航天器下行数据异变检测算法研究

针对航天器下行遥测数据故障检测问题,建立了相应的非平稳+异常分量模型,并借鉴采样数据新息增量过程的回归系数有界影响辨识方法,提出了航天器下行数据异常突变在线检测算法,该算法具有简捷的递推关系和良好的容错能力。实测数据结果表明,该算法可以有效地检测出航天器异常数据,并能克服异常数据的不利影响,提高在轨航天器测控过程的可靠性。     

航天器故障征兆识别机制研究

为克服针对二值逻辑型阈值比较方法的固有缺陷,本文基于航天器状态划分故障征兆的思想,提出了利用遥测数据的数值型特征甄别遥测野值并获取故障征兆可信度的规则推理新方法。经验证,该机制不仅能够有效避免遥测野值导致的诊断误报现象,而且能够充分体现遥测数据的变化趋势和满足判断条件。     

基于双树复小波和形态学的卫星异常数据滤波方法

受系统结构复杂、工作环境恶劣等因素影响,卫星的工作状态会存在介于正常和故障之间的异常状态,导致其遥测数据中不仅含有噪声,还存在异常数据。采用传统滤波算法进行去噪处理时,会存在对异常数据保留不充分的问题,从而导致突变信息丢失。针对上述问题,提出一种基于双树复小波与形态学滤波的卫星遥测数据组合滤波方法,设计一种半软阈值滤波函数来提高双树复小波的滤波性能,并提出一种组合滤波算法。通过仿真实验进行验证,结果表明:本文方法可以对遥测数据中的噪声进行有效滤除并对异常数据进行保留。     

基于单故障叠加的航天器故障数据仿真方法

针对测试故障诊断系统可靠性的问题,在传统基于对故障航天器的参数估计模拟的故障数据仿真基础上,提出一种基于单故障叠加模型的航天器复杂故障数据仿真方法,新型数据仿真方法能够在有限次迭代的情况下逐次逼近仿真航天器故障数据,对航天器故障的仿真实验证明,该方法可广泛应用于各类航天器故障诊断系统的测试过程。     

基于深度森林的卫星ACS执行机构与传感器故障识别

针对卫星姿态控制系统（ACS）闭环回路的故障难以辨识的问题,引入深度森林算法,实现执行机构与传感器故障识别。首先针对可获取的少量卫星姿态控制系统遥测数据,结合系统动力学特性,研究合适的特征选择和特征提取方法,再结合深度森林算法进行故障信息学习与辨识,建立故障预测模型,实现执行机构故障与传感器故障的识别。半物理仿真结果表明：在存在气浮台干扰力矩、卫星转动惯量未知、飞轮非线性特性、闭环故障传播等多种不利因素情况下,深度森林算法对于执行机构和传感器故障具有高效的识别能力。     

面向大型载人航天器的系统健康状态评估方法研究

针对载人航天器系统在安全运行方面的需求,提出了一种面向大型载人航天器的系统健康状态评估方法。首先根据复杂系统的拓扑结构建立图模型,将对系统的健康状态评估转化为对图模型各成分的度量;然后挖掘出图模型中各成分关联数据的模式特征,以系统稳态时的模式特征作为健康基准,将后续观测时刻模式特征与基准模式之间的偏差作为健康状态的度量值,着重考虑了系统组成部分之间的相互作用;最后综合图模型中所有成分的度量结果,构建出表征整个系统健康状态的评估值。以某型号航天器的能源系统在轨遥测数据进行了验证分析,结果表明所提出的方法可以有效地完成对复杂系统的健康状态评估工作,可以为大型载人航天器的健康状态评估提供参考。     

一种基于时序形态的航天器动态模式提取方法

针对航天器动态特性分析过程中遇到的建模过程复杂、处理速度较慢、分析结果不易进行直观解释等问题,通过借鉴符号化近似思想,提出了一种基于时序形态的航天器动态模式提取方法。该方法首先采用分段线性化算法获取一系列分割线段以近似表示遥测序列形态,然后使用系统聚类分析技术对分割线段进行分类,最后基于分类结果将遥测时间序列数据转化为蕴含形态信息的符号序列。验证结果表明该方法简单、有效,所提取的动态模式符号序列不仅可体现遥测时序数据的显著变化,也可表征遥测序列的细微变化,可作为遥测序列识别与异常检测的依据。     

Exponent及Gauss型遥测数据建模初始化算法

在对某大型航天电子设备的遥测数据建模时,经常遇到含有指数类变化规律的数据,对其进行建模可以为研究设备性能的变化规律、实际与设计的差异等提供手段。针对有指数变化趋势的遥测数据,采用Exponent模型、Gauss模型对遥测数据建模,给出了这种数据模型的表达式,研究了2种模型的参数初始化算法。通过数值实验说明模型参数初始化算法的有效性,为后续利用最优化理论求解模型精确参数提供了良好的初试点。     

涡轮泵实时故障检测短数据均值自适应阈值算法

为了实时监控液体火箭发动机涡轮泵的状态，提高其安全性，降低其故障带来的破坏程度，提出了短数据均值自适应阈值算法(SDM—ATA)，建立了实时故障检测的统计学模型、研究了阈值区间均值与方差的自适应计算及其带宽系数的自适应训练、故障综合决策逻辑，以及故障数据对阈值贡献的踢除等方法，并利用某型火箭发动机地面试车涡轮泵振动测量数据和某型转子试验平台实时测量数据对该算法进行离线和实时在线故障检测试验验证。结果表明，SDM—ATA没有发生误检测情况，并具有实时故障检测的能力。     

舵面损伤的气动模型及故障检测研究

针对飞机舵面损伤故障检测和诊断的气动模型和飞行状态限制，提出了在线故障模式预测方法，并使用某机的故障及正常风洞数据建立了舵面损伤非线性气动模型。最后，仿真验证了该方案的气动模型独立性、飞行状态及操纵的适应性。结果表明，该方法可提高自修复飞控系统中舵面损伤故障检测算法的适用性和工程应用能力。     

在轨卫星异常报警和故障诊断方法研究

及时发现卫星出现的异常是卫星在轨管理的一项重要工作，它关系到卫星在轨使用寿命。能够及时发现并判断卫星异常的方法有很多，本文对这些方法进行了研究，并将其归纳为2类，一类是基于遥测参数超限报警方法，另一类是故障诊断方法。分别对这2类方法从功能、效果、软件实现的难度进行比较，结果表明，在不同的管理和实现难度要求下，这些方法完成卫星管理的效果不同。另外，本文还提出了一种遥测参数相对判断算法，简化了报警门限设置，能够及时发现卫星任何参数突跳，是一种有效的卫星异常报警方法。     

基于滑动时间窗主成分分析的液体火箭发动机传感器故障诊断方法

安装在发动机上的各种传感器是发动机状态监测的主要依据,由于工作环境恶劣,传感器失效时有发生。由于发动机运行过程中的性能蜕变和台次差异,现有基于主成分分析（PCA）的传感器故障隔离方法应用条件苛刻且诊断效果有限。针对这些问题,在对发动机数据分析的基础上,将滑动时间窗方法与PCA方法结合,提出双滑动时间窗的PCA方法用于故障传感器的隔离,并基于发动机试车数据进行了方法验证。结果表明：该方法能降低发动机性能蜕变和台次差异对发动机传感器故障诊断的影响,没有参数相关性的限制,可以实现对四种常见传感器故障的有效隔离,以及对两种发动机试验过程中故障的准确检测。研究证明了高速运转系统性能蜕变和强耦合复杂大系统台次差异对基于数据的故障诊断方法效果的影响,验证了在线学习/训练算法对这两种现象的鲁棒性。     

基于新陈代谢GM（1,1）模型的导弹遥测故障预测算法

在人工监视遥测关键参数是否超出阈值范围以判断导弹故障的传统模式基础上,对GM（1,1）预测模型进行了改进,研究了基于新陈代谢的GM（1,1）预测算法对遥测参数实时预测效果.该算法能不断去掉最老的信息,充分利用最新的信息,避免了预测模型老化的现象;由于用于预测的数列维度较少,便于计算,能够保证算法的实时性.用MATLAB编程实现算法,比对实测数据的预测值与实际值,并进行误差分析.结果表明,该算法对遥测参数的预测精度较高,可为及时发现导弹故障提供科学的依据.     

一种非规则采样航空时序数据异常检测方法

航天器遥测数据的实时异常检测对于航天任务具有重要意义。以往方法大都考虑规则采样且缺失率较低的时序数据,然而航空时序数据具有维度大、噪声多、缺失率高、采样间隔不规则等特点,因此异常检测任务较为困难。针对非规则采样且具有缺失值的多维航空时序数据提出非规则采样多维时序数据异常检测（IMAD）算法。首先,采用带有可训练迟滞项的门控循环单元（GRU-D）对缺失值和非规则采样的时序数据进行建模;然后,采用变分自编码器建立随机性模型,学习正常时序数据的分布,从而对噪声数据具有鲁棒性;最后,利用基于极值理论的自适应阈值确定法确定合适阈值进行异常检测。结果显示,在两个真实航空时序数据集上,IMAD具有超出当前最新异常检测算法的性能;多个实验表明,IMAD在缺失率、参数以及数据集变化时,能够维持较好的异常检测效果,具有较强的鲁棒性。     

基于模型的故障诊断方法在飞船推进系统中的应用

在飞船推进系统的物理和数学模型的基础上,研究了基于模型的故障诊断方法在飞船推进系统中的应用。该方法是某飞船推进系统状态监测与故障诊断专家系统中的关键技术之一。仿真结果表明,这项技术的提出和应用使得根据系统模型对推进系统的不可预知故障进行监测和诊断成为可能。     

液体火箭发动机启动过程实时在线故障检测算法

利用神经网络技术实现了液体火箭发动机启动过程的非线性辩识；提出并实现了一种基于辩识误差检验的故障检测策略。经大量实际发动机热试车数据验证表明，所提出的检测算法十分有效。由于算法所利用的监测参数均系实际发动机地面试车中所测量的参数，且检测算法在线工作时计算量十分小，因而所提出并实现的检测算法可以直接应用于工程实际。     

Real-time fault detection method based on belief rule base for aircraft navigation system

Real-time and accurate fault detection is essential to enhance the aircraft navigation system’s reliability and safety. The existent detection methods based on analytical model draws back at simultaneously detecting gradual and sudden faults. On account of this reason, we propose an online detection solution based on non-analytical model. In this article, the navigation system fault detection model is established based on belief rule base (BRB), where the system measuring residual and its changing rate are used as the inputs of BRB model and the fault detection function as the output. To overcome the drawbacks of current parameter optimization algorithms for BRB and achieve online update, a parameter recursive estimation algorithm is presented for online BRB detection model based on expectation maximization (EM) algorithm. Furthermore, the proposed method is verified by navigation experiment. Experimental results show that the proposed method is able to effectively realize online parameter evaluation in navigation system fault detection model. The output of the detection model can track the fault state very well, and the faults can be diagnosed in real time and accurately. In addition, the detection ability, especially in the probability of false detection, is superior to offline optimization method, and thus the system reliability has great improvement.     

涡轮泵试车数据单类支持向量机检测算法

为了在缺乏故障样本的情况下检测某型液体火箭发动机涡轮泵故障,实现基于不完整信息的状态决策,建立了基于v-支持向量分类器的单类支持向量机新异类检测模型。在分析了模型决策边界、支持向量和约束条件之间关系的基础上,为单类支持向量机引入并改进了序贯最小优化算法,提高了训练效率,解决了大样本训练问题。通过对某型液体火箭发动机涡轮泵历史试车数据的分析,结果表明,所建模型的训练速度得到了很大提高,对涡轮泵状态的检测效果良好。