基于改进遗传算法对小卫星星群任务规划研究

针对小卫星星群任务运行特点,建立小卫星星群多任务规划问题模型,提出了基于成像任务时间及任务均衡度的多指标优化函数.针对所建模型,采用改进型遗传算法,引入资源随机分配的解码策略及精英保留策略,保证了算法的全局收敛性,提高了算法的性能.通过仿真算例,验证了算法在解决小卫星星群多目标任务规划问题上的有效性.      

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.     

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。     

基于黎曼距离的编队飞行卫星姿态控制系统故障检测数据优选方法

为突破星上资源的严苛约束、提升编队飞行卫星故障检测能力,提出了一种适用于编队飞行卫星姿态控制系统的故障检测数据优选方法,通过利用黎曼距离衡量无故障情况和故障情况下系统测量信息之间的差距,构建了编队飞行卫星姿态控制系统故障检测能力的评价指标。在此基础上,提出了故障检测数据优选方法,为系统输出信息结构优化提供了理论依据。仿真表明,所提出的方法能够在星上资源受限的情况下有效提升编队飞行卫星姿态控制系统的故障检测能力。     

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%。      

基于ADDPG策略的超立方体卫星编队控制

针对大规模卫星高精度编队控制问题，提出了一种基于吸引法则的深度确定性策略梯度控制方法(attraction-based deep deterministic policy gradient, ADDPG)。首先阐述了超立方体拓扑编队拓扑构型特性，建立了卫星编队动力学模型，设计了超立方体卫星编队虚拟中心用于衡量编队整体飞行状态。为解决无模型深度强化学习的探索和扩展平衡问题，设计了ε-imitation动作选择策略方法，最终提出了基于ADDPG的卫星编队控制策略。算法不依赖于环境模型，通过充分利用已有信息，可以降低学习模型初期探索过程中的盲目试错。仿真结果表明ADDPG策略以较少的能量消耗达到更高的精度，相比知名算法在加快编队收敛速度的同时，误差减少5%以上，能量消耗减少7%以上，验证了算法的有效性。     

基于蚁群优化的长短时神经网络变外形飞行器故障模式识别

变外形飞行器机械结构复杂,在变外形过程中发生故障的概率大,传感器测量成本高,针对这些问题,提出了一种基于长短时神经网络进行飞行器测试故障诊断的方法。首先根据变外形飞行器的气动参数模型和非线性动力学模型,构建变外形飞行器执行机构故障特征数据库。然后针对变外形飞行器发生故障时的序列化特征数据,提出基于长短时神经网络的执行器故障诊断框架。利用蚁群优化算法对网络训练的超参数进行优化,提高故障诊断的准确性与泛化性。通过仿真验证了该方法可实现变外形飞行器的低成本、高效率、高精度的故障快速定位。     

基于人工势场的星群松散编队控制

利用低成本的微纳卫星组成星群协同执行空间任务,近年来引起了航天界的广泛关注.针对星群松散编队控制任务,将人工势场法和基于相对运动动力学方程的速度反馈控制相结合,在各颗卫星和目标之间构造吸引势场,在各颗卫星之间建立基于位置信息的避碰势场,在空间障碍物附近建立避障势场,同时引入速度反馈控制律,综合实现星群松散编队控制,并通...     

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.      

基于视线测量的卫星编队机动控制方法

采用视线测量的方法,建立一种编队卫星队形保持与机动的协同控制策略。编队中每一个卫星跟踪自己轨道前方邻近卫星,产生一个视线测量矢量,编队的第一个卫星根据高级控制层指令追踪期望轨道,产生链式编队,将编队卫星之间的视线距离作为反馈控制量来实现队形控制。通过推导J2相对摄动力的表达式,控制模型考虑了模型不确定性和摄动影响,采用滑模控制器,实现了基于视线测量的编队卫星链式跟踪协同控制。仿真算例结果表明,该方法在实现编队卫星队形保持与整体机动控制上具有可行性。     

基于D3QN的无人机编队控制技术

针对无人机编队中控制器设计需要基于模型信息，以及无人机智能化程度低等问题，采用深度强化学习解决编队控制问题。针对编队控制问题设计对应强化学习要素，并设计基于深度强化学习对偶双重深度Q网络（D3QN）算法的编队控制器，同时提出一种优先选择策略与多层动作库结合的方法，加快算法收敛速度并使僚机最终能够保持到期望距离。通过仿真将设计的控制器与PID控制器、Backstepping控制器对比，验证D3QN控制器的有效性。仿真结果表明：该控制器可应用于无人机编队，提高僚机智能化程度，自主学习保持到期望距离，且控制器设计无需模型精确信息，为无人机编队智能化控制提供了依据与参考。     

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。      

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。     

基于轨道动力学模型的分布式SAR卫星编队CDGPS相对定位

针对分布式SAR卫星编队星间基线的高精度确定问题, 提出了基于轨道动力学模型的分布式SAR卫星编队CDGPS相对定位方法. 根据CDGPS原理及基于轨道动力学模型的星间相对定位原理,在CDGPS测量的基础上, 引入轨道动力学模型提供的先验约束信息, 对长弧段的观测数据进行解算, 克服了运动学逐点解算方法在观测几何较差或观测数据不足情况下无法应用的缺点. 此方法能够有效抑制测量中的随机误差, 提高相对定位精度, 提供了一种可实现mm量级星间基线确定的技术途径. 通过仿真计算验证了动力学方法的有效性. 计算结果表明, 动力学方法可以显著提高相对定位精度. 相对于运动学方法, 前者L1固定解的精度提高了68%, 而消电离层固定解的精度提高了95%.      

基于迁移学习的卷积神经网络SAR图像目标识别

针对卷积神经网络中因网络参数随机初始化和参数过多导致的收敛速度慢及过拟合的问题,提出了一种基于迁移学习监督式预训练的卷积神经网络。首先,引入迁移学习的思想,采用小规模数据集作为源域的训练样本,针对源域中源任务进行监督式训练得到预训练模型;然后,构建一个多层的卷积神经网络作为目标域中目标任务的待训练网络,将源域中获得的预训练模型作为该网络的初始参数,大规模数据作为目标域的训练样本进行网络的微调,通过这种基于特征选择的迁移学习,实现源域到目标域的特征信息迁移;针对卷积神经网络中全连接层参数过多的问题,采用卷积层替代全连接层。试验使用美国国防高等研究计划署的移动与静止目标搜索识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集中三类目标数据作为源域样本,十类目标数据作为目标域样本,结果表明该算法的十类目标识别精度达到了99.13%,且具有更快的误差收敛速度。     

卫星编队飞行的相对轨道自主确定研究

为了研究卫星编队飞行相对轨道的自主确定,基于相对轨道根数建立编队卫星间的相对运动方程,利用测量所得到的星间距离和方位信息作为观测量。不同于目前广泛采用的扩展卡尔曼滤波算法,设计Unscented Kalman Filter(UKF)算法实现卫星编队飞行的相对轨道自主确定。仿真结果表明这种相对轨道自主确定方案能获得较高的定轨精度。     

一种分布式小卫星SAR单视复图像信号仿真方法

总结了分布式小卫星合成孔径雷达(DSS-SAR,Distributed Small Satellite Synthetic Aperture Radar)回波信号仿真所需具备的基本功能.给出了DSS-SAR的空间几何模型和信号模型.空间几何模型由描述小卫星编队构形的Hill方程给出,信号模型由单视复图像信号模型、信号相关性模型和干涉相位的统计特性共同描述.结合空间几何模型和单视复图像信号模型,提出了一种简洁的DSS-SAR单视复图像信号的仿真方法.该仿真方法中,小卫星的空间位置是根据虚拟中心空间位置和小卫星的编队构形计算得到,因此仿真时能够任意设置小卫星群的编队构形.通过对圆锥三维地形和平地两种地面场景的进行回波信号仿真,结果表明该仿真方法不但能够实现DSS-SAR信号仿真必须具备的功能,而且还具有实现简洁、误差加入方便等优点.      

星间测距对小卫星编队相对轨道状态的修正

相对轨道状态确定是小卫星编队正常工作的基础和重要保障.针对小型化、低成本的星载GPS接收机定轨精度较低的情况,提出一种利用单纯星间测距信息对卫星编队相对轨道进行修正的方法.引入星间测距信息,采用扩展卡尔曼滤波算法提高编队的相对轨道估计精度.通过仿真验证,证实了该方案的有效性.