卫星群反作用飞轮的故障诊断方法研究

卫星群飞行技术是航天领域的新兴技术,多个低成本小卫星可以完成较为艰巨的太空任务,但与此同时也会带来更多的故障问题。面对复杂的空间环境,针对卫星群可能发生的故障问题,提出了一种分布式卫星群系统故障诊断方案,通过基于Elman神经网络的故障诊断方法完成对卫星群姿态控制系统的故障诊断。试验结果表明,该方案能够快速检测出卫星群中反作用飞轮发生的故障,并且让邻近卫星通过神经网络也能检测到该故障的发生,表现出很好的准确性和实时性,在实际应用中有效可行。     

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。     

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。     

基于深层循环神经网络的陀螺仪降噪方法研究

陀螺仪固有的随机误差会随时间积累越来越大，循环神经网络作为一种有效处理时间序列信号的算法被广泛使用，然而传统的循环神经网络在处理陀螺仪产生的随机误差上无法解决长期依赖，容易出现梯度消失和梯度爆炸问题.为了获得精确的陀螺仪信号，本文基于循环神经网络变体的长短记忆网络和门循环单元的陀螺仪信号降噪算法，并创新性的将两种网络进行组合验证.文中先是通过Allan方差对陀螺仪随机误差进行误差分析，然后基于LSTM和GRU组合对陀螺仪输出信号进行补偿处理，结果表明LSTM结合GRU对陀螺仪的随机误差处理有明显改善，其中X、Y、Z轴方向陀螺仪的量化噪音、角度随机游走、零偏不稳定性、角速度游走和速度斜坡性能均有不同程度的提升.     

基于联邦学习的星群故障诊断

针对卫星编队中单颗小卫星欠配置、测量信息不全和故障类型数据少等问题,提出一种基于联邦学习的卫星编队故障诊断方法.基于故障影响下的卫星动力学模型,利用Unity3D引擎搭建虚拟仿真环境,为后续卫星故障注入及故障数据产生奠定基础.考虑单个小卫星测量配置不全的问题,采用双向协调网络(BicNet)构建卫星本地故障诊断模型,借鉴邻居卫星的“远端”敏感器信息,实现本地卫星故障诊断.采用联邦学习框架进行分布式训练,每颗卫星上传本地模型参数进行协同建模,在不增加通信压力的情况下,整合整个星群的故障特征,提高星群对不同故障类型的故障诊断能力.所设计的编队故障诊断算法在编队卫星数量变化时也无需重新训练诊断网络,满足“即插即用”的工程需求.通过仿真实例验证,在测试集上精度达到99%,表明该方法有较高的准确性.     

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号,提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先,根据采集到的滚动轴承数据构造故障样本,针对多种故障类型下的长时间序列的振动信号,按照一定尺寸将长时间序列矩阵化,构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程,通过多个采样点的随机采样,构造全寿命周期的故障样本用于故障诊断。其次,在多层深度学习模型基础上,将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断,其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题,利用软阈值化实现了样本降噪。最后,为了验证所提方法的有效性,采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性,多层网络模型下没有明显的网络退化,能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时,与其他模型相比,所提方法训练误差更低,平均故障诊断正确率提高1%~6%。      

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FDDPB方法的卫星姿态控制系统故障诊断

针对卫星姿态控制系统故障诊断问题,将执行机构及输出传感器的阶跃型和缓变型输出偏差统归于一种"参数偏差"型故障,介绍了改进的参数偏差型故障的实时检测与诊断 (FDDPB,Fault Detection and Diagnostics of Parameter Bias)算法,说明了此算法在卫星姿态控制系统执行机构和传感器故障诊断中的应用.引入卫星姿态动力学模型和飞轮模型,建立了算法仿真模型,选取执行机构阶跃型和缓变型故障作为故障注入条件,将该算法用于实验验证.仿真结果表明:该算法能够检测出系统发生的故障,且能够准确估计出故障幅值.      

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

基于无监督学习的时序序列故障诊断方法研究

随着信息技术和传感器技术的发展,基于数据驱动的故障诊断技术是保障大型工业设备高效、安全运行的关键技术之一.机器学习由于其具有强大的特征表示能力与基于大数据的特征提取优势,多种深度神经网络模型已成为故障诊断领域中最常用的特征提取方法之一.但监测设备收集到的数据中包括大量的无标签数据,基于监督学习的深度神经网络模型没有办法对其进行充分的利用,造成了部分有用信息的浪费.针对无标签数据,提出基于无监督学习的方法,利用最大化互信息的思想训练特征提取模型,在此基础上,设计一种针对时序序列数据的故障诊断方法,并在公开数据集凯斯西储大学轴承数据集上验证,取得了比以往传统方法更高的诊断精度.在卫星监测数据上进一步验证,提出的特征提取模型能够对故障不同阶段进行区分,很好地捕捉不同阶段的数据特性.结果表明,提出的基于无监督学习的故障诊断方法能够有效、充分地利用大量的无标签数据,提高时序序列数据的故障诊断精度.     

基于神经网络的卫星控制系统故障识别方法

闭环控制系统的反馈调节机制,可能破坏开环系统的可辨识性,导致误报率和漏报率同时上升,还可能导致同一故障模式下的多个变量发生异常,给闭环控制系统故障识别带来难度。针对单输入单输出系统,分析了闭环控制对可辨识性、误报率和漏报率的影响,对多输入多输出系统,理论上推导了闭环控制系统传感器故障的传播机理,分析了闭环控制系统对系统变量的影响关系,利用神经网络构建了闭环故障识别算法。数值仿真结果验证了闭环对故障系统诊断的不利影响,而卫星姿态控制系统的仿真结果标明:与传统方法相比,提出的方法识别性能更高。     

基于G2的卫星控制系统故障诊断的半物理仿真

研究一种基于G2的集故障注入、故障模拟和故障诊断为一体的半物理仿真系统,包括基于VxW orks的实时硬件模拟系统、星载姿轨控计算机、数管及遥控遥测模拟器和专用接口箱等.开发了基于G2的以某一类典型卫星控制系统为对象的故障诊断专家系统,并对G2外部接口进行了扩展设计.最后,以典型故障为例,在半物理仿真平台上进行了演示验证.     

基于多模型滚动时域估计的卫星故障诊断

研究了卫星姿态控制系统故障诊断问题, 将滚动时域估计与交互式多模型(IMM)方法相结合, 利用滚动时域估计方法对系统状态进行估计, 系统转换概率也相应地利用了一个时间段的估计误差作为依据, 而不是只考虑一个时刻的估计误差, 因此有效减少了大噪声以及个别错误测量对诊断结果的影响. 最后的仿真结果证明了该算法的有效性.      

Stacked recurrent neural network based high precision pointing coupled control of the spacecraft and telescopes

In some space missions especially in the field of space gravitational wave detection, the telescope needs to point to a certain target through attitude movement and pointing control. In several mainstream gravitational wave detection missions, the detector usually consists of a cluster of three identical satellites, flying in a quasi-equilateral triangular formation with a big edge length, so every satellite needs two telescopes to point each other and constitute three giant Michelson-Type interferometers. Therefore, a satellite platform system with two telescopes is researched in this paper. This research helps to characterize the attitude motion of a telescope for space astronomical observation or space gravitational wave detection, provides new method on the telescope’s high-precision pointing control. For this purpose, we derive a satellite-telescope coupling attitude model, design the sliding mode controller for satellite and the stacked recurrent neural network adaptive controller for telescope. In the stacked recurrent neural network adaptive controller design, a sliding mode control technology is adopted. In addition, we propose a combinatorial optimization method for network weights in the stacked recurrent neural network training process, that is, the output layer is corrected by the adaptive law, and the correction of other layers adopt the error backpropagation method. Finally, a numerical simulation method verifies the effectiveness of the controller design.     

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

神经网络专家系统在姿控系统诊断中的应用

为了解决传统专家系统在知识获取和推理方面的问题,提出了一种神经网络和专家系统相结合的诊断系统。采用主成分分析方法简化神经网络训练样本,进而优化网络的结构。采用神经网络集成技术,克服选取网络中间层节点数目及判断阈值的困难。给出了诊断推理过程和对诊断结果进行解释的方法。把此技术应用在了卫星姿控系统的故障诊断中,结果表明提高了诊断效率和诊断的正确率。     

基于神经网络的多卫星姿态协同控制预测模型

摘要： 针对多卫星近距离对空间目标监测中的姿态协同控制问题，研究基于神经网络的智能控制模型.首先设计了面向任意姿态控制方法的神经网络自适应控制模型，该模型不改变卫星姿态控制方法本身，而是接收由理想控制模型生成的理想控制量，理想控制量经过神经网络后直接生成适用于卫星的控制量.根据神经网络对控制系统的系统级状态预测，基于一致性控制协议，设计了多卫星姿态协同控制模型.采用等效姿态角，通过数值仿真，分别验证了预测控制方法、输出状态预测、协同控制的方法正确性和有效性.