基于深度迁移学习的航天器故障诊断

随着航天科技的发展,智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记,因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法,为在轨航天器实时故障诊断提供了可行方法.首先,对航天...     

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

航天器地面伴飞系统遥测遥控数据接口设计与实现

航天器地面伴飞系统由遥测遥控数据接口和高精度的数字仿真模型组成.在伴飞系统工作过程中,通过数据接口实时接受在轨航天器遥测遥控数据,并注入航天器数字模型进行同步仿真,进而实现在轨航天器的地面孪生系统.对航天器地面伴飞系统中遥测遥控数据接口的设计与实现问题展开研究.对地面伴飞中涉及的遥测遥控数据标准化封装、数字模型与遥测遥控数据双向映射技术进行了介绍.给出了遥测遥控数据接口的设计与实现过程,对其中的数据对接模块、数据驱动与状态同步模块进行了详细介绍.通过实际工程案例对所设计接口进行了验证.结果表明遥测遥控数据接口工作正常,为地面伴飞系统提供了有效的数据支撑.     

基于双层博弈的多臂在轨服务航天器路径规划

针对在轨服务多臂航天器系统高精度的位姿协同要求及其运动过程中的避障约束,提出一种基于机械臂末端（腕关节）和肘关节的双层博弈多臂路径规划方法。研究建立了多臂运动学模型,在博弈论基础上建立多臂的博弈模型;给出了双层博弈的基本算法流程及其纳什均衡解的求解策略;以动目标多臂围捕为场景进行仿真分析,验证所提出算法末端精确跟踪抓取和肘部避障能力的有效性和实用性。所得结果可为多臂在轨服务航天器的智能化路径规划与控制提供新的解决方案。      

在轨航天器动力学参数辨识技术研究

针对在轨航天器低频密集和辨识时激励源有限且难于测量等特点,开展了适用于低频密集模态且不需激励信息的在轨航天器动力学参数辨识方法的研究,探讨了直接利用在轨响应数据在频域内辨识航天器动力学参数的技术;并根据在轨航天器低频密集特点,设计了在轨航天器动力学参数辨识仿真试验系统,对该辨识方法进行了试验验证。     

在轨航天器撞击解体特性分析与计算

对在轨航天器撞击解体问题进行了研究, 基于NASA 标准解体模型, 给出了在轨航天器撞击解体算法, 重点分析了解体计算时应该满足的几个约束条件. 编写了该算法的通用仿真计算程序, 并通过与P-78 卫星解体事件的实测数据比较验证了算法和程序的正确性. 研究结果对预测分析在轨撞击事件的毁伤特性具有重要的参考价值.      

模型数据混合驱动的航天器健康监测技术

针对现有纯数据驱动的航天器健康监测技术不能覆盖非测控弧段,遥测数据有限,无法满足功能复杂化、任务多样化、在轨时间长期化的航天任务需求的问题,提出一种模型和数据混合驱动的航天器健康监测系统架构.该系统以高保真的数字化模型为基础,通过遥测数据与模型的融合,实现对航天器全时间段、连续可靠的状态监控及状态预示.本文对架构中模型实现、遥测数据与模型数据融合、故障诊断等关键技术进行详细描述,并说明在某型号航天器任务过程中的应用验证情况.     

基于日地月信息的航天器全弧段自主容积卡尔曼滤波导航

高精度全弧段航天器自主导航是航天应用技术的发展方向,是实现航天器在轨任务执行的前提和基础。文章对仅利用日、地、月等天文信息进行航天器全弧段自主导航方法进行了研究。首先,以航天器轨道动力学方程和航天器与日地月之间的夹角信息及地心距作为自主导航系统的状态模型和观测模型,构建了非线性导航系统模型。其次,给出了全弧段自主导航算法,在日月可见弧段采用非线性容积卡尔曼滤波实现航天器自主导航,在星蚀时段利用航天器轨道动力学模型进行高精度轨道预报。最后,给出了数值仿真算例。结果表明,基于日地月天文信息的航天器全弧段自主导航精度保持在2km以内,能够满足其自主导航的要求。     

空间实验室天地一体化故障诊断技术研究

航天器故障诊断不仅可以提高航天器安全性和可靠性，而且可以节约航天器安全寿命期成本。文中详细阐述了空间实验室天地一体化故障诊断系统方案。整个故障诊断体系由在轨诊断系统和地面诊断系统组成，在轨诊断系统具有部分自主诊断能力，地面诊断系统又分为系统级故障诊断和分系统级故障诊断。强调了基于模型推理技术(特别是多信号建模技术)在空间实验室天地一体化故障诊断系统中的重要性；最后指出了当前需要深入研究的建模技术及故障诊断系统的组件化和网络化等关键技术。     

基于先验子图检测的失效航天器SLAM方法

基于激光雷达的航天器位姿估计技术是当前在轨服务研究热点。针对失效航天器位姿估计,将通用的图优化SLAM技术应用到空间非合作目标的研究中。为解决SLAM算法在动态场景中产生累积误差问题,利用失效航天器自身运动特点,提出一种基于先验子图检测改进的SLAM算法。在该算法中,通过激光雷达和惯性测量单元分别采集失效航天器及周围环境的点云数据、服务航天器的运动信息,构建出服务场景下航天器的相对位姿图;再采用先验子图检测方法建立不连续的位姿节点间的约束关系;最后用约束信息对位姿图进行优化。仿真结果表明,相较于通用的SLAM算法的位姿估计,该方法减小了累积误差,提高了相对位姿估计精度,可以为后期的导航、控制等在轨任务提供信息。     

航天器热备份控制计算机软故障前向恢复方法

针对航天器热备份控制计算机单机软故障,提出一种前向恢复方法.该方法依据航天器热备份控制计算机系统的先验知识,通过对内存分块管理和重分配,进行数据比对和数据同步,使得软故障情况下系统中各单机自主、稳定地恢复至独立输出完全一致.与传统的恢复方法相比,新方法针对航天器热备份控制计算机系统设置合适的故障识别与定位的方法,且不用增加任何硬件开销.利用返回飞行器GNCC控制计算机对该方法进行了实现,试验结果证明该方法正确可行,为航天器热备份控制计算机的自主恢复技术奠定良好的基础     

免疫系统的反面选择算法在故障诊断中的应用

生物免疫系统的主要功能就是检测和杀伤来自生物体内和体外称为抗原的非已物质，受免疫系统自己－非已识别机理的启发提出的反面选择算法能检测任何异常变化。文章结合航天器故障诊断的特点对反面选择算法进行了改进，提出了对卫星电源分系统实时系统故障诊断的新方法，通过诊断实例表明该方法是有效可行的，能对卫星电源系统的故障准确、快速的实时诊断。     

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.      

基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。      

基于PCA和WPSVM的航天器电特性识别方法

针对航天器电特性监测系统识别过程中存在测试数据量大、特征维数高、样本少、计算速度慢和识别率低等问题,提出基于主成分分析(PCA)的特征提取和加权近似支持向量机(WPSVM)的在线故障诊断方法.实现了对信号故障特征的主成分分析、选择和提取,并对高维特征数据实现了降维,提高了航天器电特性在线故障诊断的准确性和速度.针对PCA中的结果选取问题,提出运用数据贡献度阈值进行数据截取的方法,有效地保证了数据的有效性与一致性.结果表明:该方法充分利用了航天器电特性监测系统的有用数据特征,有效提高了识别的精度,且计算时间较短,效率较高.      

基于随机森林的航天器电信号多分类识别方法

针对航天器电特性信号数据存在数据量大、特征维数高、计算复杂度大和识别率低等问题,提出基于主成分分析(PCA)的特征提取方法和随机森林(RF)算法,对原始数据进行降维,提高计算效率和识别率,实现对航天器电信号数据的快速、准确识别分类。随机森林算法在处理高维数据上具有优越的性能,但是考虑到时间复杂度问题,利用主成分分析方法对数据进行压缩和降维,在保证准确率的同时提高了计算效率。实验结果表明:与其他算法相比,针对航天器电特性信号数据,本文方法在准确率、计算效率和稳定性等方面均显示出优异的性能。     

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。     

基于多分类AdaBoost的航空发动机故障诊断

对航空发动机运行数据进行数据挖掘的方法,是发动机故障诊断研究领域的重要研究内容。由于各种算法自身的局限性,通过某种单一算法很难大幅度提升故障分类的准确性。运用组合分类的AdaBoost算法,综合多个分类模型进行诊断,是提升故障识别精度的一种较好的方法。通过AdaBoost算法及其改进算法的结合,建立一种多分类的AdaBoost算法,以支持向量机（SVM）为基础分类器,进行综合诊断模型的建立。通过单位向量法、比值系数法和相关系数法将指印图中统计的故障标识数据进行处理,得到不受故障程度影响的训练数据,再进行建模。实验表明,AdaBoost相关结合算法能够显著提升分类器性能。根据实际故障案例,验证了所建立的诊断模型能够较好地用于发动机的故障诊断。      

国外载人航天器故障诊断技术

详细介绍了故障诊断技术在国外载人航天器故障诊断中的应用及发展过程，并对专家系统技术进行了重点分析和介绍，国外载人航天器故障诊断经历了60年代简单的状态监测（水星号），70年代的基于算法的诊断（阿波罗），一直到80年代的基于知识的智能诊断（航天飞机），三个阶段，还介绍了NASA为其航天飞机主发动机透平泵和空间站电源系统开发的故障诊断专家系统，并对航天领域故障诊断技术特点进行了综合分析，同时指出了航天领域故障诊断技术的发展趋势。