(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111307993.3 (22)申请日 2021.11.05 (65)同一申请的已公布的文献号 申请公布号 CN 114169396 A (43)申请公布日 2022.03.11 (73)专利权人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 刘磊　刘永雄　王博　成忠涛　 樊慧津　王永骥　 (74)专利代理 机构 华中科技大 学专利中心 42201 专利代理师 祝丹晴 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G06N 3/08(2006.01)(56)对比文件 US 20201 10181 A1,2020.04.09 CN 112396088 A,2021.02.23 CN 113255078 A,2021.08.13 CN 112200244 A,2021.01.08 CN 113505477 A,2021.10.15 US 20210 55719 A1,2021.02.25 Anders Boesen L indbo Larsen et al..Autoencodi ng beyond pixels usi ng a learned simi larity metric. 《arXiv: 1512.093 00v2》 .2016, 吴星原.基 于深度学习的草图分割算法研 究. 《中国优秀硕士学位 论文全文数据库 信息科 技辑》 .2019,正文第4.3.3节. Ilya Tolstikhin et al. .MLP-Mixer: An all-MLP Architecture for Visi on. 《arXiv: 2105.01601v4》 .2021, 审查员 谢晶 (54)发明名称 用于飞行器故障诊断的训练数据生成模型 构建方法及应用 (57)摘要 本发明公开了一种用于飞行器故障诊断的 训练数据生成模 型构建方法及应用， 属于飞行器 故障诊断技术领域， 包括S1、 搭建包括生成器和 判别器的训练数据生成模型； S2、 将预采集到的 飞行器样本数据集输入至训练数据生成模型中 进行训练， 使生成器与判别器之间相互博弈， 直 至达到纳什均衡； 本发明中的生成器为基于VAE 模型的生 成器， 通过对数据分布进行最大似然估 计， 实现对输入数据的重构， 生成出与原数据相 似的数据， 同时通过判别器判别生成数据是的真 实性， 从而增加数据的可信度和真实性； 采用本 发明所提供的训练数据生 成模型， 能够实现真实 准确的样 本生成， 从而实现在保证故障诊断准确 性的条件下， 解决数据缺乏和类别不平衡的技术 问题。 权利要求书2页 说明书8页 附图5页 CN 114169396 B 2022.09.20 CN 114169396 B 1.一种用于飞行器故障诊断的训练数据生成模型构建方法， 其特征在于， 包括以下步 骤： S1、 搭建训练数据生成模型； 所述训练数据生成模型包括： 生成器和判别器； 其中， 所述生成器为基于VAE模型的生 成器， 用于对输入的飞行器样本数据依次进行编码、 解码操作， 以对其进行重建， 得到与所 述飞行器样本数据相似的伪数据； 所述判别器用于判别输入的数据是否为真实的飞行器数 据； S2、 将预采集到的飞行器样本数据集输入至所述训练数据生成模型中进行训练， 使所 述生成器与所述判别器之间相互博弈， 直至达到纳什均衡； 所述飞行器样本数据集包括飞 行器故障样本数据； 所述生成器包括： 级联的第一MLP ‑Mixer、 VAE模型和第二MLP ‑Mixer； 所述第一MLP ‑Mixer用于对输入 的飞行器样本数据的维度进行扩充， 并整合扩充后的 飞行器样本数据不同通道的特 征， 从而将所述飞行器样本数据映射 为深度数据特 征； 所述VAE模型用于通过编码器对所述深度 数据特征进行编码得到其所对应的均值和方 差后， 在所得均值和方差所对应的正态分布中进 行重采样， 得到隐变量， 并通过解码 器对隐 变量进行重构， 得到与所述深度数据特 征相似的伪数据特 征； 所述第二MLP ‑Mixer用于将所述伪数据特征按照不同通道进行映射， 从而将所述伪数 据特征反映射 为与所述飞行器样本数据相似的伪数据。 2.根据权利要求1所述的训练数据生成模型构建方法， 其特 征在于， 所述 步骤S2包括： S21、 分别 对所述飞行器样本数据集中的各样本数据， 通过所述生成器生成样本数据所 对应的伪数据后， 将样本数据和对应的伪数据分别输入到所述判别器中， 得到样本数据及 对应的伪数据分别被判别为飞行器真实数据的预测概 率； S22、 通过计算样本数据和对应的伪数据之间的表达差异和分布差异之和， 得到所述生 成器的损失值； 通过计算样本数据及对应的伪数据分别被判别为 飞行器真实数据的预测概 率与对应的真实概 率之间的差异之和， 得到所述判别器的损失值； S23、 判断所述生成器的损失值和所述判别器的损失值之和是否达到最小或者迭代次 数是否达到预设迭代次数， 若 是， 则所述训练数据生 成模型训练完成， 操作结束； 否则， 更新 所述生成器和所述判别器中的参数， 转至步骤S21。 3.根据权利要求2所述的训练数据生成模型构建方法， 其特征在于， 所述生成器的损失 值为： LG＝MSE+KLD 其中， MSE为样本数据和对应的伪数据之间的表达差异； N为所述飞行器样本数据集中 的样本数据的个数； 为第i个样本数据所对应的伪数据； 为第i个样本数据； KLD为样本 数据分布和对 应的伪数据分布的KL散度； μi和σi分别为所述编码器输出的第i个样本数据所权　利　要　求　书 1/2 页 2 CN 114169396 B 2对应的均值和方差 。 4.根据权利要求2或3所述的训练数据生成模型构建方法， 其特征在于， 所述判别器的 损失值为： 其中， 为样本数据被判别 为飞行器真实数据的预测概率； 为样本数据为飞行器真 实数据的真实概 率； 为样本数据所对应的伪数据被判别为飞行器真实数据的预测概 率。 5.一种用于飞行器故障诊断的训练数据生成方法， 其特 征在于， 包括： 通过控制预采集到的飞行器样本数据集中样本数据的扩充次数， 对所述飞行器样本数 据集进行扩充， 使扩充后的飞行器样本数据集中的样本数据数量达到预设数量、 且飞行器 故障样本数据和飞行器正常样本数据的数量达到平衡； 所述扩充后的飞行器样本数据集即 为用于飞行器故障诊断的训练数据集； 其中， 扩充的样本数据为飞行器故障样本数据和/或飞行器正常样本数据； 所述样本数据的扩充方法包括： 将所述样本数据输入到采用权利要求1 ‑4任意一项所述的训练数据生成模型构建方法 所构建的训练数据生成模型 的生成器中， 得到样本数据所对应的伪数据， 以对样本数据进 行扩充； 所述伪数据的故障信息标签和与其对应的样本数据的故障信息标签相同。 6.一种飞行器故障诊断模型的构建方法， 其特 征在于， 包括： 将采用权利要求5所述的训练数据生成方法生成的训练数据集输入到机器学习 模型中 进行训练， 得到飞行器故障诊断模型。 7.根据权利要求6所述的飞行器故障诊断模型的构建方法， 其特征在于， 所述机器学习 模型为Transformer模型。 8.一种飞行器故障诊断方法， 其特征在于， 包括： 将 飞行样本器数据输入到采用权利要 求6或7所述的飞行器故障诊断模型的构建方法所构建的飞行器故障诊断模型中， 得到飞行 器故障信息 。 9.一种机器可读存储介质， 所述机器可读存储介质存储有机器可执行指令， 所述机器 可执行指 令在被处理器调用和执行时， 所述机器可执行指 令促使所述处理器实现权利要求 1‑4任意一项所述的训练数据生成模型构建方法、 权利要求5所述的训练数据生成方法、 权 利要求6‑7任意一项 所述的飞行器故障诊断模 型的构建方法、 以及权利要求8所述的飞行器 故障诊断方法中的一种或多种。权　利　要　求　书 2/2 页 3 CN 114169396 B 3