[发明专利]基于主元分析和多层超限学习机的飞行器微小故障诊断方法

权利要求书

1.一种基于主元分析和多层超限学习机的飞行器微小故障诊断方法，其特征在于步骤如下：

步骤1：采用主元分析法对基于系统带标签的故障样本原始数据进行提取特征和去噪；

1)对除去故障标签的p维空间中的n个原始数据矩阵X_n×p进行数据标准化；

原始数据标准化有：

式中，i＝1,2,…,n；j＝1,2,…,p，与σ_j分别为第j个变量的样本均值与标准差；

2)计算原始矩阵X_n×p的相关系数矩阵R，即

其中r_ij，为原变量x_i与x_j的相关系数，i,j＝1,2,…,p，其计算公式为

3)对相关系数矩阵R进行特征分析，由R的特征方程|R-λI|＝0，其中I为单位阵，可得R的p个特征值λ_i，i＝1,2,…,p，其中，λ₁≥λ₂≥…≥λ_p≥0；特征向量为

U＝(U₁,U₂,…,U_p)

其中特征值按照从大到小的顺序排列，对应的特征向量也做相应排列；

4)计算主成分贡献率及累计贡献率：

其中，η_i为方差贡献率，η_Σ(m)为累计方差贡献率分别为取累计贡献率满足要求的90％关键主成分，即令η_Σ(m)90％，求取关键主成分的个数m；

5)提取的主成分样本，第i个主成分定义为

则特征提取和去噪后的数据矩阵为

其中，m为关键主成分的个数；

步骤2：构造多层超限学习机，进行在线序列学习训练；

构建第一层自动编码器，初始阶段先选取N₀组数据其中为经过特征提取和去噪后的样本数据，t_i为输出目标，为隐含层神经元数目；

1)随机产生输入权值矩阵w_i和偏置矩阵b_i，其中，

2)计算初始的隐含层输出矩阵H₀，有

其中g(·)为激活函数；

3)计算初始的输出权重矩阵β₀，有

其中

为输出目标组成的矩阵；

4)设k＝0，k为块数，表示初始化学习阶段；

5)设第k+1块样本集

6)计算隐含层输出矩阵H_k+1，有

在线序列学习；利用新样本递推更新输出权重矩阵β_k+1，直到k＝N；

计算输出权重矩阵β_k+1，有

其中

令k＝k+1，转至在线学习阶段步骤1)直到k＝N结束；

构造下一层自动化编码器，以H_N做为第i层自动编码器的输入

由以上递推步骤1)-6)计算第i层自动编码器输出权重矩阵

以做为第i层到第i+1层自动编码器之间的权重值；

重复构造自动编码器直到层数达到q，计算出输出权重矩阵完成在线序列多层超限学习机训练；

步骤3：针对实际系统数据，进行微小故障诊断

把待检测的系统实际数据X^d，进行主元分析法提取特征和去噪后得到在线输入多层超限学习机网络，基于输出权重矩阵计算实际数据的在线网络输出值F_k；

输入层输出为：

中间编码层输出为：

最后一层输出值为：其中g(·)为激活函数；

把输出值和故障样本的标签值相比较，故障诊断逻辑为：

2.根据权利要求1所述的一种基于主元分析和多层超限学习机的飞行器微小故障诊断方法，其特征在于步骤3中的激活函数为Sigmiod函数。