二维环境信号图像的转换方法为：

假定采集的温度、湿度和气压信号数据序列L₁、L₂和L₃分别包含l/3个数据值；对每一个环境信号数据序列，首先将序列中所有数据值按下式标准化为0到255，以作为灰图的像素强度；

然后，分别将三个标准化后的温度、湿度和气压数据序列L′₁，L′₂，L′₃排列成一列长为l的环境信号数据序列L：L＝(L′₁，L′₂，L′₃)；

将环境信号数据序列L的l个数据值作为环境信号图像的K×K个像素强度，其中K为图像的行数和列数，K×K＝L；环境信号图像像素P(j,k)与环境信号数据序列L的对应关系为：

P(j,k)＝L((j-1)×K+k) j＝1,2…K,k＝1,2…K。

4.根据权利要求1所述的军机故障率预测方法，其特征在于，卷积神经网络模型包括输入层、3个卷积层、3个池化层、3个全连接层及输出层。

5.根据权利要求4所述的军机故障率预测方法，其特征在于，

输入层：输入层为36×36的二维灰度图像；

卷积层C1：采用6个5×5大小的卷积核来提取输入图像特征；

池化层S1：采用最大池化策略，将C1层每组特征映射中的2×2邻域采样为1个点；

卷积层C2：采用64个大小为3×3卷积核提取特征；

池化层S2：采用最大池化策略，将C2层每组特征映射中的2×2邻域采样为1个点；

卷积层C3：采用256个大小为3×3卷积核继续提取特征；

池化层S3：采用最大池化策略，将C3层每组特征映射中的3×3邻域采样为1个点；

全连接层F1：F1的长度设为512；

全连接层F2：F2的长度设为100；

全连接层F3：F3的长度设为10；

输出层：采用Softmax模型作为概率分类模型。

6.根据权利要求5所述的军机故障率预测方法，其特征在于，卷积层C1、C2和C3在卷积运算前需在输入图像四周各添加2层0值，以防止维度损伤并保留图像边缘特性。

7.根据权利要求5所述的军机故障率预测方法，其特征在于，卷积层C1、C2和C3均采用带泄露线性整流函数(Leaky ReLU)作为激活函数，当利用反向传播算法调整参数值时可使浅层具有更强的可训练性。

8.根据权利要求5所述的军机故障率预测方法，其特征在于，全连接层F1和F2采用dropout策略，以使网络不依赖于特定的神经元及其连接。