[发明专利]一种基于LSTM神经网络的飞行器推力故障在线辨识方法

权利要求书

1.一种基于LSTM神经网络的飞行器推力故障在线辨识方法，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，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，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情况下的仿真数据，仿真数据包括：位置、速度、加速度，以及姿态角，姿态角偏差；将不同情况下的仿真数据进行保存；

(5)将不同情况下的仿真数据进行截取，生成数据样本；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，所有数据样本中大部分以上的数据样本放入训练集中；其余部分中一部分数据样本放入测试集中，另一部分放于验证集中；

(6)搭建LSTM神经网络；

(7)将步骤(5)中所述训练集中的数据样本，输入步骤(6)搭建的LSTM神经网络，进行训练；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；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次在验证集上迭代样本误差不下降时，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LSTM神经网络保存，进行步骤(9)；若不满足，则调整步骤(6)搭建的LSTM神经网络，返回步骤(6)；

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

2.根据权利要求1所述的一种基于LSTM神经网络的飞行器推力故障在线辨识方法，其特征在于：搭建LSTM神经网络，结构包含输入层、LSTM层、输出层。

3.根据权利要求2所述的一种基于LSTM神经网络的飞行器推力故障在线辨识方法，其特征在于：LSTM层共50个神经元。

4.根据权利要求2所述的一种基于LSTM神经网络的飞行器推力故障在线辨识方法，其特征在于：输入层即输入的数据，为9*20的向量。

5.根据权利要求2所述的一种基于LSTM神经网络的飞行器推力故障在线辨识方法，其特征在于：输出层的神经元个数为总的故障类别数。

6.根据权利要求2所述的一种基于LSTM神经网络的飞行器推力故障在线辨识方法，其特征在于：输出层的神经元个数即步骤(5)中的总标签数。

7.根据权利要求2所述的一种基于LSTM神经网络的飞行器推力故障在线辨识方法，其特征在于：输出层的激活函数为softmax函数。

8.根据权利要求1所述的一种基于LSTM神经网络的飞行器推力故障在线辨识方法，其特征在于：所有数据样本中大部分以上的数据样本放入训练集中，具体为：所有数据样本中2/3以上的数据样本放入训练集中。

9.根据权利要求1所述的一种基于LSTM神经网络的飞行器推力故障在线辨识方法，其特征在于：采用训练好的LSTM神经网络对主发动机故障进行辨识，能够有效实现对故障类型的实时准确判别。