CN109255441A - 基于人工智能的航天器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于反向传播BP神经网络的航天器故障诊断方法，主要解决现有技术中对先验知识依赖性强的问题。本发明利用航天器环境数据训练反向传播BP神经网络，对航天器异常事件发生的概率数据进行拟合。其实现方案为：确定反向传播BP神经网络模型；获取反向传播BP神经网络的训练集数据和测试集数据；初始化反向传播BP神经网络的参数；对反向传播BP神经网络进行训练；对训练好的反向传播BP神经网络进行优化；利用优化好的BP神经网络对新的航天器数据进行故障诊断。本发明充分利用了BP神经网络的自适应能力和学习能力，能很好地对航天器异常事件发生的概率数据进行拟合，减少了对先验知识的依赖，可用于无线网络通信领域。

Description

基于人工智能的航天器故障诊断方法

技术领域

本发明属于人工智能技术领域，特别涉及一种航天器故障诊断方法，可用于无线网络通信领域。

背景技术

近年来，随着航天领域的不断发展和航天技术的不断突破，人类航天活动不断增加，航天器的健康状态也受到了从事航天器设计的技术人员和专家的广泛重视。由于空间环境的复杂性、航天器地面测试***的局限性以及当前航天器***的复杂度的提升，航天器运行异常和***故障问题不可避免，航天器的可靠性将会相应降低，如不能及时准确地对航天器***进行故障诊断和修复，将会造成严重损失。因此，航天器能否进行智能故障诊断对于整个太空飞行任务的完成起着至关重要的作用。

已有的航天器故障诊断方法主要有三种，分别是基于信号处理的方法、基于数学模型的方法和基于知识的方法。其中：

基于信号处理的方法，是最早使用的故障诊断技术，是其他方法进行故障诊断的基础。该方法不需要以***的数学模型为基础，只需对时域、幅值、频域等可测信号特性进行分析，就能识别和检测***故障。这种方法的航天器故障诊断技术由于实时性和自主性差，往往达不到预期效果。

基于数学模型的故障诊断方法，是现代故障诊断技术发展的基础，也是发展最成熟、应用最广泛的一种方法。其核心是以分析***数学模型为基础，通过参数估计、状态估计等多种方法来产生残差，然后通过阈值或其他限定准则对该残差进行分析和下一步的故障处理。该方法虽能够较为精确、高效地完成航天器***的故障诊断，但是对于***结构较为复杂的航天器以及无法预测的太空环境而言，精确数学模型的建立是非常困难的，即使建立出数学模型也很难保证不受不确定因素的干扰。

基于知识的故障诊断方法，是通过直接或间接的方法来获取故障诊断的发生征兆或判定原则，较为直观地了解***的故障发生情况，能及时做出准确的判断来完成***的故障诊断。但由于知识的覆盖有限，航天器***的不确定因素较多，加之经验技术的缺乏，使得该方法具有一定的局限性。

北京空间飞行器总体设计部在其申请的专利“一种航天器在轨异常报警与故障诊断***”(专利发明人：王环秦巍等；专利申请号：CN201510608592.X，公开号：105159286B)中提出一种航天器在轨异常报警与故障诊断***，其中：知识编辑器输入已编译好的报警诊断知识；数据缓冲区缓冲输入的原始遥测数据；数据区从数据缓冲区提取推理控制器进行逻辑匹配运算时的遥测数据或遥测指令并对其进行存储；规则区从知识编辑器中装载已经编译好的报警诊断知识，在规则区每个报警诊断知识称之为规则；推理控制器将数据区中的原始遥测数据与规则区中的报警诊断知识进行逻辑匹配运算获得诊断结果；选择需要输出的诊断结果输出至黑板；黑板存储推理控制器通过逻辑匹配运算获得的诊断结果；结果缓冲区缓冲推理控制器选择输出的诊断结果并发送至客户端，待用户通过该客户端查看诊断结果后回复确认信息。该方法存在的局限性在于：对先验知识的依赖性强，如需预先确定参数上下限、故障知识和***模型，因而该方法在自适应能力、学习能力以及处理不精确信息等方面表现不足。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于BP神经网络的航天器故障诊断方法，以减少对先验知识的依赖，提高自学习和自适应能力，有效实现对航天器异常预警和故障的智能地诊断。

本发明的技术方案是这样实现的：

一、技术原理

近年来，人工智能技术已经在计算机视觉、语音识别、自然语言处理、医学自动诊断和金融等各大领域得到了广泛应用。作为航天器故障诊断技术研究的发展趋势之一，基于人工智能的故障诊断技术是该领域发展的重点，是现阶段应用最广泛，研究的最多的方向，因其不需要精确的模型，是解决上述问题的有效方法。

作为人工智能领域的重要工具的反向传播BP神经网络，是1986年由Rumelhart和McCelland为首的科学家小组提出的一种按误差逆传播算法训练的多层前馈网络。反向传播BP网络能学习和存贮大量的输入与输出映射关系，而无需事前了解描述这种映射关系的数学方程，具有出色的非线性映射能力、泛化能力和容错能力。

本发明利用航天器环境数据训练反向传播BP神经网络，对航天器异常事件发生的概率数据进行拟合，用训练后的反向传播BP网络表示航天环境影响因子与航天器异常模式之间复杂的非线性映射关系。

二、技术方案

根据上述原理，本发明的技术方案包括如下：

(1)确定反向传播BP神经网络模型：

定义BP神经网络结构为：一个输入层，两个隐藏层，一个输出层，并将预处理后的航天环境数据作为反向传播BP神经网络的输入，反向传播BP神经网络的输出表示航天器某类异常事件发生的概率；

(2)获取反向传播BP神经网络的训练集数据和测试集数据：

将航天环境数据集中的70％数据作为训练样本集，其余30％数据作为测试样本集，并对训练样本集和测试样本集进行归一化，得到归一化的训练样本集X_r和测试样本集X_t；

提取出训练样本集对应的标签和测试样本集对应的标签其中表示第k个训练样本对应的标签值，表示第n个测试样本对应的标签值，k＝1,2,...,p，n＝1,2,...,q，p表示所有训练样本数，q表示所有测试样本数；

(3)初始化反向传播BP神经网络的参数：

将BP神经网络的权重矩阵W^(l)和偏置向量b^(l)初始化为0～1之间的随机数，设置输入层和隐藏层的神经元个数为s^l，输出层神经元个数为1，其中l＝1,2,...,L-1，L表示BP神经网络总的层数；

(4)对反向传播BP网络进行训练：

(4a)用M表示反向传播BP网络训练的当前迭代次数，用Acc表示网络训练的目标误差值，用err表示网络训练的误差值，其中M＝1,2,3,...,M_max，M_max为设置的训练BP网络最大迭代次数；

(4b)在归一化后的训练集X_r中随机选取一个样本，输入到反向传播BP神经网络中，计算训练集中单个样本对应的BP神经网络的实际输出值y^(k)；

(4c)采用基于梯度下降法的反向传播算法，利用训练集中第k个样本对应的网络的实际输出值y^(k)和期望输出值对BP网络进行微调，实现对网络参数的更新；

(4d)参数更新后，采用最小均方误差评估方法，利用所有训练样本对应的网络的实际输出值Y_rp＝{y⁽¹⁾,y⁽²⁾,...,y^(k),...,y^(p)}和期望输出值Y_r计算BP神经网络的全局训练误差Acc_r，并判断Acc_r<err是否成立，若是，则将Acc_r赋给err，再执行(4e)，否则，直接执行(4e)；

(4e)令M＝M+1，重复(4b)至(4d)，将M＝M_max时err所对应的BP神经网络作为训练好的BP神经网络；

(5)对训练好的反向传播BP神经网络进行优化：

将测试集X_t输入到训练好的BP神经网络中，得到测试集对应的网络实际输出值Y_p＝{d⁽¹⁾,d⁽²⁾,...,d⁽ⁿ⁾,...,d^(q)}；

采用最小均方误差评估方法，通过网络的实际输出值Y_p和期望输出值Y_t计算训练好的BP神经网络的误差Acc_p，其中d⁽ⁿ⁾表示第n个测试样本对应的网络实际输出值，n＝1,2,...,q，判断Acc_p>Acc是否成立，若是，则调整M，返回(4)，否则，执行(6)；

(6)将新的归一化的航天环境数据集V输入到训练好的BP神经网络中，得到故障诊断结果Y，即航天器某类异常事件发生的概率。

本发明与现有技术相比，具有如下优点：

本发明充分利用了反向传播BP神经网络的自适应能力和学习能力，通过BP神经网络可以学习和存贮大量的输入与输出映射关系，而无需事前了解描述这种映射关系的数学方程，减少了对先验知识的依赖；

仿真结果表明，本发明可以很好地对航天器异常事件发生的概率数据进行拟合，可以从大量历史环境数据及时发现异常情况，智能有效地对航天器异常预警和故障诊断。

附图说明

图1是本发明的实现流程图；

图2是本发明采用的BP神经网络的结构示意图；

图3是用本发明进行航天器故障诊断的仿真结果图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步的详细描述。

参照图1，本发明的实现步骤如下：

步骤1，确定反向传播BP神经网络模型。

定义反向传播BP神经网络结构包括：一个输入层，两个隐藏层，一个输出层，如图2，该反向传播BP神经网络的输入为预处理后的航天环境数据，其输出表示航天器某类异常事件发生的概率。

步骤2，获取反向传播BP神经网络的训练集数据和测试集数据。

将航天环境数据集中的70％数据作为训练样本集，其余30％数据作为测试样本集，并对训练样本集和测试样本集进行归一化，得到归一化的训练样本集X_r和测试样本集X_t；

提取出训练样本集对应的标签和测试样本集对应的标签其中表示第k个训练样本对应的标签值，表示第n个测试样本对应的标签值，k＝1,2,...,p，n＝1,2,...,q，p表示所有训练样本数，q表示所有测试样本数；

本实施例中的数据集是在某空间环境下采集的航天环境数据1080个。

步骤3，初始化反向传播BP神经网络的参数。

将BP神经网络的权重矩阵W^(l)和偏置向量b^(l)初始化为0～1之间的随机数，设置输入层和隐藏层的神经元个数为s^l，输出层神经元个数为1，其中l＝1,2,...,L-1，L表示BP神经网络总的层数；本实施例中取s¹＝144，s²＝s³＝64。

步骤4，对反向传播BP网络进行训练。

4a)设反向传播BP网络训练的当前迭代次数为M，其中M＝1,2,3,...,M_max，M_max为设置的训练BP网络最大迭代次数；设网络训练的目标误差值为Acc，设网络训练的误差值为err；本实例中取M_max＝5000，err＝1.0，Acc＝0.0005；

4b)采用最大最小归一化方法对训练集进行预处理，得到归一化后的训练集X_r；

4c)在归一化的训练集X_r中随机选取一个样本，输入到反向传播BP神经网络中，计算训练集中单个样本对应的BP神经网络的实际输出值y^(k)；

4c1)随机选取归一化的训练集X_r中第k个样本输入到BP神经网络中，得到各个神经元的加权和以及各个神经元的输出值

其中：

s^l表示第l层的神经元个数，其中l＝1,2,...,L-1，L表示BP神经网络总的层数；

表示第l+1层的第r个神经元输入加权和；

表示第l+1层的第r个神经元的输出值；

表示第l层第r个神经元与第l+1层第t个神经元之间的连接权值；

表示第l+1层第t个神经元对应的偏置项；

f(·)表示激活函数，用来计算每个神经元的输出值。

4c2)利用步骤4c1)所得的各个神经元的加权和以及输出值计算训练集中第k个样本对应的BP神经网络的实际输出值y^(k)：

其中，表示第L层的神经元的输出值，即第k个样本对应的网络的实际输出值。

4d)采用基于梯度下降法的反向传播算法，利用训练集中第k个样本对应的网络的实际输出值y^(k)和期望输出值对BP网络进行微调，实现对网络参数的更新；

4d1)计算第k个样本对应的误差函数J：

其中，y^(k)表示第k个环境样本数据对应的网络实际输出值；表示第k个环境样本数据的标签；

4d2)利用第k个样本的误差函数J对BP神经网络的权重矩阵W^(l)和偏置向量b^(l)这两个参数进行更新，得到更新后的权重矩阵和偏置向量参数如下：

其中，α是学习速率；

表示第l层与第l+1层之间对应的权值矩阵，其中r＝1,2,...,s^l,t＝1,2,...,s^l+1；

表示第l+1层的偏置向量，其中t＝1,2,...,s^l+1。

4e)参数更新后，采用最小均方误差评估方法，利用所有训练样本对应的网络的实际输出值Y_rp＝{y⁽¹⁾,y⁽²⁾,...,y^(k),...,y^(p)}和期望输出值Y_r计算BP神经网络的全局训练误差Acc_r，并判断Acc_r<err是否成立，若是，则将Acc_r赋给err，再执行步骤4f)，否则，直接执行步骤4f)，其中，Acc_r通过如下公式计算：

其中，Acc_r表示所有训练样本对应的BP神经网络的实际输出值与期望的输出值之间的误差平方的平均值；

y^(k)表示训练集中第k个环境样本数据输入网络得到的实际输出值；

表示训练集对应的第k个环境样本数据的标签；

p表示所有训练样本数。

4f)令M＝M+1，重复步骤4c)至4e)，将M＝M_max时err所对应的BP神经网络作为训练好的BP神经网络。

步骤5，对训练好的BP神经网络进行优化。

5a)将测试集X_t输入到训练好的BP神经网络中，得到测试集对应的网络实际输出值Y_p＝{d⁽¹⁾,d⁽²⁾,...,d⁽ⁿ⁾,...,d^(q)}，其中d⁽ⁿ⁾表示第n个测试样本对应的网络实际输出值，n＝1,2,...,q；

5b)采用最小均方误差评估方法，通过网络的实际输出值Y_p和期望输出值Y_t计算训练好的BP神经网络的误差Acc_p：

其中，d⁽ⁿ⁾表示测试集中第n个环境样本数据输入网络得到的实际输出值；表示测试集对应的第n个环境样本数据的标签；q表示所有测试样本数。

5c)判断Acc_p>Acc是否成立，若是，则调整M，返回步骤4，否则，得到优化后的BP神经网络，执行步骤6。

步骤6，对新的航天器数据进行故障诊断。

将新的归一化的航天环境数据集V输入到步骤5)优化后的BP神经网络中，得到故障诊断结果Y，即航天器某类异常事件发生的概率。

以下通过仿真实验，对本发明的技术效果作进一步说明：

1、仿真条件：

本发明对航天环境数据集进行故障诊断的仿真都是在python3.6中使用tensorflow框架编程实现，在获取的航天环境数据集中选择1080个航天环境样本数据，随机选择70％作为训练样本集，其余30％数据作为测试样本集。

2.仿真内容

用本发明方法对测试样本集进行航天器故障诊断的仿真，得到BP神经网络的实际输出值和期望输出值的拟合效果图，结果如图3。其中横轴表示测试样本序列，纵轴表示航天器故障诊断方法的网络实际输出值和期望输出值，从图3可见，本发明能很好拟合航天器环境数据。

Claims (5)

1.一种基于人工智能的航天器故障诊断方法，其特征在于，包括如下：

(1)确定反向传播BP神经网络模型：

定义反向传播BP神经网络结构包括：一个输入层，两个隐藏层，一个输出层，该反向传播BP神经网络的输入为预处理后的航天环境数据，其输出表示航天器某类异常事件发生的概率；

(2)获取反向传播BP神经网络的训练集数据和测试集数据：

将航天环境数据集中的70％数据作为训练样本集，其余30％数据作为测试样本集，并对训练样本集和测试样本集进行归一化，得到归一化的训练样本集X_r和测试样本集X_t；

提取出训练样本集对应的标签和测试样本集对应的标签其中表示第k个训练样本对应的标签值，表示第n个测试样本对应的标签值，k＝1,2,...,p，n＝1,2,...,q，p表示所有训练样本数，q表示所有测试样本数；

(3)初始化反向传播BP神经网络的参数：

将BP神经网络的权重矩阵W^(l)和偏置向量b^(l)初始化为0～1之间的随机数，设置输入层和隐藏层的神经元个数为s^l，输出层神经元个数为1，其中l＝1,2,...,L-1，L表示BP神经网络总的层数；

(4)对反向传播BP网络进行训练：

(4a)设反向传播BP网络训练的当前迭代次数为M，其中M＝1,2,3,...,M_max，M_max为设置的训练BP网络最大迭代次数；设网络训练的目标误差值为Acc，设网络训练的误差值为err；本实例中取M_max＝5000，err＝1.0，Acc＝0.0005；

(4b)采用最大最小归一化方法对训练集进行预处理，得到归一化后的训练集X_r；

(4c)在归一化的训练集X_r中随机选取一个样本，输入到反向传播BP神经网络中，计算训练集中单个样本对应的BP神经网络的实际输出值y^(k)；

(4d)采用基于梯度下降法的反向传播算法，利用训练集中第k个样本对应的网络的实际输出值y^(k)和期望输出值对BP网络进行微调，实现对网络参数的更新；

(4e)参数更新后，采用最小均方误差评估方法，利用所有训练样本对应的网络的实际输出值Y_rp＝{y⁽¹⁾,y⁽²⁾,...,y^(k),...,y^(p)}和期望输出值Y_r计算BP神经网络的全局训练误差Acc_r，并判断Acc_r<err是否成立，若是，则将Acc_r赋给err，再执行(4f)，否则，直接执行(4f)；

(4f)令M＝M+1，重复(4c)至(4e)，将M＝M_max时err所对应的BP神经网络作为训练好的BP神经网络；

(5)对训练好的反向传播BP神经网络进行优化：

(5a)将测试集X_t输入到训练好的BP神经网络中，得到测试集对应的网络实际输出值Y_p＝{d⁽¹⁾,d⁽²⁾,...,d⁽ⁿ⁾,...,d^(q)}，其中d⁽ⁿ⁾表示第n个测试样本对应的网络实际输出值，n＝1,2,...,q；

(5b)采用最小均方误差评估方法，通过网络的实际输出值Y_p和期望输出值Y_t计算训练好的BP神经网络的误差Acc_p；

(5c)判断Acc_p>Acc是否成立，若是，则调整M，返回(4)，否则，得到优化后的BP神经网络，执行(6)；

(6)将新的归一化的航天环境数据集V输入到训练好的BP神经网络中，得到故障诊断结果Y，即航天器某类异常事件发生的概率。

2.根据权利要求1所述的方法，其特征在于，(4c)中计算训练集中单个样本对应的BP神经网络的实际输出值y^(k)，其实现如下：

(4c1)随机选取训练集X_r中第k个样本输入到BP神经网络中，得到各个神经元的加权和以及各个神经元的输出值

其中：

s^l表示第l层的神经元个数，其中l＝1,2,...,L-1，L表示BP神经网络总的层数；

表示第l+1层的第r个神经元输入加权和；

表示第l+1层的第r个神经元的输出值；

表示第l层第r个神经元与第l+1层第t个神经元之间的连接权值；

表示第l+1层第t个神经元对应的偏置项；

f(·)表示激活函数，用来计算每个神经元的输出值。

(4c2)利用(4c1)所得的各个神经元的加权和以及输出值计算训练集中第k个样本对应的BP神经网络的实际输出值y^(k)：

其中，表示第L层的神经元的输出值，即第k个样本对应的网络的实际输出值。

3.根据权利要求1所述的方法，其特征在于，(4d)中利用第k个样本对应的网络的实际输出值y^(k)和期望输出值对BP网络进行微调，其实现方法如下：

(4d1)计算第k个样本对应的误差函数J：

其中，y^(k)表示第k个环境样本数据对应的网络实际输出值；表示第k个环境样本数据的标签；

(4d2)利用第k个样本的误差函数J对BP神经网络的权重矩阵W^(l)和偏置向量b^(l)这两个参数进行更新，得到更新后的权重矩阵和偏置向量参数如下：

其中，α是学习速率；

表示第l层与第l+1层之间对应的权值矩阵，其中r＝1,2,...,s^l,t＝1,2,...,s^l+1；

表示第l+1层的偏置向量，其中t＝1,2,...,s^l+1。

4.根据权利要求1或3所述的方法，其特征在于，(4e)中利用所有训练样本对应的网络的实际输出值Y_rp＝{y⁽¹⁾,y⁽²⁾,...,y^(k),...,y^(p)}和期望输出值Y_r计算BP神经网络的全局训练误差Acc_r，通过如下公式计算：

其中，Acc_r表示所有训练样本对应的BP神经网络的实际输出值与期望的输出值之间的误差平方的平均值；

y^(k)表示训练集中第k个环境样本数据输入网络得到的实际输出值；

表示训练集对应的第k个环境样本数据的标签；

p表示所有训练样本数。

5.根据权利要求1或3所述的方法，其特征在于，(5b)中通过网络的实际输出值Y_p＝{d⁽¹⁾,d⁽²⁾,...,d⁽ⁿ⁾,...,d^(q)}和期望输出值Y_t计算训练好的BP神经网络的误差Acc_p，通过如下公式计算：

其中，Acc_p表示所有训练样本对应的BP神经网络的实际输出值与期望的输出值之间的误差平方的平均值；

d⁽ⁿ⁾表示测试集中第n个环境样本数据输入网络得到的实际输出值；

表示测试集对应的第n个环境样本数据的标签；

q表示所有测试样本数。