(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 202111622537.8 (22)申请日 2021.12.28 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 刘向武　丁晓彬　刘久富　解晖　 汪恒宇　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 张宁馨 (51)Int.Cl. G06K 9/62(2022.01) G06Q 10/00(2012.01) (54)发明名称 液体火箭发动机稳态阶段的分层贝叶斯变 分推理故障诊断方法 (57)摘要 本发明公开了一种液体火箭发动机稳态阶 段的分层 贝叶斯变 分推理故障诊断方法， 首先根 据液体火箭发动机稳态工作阶段选择故障类型 和属性变量， 使用最小描述长度离散化方法对 连 续型数值进行离散化处理， 将非数值型数据转换 为数值型， 然后构建液体火箭发动机TAN结构故 障分类模型， 基于传统多项式 ‑狄利克雷模型， 建 立分层多项式 ‑狄利克雷模型， 引入变分推理算 法进一步优化， 对液体 火箭动机稳态工作状态故 障进行分类； 本发明提供的故障诊断方法， 通过 引入超先验， 构建分层多项式 ‑狄利克雷模型， 用 于贝叶斯网络的参数估计， 同时引入变 分推理算 法用于分层多项式 ‑狄利克雷模型的优化， 计算 联合后验分布， 减少训练时间， 提高参数估计的 精度。 权利要求书6页 说明书14页 附图2页 CN 114358164 A 2022.04.15 CN 114358164 A 1.一种液体火箭发动机稳态阶段的分层贝叶斯变分推理故障诊断方法， 其特征在于， 包括以下步骤： 步骤S1、 根据液体火箭发动机稳态工作阶段选择故障类型和属性变量， 使用最小描述 长度离散化方法对连续型数值进行离散化处理， 将非数值型数据转换为数值型， 且数据样 本不含缺失值； 步骤S2、 构建液体火箭发动机TAN结构故障分类模型； 步骤S3、 基于传统多项式 ‑狄利克雷模型， 建立分层多项式 ‑狄利克雷模型， 引入变分推 理算法进一 步优化， 对液体火箭动机稳态工作状态故障进行分类； 步骤S4、 从液体火箭发动机故障样本中抽取若干个实例构成训练集， 估计TAN网络的参 数， 另外抽取不包括训练集样本的测试集， 对测试集进行故障分类。 2.根据权利要求1所述的一种液体火箭发动机稳态阶段的分层贝叶斯变分推理故障诊 断方法， 其特 征在于， 所述 步骤S2中构建TAN结构故障分类模型的具体方法包括： 步骤S2.1、 基于步骤S1选择的属性变量， 计算条件互信息： 其中， Xi与Xj代表两种属性变量， C代表数据集， 这里指训练集； 将步骤S1中选择 的属性 变量作为树的节点， 将各属 性变量间的条件互信息作为节点间的边的权重， 构建最大生成 树； 步骤S2.2、 设置每条边的方向， 将最上层类节点插入生成树中， 使类节点指向每个属性 节点， 由此构成TAN结构故障分类模型。 3.根据权利要求2所述的一种液体火箭发动机稳态阶段的分层贝叶斯变分推理故障诊 断方法， 其特 征在于， 所述 步骤S3具体包括： 步骤S3.1、 建立分层多 项式‑狄利克雷模型如下： 设定α 是一个隐随机向量， 服从狄利克 雷先验： α |s, α0～s·Dirichlet( α0) 其中等效样本量s和参数向量α0是模型的超参 量， 且元素和满足： θX|Y的先验是 狄利克雷混合分布： 上式中先验值 不能对y进行因式分解， 不同的条件分布的参数不再 是先验独立的； 步骤S3.2、 基于变分推理算法进一 步优化求解参数的联合后验分布； 由n个独立同分布的观测值(xk,yk)组成的数据集， 其中k＝1,...,n， 则参数的后验 分布 是狄利克雷混合分布：权　利　要　求　书 1/6 页 2 CN 114358164 A 2根据α 的后验期望 定义上式的解； θx|y的后验均值 为： 其中nxy表示θx|y的估计量的充分统计值， 即X＝x和Y＝y条件下的观测数， ny＝∑x∈Xnxy表示变量Y的统计数； α 的后验分布无法被解析地计算， 表示如下： 采用变分推理算法进行 快速求解θX|Y和 α 的后验分布； 具体地， 步骤S3.2.1、 通过分解分布估算p( θX|Y, α |D)如下： 其中， θX|y和 α 为独立的随机变 量； 当 时， 和 且 为变分推理模型的参数， 满足： α |s, τ, κ ～s ·Dirichlet( τ κ ) 令q( θX|y)＝q( θX|y|vy)且q( α )＝q( α |τ, κ )； 联合变分分布q( θX|y, α )是变分参数τ， κ和vy 的函数， 其中 步骤S3.2.2、 最小化后验分布p( θX|Y, α|D)和变分估计q( θX|y, α )之间的KL散度， 求解变 分推理模型参数τ， κ和vy； 最小化KL散度即为 最大化边际似然l og(p(D))的变分下限 其中 表示变分分布q的均值； 所述变分分布和后验分布之间的KL散度等于log(p (D))和 之间的差值， 表示如下： 特定情况下， 在与变分推理模型近似的分层多项式 ‑狄利克雷模型中， 无法将 写为变分参数的解析函数， 因此， 对 的变分下限估算 为 是参数的解析函数， 满足： 权　利　要　求　书 2/6 页 3 CN 114358164 A 3