[发明专利]基于多组合分类器的数据驱动系统状态模型在线辨识方法

摘要

本发明公开了一种基于多组合分类器的数据驱动系统状态模型在线辨识方法，用于解决现有数据驱动系统状态模型在线辨识方法建模困难的技术问题。技术方案是结合对航天器历史监测数据与系统运行特点的分析，通过多组合分类器的设计及训练，对实时测量数据进行分析与分类，辨识得到航天器各个系统的运行状态模型。解决了由于系统复杂程度较高，无法直接利用物理模型搭建数学模型的技术问题。在辨识过程中，由于提前设计与训练分类器，使得实时模型的辨识时间较短，能够实现系统状态模型的在线辨识，由模型反映出正在运行的航天器中是否发生了故障以及故障的类型与程度，对系统的实时状态监测、容错控制系统设计、故障修复等研究具有重要意义。

主权项

一种基于多组合分类器的数据驱动系统状态模型在线辨识方法，其特征在于包括以下步骤：步骤一、历史数据分析处理；对历史监测数据进行分析处理，从中提取特征向量，并设置每种状态的特征标签，获取系统运行状态的信息；步骤二、多组合分类器设计；采用多组合分类器联合决策的方法，将朴素贝叶斯分类器与支持向量机分类器进行组合，考察每个单分类器的分类能力和待分类系统的状态特征，确定分类器权重，将两个分类器的一次分类结果通过加权求和的方法确定最终的分类结果；在确定分类器权重时，采用粒子群优化算法进行寻优，根据分类方法设计多组合分类器；分类方法包括基于分类器性能的固定权重联合分类方法和基于待分类系统每个类别各自的特征向量特点的按类分权重联合分类方法；步骤三、多组合分类器训练；分别对朴素贝叶斯分类器和支持向量机分类器进行训练学习，然后对每个分类器的输出结果进行训练学习，通过对粒子群优化算法的训练，获取分类器组合权重，完成多组合分类器的训练；根据不同的角度，采用不同准则进行权重的分配；分配方法一：固定权重联合分类器分类；待分类目标分别经过NBS分类器和SVM分类器进行分类决策后，将各个分类器输出的分类结果进行加权求和，将加权之和的最大值所对应的类别作为待测目标的类别；选取m组样本数据S＝{(X₁,Y₁),...,(X_j,Y_j),...,(X_c,Y_c)}作为分类器的训练集，其中c为系统状态类别个数，X_j为经过数据准备的n维特征向量集合X_j＝{x_j1,x_j2,...,x_jn}，Y_j为训练样本的标记类，同一类系统状态对应的标记类相同；分别对NBS分类器和SVM分类器进行训练，表示为C_Bayes和C_SVM；为了选取最优权值，将训练集S中的特征向量集合{X₁,X₂...,X_c}分别作为测试数据输入NBS分类器和SVM分类器；在NBS分类器中，度量层的输出结果为待测试特征向量集合对应每种类型的后验概率集合：在SVM分类器中，采用1对1多类别支持向量机分类器，将每个二值分类器的分类结果作为投票人，采用投票法获得待测试特征向量集合对应每种类型的票数：将上述集合按行归一化后获得1对1多类别支持向量机分类器输出的概率集合：如式(1)、式(2)所示，输入相同的测试数据{X₁,X₂...,X_c}时，两种分类器所输出的概率集合维数相等，且一一对应；采用训练集继续训练每个分类器的分类效果，分配权重ω_NBS和ω_SVM，将两种分类器的输出概率集合加权相加，建立联合分类器输出概率集合：上述概率集合每行的最大概率值所对应的标记类即为每组测试特征向量对应的标记类即为联合分类器的分类结果，即联合分类器输出的标记类集合：定义每一组训练样本数据序号为i，i＝1,2,...m，样本数据包含的类别序号为j，j＝1,2,...c，则样本数据所对应的类别标签为Y_i，经过联合分类器分类后样本数据所属的类别为L_i：L_i＝argmax{(ω_NBS·P_ij+ω_BVM·P_ij)|j＝1,2,...c}                (6)为了获得更优的权重系数，通过对NBS分类器和SVM分类器在度量层的输出结果进行学习，使得联合分类器的分类准确率最高，即将最优权重求解过程转化为联合分类器输出标记类集合L(L₁,L₂,...,L_m)与测试样本数据标记类集合Y(Y₁,Y₂,...,Y_m)中各元素一一对应的元素个数最大化：采用粒子群优化算法寻找权重系数ω(ω_NBS,ω_SVM)的最优解，求解过程如下：(a)粒子初始化：在W维空间中随机生成D个粒子，及其位置和速度并记p^d＝(p₁^d,p₂^d,...,p_c^d)为粒子d当前搜索到的最优解，p_g＝(p_g1,p_g2,...,p_gc)为整个粒子群当前搜索到的最优解；(b)适应度值计算：以式(8)为适应度函数评价各个粒子的性能，对每个粒子，比较它的适应度值与它的历史最优的适应度值；(c)根据适应度值的大小更新粒子：在[0,1]中随机产生系数r₁和r₂，按照公式：V_d(t+1)＝V_d(t)+C₁×r₁×(p_d(t)‑X_d(t))+C₂×r₂×(p_gd(t))     (9)X_d(t+1)＝X_d(t)+V_d(t+1)                       (10)更新粒子的速度和位置，获得新一次更新的各个粒子d的最优位置p^d及粒子群的最优位置p_g，并将最好的值作为历史最优值；(d)再次计算适应度值，如果达到结束条件，即分类准确率达到要求，则结束，否则转入步骤(b)，再一次更新粒子的速度和位置；分配方法二：按类分权重联合分类器分类；由于每种故障的特点不同，在单一分类器中的分类效果不同，即在给NBS分类器和SVM分类器分配权重时可以针对不同的故障类型分配不同的权重；对于训练样本数据S＝{(X₁,Y₁),...,(X_j,Y_j),...,(X_c,Y_c)}中的c种故障类型，将训练集S中的特征向量集合{X₁,X₂...,X_c}分别作为测试数据输入NBS分类器和SVM分类器；经 过NBS分类器分类，输出待分类特征向量集合中每种故障类型对应的后验概率集合：P_NBS＝[P₁ P₂ … P_c]                  (11)其中P_i为第i类故障类型中每组训练样本所对应的后验概率的集合；在SVM分类器中，采用1对1多类别的支持向量机分类器，采用投票法获取分类结果，经过归一化后的分类器输出概率集合为：P_SVM＝[P₁ P₂ … P_c]                 (12)其中P_i为第i类故障类型中每组训练样本所对应的概率集合；按照每种故障类型的特征分配权重，将两种分类器的输出概率集合加权相加，建立按类分权重联合分类器：上述概率集合每行的最大概率值所对应的标记类即为每组测试特征向量对应的标记类即为联合分类器的分类结果，即联合分类器输出的标记类集合：通过粒子群优化算法寻求最优的权重集合，适应度函数与统一加权联合分类器相似，将最优权重集合求解过程转化为联合分类器输出标记类集合L(L₁,L₂,...,L_m)与测试样本数据标记类集合Y(Y₁,Y₂,...,Y_m)中各元素一一对应的元素个数最大化，根据适应度函数不断地更新粒子群的位置和速度，寻求适应度函数符合条件的最优权重系数集合ω(ω_NBS1,ω_NBS2,...,ω_NBSc,ω_SVM1,ω_SVM2,...,ω_SVMc)；步骤四、实时测量数据的诊断与分类；为了实现在轨航天器系统故障模型的实时检测与辨识，需要分析历史数据，在系 统状态分类时确定相应的模型结构，即建立分类结果与模型结构一一对应的映射关系，使得测试数据经过分类器分类后即可确定模型的结构；因此在使用大量的仿真数据对分类器进行训练的同时，还需训练模型的结构，建立系统状态—结构映射表，将系统的运行状态与模型结构一一对应起来；当模型结构已知时，根据模型的物理性能分析即可获取系统在不同状态时的模型结构，直接建立系统状态—结构映射表；当模型结构未知时，采用大量的训练数据样本集合对已知故障类型的模型结构进行辨识，考虑到模型的复杂性，采用AIC信息准则对训练样本数据进行结构辨识；步骤五、状态模型的在线辨识；经过步骤一至四的系统状态分类与结构辨识，确定系统的模型结构后，针对实时获取的测量数据，采用递推方法进行在线估计，得到模型新的估计值；为了最优化辨识效率，采用经典的最小二乘参数辨识方法对模型参数进行辨识，实现模型参数的在线辨识。