(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111338964.3 (22)申请日 2021.11.12 (71)申请人 上海机电工程研究所 地址 201100 上海市闵行区元江路38 88号 （八部） (72)发明人 冯安安　汪溢　姚永超　龚琳舒　 朱显明　王坤云　黄新华　王琳娜　 诸戈　邵志江　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 代理人 胡晶 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/02(2020.01) (54)发明名称 基于GA-PNN的导弹地面装备机电产品故障 诊断方法和系统 (57)摘要 本发明提供一种基于GA ‑PNN的导弹地面装 备机电产品故障诊断方法和系统， 包括： 1)采集 导弹地面装备机电产品不同故障状态的振动数 据； 2)计算不同故障状态的振动数据的特征向量 组成多维特征； 3)将计算的多维特征分为训练集 和测试集； 4)利用GA ‑PNN搭建仿真模型， 并设置 适应度函数； 5)将训练集输入仿真模型进行训 练， 以适应度函数作为下一代被选择的参考， 筛 选出最优的特征向量编号； 6)将对应编号的测试 集特征向量作为仿真模型输入进行验证。 与传统 直接将特征向量作为故障诊断输入相比， 本发明 对于机电产品的多维特征向量筛选的方法更加 精确高效， 从而能够很好地解决机电产品诊断预 测的特征混叠问题。 权利要求书5页 说明书9页 附图3页 CN 114154398 A 2022.03.08 CN 114154398 A 1.一种基于GA ‑PNN的导弹地 面装备机电产品故障诊断方法， 其特 征在于， 包括： 步骤S1： 采集 导弹地面装备机电产品不同故障状态下的故障样本数据； 步骤S2： 计算故障样本数据中不同故障状态 的振动数据的特征向量， 并组成多维特征 向量数据集； 步骤S3： 根据所述多维特 征向量数据集得到训练集； 步骤S4： 利用GA ‑PNN搭建仿真模型， 并设置适应度函数； 步骤S5： 将训练集输入仿真模型进行训练， 以适应度函数作为下一代被选择的参考， 筛 选出最优的特 征向量； 步骤S6： 将最优的特 征向量输入 优化概率神经网络； 步骤S7： 利用优化后的概 率神经网络， 对导弹地 面装备机电产品进行故障诊断。 2.根据权利要求1所述的基于GA ‑PNN的导弹地面装备机电产品故障诊断方法， 其特征 在于， 在所述 步骤S1中， 采用故障样本数据(Zi， δi)； Zi表示机电产品第i种故障状态在运行 过程中的振动数据； δi表示机电产品第i种故障状态的故障位置和/或故障类型。 3.根据权利要求1所述的基于GA ‑PNN的导弹地面装备机电产品故障诊断方法， 其特征 在于， 在所述步骤2中， 计算不同故障状态的振动数据的特征值组成特征向量 组成一个多维特 征向量数据集； 均值： xi表示第i种故障状态下的不同采集数据点的值； N表示数据采样点数； 峰值： Peak ＝max|xi| 峭度： 均方根： 偏度： 峰值因子： 裕度因子： 波形因子： 权　利　要　求　书 1/5 页 2 CN 114154398 A 2脉冲因子： 峭度因子： 4.根据权利要求1所述的基于GA ‑PNN的导弹地面装备机电产品故障诊断方法， 其特征 在于， 在所述 步骤S3中， 将所述多维特征向量数据集中预设比例的数据集作为训练集Xtrain， 剩余的数据集作为 测试集Xtest。 5.根据权利要求1所述的基于GA ‑PNN的导弹地面装备机电产品故障诊断方法， 其特征 在于， 在所述 步骤S5中， 步骤S5.1： 将染色体的编码长度定为多维特征向量数据集的维度， 染色体的编码的取 值都定为1或0， 1代表是， 0代表非； 判定特征能有效表征故障类别就定为1， 不能有效表征故 障类别就定为0； 判定为1的特 征用作故障诊断输入， 判定为0的特 征将被舍弃； 步骤S5.2： 引入适应度函数， 以此来衡量每个个体在目标最优解的接近程度， 每个个体 的遗传变异也是根据该个体适应度大小来进行， 选用GA ‑PNN的输出结果和实际结果的均方 误差倒数作为 适应度函数 F(X)， 表达式如下： SE表示均方误差； X表示特征向量； g'＝(g′1,g′2,g′3,g′4)为GA‑PNN的输出结果； g＝(g1,g2,g3,g4)为测试集的真实结果； 步骤5.3： 应用适应度函数值作为遗传给下一代的参考， 选择单个个体占所有个体的适 应度比例作为下一代被选择的概 率， 计算所有个 体的适应度和S： Xi表示第此种故障状态下振动数据对应的第i个特 征向量； 步骤S5.4： 计算种群 个体的归一 化适应度值 gi表示第i个特 征向量的适应度； 步骤S5.5： 在对特征向量的筛选和神经网络参数优化中， 寻优的过程需要对编码的个 体进行交叉计算， 随机选取编 码中的一个点作为交叉点， 用此种方式进 行第k代、 第k+1代 这 两个群体的更新： 步骤S5.6： 在遗传算法中变异操作， 一般设置的变异概率在0.1左右， 这是更新个体的 关键， 变异是将原 来1变为0， 或者0变为1， 对概率神经网络的spread优化采用均匀变化的方权　利　要　求　书 2/5 页 3 CN 114154398 A 3