本发明涉及一种基于深度学习的存储器在轨故障预测与健康管理方法,属于航天航空技术与故障预测领域。
背景技术:
1、现代航天产品设备中存储器普遍使用,实时掌握系统的健康状态信息和预知故障发生时间就显得非常重要和迫切。在轨预测系统故障、对于系统健康态进行预评估、开展视情维修,将会显著降低系统的维修和保障费用,增强系统安全性能,提高完成任务的能力。目前对存储器在轨故障预测的研究相对较少,存储器在轨健康监测和故障诊断涉及到对大量遥测数据进行全天候的极限检查和趋势分析,传统的数据预测理论分析其适应性并基于历史故障数据提出了在轨存储器故障预警系统,但通过单一的历史故障数据来判断实时故障很容易造成误判,这种诊断做法不能很好地适用于未来的多平台空间任务。
技术实现思路
1、本发明要解决的技术问题是:克服现有技术的不足,解决了存储器在轨故障预测与健康管理问题。
2、本发明目的通过以下技术方案予以实现:
3、一种基于深度学习的存储器在轨故障预测与健康管理方法,包括:
4、模拟产生待测试存储器的故障模式数据集;
5、使用pynq处理器通过数据总线对待测试存储器进行读写操作,待测试存储器中的数据作为神经网络的输入激励;
6、根据svm和1d cnn算法,构建故障预测模型;
7、获得待测试存储器中的数据经过编码后送入模型训练服务器中,完成svm模型、1dcnn模型和1d cnn-svm混合模型的训练;
8、训练服务器将收敛后的网络参数送回pynq处理器,pynq处理器将网络参数加载在python环境下的深度神经网络中;
9、当待测试存储器发生异常时,pynq处理器采集数据集,利用深度神经网络预测出存储器的故障模式;
10、根据故障模式的演化对待测试存储器的健康状态做出预评估。
11、优选的,利用gpu&fpga加速集群作为训练服务器,完成离线训练任务。
12、优选的,svm模型训练步骤如下:
13、a)选择核函数;
14、b)寻求模型中的最优惩罚因子、核函数参数;
15、c)模型训练,得最优svm模型。
16、优选的,1d cnn模型的训练步骤如下:
17、a)将存储器中的数据按照预定比例进行划分为两部分,一部分用作训练集,另一部分用作测试集;
18、b)构建1d cnn模型的网络结构,设置各层的数量、所用卷积核的大小、池化层的降幅等参数;
19、c)设置模型中的参数,包括初始学习率、卷积神经网路中各网络层的权重;
20、d)调整1d cnn模型中的参数,以拟合故障预测模型。
21、优选的,1d cnn-svm模型的训练步骤如下:
22、a)使用1d cnn对训练集进行训练,提取训练集的特征;
23、b)将1d cnn提取到的特征传入svm回归模型,进行训练,最终得到故障预测结果值。
24、优选的,采用存储器在轨故障预测与健康管理方法,对存储器系统在轨健康状态进行评估,在存储器系统故障发生前对故障进行预测,发出预警信息。
25、一种基于深度学习的存储器在轨故障预测与健康管理系统,包括:
26、数据集模块,用于模拟产生待测试存储器的故障模式数据集;
27、读写控制模块,用于控制处理模块通过数据总线对待测试存储器进行读写操作,待测试存储器中的数据作为神经网络的输入激励;
28、建模模块,用于根据svm和1d cnn算法,构建故障预测模型;
29、训练模块,用于获得待测试存储器中的数据经过编码后送入模型训练服务器中,完成svm模型、1d cnn模型和1d cnn-svm混合模型的训练;
30、训练服务器,用于将收敛后的网络参数送回处理模块,处理模块将网络参数加载在python环境下的深度神经网络中;
31、处理模块,当待测试存储器发生异常时,处理模块采集数据集,利用深度神经网络预测出存储器的故障模式;
32、评估模块,用于根据故障模式的演化对待测试存储器的健康状态做出预评估。
33、优选的,svm模型训练步骤如下:
34、a)选择核函数;
35、b)寻求模型中的最优惩罚因子、核函数参数;
36、c)模型训练,得最优svm模型。
37、优选的,1d cnn模型的训练步骤如下:
38、a)将存储器中的数据按照预定比例进行划分为两部分,一部分用作训练集,另一部分用作测试集;
39、b)构建1d cnn模型的网络结构,设置各层的数量、所用卷积核的大小、池化层的降幅等参数;
40、c)设置模型中的参数,包括初始学习率、卷积神经网路中各网络层的权重;
41、d)调整1d cnn模型中的参数,以拟合故障预测模型。
42、优选的,1d cnn-svm模型的训练步骤如下:
43、a)使用1d cnn对训练集进行训练,提取训练集的特征;
44、b)将1d cnn提取到的特征传入svm回归模型,进行训练,最终得到故障预测结果值。
45、本发明相比于现有技术具有如下有益效果:
46、(1)本发明对存储器系统在轨健康状态进行评估,在系统故障发生前就对其故障进行预测,发出预警信息,然后结合其他各种可利用的资源信息做出系列的维修保障计划以实现系统的视情维修,对航天器中的存储器在轨故障预测与健康管理研究具有重大现实意义,同时可推广应用于其他器件的在轨故障预测。
47、(2)本发明模拟产生不同类型待测试存储器的各种故障模式数据,增大存储器故障数据集,加大神经网络模型训练强度,从而提高了神经网络预测精度。
48、(3)本发明构建svm、1d cnn、1d cnn-svm预测模型,优化数据集分配比例,不断训练获得最优参数,从而获得高精度神经网络预测模型。
49、(4)本发明提供了离线神经网络预测模型,即将训练完成的神经网络参数加载在python环境下的深度神经网络中,从而支持存储器在轨故障预测。
50、(5)本发明监测存储器健康状态,即根据神经网络故障预测模型预测结果对存储器健康状态进行评估,提高了航天器在轨运行稳定性。
1.一种基于深度学习的存储器在轨故障预测与健康管理方法,其特征在于,包括:
2.根据权利要求1所述的存储器在轨故障预测与健康管理方法,其特征在于,利用gpu&fpga加速集群作为训练服务器,完成离线训练任务。
3.根据权利要求1所述的存储器在轨故障预测与健康管理方法,其特征在于,svm模型训练步骤如下:
4.根据权利要求1所述的存储器在轨故障预测与健康管理方法,其特征在于,1d cnn模型的训练步骤如下:
5.根据权利要求1所述的存储器在轨故障预测与健康管理方法,其特征在于,1d cnn-svm模型的训练步骤如下:
6.根据权利要求1所述的存储器在轨故障预测与健康管理方法,其特征在于,采用存储器在轨故障预测与健康管理方法,对存储器系统在轨健康状态进行评估,在存储器系统故障发生前对故障进行预测,发出预警信息。
7.一种基于深度学习的存储器在轨故障预测与健康管理系统,其特征在于,包括:
8.根据权利要求7所述的存储器在轨故障预测与健康管理系统,其特征在于,svm模型训练步骤如下:
9.根据权利要求7所述的存储器在轨故障预测与健康管理系统,其特征在于,1d cnn模型的训练步骤如下:
10.根据权利要求7所述的存储器在轨故障预测与健康管理系统,其特征在于,1d cnn-svm模型的训练步骤如下: