【技术领域】
本发明属于火箭技术领域，具体涉及一种基于神经网络和证据理论的火箭发动机故障诊断方法。
背景技术：
随着航天科技的发展，高可靠性越来越成为航天发射任务的追求目标。在全箭众多的故障模式中，动力系统故障是运载火箭最经常发生的、也是造成后果最严重的故障源，轻则会使入轨精度降低，重则直接导致飞行任务的失败。对于火箭动力系统的故障检测是火箭故障诊断中非常重要的部分。因此利用火箭的传感器数据，同时研究利用具有创新性的方法和理论，对火箭发动机进行实时在线故障诊断具有重大的意义。
传统火箭自主检测系统主要在箭上传感器进行状态测量，然后判读传感器信息进行故障检测。然而在实际飞行过程中，故障形式多种多样，甚至有些故障是无法依靠传感器进行测量的。现有的许多针对火箭动力系统的故障诊断方法虽然能够实现一些故障模式的诊断，但存在很多无法消除的缺点，基于专家系统的诊断方法太依赖于先验知识且对于未发生过的故障类型不能识别，基于状态估计的诊断方法十分依赖对于火箭模型的精确建模且对于慢性故障无法识别。也有基于神经网络的诊断方法，但是都是将神经网络简单应用于故障模式分类，对于未知故障类型无法识别，并且依赖于大量实验数据进行训练；针对火箭动力系统的故障诊断不能实现任意时刻的故障诊断，无法估计发生故障后的故障特征参数。
技术实现要素：
本发明的目的是提供一种基于神经网络和证据理论的火箭发动机故障诊断方法，以解决现有针对火箭动力系统的故障诊断不能实现任意时刻的故障诊断，无法估计发生故障后的故障特征参数的问题。
本发明采用以下技术方案：基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，该方法的具体步骤为：
步骤a、获取故障数据样本：建立火箭六自由度下的运动模型和故障模型，得到故障模式下的来自火箭运动的数据，即为故障数据的样本；
步骤b、采用归一化算法对故障数据的样本进行处理，再对所述样本的数据分类标签化；将处理完之后的样本数据分为训练集和验证集两部分，训练集用于训练本发明的故障诊断模型，验证集用于测试建立的故障诊断模型的诊断效果；
步骤c、构建及训练bp神经网络故障诊断模型；
步骤d、构建及训练径向基神经网络故障诊断模型；
步骤e、构建证据理论融合诊断模型；
步骤f、实际故障诊断：将火箭视加速度和角加速度信息作为bp神经网络故障诊断模型和径向基神经网络故障诊断模型的输入，将这两个网络的输出作为证据理论融合诊断模型的输入，以证据理论融合诊断模型的输出作为火箭发动机故障模式的辨识结果；
步骤g、得到故障模式辨识结果后，利用滚动时域估计方法估计故障模式下的飞行状态特征参数。
进一步的，在所述步骤a中，火箭发动机的故障种类包括：火箭发动机推力损失任意百分比和伺服机构舵机卡死在任意角度。
进一步的，在所述步骤b中，对数据进行归一化，使样本数据都分布在[0，1]之间，对不同故障模式下的数据分类标签化，来自同一故障类型的标记为1，其他故障类型的标记为0。
进一步的，在所述步骤c中，bp神经网络的输入为三轴视加速度和三轴角加速度，输出为故障类型矩阵；步骤c的具体过程为：
c-1、初始化输入节点xj、隐节点yi、输出节点ol、阈值θ、输入节点与隐节点间的网络权值ωij、隐节点与输出节点间的网络权值tli以及输出节点的期望输出tl；
c-2、计算隐节点的输出，公式如下：
yi＝f(∑ωijxj-θi)；
c-3、计算输出节点的输出，公式如下：
c-4、计算误差函数，公式如下：
c-5、通过梯度下降法，更新网络权值和阈值，使误差函数沿着负梯度方向下降，
c-6、调整网络权值和阈值，直到误差满足要求或迭代次数达到最大值，将输出节点的输出结果归一化，选择输出结果最大的对应的故障类型作为故障诊断的结果。
进一步的，在所述步骤d中，径向基神经网络的输入为三轴视加速度和三轴角加速度，输出为故障类型矩阵；步骤d的具体过程为：
d-1、初始化径向基神经网络隐含层的聚类中心μk；
d-2、计算训练样本与聚类中心的距离，公式如下：
dk,j＝||xj-μk(t)||，
其中，xj为训练样本，μk(t)为第t次迭代时聚类中心；
d-3、按照最小距离的原则对样本进行分类，公式如下：
d-4、计算新的聚类中心，公式如下：
其中，k＝1,2,…,k，nk为第k类中的样本的个数，wk(t)为第k个聚类域；
d-5、判断新旧聚类中心的差值是否满足误差要求，若没有结束则转到d-2，否则聚类结束；
d-6、计算径向基神经网络隐含层神经元的扩展常数，公式如下：
σ＝κdk，
其中，κ为重叠系数，dk为第k个数据中心与其余k-1个数据中心距离的最小值；
d-7、计算隐节点的输出，公式如下：
yi＝f(∑ωijxj-θi)；
d-8、计算输出节点的输出，公式如下：
d-9、计算误差信号，公式如下：
d-10、通过梯度下降法调整网络权值，使误差函数沿着负梯度方向下降；
d-11、调整网络权值，直到误差满足要求或迭代次数达到最大值，将输出节点的输出结果归一化，选择输出结果最大的对应的故障类型作为故障诊断的结果。
进一步的，步骤e的具体过程为：
e-1、构建证据体，搭建识别框架；
e-2、分别计算基于bp神经网络诊断模型和基于径向基神经网络诊断模型的基本概率函数，公式如下：
m(θ)＝en，
其中c(ai)为bp神经网络诊断模型和径向基神经网络的诊断结果，m(θ)为证据体的不确定性表示，n为故障类型数，en为bp神经网络和径向基神经网络诊断结果与期望值的均方差；
e-3、计算组合后的基本概率赋值，公式如下：
其中a1,a2，…,ak和b1,b2，…,bk分别为bp神经网络诊断模型和径向基神经网络诊断模型基本概率赋值分配的基本元素，k为冲突因子，表达式如下：
进一步的，步骤g的具体过程为：
g-1、线性化火箭运动模型，求解状态转移矩阵和观测函数雅可比矩阵；
g-2、初始化系统噪声协方差矩阵、量测噪声协方差矩阵、状态估计协方差矩阵、初始状态估计和滚动时域窗口n；
g-3、当前仿真时刻k≤n时，利用扩展卡尔曼滤波方法进行状态估计；
g-4、当前仿真时刻k＞n时，优化目标函数得到唯一解；
g-5、计算当前时刻状态估计值；
g-6、计算下一时刻状态初始值和状态估计协方差矩阵；
g-7、根据下一时刻的量测信息，返回步骤g-4进行下一时刻状态估计。
本发明的有益效果是：本发明首先利用证据理论融合诊断模型融合各个不同神经网络诊断模型的诊断结果，完成火箭发动机故障模式的辨识，之后利用滚动时域估计算法实现故障特征参数的在线辨识。与常规的故障诊断方法相比，本发明可以结合多个神经网络诊断模型，融合各个故障诊断模型的诊断结果，避免单个故障诊断模型的误诊，并且本发明可以通过滚动时域估计算法，完成故障下火箭发动机特征参数的估计。
【附图说明】
图1是本发明的整体流程图；
图2是bp神经网络模型结构图；
图3是径向基神经网络模型结构图；
图4是证据理论融合诊断模型；
图5是bp神经网络离线训练流程；
图6是k-means聚类算法流程；
图7是径向基神经网络离线训练流程；
图8是滚动时域估计算法流程；
图9基于滚动时域估计的飞行状态特征参数的估计；
其中，图9a是火箭发射坐标系下x轴加速度的估计结果，图9b是火箭发射坐标系下y轴加速度的估计结果，图9c是火箭发射坐标系下z轴加速度的估计结果，图9d是火箭发射坐标系下y轴角速度的估计结果，图9e是火箭发射坐标系下x轴角速度的估计结果，图9f是火箭发射坐标系下z轴角速度的估计结果，图9g是火箭发射总推力的估计结果，图9h是火箭剩余总冲的估计结果。
【具体实施方式】
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于神经网络和证据理论的火箭发动机故障诊断方法，首先建立火箭发动机不同故障下的故障模型，得到各个故障类型下的数据信息，之后通过归一化传感器采集的运载火箭视加速度和角速度信息作为神经网络的输入，将不同故障模式标签化并对神经网络进行训练，建立用于运载火箭发动机故障诊断的神经网络模型，接着通过d-s证据理论融合bp神经网络和径向基神经网络的诊断结果，判断最终的故障模式，在确定故障模式的情况下利用滚动时域估计方法，估计运载火箭发动机故障模式下的飞行状态特征参数。
本发明通过结合神经网络和证据理论，构建基于bp神经网络、径向基神经网络和证据融合理论的火箭发动机故障诊断模型，能够实现火箭发动机故障模式诊断；通过滚动时域估计方法，可以在线完成火箭故障下的飞行状态特征参数估计。
本发明提供了一种基于神经网络和证据理论的火箭发动机故障诊断方法，该方法的具体步骤为：
a、获取故障数据样本：考虑火箭发动机可能出现的故障类型，建立火箭六自由度下的运动模型和故障模型，得到故障模式下的来自火箭运动数据，将来自不同故障模式下的数据分类整理；火箭发动机可能出现的故障种类包括芯一级四个发动机各自推力损失20％、25％、40％、100％和伺服机构舵机卡死。
b、采用归一化算法对故障数据样本进行处理，使样本数据都分布在[0，1]之间；对来自不同故障模式下的数据分类标签化，来自同一故障类型的标记为1，其他故障类型的标记为0；将处理完之后的样本数据分为训练集和验证集两部分，训练集用于训练发明的故障诊断模型，验证集用于测试建立的故障诊断模型的诊断效果。
c、构建及训练bp神经网络故障诊断模型：
bp神经网络的输入为三轴视加速度和三轴角加速度，输出为故障类型矩阵，具体构建及训练过程为：
c-1、初始化输入节点xj、隐节点yi、输出节点ol、阈值θ、输入节点与隐节点间的网络权值ωij、隐节点与输出节点间的网络权值tli以及输出节点的期望输出tl；
c-2、计算隐节点的输出，公式如下：
yi＝f(∑ωijxj-θi)；
c-3、计算输出节点的输出，公式如下：
c-4、计算误差函数，公式如下：
c-5、通过梯度下降法，更新网络权值和阈值，使误差函数沿着负梯度方向下降，
c-6、调整网络权值和阈值，直到误差满足要求或迭代次数达到最大值，将输出节点的输出结果归一化，选择输出结果最大的对应的故障类型作为故障诊断的结果。
d、构建及训练径向基神经网络故障诊断模型：
径向基神经网络的输入为三轴视加速度和三轴角加速度，输出为故障类型矩阵，具体构建及训练过程为：
d-1、初始化径向基神经网络隐含层的聚类中心μk；
d-2、计算训练样本与聚类中心的距离，公式如下：
dk,j＝||xj-μk(t)||，
其中，xj为训练样本，μk(t)为第t次迭代时聚类中心；
d-3、按照最小距离的原则对样本进行分类，公式如下：
d-4、计算新的聚类中心，公式如下：
其中，k＝1,2,…,k，nk为第k类中的样本的个数，wk(t)为第k个聚类域；
d-5、判断新旧聚类中心的差值是否满足误差要求，若没有结束则转到d-2，否则聚类结束；
d-6、计算径向基神经网络隐含层神经元的扩展常数，公式如下：
σ＝κdk，
其中，κ为重叠系数，dk为第k个数据中心与其余k-1个数据中心距离的最小值；
d-7、计算隐节点的输出，公式如下：
yi＝f(∑ωijxj-θi)；
d-8、计算输出节点的输出，公式如下：
d-9、计算误差信号，公式如下：
d-10、通过梯度下降法调整网络权值，使误差函数沿着负梯度方向下降；
d-11、调整网络权值，直到误差满足要求或迭代次数达到最大值，将输出节点的输出结果归一化，选择输出结果最大的对应的故障类型作为故障诊断的结果。
e、构建证据理论融合诊断模型：
e-1、构建证据体，搭建识别框架；
e-2、分别计算基于bp神经网络诊断模型和基于径向基神经网络诊断模型的基本概率函数，公式如下：
m(θ)＝en，
其中c(ai)为bp神经网络诊断模型和径向基神经网络的诊断结果，m(θ)为证据体的不确定性表示，n为故障类型数，en为bp神经网络和径向基神经网络诊断结果与期望值的均方差；
e-3、计算组合后的基本概率赋值，公式如下：
其中a1,a2，…,ak和b1,b2，…,bk分别为bp神经网络诊断模型和径向基神经网络诊断模型基本概率赋值分配的基本元素，k为冲突因子，表达式如下：
f、实际故障诊断：将火箭视加速度和角加速度信息作为bp神经网络故障诊断模型和径向基神经网络故障诊断模型的输入，将这两个网络的输出作为证据理论融合诊断模型的输入，以证据理论融合诊断模型的输出作为火箭发动机故障模式的辨识结果；
g、得到故障模式辨识结果后，利用滚动时域估计方法估计故障模式下的飞行状态特征参数。
g-1、线性化火箭运动模型，求解状态转移矩阵和观测函数雅可比矩阵；
g-2、初始化系统噪声协方差矩阵、量测噪声协方差矩阵、状态估计协方差矩阵、初始状态估计和滚动时域窗口n；
g-3、当前仿真时刻k≤n时，利用扩展卡尔曼滤波方法进行状态估计；
g-4、当前仿真时刻k＞n时，优化目标函数得到唯一解；
g-5、计算当前时刻状态估计值；
g-6、计算下一时刻状态初始值和状态估计协方差矩阵；
g-7、根据下一时刻的量测信息，返回步骤g-4进行下一时刻状态估计。
实施例
提供一种基于神经网络和证据理论的火箭发动机故障诊断模型，如图1所示，具体步骤为：
a、获取故障数据样本：考虑火箭发动机可能出现的故障类型，本实施方式考虑芯一级四个发动机各自推力损失20％、25％、40％、100％和伺服机构舵机卡死总计20种故障模式，分别建立20种故障模型和故障模式下火箭六自由度运动模型，得到所有故障模式下的视加速度和角加速度数据信息，将来自不同故障模式下的故障数据分类整理；
b、采用归一化算法对故障数据样本进行处理：将同一状态量的数据利用归一化算法处理，使样本数据都分布在[0，1]之间，对来自不同故障模式下的数据建立故障类型矩阵，来自同一故障类型的标记为1，其他故障类型的标记为0，共得到8000组数据，将处理完之后的样本数据分为训练集和验证集两部分，6000组数据作为训练集用于训练发明的故障诊断模型，2000组数据作为验证集用于测试建立的故障诊断模型的诊断效果；
c、构建及训练bp神经网络故障诊断模型，具体步骤为：。
c-1、bp神经网络的模型结构如图2所示，输入数据为火箭三轴视加速度和三轴角加速度，输出为20种故障类型矩阵，如表1所示，隐节点个数为128，初始化输入节点xj、隐节点yi、输出节点ol、阈值θ、输入节点与隐节点间的网络权值ωij、隐节点与输出节点间的网络权值tli以及输出节点的期望输出tl。
表1故障类型矩阵
c-2、计算隐节点的输出，公式如下：
yi＝f(∑ωijxj-θi),
其中传递函数的表达式如下：
f(x)＝1/(1 e-x)；
c-3、计算输出节点的输出，公式如下：
c-4、计算误差函数，公式如下：
c-5、通过梯度下降法，更新网络权值和阈值，使误差函数沿着负梯度方向下降，权值和阈值的更新公式如下：
tli(k 1)＝tli(k) η(tl-ol)ol(1-ol)yi，
θl(k 1)＝θl(k) η(tl-ol)ol(1-ol)，
c-6、调整网络权值和阈值，直到误差满足要求或迭代次数达到最大值，最大迭代次数为10000，将输出节点的输出结果归一化，选择输出结果最大的对应的故障类型作为故障诊断的结果，以上步骤流程如图5所示，利用训练好的bp神经网络故障诊断模型对2000组验证数据集进行检验，诊断正确率为99.1％；
d、构建及训练径向基神经网络故障诊断模型，具体步骤为：
d-1、初始化径向基神经网络隐含层的聚类中心，径向基神经网络的模型结构如图3所示；
d-2、计算训练样本与聚类中心的距离，公式如下：
dk,j＝||xj-μk(t)||，
其中，xj为训练样本，μk(t)为第t次迭代时聚类中心；
d-3、按照最小距离的原则对样本进行分类，公式如下：
d-4、计算新的聚类中心，公式如下：
其中，k＝1,2,…,k，nk为第k类中的样本的个数，wk(t)为第k个聚类域；
d-5、判断新旧聚类中心的差值是否满足误差要求，若没有结束则转到d-2，否则聚类结束；
d-6、计算径向基神经网络隐含层神经元的扩展常数，公式如下：
σ＝κdk，
其中，κ为重叠系数，dk为第k个数据中心与其余k-1个数据中心距离的最小值；
d-7、计算隐节点的输出，公式如下：
yi＝f(∑ωijxj-θi)；
d-8、计算输出节点的输出，公式如下：
d-9、计算误差信号，公式如下：
d-10、通过梯度下降法调整网络权值，使误差函数沿着负梯度方向下降，权值更新公式如下：
其中，φi(xi)为第k个隐节点对xj的输出，η为学习率；
d-11、调整网络权值，直到误差满足要求或迭代次数达到最大值，最大迭代次数为10000，将输出节点的输出结果归一化之后选择最大的对应的故障类型作为故障诊断的结果，以上步骤流程如图7所示，利用训练好的径向基神经网络故障诊断模型对2000组验证数据集进行检验，诊断正确率为99.2％；
e、构建证据理论融合诊断模型，基于神经网络和证据理论的融合诊断模型如图4所示，具体步骤为：
e-1、构建证据体，搭建识别框架；
e-2、分别计算基于bp神经网络诊断模型和基于径向基神经网络诊断模型的基本概率函数，公式如下：
m(θ)＝en，
其中c(ai)为bp神经网络诊断模型和径向基神经网络的诊断结果，m(θ)为证据体的不确定性表示，n为故障类型数，en为bp神经网络和径向基神经网络诊断结果与期望值的均方差；
e-3、计算组合后的基本概率赋值，公式如下：
其中a1,a2，…,ak和b1,b2，…,bk分别为bp神经网络诊断模型和径向基神经网络诊断模型基本概率赋值分配的基本元素，k为冲突因子，表达式如下：
将证据理论融合诊断的输出中概率计算最大的作为故障模式诊断的结果，利用证据理论融合诊断模型对2000组验证数据集进行检验，诊断正确率为99.4％；
f、实际故障诊断：将火箭视加速度和角加速度信息作为bp神经网络故障诊断模型和径向基神经网络故障诊断模型的输入，将这两个网络的输出作为证据理论融合诊断模型的输入，以证据理论融合诊断模型的输出作为火箭发动机故障模式的辨识结果；
g、得到故障模式辨识结果后，利用滚动时域估计方法估计故障模式下的飞行状态特征参数，具体步骤为：
g-1、线性化火箭运动模型，求解状态转移矩阵a和观测函数雅可比矩阵
g-2、初始化系统噪声协方差矩阵q、量测噪声协方差矩阵r、状态估计协方差矩阵p、初始状态估计
g-3、当前仿真时刻k≤n时，利用扩展卡尔曼滤波方法进行状态估计；
g-4、当前仿真时刻k＞n时，优化目标函数，目标函数表达式如下：
得到唯一解
g-5、计算当前时刻状态估计值，公式如下：
g-6、计算下一时刻状态初始值和状态估计协方差矩阵，公式如下：
其中，h(xk,k)为非线性的观测函数，g为输入矩阵；
g-7、根据下一时刻的量测信息，返回步骤g-4进行下一时刻状态估计；
以上步骤的流程如图8所示，通过滚动时域估计算法对火箭飞行状态特征参数的估计如图9所示；图9a是火箭发射坐标系下x轴加速度估计结果，图9b是火箭发射坐标系下y轴加速度估计结果，图9c是火箭发射坐标系下z轴加速度估计结果，图9d是火箭发射坐标系下y轴角速度估计结果，图9e是火箭发射坐标系下x轴角速度估计结果，图9f是火箭发射坐标系下z轴角速度估计结果，图9g是火箭发射总推力估计结果，图9h是火箭剩余总冲估计结果。
可见，本发明提出的基于神经网络和证据理论的火箭发动机故障诊断方法，可以根据已有的数据集训练神经网络，优化网络参数，得到火箭发动机故障的诊断模型，再利用证据理论融合神经网络的结果，通过上面的具体实施案例可以看出，对于相同的2000组测试数据集，单独使用bp神经网络故障诊断模型的准确率为99.1％，单独使用径向基神经网络故障诊断模型的准确率为99.2％，然而使用证据融合理论故障诊断模型的准确率为99.4％，因此本发明提出的基于神经网络和证据理论的故障诊断模型可以提高诊断准确率，最后通过滚动时域估计方法，在线估计故障模式下的火箭飞行状态特征参数。
尽管对本发明的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
1.基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，该方法的具体步骤为：
步骤a、获取故障数据样本：建立火箭六自由度下的运动模型和故障模型，得到故障模式下的来自火箭运动的数据，即为故障数据的样本；
步骤b、采用归一化算法对故障数据的样本进行处理，再对所述样本的数据分类标签化；将处理完之后的样本数据分为训练集和验证集两部分，训练集用于训练本发明的故障诊断模型，验证集用于测试建立的故障诊断模型的诊断效果；
步骤c、构建及训练bp神经网络故障诊断模型；
步骤d、构建及训练径向基神经网络故障诊断模型；
步骤e、构建证据理论融合诊断模型；
步骤f、实际故障诊断：将火箭视加速度和角加速度信息作为bp神经网络故障诊断模型和径向基神经网络故障诊断模型的输入，将这两个网络的输出作为证据理论融合诊断模型的输入，以证据理论融合诊断模型的输出作为火箭发动机故障模式的辨识结果；
步骤g、得到故障模式辨识结果后，利用滚动时域估计方法估计故障模式下的飞行状态特征参数。
2.根据权利要求1所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤a中，火箭发动机的故障种类包括：火箭发动机推力损失任意百分比和伺服机构舵机卡死在任意角度。
3.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤b中，对数据进行归一化，使样本数据都分布在[0，1]之间，对不同故障模式下的数据分类标签化，来自同一故障类型的标记为1，其他故障类型的标记为0。
4.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤c中，bp神经网络的输入为三轴视加速度和三轴角加速度，输出为故障类型矩阵；步骤c的具体过程为：
c-1、初始化输入节点xj、隐节点yi、输出节点ol、阈值θ、输入节点与隐节点间的网络权值ωij、隐节点与输出节点间的网络权值tli以及输出节点的期望输出tl；
c-2、计算隐节点的输出，公式如下：
yi＝f(∑ωijxj-θi)；
c-3、计算输出节点的输出，公式如下：
c-4、计算误差函数，公式如下：
c-5、通过梯度下降法，更新网络权值和阈值，使误差函数沿着负梯度方向下降，
c-6、调整网络权值和阈值，直到误差满足要求或迭代次数达到最大值，将输出节点的输出结果归一化，选择输出结果最大的对应的故障类型作为故障诊断的结果。
5.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，在所述步骤d中，径向基神经网络的输入为三轴视加速度和三轴角加速度，输出为故障类型矩阵；步骤d的具体过程为：
d-1、初始化径向基神经网络隐含层的聚类中心μk；
d-2、计算训练样本与聚类中心的距离，公式如下：
dk,j＝||xj-μk(t)||，
其中，xj为训练样本，μk(t)为第t次迭代时聚类中心；
d-3、按照最小距离的原则对样本进行分类，公式如下：
d-4、计算新的聚类中心，公式如下：
其中，k＝1,2,…,k，nk为第k类中的样本的个数，wk(t)为第k个聚类域；
d-5、判断新旧聚类中心的差值是否满足误差要求，若没有结束则转到d-2，否则聚类结束；
d-6、计算径向基神经网络隐含层神经元的扩展常数，公式如下：
σ＝κdk，
其中，κ为重叠系数，dk为第k个数据中心与其余k-1个数据中心距离的最小值；
d-7、计算隐节点的输出，公式如下：
yi＝f(∑ωijxj-θi)；
d-8、计算输出节点的输出，公式如下：
d-9、计算误差信号，公式如下：
d-10、通过梯度下降法调整网络权值，使误差函数沿着负梯度方向下降；
d-11、调整网络权值，直到误差满足要求或迭代次数达到最大值，将输出节点的输出结果归一化，选择输出结果最大的对应的故障类型作为故障诊断的结果。
6.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，所述步骤e的具体过程为：
e-1、构建证据体，搭建识别框架；
e-2、分别计算基于bp神经网络诊断模型和基于径向基神经网络诊断模型的基本概率函数，公式如下：
m(θ)＝en，
其中c(ai)为bp神经网络诊断模型和径向基神经网络的诊断结果，m(θ)为证据体的不确定性表示，n为故障类型数，en为bp神经网络和径向基神经网络诊断结果与期望值的均方差；
e-3、计算组合后的基本概率赋值，公式如下：
其中a1,a2，…,ak和b1,b2，…,bk分别为bp神经网络诊断模型和径向基神经网络诊断模型基本概率赋值分配的基本元素，k为冲突因子，表达式如下：
7.根据权利要求1或2所述的基于神经网络和证据理论的火箭发动机故障诊断方法，其特征在于，所述步骤g的具体过程为：
g-1、线性化火箭运动模型，求解状态转移矩阵和观测函数雅可比矩阵；
g-2、初始化系统噪声协方差矩阵、量测噪声协方差矩阵、状态估计协方差矩阵、初始状态估计和滚动时域窗口n；
g-3、当前仿真时刻k≤n时，利用扩展卡尔曼滤波方法进行状态估计；
g-4、当前仿真时刻k＞n时，优化目标函数得到唯一解；
g-5、计算当前时刻状态估计值；
g-6、计算下一时刻状态初始值和状态估计协方差矩阵；
g-7、根据下一时刻的量测信息，返回步骤g-4进行下一时刻状态估计。
技术总结