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。     

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.      

卫星姿态控制系统的故障可诊断性评价研究

在不依赖任何诊断算法的前提下,对卫星姿态控制系统中传感器和执行器的故障可诊断性进行评价,旨在将提高系统故障诊断能力的工作重点前移到设计阶段.由于反馈控制的存在,导致故障会在整个系统中进行传播,使得单故障源表现出多异常征兆,这给闭环系统的故障诊断带来极大挑战.将故障视作扩展状态,并考虑模型不确定性,得到卫星姿态闭环控制系统的状态空间模型;根据可观测性判据,给出并证明考虑建模不确定性的加性故障和乘性故障可诊断性条件.所得相关结论可为卫星姿态控制系统设计提供理论参考依据.     

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation ,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization ,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO 算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。     

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.     

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。      

委内瑞拉遥感卫星姿轨控系统方案及在轨验证

介绍了委内瑞拉遥感卫星姿轨控系统的主要功能、指标要求、系统组成、工作模式、控制方案设计和主要故障诊断逻辑.根据卫星在轨运行数据,给出了卫星在轨运行的部分曲线和姿态控制的指标实现情况,对姿轨控系统方案进行了在轨验证.     

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.     

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。