[发明专利]机载电子产品故障预测方法

权利要求书

1.一种机载电子产品故障预测方法，具有如下特征：基于多深度置信网络DBN融合，预设传感器采集机载电子产品关键组件的表征参数，获取机载电子产品历史数据和实时监测数据，根据监测信号将历史数据和实时监测数据划分为DBN模型训练样本集、迁移学习样本集和预测样本集，对样本进行归一化处理，构建归一化的DBN模型训练样本集、迁移学习样本集和预测样本集；利用DBN模型训练样本集训练多个结构不同DBN模型，初始化多个不同DBN模型的结构范围参数，构造多层受限波尔兹曼机RBM，完成模型的初训练；在迁移学习中，将迁移学习样本集输入初训练后的DBN模型组，用迁移学习样本集对深度置信网络DBN模型组进行迁移训练和目标域的全局精调，实现从历史场景到实际场景的迁移；再利用改进的遗传算法将多个DBN模型目标域的预测性能进行融合，对融合权重全局寻优迭代确定每个DBN模型的融合权重，将DBN模型组集成为一个完整的预测框架，使预测性能达到最大化；利用预测框架和传感器实时发回的监测数据预测机载电子产品的降级演化，根据预测分析得到的故障预测结果进行维修决策；

根据预测的步长N，将全寿命周期长度为M的历史数据构建为样本集中样本数为M-N，每个样本包含N+1个信号值，第一个样本为(x₁,x₂,...,x_N+1)的模型训练样本集；将获得的实时监测数据的前半段构造为迁移学习样本集，后半段构造为预测样本集，迁移学习样本集的样本数和预测样本集的样本数比例为1:1，并且每个样本包含N+1个信号值(x₁,x₂,...,x_N+1)，迁移学习样本集和预测样本集中样本数为S；然后分别对DBN模型训练样本集、迁移学习样本集和测试样本集的参数值进行标准差归一化，利用归一化公式获取样本集中第i个样本第j个参数值x_i,j；

得到归一化后DBN模型训练样本集、迁移学习样本集和预测样本集，式中是第i个样本的均值，x_i,p表示第i个样本第p个参数值。

2.如权利要求1所述的机载电子产品故障预测方法，其特征在于：将机载电子产品历史数据和实时监测数据划分并归一化为DBN模型训练样本集、迁移学习样本集和预测样本集；采用DBN模型训练样本集对DBN模型组进行模型训练；深度置信网络DBN结构包括输入层、隐藏层1、隐藏层2、隐藏层3、全连接层和输出层。

3.如权利要求1所述的机载电子产品故障预测方法，其特征在于：将迁移学习样本集输入各个初训练后的DBN模型进行迁移学习，前向计算均方误差，然后根据均方误差和代价函数反向逐层训练DBN，完成从历史数据到实时场景数据的误差修正。

4.如权利要求1所述的机载电子产品故障预测方法，其特征在于：根据改进遗传算法和DBN模型组的预测误差对各个DBN的融合权重进行全局寻优，获取最优融合权重，利用最优融合权重，将DBN模型组集成为完整的预测框架；将预测样本集输入预测框架，完成对机载电子产品故障的识别。

5.如权利要求1所述的机载电子产品故障预测方法，其特征在于：采集机载电子产品关键组件的表征参数，其中表征参数包括电压、电流或温度数据。

6.如权利要求1所述的机载电子产品故障预测方法，其特征在于：DBN模型训练样本集输入多个不同初始化的深度置信网络，设置可见层神经元的值匹配数据集中数据点的映射值，构造一个堆叠受限玻尔兹曼机RBM的输入层、隐藏层和输出层，并且RBM层间的每个连接都有一个权值，利用DBN模型训练样本集训练网络，完成DBN模型初训练，然后通过输入层将迁移学习样本集输入初训练后的各个DBN模型，实现模型在目标域的全局精调。

7.如权利要求6所述的机载电子产品故障预测方法，其特征在于：在初始化多个DBN模型中，采用归一化后的模型训练样本集对模型进行训练，训练分为无监督权值初始化和有监督全局精调两部分，根据贪心逐层训练算法对受限波尔兹曼机RBM进行无监督权值初始化，完成层间权重的初训练，将模型训练样本集作为可见层神经元节点输入到受限波尔兹曼机RBM1层中，通过各隐层节点之间的相互联系，相邻层间训练完毕以后再去训练下一个相邻层。