[发明专利]一种基于MSCNN深度学习的飞机系统故障诊断方法

权利要求书

1.一种基于MSCNN深度学习的飞机系统故障诊断方法，其特征在于，包括如下步骤：

S1，采集已经译码的飞机QAR数据；

S2，将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据；

S3，建立全任务剖面的深度学习模型MSCNN；

S4，根据样本自动识别工况条件并自适应生成单工况模型，利用深度学习模型MSCNN对需检测的样本数据进行自动检测，并识别单一工况下的故障；

S5，比较多个工况的诊断结果，进行冗余和验证，得到最后的诊断结果；

所述步骤S4包括卷积神经网络模型的训练过程，其具体步骤如下：

卷积神经网络模型的训练是通过不断地迭代极小化损失函数以确定CNN模型中最优权重和偏置参数的过程，模型损失函数采用softmax交叉熵loss函数：

式中，T为当前工况下故障类别数目；y_j为输入样本x_i对应的期望输出，即softmax输出向量的第j个值，Y_j为输入样本x_i对应的真实分类结果；

为了提高模型收敛速度，采用随机小批量梯度下降法进行模型训练，具体每次在训练集中选择一批数据，执行以下操作，迭代更新：

a，初始化权重W和偏置b；

b，计算卷积层输出；

设第l个卷积层输入样本为x，其中包含m*n个元素，卷积核个数为s，每个卷积核大小为g×g，因此每种卷积核对应的输出特征的大小为(m+1-g)×(n+1-g)，需要训练的参数为权重参数加1个偏向b，总共数目为(g*g+1)×s；第l个卷积层第k种卷积核的输出结果为：

式中表示第l个卷积层第k种卷积核输出的第i，j个元素，表示第l个卷积层第k种卷积核的第j个元素，b^(l,k)表示第l个卷积层第k种卷积核的偏置σ表示卷积层所采用的激活函数；

c，采样层输出

采样层对卷积层输出进行求均值操作,从卷积层提炼信息；假设采样宽度为r*r,并保证r可以被(m+1-g)×(n+1-g)整除，则每个特征对应的采样输出大小为(m+1-g)×(n+1-g)/(r*r)，因此第l个卷积层第k种卷积核对应的采样层的输出结果为：

式中表示第l个卷积层第k种卷积核的对应池化层的第j个输出；表示第l个卷积层第k种卷积核输出的第p，q个元素；

d，全连接层输出

采样层输出特征平展成N*1(N＝(m+1-g)×(n+1-g)/(r*r))的向量后输入给全连接层,全连接层输出一个T*1的向量，其中第i个输出结果为：

其中w_i,j表示全连接层权；

e，计算故障分类概率

经Softmax分类器后最终输出是T*1的向量，向量的每个值表示这个样本属于每个类的概率值，所有神经元输出值之和为1；

Softmax回归中将x分类为类别j的概率为：

T为当前工况的故障类别数目；

f，采用反向传播算法，根据误差反向更新各层权重W和偏置b

f.1计算网络各层的误差

输出层的误差为:

δ＝α-y

式中y表示输入样本x对应的期望输出；α表示输入样本x对应的实际模型输出；

定义δ^(l+1)是第l+1层的误差项

如果l层与l+1层全连接的,那么第l层的误差项为

δ^(l)＝(W^(l))^Tδ^(l+1)f'(z^(l))

如果第l层是一个卷积和池化层，那么误差项为：

式中upsample表示通过计算连接到到池化层的各神经元(即池化层前一层的神经元)的误差来将误差传出池化层，将误差进行简单的均匀分布返还给上一层神经元；k是卷积核编号，f'(·)是激活函数的导数，则表示第l层第k个卷积核神经元的输入；

如果第l层是一个池化层，误差项则为：

f.2计算损失函数关于第l层参数的梯度，即W以及b的偏导数

式中a^(l)表示第l层的输出；

f.3迭代更新权重和偏置参数:

式中η表示学习率,范围为[0，1]；

f.4当满足以下一个条件终止迭代，否则重复卷积神经网络模型的训练步骤

i，权重更新低于某个阈值；

ii，预测的错误率低于某个阈值；

iii，达到预设一定的循环次数。