有更好的稳定性，在表征系统健 康状态方面具有更大的优势，得到的健康度曲线也更加平滑、稳定，具有更好的指导意义。
【附图说明】 阳0%] 图1为本发明方法实现流程图；
[0027]图2为SOM网络结构图； W28] 图3为本发明中SOM健康评估流程图；
[0029] 图4为本发明中电子放大器突变退化时广义化rst指数散点图；
[0030] 图5为传感器突变退化时广义化rst指数散点图；
[0031] 图6为作动筒内泄漏时广义化rst指数散点图；
[0032] 图7为正常状态健康度曲线；
[0033] 图8为电子放大器性能突变退化下健康度曲线；
[0034] 图9电子放大器性能缓变退化下健康度曲线；
[0035] 图10为传感器性能突变退化下健康度曲线；
[0036] 图11为作动筒内泄漏退化健康度曲线。
【具体实施方式】
[0037] 如图1所示，本发明基于多重分形理论和自组织映射（SOM)的作动器系统健康评 估基本流程：首先，将系统正常工作时获取的输入指令和系统输出输送至故障观测器获取 残差信号；然后，利用多重分形理论对残差信号进行特征提取，获取可W表征系统健康状态 的特征向量；接下来，将获得的系统正常工作时的特征向量用于健康评估模型的训练；最 后，获取系统当前状态下的特征向量并输入至训练好的健康评估模型中，得到系统当前状 态下的健康度。
[0038] 1.基于多重分形理论的作动器系统误差信号特征提取
[0039] 在旋转机械等其它设备的故障诊断领域，频域分析和时域分析是两大常用的特征 提取技术。频域分析通常包括快速傅里叶变换、小波变化和短时傅里叶变换等。时域分析 通常包括计算信号的最大值、有效值和峭度等时域特征。由于作动器系统残差信号是系统 实际输出和观测器估计输出量的差值，属于缓变信号的范畴。而频域分析更多的是针对快 变信号，因此，频域分析难W运用到作动器系统残差信号的特征提取。相对而言，时域分析 具有更大的普适性，其特征提取技术对于缓变信号也同样适用。但是，作动器系统本身的复 杂性、非线性特性W及非平稳特性决定了其残差信号的时域特征的不稳定。仅仅通过时域 特征分析作动器系统的健康状态势必会造成评估结果较大的波动。
[0040] 分形理论最先由曼德勃罗提出，他在宇宙学领域中碰到了一些杂乱无章、破碎不 堪的统计分布现象，运些现象不能用直线、平面或是=维立体来描述，经典的欧式几何难W 适用。同时，他也发现：在大自然中普遍存在着运种外表上看似杂乱无章的现象，如河流、 海岸线的分布和天空中云朵的分布等等。运些现象虽然不能直观地从形状和结构上找出规 律，但其自身所具有的复杂性和不规则性却存在一定的内在规律。
[0041] 按观测尺度划分，分形又可W分为单重分形和多重分形。通常存在的单重分形仅 从一个尺度对时间序列进行描述，由于尺度的单一，可能会出现在某一尺度下不同的序列 其分形特性一致的情况，从而造成混淆。而多重分形，也称多尺度分形，用来从不同的尺度 去描述事物的局部分形特性，运种方法可W从更全面、普遍的角度描述时间序列的分形特 性。通常的多重分形方法存在一定的局限性，如分析的时间序列必须为平稳时间序列，否则 可能会得到错误的结果。相比而言，多重分形去趋势波动分析将去趋势波动分析和多重分 形相结合，可W有效减少干扰趋势，有利于挖掘非平稳时间序列内的多重分形特性。多重分 形去趋势波动分析具体包括：
[00创步骤1 :对于时间序列而，其长度为N。则'支集'Ya)定义为： 阳0创 化,')=Xk- {.、'}!，'.二 1 '... 'V (1) kP--l
[0044] = A-,. C 2 W45] 式（I)和似中，Xk为时间序列，<x>为序列均值，N为时间序列长度，Ya)为'支 集'。
[0046] 步骤2 :将序列Y(i)分为m个具有等长度S的不重叠子序列，其中m = int(N/s)。 通常N不是子序列长度S的整数倍。为了充分利用数据，将序列Y(i)从后向前重新排列后 仍然分为m个具有等长度S的不重叠子序列。运样，共得到2m个子序列。
[0047] 步骤3 :利用最小二乘算法对每个子序列的多项式趋势进行拟合，每个子序列的 方差用F2(S，V)表示：
[0048] 当 V = 1,…，m，
[0049]
<3：：>
[(K)加]当V = m+1,…，2m，
[0051]
C4)
[0052] 上式中，S为子序列长度，Y[(v-l)s+i]和Y[N-(v-m)s+i]分别表示顺序第V个 (1，2…，m)支集和逆序第V (m+1，m+2…，2m)个支集，y, a)是子序列V的拟合多项式，拟合 多项式反映了趋势去除的程度。
[0053] 步骤4 :q阶波动函数定义为：
[0054]I贫 阳0对式中，Fq(S)为波动函数，2m为总子序列数，q为阶数，F2(s，v)为子序列方差。[0056] 对于不同子序列长度S，重复步骤2-步骤4W得到Fq(S)对于q和S的函数。通 过对每个子序列进行m阶的多项式拟合，可W有效去除每个子序列中存在的趋势，从而有 利于辨识局部分形特征。 W57] 步骤5:为了确定波动函数的标度性，对每一个q分析log(Fq (S))和Iog(S)之间 的关系，波动函数的平均值Fq(S)和尺度S之间存在W下幕律关系：
[0058] Fq(S)~sH(。） (6)
[0059] 其中，S为序列长度，Fq(S)为q阶波动函数的平均值，H(q)就是广义化rst指数， 又称长相关系数，用于表征过去时间序列对现在和将来的时间序列的影响。
[0060] 对于作动器系统，过去处于的正常状态并不能保证当前仍处于正常状态。但由于 不可自我修复，作动器系统的故障状态会一直持续下去。基于运点，过去的正常状态和故障 状态的时间序列对现在和未来时间序列的影响是不同的，其化rst指数也不同，因此化rst 指数可W用于表征作动器系统的健康状态。对于具有多重分形特性的时间序列，广义化rst 指数依赖于尺度q，不同尺度q对应的广义化rst指数不同。由于大多数单重分形是在一些 极限环境下得到的，如计算机的反复迭代，而多重分形则广泛存在于自然界中，因此，多重 分形能够从更宽泛、更普遍的角度去描述副翼作动器系统残差信号的分形特性。
[006U 2.基于自组织映射（SOM)的作动器系统健康评估 阳06引 2. 1自组织映射（SOM)网络概述
[0063] 自组织映射网络具有无监督、自组织、自学习的特点。与其它网络不同，类似于大 脑神经的特征映射过程，自组织特征映射网络在学习数据特征的同时也在对数据的拓扑结 构进行学习。对于一个特定的输入，网络内的神经元会W区域为单位进行相互竞争，同时， 区域内部也会存在相互竞争，竞争实力的强弱取决于预定的判断函数，判别函数值最大的 神经元获胜。获胜的神经元的位置会决定神经元兴奋区域的空间位置，并会影响领域内的 神经元。离获胜神经元越远，运种影响会