(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 202110994695.X (22)申请日 2021.08.27 (71)申请人 中国航空工业 集团公司上海航空测 控技术研究所 地址 201601 上海市松江区泗泾镇 三祥路 188号 (72)发明人 刘莹　曹亮　杨乐　李胜男　 邵辰彤　后麒麟　徐智　郭培培　 单添敏　王景霖　沈勇　 (74)专利代理 机构 上海和跃知识产权代理事务 所(普通合伙) 31239 代理人 杨慧 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/15(2020.01)G06F 119/04(2020.01) (54)发明名称 一种数字化全自动 的飞机蓄电池寿命预测 方法 (57)摘要 本发明公开了一种数字化全自动 的飞机蓄 电池寿命预测方法， 以作为飞机机载应急备用电 源的蓄电池为对象， 针对其在飞行过程中易发生 故障且故障现象复杂的问题， 分别基于标准BP神 经网络、 遗传算法优化的BP神经网络、 支持向量 回归机进行寿命预测， 并基于L ‑M算法对以上三 种预测模型的预测结果进行融合， 从而实现对飞 机蓄电池的寿 命预测。 权利要求书2页 说明书5页 附图4页 CN 114004134 A 2022.02.01 CN 114004134 A 1.一种数字化全自动的飞机蓄电池寿命预测方法， 其特 征在于包 含以下步骤： 步骤一： 选取飞机蓄电池的性能参数； 步骤二： 将飞机蓄电池的性能参数分别输入标准BP神经网络模型、 基于遗传算法优化 的BP神经网络模型和支持向量回归机模型， 得到BP神经网络寿命预测数据、 遗传算法寿命 预测数据和支持向量回归机寿命预测数据； 步骤三： 以BP神经网络寿命预测数据、 遗传算法寿命预测数据和支持向量回归机寿命 预测数据的均方差函数构造L ‑M算法的目标函数， 当目标函数取得最小值时， L ‑M算法输出 最优的预测结果。 2.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法， 其特征在于 选取端电压和蓄电池剩余 容量作为蓄电池寿命预测的性能参数。 3.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法， 其特征在于 标准BP神经网络模型通过以下 方式训练； 步骤S211、 设置BP神经网络的权值阈值的初始值， 输入层神经元数量为8， 输出层神经 元数量为4， 隐含层神经元数量为17， 激活函数选取Sigmoid， 学习率可变的动量BP算法 traindx作为训练函数， 训练目标为0.0 001， 学习速率 为0.01， 训练步数为3 000； 步骤S212、 输入训练样本后开始训练； 步骤S213、 计算隐含层输出、 输出层实际输出以及训练误差； 步骤S214、 进行权值阈值的更新； 步骤S215、 反复循环S213和S214的操作， 直至目标函数达 到要求， 最终完成训练。 4.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法， 其特征在于 基于遗传算法优化的BP神经网络模型通过以下 方式训练： 步骤S221、 进行种群初始化， 设置染色体长度； 步骤S222、 选取适应度函数为排序的适应度函数， 将预测样本的预测值与期望值的误 差矩阵的范 数作为目标函数的输出； 步骤S223、 采用随机遍历抽样的方法进行选择操作， 交叉算子采用单点交叉算子， 随机 方法选出发生变异的基因； 步骤S224、 重 复S222和S223， 直至达到进化代数或者满足误差要求， 此时经过优化过的 权值和阈值作为BP神经网络的初始权值和 阈值， 在此基础上进行标准的BP神经网络的训 练。 5.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法， 其特征在于 支持向量回归机模型通过以下 方式训练： 步骤S231、 对初始数据进行归一化处理， 将数据缩放到[0,1]之间， 选择SVM类型为e ‑ SVR,核函数为RBF径向核函数， 设置e ‑SVR中损失函数p的值 为0.01； 步骤S232、 寻找SVM模型的错 误惩罚因子 C和核函数中的参数g的一组最佳参数(C， g)； 步骤S233、 将最佳参数(C， g)代入到SVM算法中并对训练样本进行训练获取支 持向量回 归机模型。 6.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法， 其特征在于 L‑M算法中： 以BP神经网络寿命预测数据、 遗传算法寿命预测数据和支持向量 回归机寿命预测数据权　利　要　求　书 1/2 页 2 CN 114004134 A 2作为输入样 本， H为L‑M对BP神经网络的学习过程改进后其第二层 对应的输出结论， Y为整个 L‑M网络的输出， T为期望 输出； L‑M算法的权值Δw 修正公式为： Δw＝(JTJ+ μx)‑1jTe 式中， x代表输入层， μ为非负数， J为单位矩阵, 为L‑M的多模型组合优化模型的输入 层与隐含层网络之间的连接节点权值， 为隐含层与整个模型输出节点之间的连接权值, Δwh为输入层与L ‑M网络隐含层的权 值调整,Δ wo为隐含层与输出层之间连接节点的权值调 整, 为前一次训练时输入层与L ‑M网络隐含层的权值、 为前一次训练时隐含层与输 出层之间连接节点的权值； 则基于L ‑M多模型组合优化的预测模型中隐含层的输入与输出 公式以及输出层的输入、 输出公式分别如下： HRj＝∑whxi‑θh HCj＝f(HRj) Ys＝∑woHCj‑θo YCs＝f(Ys) 式中， xi是输入层的输入样本， wh为L‑M网络隐含层各节点的权值， θh为L‑M网络隐含层 各节点的阈值， HRj为隐含层单元输出结果， HCj为代入作用函数后得到的隐含层输出结果， θo为网络输出层各连接节点的阂值， wo为网络输出层各连接节 点的权值， Ys为输出层未代入 作用函数前的输出结果， YCs为输出层代入作用函数后的输出结果； i＝1,2, …,a， j＝1, 2,…,g， s＝1,2, …,l； a为输入层的节点数量， g为隐含层的节点数量， l为输出层的节点数 量。权　利　要　求　书 2/2 页 3 CN 114004134 A 3