[发明专利]一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法

权利要求书

1.一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法，其特征在于：包括以下步骤：

(1)采集飞机执行器的故障状态和正常状态下的信号，生成样本；

(2)对步骤(1)得到的信号进行集成经验模态分解，得到一系列平稳的固有模态函数和残差；

(3)对得到的固有模态函数分别计算多维时域特征；多维时域特征包括平均值、均方根、标准差、能量、峭度、波形指标、峰值指标、脉冲指标、裕度指标；其中：

平均值的计算公式为：

均方根的计算公式为：

标准差的计算公式为：

能量的计算公式为：

峭度的计算公式为：

波形指标的计算公式为：

峰值指标的计算公式为：

脉冲指标的计算公式为：

裕度指标的计算公式为：

以上各式中，s(i)是分解后各阶固有模态函数的第i个数据，n是分解后各阶固有模态函数的序列长度；

(4)将所有多维时域特征构建为特征矩阵，对其进行主成分分析；具体为：将样本的多维时域特征构建为二维特征矩阵，每一行表示一个样本的特征向量，每一列表示同一个特征在不同样本上的值；对特征矩阵进行主成分分析时，提取包含故障信息的特征；

(5)提取累计贡献率已经超过85％的前几个特征构成样本的特征矢量；

(6)给样本标注对应的标签，划分训练集与测试集；

(7)建立AdaBoost-ASVM分类器模型，在训练集上不断迭代优化分类器，训练完成后对测试集数据分类，实现故障诊断；具体为：

(7.1)输入训练样本集和迭代次数M，其中y_i∈Y＝{c₁,c₂,...c_p}，x_i和y_i分别表示第i个训练样本的输入和输出，X和Y分别表示训练样本集合的输入和输出，Rⁿ表示n维实数向量，c_p表示故障类型；

(7.2)初始化训练样本的权重分布D₁＝{ω_1，1,ω_1，2,...,ω_1,N}，其中ω_1,i表示第i个训练样本第一次权重分配的权值，N是训练样本数量；

(7.3)对于每次迭代m＝1,2,...,M：

(7.3.1)在样本权重分布为D_m的训练数据下，建立ASVM基分类器G_m(x)：

G_m(x):x→{class₁,class₂,...,class_k}

当class_i＝1时，表示将训练样本识别为第i类状态，有且只有一个识别状态；

其中，ASVM基分类器的参数σ自适应更新包括以下步骤：

(7.3.1.1)初始化核函数参数C和σ；

(7.3.1.2)各类样本均匀随机重采样并归一化；

(7.3.1.3)计算支持向量到分隔平面的平均几何间隔d；

(7.3.1.4)如果SVM分类正确率小于70％，将参数σ调整为σ-|d|，如果正确率大于95％，将参数σ调整为σ+|d|，否则不改变σ；

(7.3.2)计算弱分类器G_m在训练数据上的错误分类率ε_m：

(7.3.3)计算弱分类器G_m在强分类器中占据的权重β_m：

(7.3.4)更新训练样本集的权值并归一化，使样本集的概率分布和为1：

其中，中间量

(7.4)各弱分类器通过其权值的线性组合得到最终的强分类器F：

其中e_k为单位矩阵的第k列向量。