基于深度神经网络的航天器姿态控制系统故障诊断与容错控制研究

针对传统航天姿控系统故障诊断与容错控制诊断精度及控制分配效率较低的问题,提出了一种基于深度神经网络的航天器姿态控制系统故障诊断与容错控制方法。以控制力矩陀螺为执行机构的航天器发生执行机构故障工况时,所提出的方法可保证鲁棒的姿态控制。首先,利用三个异构深度神经网络实现传统容错控制器的故障诊断、姿态控制和力矩分配等功能,建立了全神经网络的智能自适应容错控制器架构。然后,对三个神经网络的网络层数、神经元数目和激活函数等参数进行优化调整,对比分析了神经网络参数对控制器性能的影响。最后,对所提出的新型控制器在控制力矩陀螺发生故障时的控制精度和鲁棒性进行了仿真验证。仿真结果表明,对于具有冗余控制力矩陀螺的航天器,提出的方法不仅能在单一陀螺故障下实现高精度的容错控制,也能在发生多陀螺故障时保证一定的姿态稳定控制。     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

高超声速变外形飞行器建模与有限时间控制

针对高超声速变外形飞行器变形带来的参数摄动大、变形过程建模难、外界干扰复杂等大不确定问题,研究了一类可变后掠飞行器建模与姿态控制问题,设计了一种有限时间控制方案。针对变外形飞行器建立了带有变形量的面向姿态控制的三自由度模型,该模型能够反映出变外形飞行器的内在影响。分析了变外形飞行器在典型状态下的气动特征,并给出了连续变形关键气动数据可行处理方案。针对可连续变形的飞行器设计了一套有限时间控制方案,并证明了系统稳定性。进一步考虑控制律中用到的指令微分项,设计了有限时间指令收敛滤波器。利用扩张状态观测器,估计不易测量状态和“综合扰动”。以考虑复杂干扰下的高超声速变外形飞行器为对象进行仿真,结果表明：所设计的控制方案可解决不同变形速率下、存在复合干扰的飞行器姿态控制问题。     

一类质心突变飞行器的姿态控制律重构设计

研究了一类质心突变飞行器姿态控制系统在发生故障时的一种控制律重构方法。采用以Unscented卡尔曼滤波为基本估计单元且用输出残差为故障诊断指标的交互式多模型算法实时地对飞行器故障情况进行检测与诊断。当诊断出故障时,重构控制律的参数对系统进行补偿控制,使得故障下飞行器的姿态跟踪精度得以维持。通过数值仿真验证了该方法的有效性。     

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

基于RBF神经网络的控制电器元件故障诊断

针对控制电器元件故障征兆与故障类型之间的非线性映射关系,提出了基于径向基函数神经网络RBFNN(Radial Basis Function Neural Network)的控制电器元件故障诊断方法.在分析控制电器元件故障机理和失效形式的基础上,提取出描述故障类型的典型故障特征矢量.给出在获得足够多故障信息的情况下,运用RBFNN进行故障诊断的模型及整个故障诊断算法的实现过程.为了验证故障诊断模型的有效性和合理性,利用训练好的RBFNN对故障特征矢量进行识别.仿真结果表明,RBFNN能克服诊断过程中容易陷入局部极小的缺点,并能满足故障诊断的快速性和准确性要求.      

基于模型迁移方法的高超声速飞行器建模

高超声速飞行器的研发是一个小批量多批次的过程。为了降低实验成本缩短建模周期,引入了模型迁移方法计算具有相似外形的高超声速飞行器的气动参数。首先研究了一种评价飞行器气动外形间仿射相似度的方法,当相似度满足要求时,可使用模型迁移方法计算新飞行器的气动参数。接着基于高超声速相似律,使用基飞行器的气动参数对新飞行器气动参数初次迁移。当初次迁移结果不能满足建模精度要求时,应用偏差校正的方法对迁移过程修正。最后为了消除飞行高度对高超声速流黏性的影响,引入高超声速边界层理论迁移飞行器不同高度上的气动参数。通过对仿真结果的分析,验证了模型迁移方法对具有相似外形的高超声速飞行器建模的有效性。      

小卫星多级故障诊断系统设计

提出一种基于模糊神经网络的小卫星多级故障诊断系统,利用多级的方式对小卫星的故障进行诊断。其中第一级采用模糊聚类的方法,将故障定位于模块级;第二级采用模糊径向基神经网络,完成故障的部件级定位。最后用该故障诊断方法针对卫星故障仿真系统做了实验,对其预设故障进行了诊断,诊断结果与仿真系统预设故障完全一致。实验表明:多级故障诊断结构提高了故障诊断的系统性、准确性并大大降低了故障诊断中的计算量。     

一种谐波减速器不对中误差分析方法

在空间环境中运行的星载天线转动单元中的谐波减速器产生的不对中故障信号故障特征难以提取,针对此问题提出了一种优化变分模态分解的故障诊断方法,这种方法基于鲸鱼优化算法(WOA)和Teager能量算子(TEO)包络解调。首先,由于包络熵对故障信号特征非常敏感,故采用包络熵作为适应度函数,同时其也是鲸鱼优化算法的目标函数。其次,WOA具有操作简单、调整参数少、跳出局部最优能力强等诸多优点,故使用WOA对变分模态分解(VMD)进行优化,构建优化算法。最后,使用Teager能量算子对本征模态分量(IMFC)进行处理。所提出的方法用于分析谐波减速器输入、输出轴两端收集的实验信号。通过与传统的快速傅里叶变换方法进行对比结果表明,所提出的方法提高了分解效率,在分解参数的原则和故障信号提取精度方面具有良好的性能,误差不超过2%,能够实现谐波减速器不对中故障信号的精确诊断,具有一定的研究意义与工程实用价值。     

高超声速再入飞行器气动布局多目标优化

气动布局的多目标优化是飞行器设计中的关键技术。提出一种新的高超声速再入飞行器气动外形参数的多目标优化方法,证明外形优化对高超声速流下飞行器性能的影响。通过实例仿真对飞行器所受阻力和升力对制导性能影响进行详细验证分析,将飞行器落点圆概率偏差、末速大于500 m/s的占比、最大飞行过载小于60g的占比这3个性能指标作为优化目标,将升力特性作为中间参数,将气动布局优化问题分解为2个子问题,通过基于搜索算法的升力特性优化和基于改进的模拟退火算法的外形参数优化,减少优化计算时间、提升计算效率、实现对飞行器主体和襟翼的气动布局优化、获得高超声速流下的最佳飞行器外形。仿真结果表明：在确定的约束条件下,优化算法增加了飞行器在超音速流下的气动升力,有效提高了升阻比。在不影响最大飞行过载的前提下,优化后的飞行器表现出更高的气动性能,显著提升了命中精度,同时末速也满足指标要求,制导系统性能得到有效改善。     

基于循环神经网络的卫星姿态执行器故障诊断

针对卫星姿态控制系统执行器机构故障问题，提出了一种基于循环神经网络的故障诊断方法。对卫星姿态控制系统建模，进行故障分析并采集星敏感器和角速度陀螺的连续时刻故障数据。设计六种异构的循环神经网络，对故障数据进行故障诊断和分类, 分别从网络深度、反馈单元、激活函数和训练算法对比网络效果。带有门循环单元的 (gate recurrent unit，GRU)深层循环神经网络训练效果更好，其故障诊断准确率达到了95.7%。结果表明对于时序的卫星数据，门循环单元和带有一定深度的循环神经网络故障诊断效果更优。     

基于DWNN的机电作动器渐变性故障诊断

飞机飞行控制系统机电作动器（EMA）的渐变性故障很难准确预判,若不能及早发现而任其发展就会影响到飞机的飞行安全性。针对EMA的渐变性故障,提出一种基于动态小波神经网络（DWNN）的故障诊断方法。首先,利用EMA在电机电枢绕组匝间短路、传动装置丝杆和滚珠磨损等多种渐变性故障状态下的运行数据来训练DWNN故障诊断模型;然后,利用训练好的DWNN模型对EMA渐变性故障进行诊断。创新之处在于DWNN模型利用小波分解算法去除了传感器测量信号中高频分量的影响,利用反馈神经网络的记忆能力融合了过去输入的信息和过去预测的信息,提高了对EMA渐变性故障诊断的准确性。通过对某型EMA进行故障诊断实验,仿真结果表明所提出的DWNN方法可以实现对EMA部件渐变性故障的准确诊断。      

Mars entry fault-tolerant control via neural network and structure adaptive model inversion

The capability of autonomous fault detection and reconstruction is essential for future manned Mars exploration missions. Considering actuator failures and atmosphere uncertainties, we present a new active fault-tolerant control algorithm for Mars entry by use of neural network and structure adaptive model inversion. First, the online BP neural network is adopted to conduct the fault detection and isolation. Second, based on the structure adaptive model inversion, an adaptive neural network PID controller is developed for Mars entry fault-tolerant control. The normal PID controller will be automatically switched into neural network PID controller when an actuator fault is detected. Therefore, the error between the reference model and the output of the attitude control system would be adjusted to ensure the dynamic property of the entry vehicle. Finally, the effectiveness of the algorithm developed in this paper is confirmed by computer simulation.     

导弹增量式自适应容错控制系统设计

导弹在实际飞行中存在气动参数不确定、执行机构故障等问题,从而对导弹飞行控制系统稳定性与操控能力造成严重影响。为此,设计一种增量式自适应容错控制方法,在实现导弹安全控制的同时,兼顾姿态控制算法时效性与可靠性。建立面向控制的三通道耦合姿态动力学模型;考虑系统不确定性和执行机构故障,基于增量式动态逆方法设计导弹被动容错控制律;基于自适应滑模控制与增量式动态逆方法,设计增量式动态逆自适应容错控制律,并对系统残差进行分析比较;通过某典型全弹道姿态跟踪任务,验证舵面故障下的姿态跟踪特性。仿真结果表明:所提方法在故障未知的情况下,能够保证飞行控制系统的鲁棒性与容错能力,实现导弹的安全可靠控制。      

卫星姿态控制系统执行器微小故障检测方法

针对卫星姿态控制系统执行器微小故障检测问题,提出一种基于神经网络干扰观测器的微小故障检测方法。该方法利用卫星姿态控制系统内的冗余关系,分别构建陀螺干扰观测器和干扰力矩观测器,对系统内的测量误差、扰动等进行估计,并对故障检测观测器进行扰动补偿,提高对执行器微小故障的检测能力。仿真结果表明,与基于解析模型的方法相比,该方法能够较精确地对解析模型的误差进行补偿,明显降低了检测阈值,实现了对扰动掩盖下的微小执行器故障检测。      

基于干扰补偿的导弹增量式动态逆容错控制方法

针对导弹飞控系统存在外部干扰、执行机构故障等问题,运用一种鲁棒增量式动态逆被动容错控制方法,以避免主动故障诊断带来的计算效率问题,同时实现飞行姿态的可靠安全控制。针对外部干扰及执行机构故障等控制系统不确定性,建立导弹三通道姿态控制模型,基于干扰观测器对不确定性进行估计与补偿设计终端滑模控制律。为进一步增强导弹姿态控制系统的鲁棒性,给出导弹增量式动态逆容错控制律,结合终端滑模控制设计干扰补偿的增量式动态逆终端滑模控制律,并对系统残差进行分析比较。某典型全弹道姿态跟踪任务仿真表明,该方法在故障未知的情况下仍然保持姿态跟踪特性与容错能力,实现导弹姿态鲁棒精准快速控制。     

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

非冗余舵面与RCS复合故障的自愈控制方法

临近空间飞行器在稀-稠大气过渡阶段且反推力矢量装置(Reaction Control System, RCS)有剩余燃料的情况下,RCS对于非冗余舵面的故障补偿与在线重构具有重要意义。基于此,本文研究了针对非冗余舵面与RCS复合故障的自愈控制方法,以实现飞行器的安全可靠控制。首先,建立了执行机构故障等不确定影响下的姿态控制模型;其次,针对舵面故障给出了基于残差观测的故障检测与自诊断方法,设计了RCS与舵面复合故障的分离诊断策略;然后,基于非线性比例-微分控制及故障诊断信息,设计了舵面故障补偿的自愈控制器;同时,基于RCS故障喷管序列判定,设计了复合故障下RCS在线重构的自愈控制器。最后,通过某典型全弹道姿态跟踪数值仿真,验证了该方法的有效性及可靠性。