[发明专利]一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法

权利要求书

1.一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，针对飞机旋转作动器，利用输入指令信号和输出位移信号，基于双级神经网络获取残差和自适应阈值，实现故障检测，其特征在于实现步骤如下：

(1)针对飞机旋转作动器驱动装置的故障检测方法，利用输入指令信号和输出角位移信号，建立基于深度学习的内外回路神经网络观测器，将输入指令信号和输出角位移信号输入基于深度学习的内外回路神经网络观测器，得到其估计输出和残差，然后将估计输出分别送入内外回路自适应阈值观测器；

(2)建立基于深度学习的内外回路自适应阈值观测器，将输入控制指令和神经网络观测器产生的残差输入至自适应阈值生成器，得到自适应阈值，然后和神经网络观测器输出的残差作对比，从而判定飞机旋转作动器驱动装置是否发生故障。

2.根据权利要求1所述的一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，其特征在于：所述步骤(1)中基于深度学习的内外回路神经网络观测器进一步实现如下：

(1)将当前时刻输入指令信号和前一时刻输出角位移信号输入至多层稀疏自动编码器神经网络观测器，即内外回路神经网络观测器，首先对第一层网络的隐藏层进行Dropout处理，获得单层稀疏Dropout自动编码器，即将第一层网络的隐藏层节点进行随机遮挡；利用输入数据进行单层稀疏Dropout自动编码器的训练，然后将单层稀疏Dropout自动编码器隐藏层的输出输入至网络的第二层；

(2)将第一层网络，单层稀疏Dropout自动编码器的隐藏层输出输入至观测器的第二层网络，即单层降噪自动编码器；首先对第一层网络的输出数据进行随机遮挡处理作为第二层网络的输入，将未被随机遮挡处理的输入数据作为第二层网络训练的重构目标值，进行单层降噪自动编码器的训练，从而获得能够从输入数据进行鲁棒特征自学习的网络模型；将未被随机遮挡处理的输入数据作为已训练好的单层降噪自动编码器的输入，第二层网络的隐藏层输出作为第三层网络的输入；

(3)将第二层的输出数据输入至单层降噪自动编码器，采用与第二层网络的同样的网络训练方法，获得单层降噪自动编码器模型；将未被随机遮挡处理的输入数据作为已训练好的单层降噪自动编码器的输入，第三层网络的隐藏层输出作为Logistic回归模型的输入；

(4)将第三层网络的隐藏层输出数据输入至Logistic回归模型，以当前时刻输出角 位移信号为训练目标值，采用反向传播算法，进行Logistic回归模型的训练；

(5)将已初步训练的三层稀疏自动编码器神经网络与Logistic回归模型组合成多层稀疏自动编码器神经网络观测器，即内外回路神经网络观测器；以当前时刻输入指令信号和前一时刻输出角位移信号为观测器的输入信号，以当前时刻输出角位移信号为观测器输出的目标值，采用反向传播，进行多层稀疏自动编码器神经网络观测器的训练，在已初步训练的模型参数基础上，进行模型参数的微调，从而获得最终的多层稀疏自动编码器神经网络观测器；

(6)以当前时刻输入指令信号和前一时刻输出角位移信号为最终的多层稀疏自动编码器神经网络观测器的输入，从而获得飞机旋转作动器驱动装置输出角位移信号的估计输出，通过对比估计角位移信号与实际角位移信号的差值，获得估计残差。

3.根据权利要求1所述的一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，其特征在于：所述步骤(2)中基于深度学习的内外回路自适应阈值观测器进一步实现如下：

(1)将当前时刻输入指令信号和内外回路神经网络观测器产生的残差输入至自适应阈值生成器，首先对第一层网络的隐藏层进行Dropout处理，获得单层稀疏Dropout自动编码器，即将第一层网络的隐藏层节点进行随机遮挡；利用输入数据进行单层稀疏Dropout自动编码器的训练，然后将单层稀疏Dropout自动编码器隐藏层的输出输入至网络的第二层；

(2)将第一层网络，单层稀疏Dropout自动编码器的隐藏层输出输入至自适应阈值网络的第二层网络，即单层降噪自动编码器；首先对第一层网络的输出数据进行随机遮挡处理作为第二层网络的输入，将未被随机遮挡处理的输入数据作为第二层网络训练的重构目标值，进行单层降噪自动编码器的训练，从而获得能够从输入数据进行鲁棒特征自学习的网络模型；将未被随机遮挡处理的输入数据作为已训练好的单层降噪自动编码器的输入，第二层网络的隐藏层输出作为Logistic回归模型的输入；

(3)将第二层网络的隐藏层输出数据输入至Logistic回归模型，以内外回路神经网络观测器产生的残差加自适应阈值参数后的修正值为训练目标值，采用反向传播算法，进行Logistic回归模型的训练；

(4)将已初步训练的两层稀疏自动编码器神经网络与Logistic回归模型组合成多层稀疏自动编码器神经网络自适应阈值观测器，即内外回路自适应阈值观测器，当前时刻输入指令信号和内外回路神经网络观测器产生的残差输入至内外回路自适应阈值观测器，以内外回路神经网络观测器产生的残差加自适应阈值参数后的修正值为训练目标 值，采用反向传播算法，进行多层稀疏自动编码器神经网络自适应阈值观测器的训练，在已初步训练的模型参数基础上，进行模型参数的微调，从而获得最终的多层稀疏自动编码器神经网络自适应阈值观测器；

(5)以当前时刻输入指令信号和内外回路神经网络观测器产生的残差为最终的多层稀疏自动编码器神经网络自适应阈值观测器的输入，从而得到飞机旋转作动器驱动装置的自适应阈值，通过和神经网络观测器输出的残差作对比，从而判定飞机旋转作动器驱动装置是否发生故障。