[发明专利]基于SAE-Adaboost的非预期故障诊断方法

权利要求书

1.一种基于SAE-Adaboost的非预期故障诊断方法，其特征在于，包括：

获取载体姿态数据；

将所述载体姿态数据输入至第一故障提取模型，得到故障类型集合；所述第一故障提取模型为SAE模型；

将所述故障类型集合输入至第二故障提取模型，得到非预期故障；所述第二故障提取模型为Adaboost模型。

2.根据权利要求1所述的方法，其特征在于，所述第一故障提取模型，通过如下步骤训练得到：

生成训练样本集合，其中，训练样本包括带有标注信息的姿态数据对应的特征向量，其中标注信息为故障类型；

利用所述训练样本集合中的样本对第一故障提取模型进行训练，以姿态数据对应的特征向量为输入，以故障类型为输出，当输出的故障类型与标注的故障类型的统一率满足预设阈值时，完成对第一故障提取模型的训练。

3.根据权利要求2所述的方法，其特征在于，

通过逐层贪婪的训练方式，对所述第一故障提取模型进行训练；

通过梯度下降算法，对所述第一故障提取模型中的参数进行调整。

4.根据权利要求3所述的方法，其特征在于，

选取预设步数内的故障数据，作为所述第一故障提取模型的训练样本。

5.根据权利要求4所述的方法，其特征在于，

通过KNN分类层，验证所述输出的故障类型与标注的故障类型的统一率。

6.根据权利要求5所述的方法，其特征在于，

将决策树作为所述第二故障提取模型的基本分类器；所述基本分类器包括多组弱分类器。

7.根据权利要求6所述的方法，其特征在于，所述将所述故障类型集合输入至第二故障提取模型，得到非预期故障包括：

将所述故障类型集合输入至第二故障提取模型，若所述故障类型集合中的某一故障类型，从属多种已知故障类型，且从属每种故障的概率均小于预设阈值，则所述故障类型为非预期故障。

8.一种基于SAE-Adaboost的非预期故障诊断装置，其特征在于，包括：

获取模块，用于获取载体姿态数据；

提取模块，用于将所述载体姿态数据输入至第一故障提取模型，得到故障类型集合；所述第一故障提取模型为SAE模型；

诊断模块，用于将所述故障类型集合输入至第二故障提取模型，得到非预期故障；所述第二故障提取模型为Adaboost模型。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～7中任一项所述的方法。