基于多专家系统推理的飞行器性能评价方法

摘要: 本发明属于故障诊断,具体涉及一种基于多专家系统推理的飞行器性能评价方法。背景技术:1、由于飞行器服役过程中受到强振动、热应力、冲击载荷及燃烧环境等多重工况影响,...
基于多专家系统推理的飞行器性能评价方法

本发明属于故障诊断,具体涉及一种基于多专家系统推理的飞行器性能评价方法。

背景技术:

1、由于飞行器服役过程中受到强振动、热应力、冲击载荷及燃烧环境等多重工况影响,其结构部件易出现疲劳、裂纹、连接松动等退化失效问题,导致性能退化的不确定性高,因此在飞行器服役前期对其性能状态开展综合、准确的评价具有重要意义。

2、现有的飞行器性能评价方法主要依赖于多源监测数据驱动的统计建模与信号分析方法。然而,在实际工程应用中,飞行器的多源监测数据往往呈现以下特点:1)多源监测数据有限性。由于传感器布设数量受空间、质量和能耗约束,获取的多源监测数据维度有限,且部分关键部位难以直接测量;2)不确定性与噪声干扰。飞行器飞行过程中环境极端,传感器数据常受到高噪声、缺失和漂移的影响,单一依赖数据驱动方法容易导致评价偏差;3)专家经验的重要性。在飞行器设计、测试与服役过程中,积累了大量专家对结构失效机理的认知和经验性知识。如果仅依赖有限的多源监测数据而忽视专家知识,将导致评价模型难以全面反映结构潜在风险。针对上述问题,置信规则库(belief rule base,brb)因其能够融合数值型多源监测数据与模糊化的专家知识,成为一种有效的性能评价建模工具。置信规则库采用“规则—权重—置信度”的形式表达复杂的不确定性推理关系,既能够描述专家对飞行器性能状态的认知判断,又能够通过多源监测数据进行更新与修正,从而实现“数据—知识”的有机融合。另一方面,飞行器性能涉及多源监测信息,如振动信号、温度应变、推力载荷、燃烧室压力等。这些信息相互耦合,共同决定其性能状态。若仅依赖单一信息源,往往难以全面揭示性能失效征兆。因此,融合多源监测数据是实现飞行器性能的可靠评价的必要手段。然而,传统单一置信规则库模型在面对多源监测数据时,容易出现规则爆炸问题,即规则数量随输入维度急剧增加,导致模型规模过大、推理效率下降,不利于实际工程应用。

技术实现思路

1、为了解决现有技术中所存在的上述问题,本发明提供了一种基于多专家系统推理的飞行器性能评价方法。

2、本发明要解决的技术问题通过以下技术方案实现:

3、第一方面,本发明提供了一种基于多专家系统推理的飞行器性能评价方法,所述方法包括:

4、采集飞行器性能的多源监测数据;

5、将所述多源监测数据输入飞行器性能评价模型,得到飞行器性能评价结果;其中,所述将所述多源监测数据输入飞行器性能评价模型,得到飞行器性能评价结果,包括:

6、基于所述多源监测数据构建多个不同的置信规则库专家模块;

7、将所述多个不同的置信规则库专家模块中的规则通过证据推理算法进行融合,得到非线性模型,并根据所述非线性模型得到各个置信规则库专家模块的模块输出结果;

8、根据预先构建的门控网络将所述各个置信规则库专家模块的模块输出结果进行加权融合,得到所述飞行器性能评价结果。

9、可选地,所述将所述多个不同的置信规则库专家模块中的规则通过证据推理算法进行融合,得到非线性模型,包括:

10、根据预先构建的匹配函数将所述多源监测数据映射到对应的参考状态集合;

11、根据所述匹配函数、所述多源监测数据和所述参考状态集合得到所述多源监测数据和所述参考状态集合之间的第一匹配度;

12、根据所述第一匹配度得到所述多源监测数据与所述多个不同的置信规则库专家模块中的规则之间的第二匹配度;

13、根据所述第二匹配度得到所述多个不同的置信规则库专家模块中的规则对于所述多源监测数据的激活权重;

14、根据证据推理算法和所述激活权重对所述多个不同的置信规则库专家模块中的规则进行聚合,得到各个规则对应的评价结果的总置信度;

15、根据所述各个规则对应的评价结果和所述各个规则对应的评价结果的总置信度得到所述非线性模型。

16、可选地,所述预先构建的匹配函数表示如下:

17、;

18、其中,表示所述预先构建的匹配函数,表示第个置信规则库专家模块的第个传感器获取的多源监测数据,表示所述第个置信规则库专家模块的第个传感器获取的多源监测数据对应的第个参考状态,表示置信规则库专家模块中规则的序号,表示所述置信规则库专家模块中的规则数量。

19、可选地,所述激活权重表示如下:

20、;

21、其中,表示第个置信规则库专家模块中的第条规则对于所述多源监测数据的激活权重,表示第个置信规则库专家模块的第条规则的权重,表示第个置信规则库专家模块的第条规则与所述多源监测数据的第二匹配度。

22、可选地,所述各个激活的规则对应的评价结果的总置信度表示如下:

23、;

24、其中,表示第个置信规则库专家模块中的规则对应的评价结果的总置信度,表示中间变量,表示第个置信规则库专家模块中第条规则中的第个评价结果的置信度,,表示评价结果的数量,表示第个置信规则库专家模块中第条规则中的第个评价结果的置信度;

25、所述中间变量表示如下:

26、。

27、可选地,所述预先构建的门控网络表示如下:

28、;

29、其中,表示第个置信规则库专家模块在时刻的门控输出,表示第一门控矩阵,表示第一偏移量,表示第一中间参数。

30、可选地,所述第一中间参数表示如下:

31、;

32、其中,为双曲正切函数,表示第二中间参数。

33、可选地,所述第二中间参数表示如下:

34、;

35、其中,表示第二门控矩阵,表示第二偏移量,表示第个置信规则库专家模块在时刻的模块输出结果。

36、可选地,用于对所述各个置信规则库专家模块的模块输出结果进行加权融合的权重表示如下:

37、;

38、其中,表示第个置信规则库专家模块在时刻的模块输出结果对应的权重,表示指数函数,表示置信规则库专家模块的数量。

39、可选地,所述飞行器性能评价结果表示如下:

40、;

41、其中,表示在时刻的飞行器性能评价结果。

42、本发明的实施例提供的技术方案可以包括以下有益效果:

43、在上述技术方案中,通过将多源监测数据由不同的置信规则库专家模块分别建模与推理,每个模块进行独立推理,再通过证据推理算法进行融合,进而得到各个置信规则库专家模块的输出结果,进一步利用门控网络进行加权融合,得到飞行器性能评价结果,本发明有效缓解了单一置信规则库的规则爆炸问题,而且利用多专家并行推理提升了模型的可扩展性和计算效率;同时,本发明能够充分结合多源监测数据与专家知识,实现飞行器性能的多维度、全方位的综合评价,并且在保证模型的评价精度的同时,具有加单的模型结构,具有良好的工程应用价值。

44、以下将结合附图及实施例对本发明做进一步详细说明。

1.一种基于多专家系统推理的飞行器性能评价方法,其特征在于,所述方法包括:

2.根据权利要求1所述的基于多专家系统推理的飞行器性能评价方法,其特征在于,所述将所述多个不同的置信规则库专家模块中的规则通过证据推理算法进行融合,得到非线性模型,包括:

3.根据权利要求2所述的基于多专家系统推理的飞行器性能评价方法,其特征在于,所述预先构建的匹配函数表示如下:

4.根据权利要求3所述的基于多专家系统推理的飞行器性能评价方法,其特征在于,所述激活权重表示如下:

5.根据权利要求4所述的基于多专家系统推理的飞行器性能评价方法,其特征在于,所述各个规则对应的评价结果的总置信度表示如下:

6.根据权利要求1所述的基于多专家系统推理的飞行器性能评价方法,其特征在于,所述预先构建的门控网络表示如下:

7.根据权利要求6所述的基于多专家系统推理的飞行器性能评价方法,其特征在于,所述第一中间参数表示如下:

8.根据权利要求7所述的基于多专家系统推理的飞行器性能评价方法,其特征在于,所述第二中间参数表示如下:

9.根据权利要求8所述的基于多专家系统推理的飞行器性能评价方法,其特征在于,用于对所述各个置信规则库专家模块的模块输出结果进行加权融合的权重表示如下:

10.根据权利要求9所述的基于多专家系统推理的飞行器性能评价方法,其特征在于,所述飞行器性能评价结果表示如下: