[发明专利]基于证据推理的卫星故障诊断与预测方法

摘要

本发明提供了一种基于证据推理的卫星故障诊断与预测方法，把解析ER方法应用于卫星故障的诊断，并把前p时刻的故障诊断结果和当前时刻的诊断结果分别作为神经网络的输入和输出对神经网络进行训练，找出前p时刻与当前时刻的关联，进而完成故障预测。本发明提供了一种多参数情况下的非线性复杂系统故障诊断和预测方法。用故障诊断输出的特征参数进行预测建模可以更直观、更有效的反映下一时刻惯性平台的健康状况。

主权项

1.一种基于证据推理的卫星故障诊断与预测方法，其特征在于，包括以下步骤：步骤1：将故障诊断输入数据转换成信度分布形式，作为故障诊断的证据；输入数据的属性表示为信度分布形式为：S(ak)＝{(Fn,βn,i(ak)),n＝1,...,N；i＝1,2,...,L}其中βn,i(ak)为初始信度，表示案例ak诊断过程中属性xi被评估为等级Fn的信度，N、L为自然数；步骤2：应用解析ER算法对证据进行融合；将初始信度βn,i(ak)代入解析ER算法得到故障诊断融合信度βn(ak),βF(ak)，βn(ak),βF(ak)分别代表故障诊断结果评估为Fn和F的融合信度；得到故障诊断结果信度分布形式O(y)＝{(Fn,βn(ak)),(F,βF(ak)),n＝1,2...,N}，诊断结果的信度分布描述了诊断结果的总体情况，以及系统故障类型的总体评估；步骤3：引入平均效用，把故障诊断中证据融合的结果用平均效用数值化处理；将步骤2中得到的故障诊断融合信度即故障诊断结果信度分布分别代入平均效用公式，实现信度分布输出向数值输出的变换，平均效用公式为：其中，F₁和F_N分别具有最大偏好和最小偏好；u(F_n)表示故障等级F_n的效用，假设u(F_n),n＝1,...,N是故障等级F＝{F₁,.......,F_N}的效用，如果F_j与F_i相比，决策者偏好于评估等级F_j，那么u(F_j)＜u(F_i)；步骤4：把步骤3中数值化处理后的结果与对应参考基准进行比较，判断当前时刻或下一时刻是否出现故障，实现卫星故障诊断；步骤5：建立预测模型，根据实际问题确定基本属性数目p，组建预测数据集，预测模型表示为：y(t+1)＝f(xt,xt‑1,...,xt‑p)其中，y(t+1)是一个标量，表示预测模型t+1时刻的输出，(xt,xt‑1,...xt‑p)是滞后的输入向量；步骤6：构建神经网络模型，反复使用历史样本数据对其进行训练；步骤7：把测试数组输入训练好的神经网络，求得下一时刻特征参数的值，并与对应参考基准比较，判断卫星是否故障。