[发明专利]基于序贯随机森林的实时故障诊断方法和系统

说明书

本发明提供了一种基于序贯随机森林的实时故障诊断方法和系统，包括：获取待诊断非线性系统的待测残差信号；基于小波包分解提取待测残差信号的时频特征向量；将时频特征向量代入到训练之后的随机森林故障分离器中，并对待诊断非线性系统进行序贯概率比检验，得到目标故障信息；目标故障信息包括目标故障类型和目标故障发生时间；将时频特征向量和目标故障类型代入到训练之后的回归随机森林故障辨识器中，得到与目标故障类型相对应的故障大小信息。本发明缓解了现有技术中存在的无法实现实时的故障诊断且漏诊率和误诊率偏高的技术问题。

技术领域

本发明涉及无人机故障诊断技术领域，尤其是涉及一种基于序贯随机森林的实时故障诊断方法和系统。

背景技术

现有的定量分析故障诊断方法，大体上分为基于解析模型和基于数据驱动的方法。基于解析模型的故障诊断的核心思想在于通过状态估计系统变量观测值，并将其与系统状态变量真值之间产生的残差作为诊断来源与依据。残差通常通过以下两种方式获得：基于状态观测器和基于参考模型，前者的关键是设计具有强滤波和高动态响应特性的观测器和滤波器，后者的难点在于构建精确的高维非线性的系统标称模型。在一定程度上状态观测器的估计精度和参考模型的设计精度直接影响着故障诊断的准确性。

为了实现系统的主动容错控制，故障诊断需要实现主要两方面的功能：一是确定故障发生的类别和严重程度，即拥有故障分离和辨识能力；二是拥有实时的系统状态监控机制，快速检验故障的发生。基于机器学习的数据驱动方法不依赖于模型，通过从海量数据中学习提取特征以拟合残差观测数据与系统状态间的非线性映射关系，能够大幅提升故障诊断系统的能力。随机森林作为集成学习的典型方法，通过引入随机性，拥有优秀的抗过拟合能力和噪声不敏感性。与神经网络相比，随机森林拥有极少的超参数，不需要特征子集选择，能够处理复杂系统产生的高维数据，使用无偏估计进行训练学习，数据无须进行规范化处理且不需要额外的验证集设置。实现简单，能够实现较快的故障诊断。此外，随机森林同时具有拟合回归和隔离分类的能力，前者能够实现故障大小的识别而后者可以实现故障模态的分类。虽然随机森林拥有以上优点，但其依然只考虑了状态数据在空间域的依赖而忽略了时间域上历史数据关联性，基于单样本的诊断受制于传感器噪声等随机扰动，无法实现实时的故障诊断，且漏诊率和误诊率偏高。

发明内容

有鉴于此，本发明的目的在于提供一种明基于序贯随机森林的实时故障诊断方法和系统，以缓解现有技术中存在的无法实现实时的故障诊断且漏诊率和误诊率偏高的技术问题。

第一方面，本发明实施例提供了一种基于序贯随机森林的实时故障诊断方法，包括：获取待诊断非线性系统的待测残差信号；基于小波包分解提取所述待测残差信号的时频特征向量；将所述时频特征向量代入到训练之后的随机森林故障分离器中，并对所述待诊断非线性系统进行序贯概率比检验，得到目标故障信息；所述目标故障信息包括目标故障类型和目标故障发生时间；将所述时频特征向量和所述目标故障类型代入到训练之后的回归随机森林故障辨识器中，得到与所述目标故障类型相对应的故障大小信息。

进一步地，获取待诊断非线性系统的待测残差信号，包括：建立所述待诊断非线性系统的标称模型，并获取所述标称模型的标称系统残差信号；获取所述待诊断非线性系统的观测残差信号；基于所述标称系统残差信号和所述观测残差信号，得到所述待测残差信号。

进一步地，所述方法还包括：基于所述标称系统残差信号和所述观测残差信号，得到所述待测残差信号，包括：通过如下算式，确定所述待测残差信号：e_l=e_s-g(e_n,t_r,t_c)；其中，e_l为所述待测残差信号，e_s为所述观测残差信号，e_n为所述标称系统残差信号，g(e_n,t_r,t_c)为标称残差注入函数，t_r,t_c分别为指令信号改变时刻和标称残差注入持续时间。