基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法
【專利摘要】本發(fā)明提供了一種基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，把解析ER方法應(yīng)用于衛(wèi)星故障的診斷，并把前p時(shí)刻的故障診斷結(jié)果和當(dāng)前時(shí)刻的診斷結(jié)果分別作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，找出前p時(shí)刻與當(dāng)前時(shí)刻的關(guān)聯(lián)，進(jìn)而完成故障預(yù)測(cè)。本發(fā)明提供了一種多參數(shù)情況下的非線性復(fù)雜系統(tǒng)故障診斷和預(yù)測(cè)方法。用故障診斷輸出的特征參數(shù)進(jìn)行預(yù)測(cè)建?？梢愿庇^、更有效的反映下一時(shí)刻慣性平臺(tái)的健康狀況。
【專利說明】
基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種應(yīng)用于衛(wèi)星設(shè)備的基于證據(jù)推力的智能故障診斷與預(yù)測(cè)方法，本 發(fā)明不僅可W用于衛(wèi)星，同樣可W轉(zhuǎn)化應(yīng)用于其他自動(dòng)化程度較高便于信息采集的機(jī)械設(shè) 備，屬于衛(wèi)星故障管理領(lǐng)域。
【背景技術(shù)】
[0002] 故障診斷是為了確保指定系統(tǒng)的正常運(yùn)行，利用儀器設(shè)備和計(jì)算機(jī)技術(shù)等手段， 對(duì)該系統(tǒng)進(jìn)行監(jiān)測(cè)、檢查和測(cè)試，并得出系統(tǒng)故障信息的一口技術(shù)。故障預(yù)測(cè)技術(shù)是在故障 診斷技術(shù)基礎(chǔ)上發(fā)展起來的一口學(xué)科技術(shù)，通過先進(jìn)的儀器設(shè)備和計(jì)算機(jī)技術(shù)，監(jiān)測(cè)并識(shí) 別預(yù)示故障發(fā)生的征兆信息，W達(dá)到對(duì)故障預(yù)測(cè)的效果，從而避免故障發(fā)生。早期的故障診 斷方法多為對(duì)衛(wèi)星遙測(cè)信號(hào)的采集和判斷，當(dāng)判讀為故障信息時(shí)，則按照故障手冊(cè)進(jìn)行相 應(yīng)維修。隨著基于知識(shí)的故障診斷方法的出現(xiàn)和發(fā)展，診斷水平得到了很大提高。衛(wèi)星預(yù)測(cè) 的研究則是預(yù)測(cè)技術(shù)逐漸成熟的基礎(chǔ)上被重視起來的，所W現(xiàn)有的故障預(yù)測(cè)技術(shù)主要是基 于成熟智能算法的智能預(yù)測(cè)技術(shù)。良好的故障診斷方法應(yīng)具較高的診斷正確率和較強(qiáng)有效 性。衛(wèi)星由于其運(yùn)行環(huán)境的特殊性，用于衛(wèi)星性能管理的遙測(cè)數(shù)據(jù)存在著嚴(yán)重的不確定性， 包括噪聲干擾W及帖丟失導(dǎo)致的數(shù)據(jù)缺失的問題。所W好的衛(wèi)星故障診斷方法應(yīng)該具有處 理運(yùn)種不確定性的能力。復(fù)雜系統(tǒng)的故障預(yù)測(cè)技術(shù)同樣對(duì)模型處理不確定性的能力有較高 的要求。
[0003] 證據(jù)理論作為經(jīng)典概率論的推廣已經(jīng)被廣泛研究并已經(jīng)成為一口相當(dāng)成熟的理 論，具有很強(qiáng)的不確定信息融合能力。邸(Evidential Reasoning，ER)方法是一種在證據(jù)理 論基礎(chǔ)上發(fā)展起來的決策方法，有較強(qiáng)的推理能力和處理不確定信息的能力。m?算法包括 遞歸ER算法和解析邸算法，解析邸算法更加適用于敏感性強(qiáng)的實(shí)際應(yīng)用。邸方法應(yīng)用于衛(wèi) 星故障與診斷領(lǐng)域可W有效解決現(xiàn)有方法對(duì)不確定信息敏感的缺點(diǎn)。
[0004] 神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元)之間相互聯(lián)接構(gòu)成。每個(gè) 節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)(activation化net ion)。每?jī)蓚€(gè)節(jié)點(diǎn)間的 連接都代表一個(gè)對(duì)于通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，運(yùn)相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記 憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都 是對(duì)自然界某種算法或者函數(shù)的逼近，也可能是對(duì)一種邏輯策略的表達(dá)。人工神經(jīng)網(wǎng)絡(luò)技 術(shù)由于具有W任意精度逼近任何連續(xù)非線性函數(shù)的能力和從樣本學(xué)習(xí)的能力，因而在航天 器故障診斷中得到了廣泛的應(yīng)用。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供了一種基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，把邸(本方案中算 法使用解析ER算法)應(yīng)用于衛(wèi)星故障的診斷，并把前P時(shí)刻的故障診斷結(jié)果和當(dāng)前時(shí)刻的診 斷結(jié)果分別作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，找出前P時(shí)刻與當(dāng)前時(shí)刻的 關(guān)聯(lián)，進(jìn)而完成故障預(yù)測(cè)。
[0006] 本發(fā)明提供的基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，包括w下步驟：
[0007] 步驟1:將故障診斷輸入數(shù)據(jù)轉(zhuǎn)換成信度分布形式，作為故障診斷的證據(jù)；
[000引步驟2:應(yīng)用解析ER算法對(duì)證據(jù)進(jìn)行融合；
[0009] 步驟3:引入平均效用，把故障診斷中證據(jù)融合的結(jié)果用平均效用數(shù)值化處理；
[0010] 步驟4:把步驟3中數(shù)值化處理后的結(jié)果與對(duì)應(yīng)參考基準(zhǔn)進(jìn)行比較，判斷當(dāng)前時(shí)刻 或下一時(shí)刻是否出現(xiàn)故障，實(shí)現(xiàn)衛(wèi)星故障診斷；
[0011] 步驟5:建立預(yù)測(cè)模型，根據(jù)實(shí)際問題確定基本屬性數(shù)目P，組建預(yù)測(cè)數(shù)據(jù)集，預(yù)測(cè) 模型表示為：
[0012] y(t+l)=f(xt,Xt-l, . . . ,Xt-p)
[OOU]其中，y(t+l)是一個(gè)標(biāo)量，表示預(yù)測(cè)模型t+1時(shí)刻的輸出，（Xt，Xt-l, . . .Xt-p)是滯后 的輸入向量；
[0014] 步驟6:構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，反復(fù)使用歷史樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練；
[0015] 步驟7:把測(cè)試數(shù)組輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，求得下一時(shí)刻特征參數(shù)的值，并與對(duì) 應(yīng)參考基準(zhǔn)比較，判斷衛(wèi)星是否故障。
[0016] 優(yōu)選地，所述步驟1中，輸入數(shù)據(jù)的屬性表示為信度分布形式為：
[0017] S(￡ik) = {(Fn，0n,i(ak))，n = l, . . . ,Ν; j = l ,2, . . . ,L}
[0018] 其中0n,i(ak)為初始信度，表示案例ak診斷過程中屬性xi被評(píng)估為等級(jí)Fn的信度。
[0019] 優(yōu)選地，所述步驟帥，將初始信度0n,i(ak)代入解析ER算法得到故障診斷融合信 度防(曰1〇，斷(曰1〇，私(曰1〇，化(曰1〇分別代表故障診斷結(jié)果評(píng)估為。。和。的融合信度;得到故障 診斷結(jié)果信度分布形式0(7) = {巧。，私(曰1〇)，（。，化(曰1〇)，11 = 1，2...，的，診斷結(jié)果的信度分 布描述了診斷結(jié)果的總體情況，W及系統(tǒng)故障類型的總體評(píng)估。
[0020] 故障診斷融合信度iUak)，化(ak)的計(jì)算公式分別為：
[0025] 優(yōu)選地，所述步驟4中，將步驟3中得到的故障診斷融合信度即故障診斷結(jié)果信度 分布分別代入平均效用公式，實(shí)現(xiàn)信度分布輸出向數(shù)值輸出的變換，平均效用公式為：
..，其中，F(xiàn)i和Fn分別具有最大偏好和最小 偏好;u(Fn)表示故障等級(jí)Fn的效用，假設(shè)u(Fn)，n=l,. . .，N是故障等級(jí)F={Fi,.......,Fn} 的效用，如果Fj與Fi相比，決策者偏好于評(píng)估等級(jí)Fj，那么u(Fj)<u(Fi)。
[0026] 優(yōu)選地，步驟3中數(shù)值化處理后的結(jié)果相對(duì)于參考基準(zhǔn)在一定范圍內(nèi)變化，通過判 斷步驟3中數(shù)值化處理后的結(jié)果與參考基準(zhǔn)之間的距離是否超過預(yù)先給定的闊值來判斷有 無故障。
[0027] 優(yōu)選地，本發(fā)明選用log-sigmoid函數(shù)作為神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)。
[0028] 本發(fā)明把邸(本方案中算法使用解析邸算法)應(yīng)用于衛(wèi)星故障的診斷，并把前P時(shí) 刻的故障診斷結(jié)果和當(dāng)前時(shí)刻的診斷結(jié)果分別作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn) 行訓(xùn)練，找出前P時(shí)刻與當(dāng)前時(shí)刻的關(guān)聯(lián)，進(jìn)而完成故障預(yù)測(cè)。本發(fā)明提供了一種多參數(shù)情 況下的非線性復(fù)雜系統(tǒng)故障診斷和預(yù)測(cè)方法，用故障診斷輸出的特征參數(shù)進(jìn)行預(yù)測(cè)建模可 W更直觀、更有效的反映下一時(shí)刻慣性平臺(tái)的健康狀況。把m?應(yīng)用于衛(wèi)星故障管理領(lǐng)域，可 W很好的解決衛(wèi)星遙測(cè)數(shù)據(jù)由環(huán)境、天氣、電磁干擾等情況引起的不確定性，很好的彌補(bǔ)了 其他衛(wèi)星故障管理方法對(duì)不確定性數(shù)據(jù)處理能力的不足。另外，衛(wèi)星由于其運(yùn)行環(huán)境的特 殊性，用于衛(wèi)星性能管理的遙測(cè)數(shù)據(jù)存在著嚴(yán)重的不確定性，包括噪聲干擾W及帖丟失導(dǎo) 致的數(shù)據(jù)缺失的問題。而ER技術(shù)具有較強(qiáng)的不確定性推理能力，本方法同樣適用于包括區(qū) 間數(shù)和模糊數(shù)在內(nèi)的復(fù)雜數(shù)據(jù)。同其他已有的方法相比，本方法可W有效解決數(shù)據(jù)的不確 定性導(dǎo)致診斷和預(yù)測(cè)結(jié)果出現(xiàn)偏差的問題。
【附圖說明】
[0029] 圖1為本發(fā)明流程圖；
[0030] 圖2為衛(wèi)星故障診斷與預(yù)測(cè)系統(tǒng)結(jié)構(gòu)。
【具體實(shí)施方式】
[0031 ]本發(fā)明包括故障診斷與故障預(yù)測(cè)兩個(gè)方面。
[0032] 故障診斷：
[0033] 本發(fā)明基于ER方法和效用理論對(duì)衛(wèi)星故障診斷建模。模型首先根據(jù)現(xiàn)有衛(wèi)星遙測(cè) 數(shù)據(jù)求得各屬性信度，把故障診斷輸入轉(zhuǎn)化為信度分布形式。當(dāng)所有的輸入變量都描述信 度分布形式后，直接應(yīng)用ER算法來組合所有屬性，得到信度分布形式的故障診斷結(jié)果。最 后，通過效用理論把證據(jù)融合結(jié)果數(shù)值化并與基準(zhǔn)值比較判斷被診斷的衛(wèi)星器件是否故 障。
[0034] 故障預(yù)測(cè)：
[0035] 對(duì)于預(yù)測(cè)問題，預(yù)測(cè)模型的輸入是過去時(shí)刻的系統(tǒng)健康狀況特征參數(shù)，滯后于當(dāng) 前時(shí)刻，而模型的輸出是系統(tǒng)將來的輸出值，預(yù)測(cè)模型可W表示為如下的形式：
[0036] y(t+l)=f(xt,xt-i, . . . ,xt-p) (1)
[0037] 其中y(t+l)是一個(gè)標(biāo)量，表示預(yù)測(cè)模型t+1時(shí)刻的輸出，（xt，xt-i, . . .xt-p)是滯后 的輸入向量，P表示與預(yù)測(cè)值相關(guān)量的數(shù)目。由于系統(tǒng)下一時(shí)刻的健康狀況在一定程度上 依賴于之前時(shí)刻的健康狀況特征參數(shù)，由此，如圖1所示本方案中把前P時(shí)刻的診斷輸出作 為預(yù)測(cè)模型的輸入。本發(fā)明用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。
[0038] 本發(fā)明采用的體系結(jié)構(gòu)如圖2所示，利用采集到的各種數(shù)據(jù)，通過ER方法和人工神 經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷與預(yù)測(cè)，為設(shè)備維護(hù)維修活動(dòng)提供依據(jù)。
[0039] 狀態(tài)監(jiān)測(cè):包括數(shù)據(jù)的獲取、預(yù)處理和監(jiān)測(cè)，監(jiān)測(cè)過程就是利用一些主要敏感數(shù)據(jù) 的正常范圍對(duì)設(shè)備的元部件的關(guān)鍵數(shù)據(jù)進(jìn)行監(jiān)視。
[0040] 故障診斷:通過ER進(jìn)行故障診斷建模，可W處理精確信息與模糊信息，實(shí)現(xiàn)故障診 斷。
[0041] 故障預(yù)測(cè)：由設(shè)備特征數(shù)據(jù)狀態(tài)趨勢(shì)預(yù)測(cè)和故障模式判別兩大部分組成。實(shí)現(xiàn)故 障預(yù)測(cè)功能，具有自適應(yīng)性好、算法較優(yōu)和實(shí)際應(yīng)用可操作性強(qiáng)等特點(diǎn)。
[0042] 數(shù)據(jù)庫用于存放故障診斷和預(yù)測(cè)所需的衛(wèi)星設(shè)備的各種數(shù)據(jù)、基本的故障模式信 息、ER規(guī)則、系統(tǒng)運(yùn)算的中間和結(jié)果數(shù)據(jù)、備用戶查詢的歷史故障等信息。
[0043] 優(yōu)化算法用于衛(wèi)星故障診斷和預(yù)測(cè)過程中參數(shù)的優(yōu)化，W提高預(yù)測(cè)的精度和效 率。
[0044] 本發(fā)明使用的相關(guān)標(biāo)記與定義如下：
[0045] -i3n,i(ak):案例ak故障診斷中初始分配信度，即表示屬性XI被評(píng)估為故障等級(jí)Fn 的可信程度。
[0046] ·私，化:分別表示對(duì)于故障診斷結(jié)果評(píng)估為Fn和F的融合信度。
[0047] · ωι:屬性權(quán)重，反映了證據(jù)的重要程度或可靠程度用W克服證據(jù)沖突的存在。
[004引 · log-sigmoid函數(shù):也稱Sigmoid函數(shù)，常被用作神經(jīng)網(wǎng)絡(luò)的闊值函數(shù)，將變量映 射到0，1之間。表示為
[0049] .F滿足證據(jù)理論中識(shí)別框架的要求(互斥的完備集）：F={Fi，.......，F(xiàn)N}，F(xiàn)n表 示第η個(gè)評(píng)估等級(jí)，本文中指故障等級(jí)如輕度、中等、嚴(yán)重。
[0050] · u(Fn)，n = l，. . .，Ν:是故障等級(jí)Fn的效用，假設(shè)u(Fn)，n=l，. . .，Ν是故障等級(jí)F = {Fi,.......，F(xiàn)N}的效用，如果Fj與Fi相比，決策者偏好于評(píng)估等級(jí)Fj，那么u(Fj)<u(Fi)。
[0051] ?解析邸算法：
[0052] 邸算法是一種基于決策理論和D-S證據(jù)理論中的Dempster組合規(guī)則來處理多源信 息融合的方法。解析ER由于其計(jì)算過程簡(jiǎn)便而被廣泛使用。
[0056] 本發(fā)明主要流程如下：
[0057] 步驟1:將故障診斷輸入數(shù)據(jù)轉(zhuǎn)換成信度分布形式。m?算法在表達(dá)和處理不確定信 息方面具有較大的優(yōu)勢(shì)，其需要利用置信度分布形式評(píng)估方案中的屬性，然后運(yùn)用證據(jù)融 合規(guī)則集結(jié)各個(gè)屬性。所W，需要將數(shù)據(jù)轉(zhuǎn)換為信度分布形式。應(yīng)用基于規(guī)則或基于效用的 等價(jià)變換技術(shù)，將輸入輸出數(shù)據(jù)統(tǒng)一變換到信度分布的結(jié)構(gòu)框架下。每個(gè)輸入數(shù)據(jù)的屬性 表示為信度分布形式為：
[005引 S(iik) = {(Fn,0n,i(ak)),n = l,...,N;j = l,2,...,L} (5)
[0059]其中i3n,i(ak)為初始信度（其分配原理是:距離平均值點(diǎn)越近，分配的信度越大）， 表示案例ak診斷過程中屬性XI被評(píng)估為等級(jí)Fn的信度。具有權(quán)重信息的邸一般輸入模型如 表1所示。
[0060]
[0061] 表 1
[0062] 步驟2:故障診斷信度融合。把步驟1中的初始信度代入上文中解析ER算法（公式 (2)、（3))計(jì)算i3n(ak)，Mak)，即故障診斷融合信度，iUak)，Mak)分別代表故障診斷結(jié)果評(píng) 估為Fn和F的信度。得到故障診斷結(jié)果的信度分布形式：
[0063] 0(y) = {(Fn，i3n(ak))，（F，fr(ak))，n=l，2...，N} (6)
[0064] 故障診斷結(jié)果的信度分布描述了診斷結(jié)果的總體情況，W及系統(tǒng)故障類型的總體 評(píng)估。
[0065] 步驟3:引入平均效用。在工程實(shí)際中，系統(tǒng)的輸出往往是精確的數(shù)值，在運(yùn)種輸出 為信度分布的情況下，就希望能夠得到信度分布形式等價(jià)的數(shù)值型輸出。通過引入平均效 用，就可W實(shí)現(xiàn)信度分布輸出向數(shù)值輸出的變換。把W上故障診斷與預(yù)測(cè)的信度融合結(jié)果 分別代入式(7)所示平均效用公式，實(shí)現(xiàn)信度分布輸出向數(shù)值輸出的變換。運(yùn)里假設(shè)Fi和Fn 分別具有最大偏好和最小偏好。
[0066]
C7)
[0067] 步驟4:故障診斷結(jié)果輸出。在故障診斷中，對(duì)于特征參數(shù)y，在系統(tǒng)正常的情況下， 特征參數(shù)應(yīng)該在一定的范圍變化，即存在著系統(tǒng)正常狀態(tài)的參考基準(zhǔn)F，由此可W通過診 斷或預(yù)測(cè)值與參考基準(zhǔn)不之間的距離是否超過預(yù)先給定的闊值來判斷有無故障。
[0068] 步驟5:建立如（1)式的預(yù)測(cè)模型，根據(jù)實(shí)際問題確定基本屬性數(shù)目P，組建預(yù)測(cè)數(shù) 據(jù)集(xt，xt-i,.. .，xt-p;y(t+l))，其中（xt，xt-i,. . .xt-p)是前P個(gè)時(shí)刻的公式（7)所得特征參 數(shù)值，y(t+l)是下一時(shí)刻特征參數(shù)的值。
[0069] 步驟6:神經(jīng)網(wǎng)絡(luò)建模。在本次設(shè)計(jì)中本發(fā)明為神經(jīng)網(wǎng)絡(luò)建立一個(gè)隱層，然后通過 試湊法來確定隱節(jié)點(diǎn)的數(shù)目。選用log-sigmoid函數(shù)作為神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)。神經(jīng)網(wǎng)絡(luò)設(shè) 計(jì)完成后，需要反復(fù)使用歷史樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，對(duì)所有樣本數(shù)據(jù)正向進(jìn)行一輪并反 向修改權(quán)值一次稱為一次訓(xùn)練。通過訓(xùn)練找到過去P時(shí)刻故障診斷輸出的特征參數(shù)與下一 時(shí)刻特征參數(shù)之間的關(guān)系。
[0070] 步驟7:故障預(yù)測(cè)結(jié)果輸出。把測(cè)試數(shù)組輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，得到下一時(shí)刻的 特征參數(shù)的值。并與步驟4中參考基準(zhǔn)比較，判斷下一時(shí)刻是否出現(xiàn)故障。
【主權(quán)項(xiàng)】
1. 一種基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，其特征在于，包括以下步驟： 步驟1:將故障診斷輸入數(shù)據(jù)轉(zhuǎn)換成信度分布形式，作為故障診斷的證據(jù)； 步驟2:應(yīng)用解析ER算法對(duì)證據(jù)進(jìn)行融合； 步驟3:引入平均效用，把故障診斷中證據(jù)融合的結(jié)果用平均效用數(shù)值化處理； 步驟4:把步驟3中數(shù)值化處理后的結(jié)果與對(duì)應(yīng)參考基準(zhǔn)進(jìn)行比較，判斷當(dāng)前時(shí)刻或下 一時(shí)刻是否出現(xiàn)故障，實(shí)現(xiàn)衛(wèi)星故障診斷； 步驟5:建立預(yù)測(cè)模型，根據(jù)實(shí)際問題確定基本屬性數(shù)目p，組建預(yù)測(cè)數(shù)據(jù)集，預(yù)測(cè)模型 表示為： y(t+l)-f (xt，xt-1，· · ·，xt-p) 其中，y(t+l)是一個(gè)標(biāo)量，表示預(yù)測(cè)模型t+1時(shí)刻的輸出，（Χ?，ΧΗ，...Χ?- Ρ)是滯后的輸 入向量； 步驟6:構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，反復(fù)使用歷史樣本數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練； 步驟7:把測(cè)試數(shù)組輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，求得下一時(shí)刻特征參數(shù)的值，并與對(duì)應(yīng)參 考基準(zhǔn)比較，判斷衛(wèi)星是否故障。2. 如權(quán)利要求1所述的基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，其特征在于，所述步 驟1中，輸入數(shù)據(jù)的屬性表示為信度分布形式為： S(ak) = {(Fn,Pn,i(ak)) ,η = 1,. . . ,N； j = 1,2,. . . ,L} 其中i3n>1(ak)為初始信度，表示案例ak診斷過程中屬性^被評(píng)估為等級(jí)信度。3. 如權(quán)利要求2所述的基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，其特征在于，所述步 驟2中，將初始信度i3n>1(a k)代入解析ER算法得到故障診斷融合信度i3n(ak)，fr(ak)，i3 n(ak)，fr (ak)分別代表故障診斷結(jié)果評(píng)估為F4PF的融合信度;得到故障診斷結(jié)果信度分布形式0(y) ={的，仏( &1{))，$及(&1{))，11 = 1，2...，《，診斷結(jié)果的信度分布描述了診斷結(jié)果的總體情 況，以及系統(tǒng)故障類型的總體評(píng)估。4. 如權(quán)利要求3所述的基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，其特征在于，所述步 驟4中，將步驟3中得到的故障診斷融合信度即故障診斷結(jié)果信度分布分別代入平均效用公 式，實(shí)現(xiàn)信度分布輸出向數(shù)值輸出的變換，平均效用公式為：:，其中，F(xiàn)jPFN分別具有最大偏好和最小 偏好;u(Fn)表示故障等級(jí)Fn的效用，假設(shè)u(Fn)，n=l,. . .，N是故障等級(jí)F={Fi，.......，F(xiàn)n} 的效用，如果6與巧相比，決策者偏好于評(píng)估等級(jí)Fp那么5. 如權(quán)利要求3或4所述的基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，其特征在于，故 障診斷融合信度iUak)，fr(a k)的計(jì)算公式分別為：其中，C〇i為權(quán)重系數(shù)，6. 如權(quán)利要求1所述的基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，其特征在于，步驟3 中數(shù)值化處理后的結(jié)果相對(duì)于參考基準(zhǔn)在一定范圍內(nèi)變化，通過判斷步驟3中數(shù)值化處理 后的結(jié)果與參考基準(zhǔn)之間的距離是否超過預(yù)先給定的閾值來判斷有無故障。7. 如權(quán)利要求1所述的基于證據(jù)推理的衛(wèi)星故障診斷與預(yù)測(cè)方法，其特征在于，所述步 驟6中，選用log-sigmoid函數(shù)作為神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)。
【文檔編號(hào)】G06N5/04GK105825271SQ201610160867
【公開日】2016年8月3日
【申請(qǐng)日】2016年3月21日
【發(fā)明人】孫力娟, 韓穩(wěn)穩(wěn), 王汝傳, 周劍, 肖甫, 葉曉國, 郭劍
【申請(qǐng)人】南京郵電大學(xué)