【《基于深度迁移学习的航天器智能故障诊断分析概述》6800字】

(2-14)，经过预训练的网络可以迁移到在轨航天器故障诊断任务中，实现知识和特征的迁移学习。采用AdamBP算法对网络权值进行迭代更新，使得训练后的网络具有更好泛化能力和故障检测能力，过程与1.3.1节类似，此处不再赘述。因此，本章提出的基于深度迁移学习的智能故障算法流程图如REF_Ref65250478\h图2-6所示。图2-SEQ图2-\*ARABIC6基于深度迁移学习的航天器智能故障诊断算法流程图仿真结果及分析在本节中，为了验证设计的算法的有效性，在Windows10操作系统上，基于Python环境下Tensorflow深度学习工具包实现算法的仿真实验，仿真计算机配置为IntelCorei7@4.00GHz处理器，16G内存，NvidiaGeForceGTX1660显卡。源数据集为基于Matlab的4秒连续数据（400组），包含航天器的10个状态变量（四元数，角速度，控制输入），经过数据预处理转换成20*20*10的矩阵。目标数据集包含30001组数据，步长为0.01s。200s后航天器X轴发生故障，表现为200s后REF_Ref60862612\h图2-7中四元数和REF_Ref60862615\h图2-8中角速度的曲线出现异常。图2-SEQ图2-\*ARABIC7Matlab仿真数据四元数曲线图2-SEQ图2-\*ARABIC8Matlab仿真数据角速度曲线故障诊断任务一：在航天器平稳运行过程中，判断其是否发生故障。该故障诊断任务为一个二分类问题。REF_Ref60909214\h图2-9为预训练阶段网络训练损失和故障诊断准确率的变化曲线，REF_Ref60909897\h图2-10为迁移学习阶段网络训练损失和故障诊断准确率变化曲线。根据REF_Ref60909214\h图2-9-REF_Ref60909897\h图2-10，在网络训练过程中，随着网络的权值不断迭代更新，故障诊断准确率不断提高，而网络损失逐渐减小。在预训练阶段深度卷积神经网络的故障诊断准确率可达到98.5%，在迁移学习阶段深度卷积神经网络的故障诊断准确率可达到98.79%，且一直稳定在95%以上。图2-SEQ图2-\*ARABIC9任务一在预训练阶段网络训练损失和故障诊断准确率变化曲线图2-SEQ图2-\*ARABIC10任务一在迁移学习阶段网络训练损失和故障诊断准确率变化曲线故障诊断任务二：在航天器平稳运行过程中，在判断其是否发生故障的基础上诊断故障发生在哪个轴。该故障诊断任务为一个四分类问题。REF_Ref60911798\h图2-11为预训练阶段网络训练损失和故障诊断准确率的变化曲线，REF_Ref60911804\h图2-12为迁移学习阶段网络训练损失和故障诊断准确率变化曲线。在预训练阶段深度卷积神经网络可判断故障是否发生且发生在哪个轴上，其准确率可达到98.5%，相应地在迁移学习阶段故障诊断的准确率可达到85.41%，且一直保持稳定。图2-SEQ图2-\*ARABIC11任务二在预训练阶段网络训练损失和故障诊断准确率变化曲线图2-SEQ图2-\*ARABIC12任务二在迁移学习阶段网络训练损失和故障诊断准确率变化曲线基于四种迁移学习方法的故障诊断准确率对比。表2-1为四种迁移学习方法在故障诊断任务一和任务二中的准确率对比。根据对比数据可知，采用基于JDA的迁移学习方法在故障诊断准确率上明显优于其他迁移学习故障诊断方法。与基于卷积神经网络的传统迁移学习方法相比，采用基于JDA的迁移学习方法的故障诊断准确率平均提高了5%左右。与基于MDA的迁移学习方法相比，基于JDA的迁移学习方法提高了深度卷积神经网络对迁移任务的适应性。表2-SEQ表2-\*ARABIC2四种迁移学习方法的故障诊断准确率对比任务一（二分类）任务二（四分类）传统迁移学习方法91.34%80.72%JDA方法89.99%71.95%基于MDA的迁移学习方法95.12%81.24%基于JDA的迁移学习方法98.79%85.41%通过以上的仿真及分析可知，迁移学习方法适用于在轨航天器故障