基于学习的空间机器人在轨服务操作技术

发展具备全自主操作能力的在轨服务航天器是未来航天领域的重要方向,而赋予航天器自主学习能力是实现自主化操作的重要手段.本文首先对近年来国外在轨服务操作的重要研究计划和关键技术进行了分析,并系统论述了基于学习的机器人操作技术的主要理论和方法.然后,结合未来在轨服务的需求,对我们在此领域的初步研究成果“基于学习的在轨燃料补加控制系统”进行了介绍.最后,结合航天领域的特点,分析了基于学习的空间机器人在轨服务技术所面临的挑战和未来的发展方向.     

面向航天器嵌入式软件的在轨修复方法

航天器在轨运行的修复手段主要是软件的在轨修复.SPARC平台是我国航天领域应用最广泛的处理器架构设计.针对SPARC平台的航天器软件在轨修复问题,提出一种基于二次链接的方式生成在轨软件修复注入码的方法,解决在轨修复注入码重定位的问题.通过地面遥控注入,利用航天器在轨软件预埋的钩子函数,实现在轨函数模块的动态替换及恢复,大大提升SPARC平台软件的在轨修复能力.通过多个在轨航天器的实际工程应用,证明该方法是可行的和有效的,且具有良好的工程应用价值.     

基于序列-图像映射的航天器智能故障诊断方法

卫星组网是未来航天的发展大趋势,要保证众星在轨安全可靠稳定运行,要求单星具备高精度的在轨自主故障诊断能力。本文针对航天器控制系统故障闭环传播和数据维数高的特点,结合某航天器的地面测试数据,首先对高维耦合序列数据进行处理,实现序列到灰度图像的映射,然后采用卷积神经网络完成高精度同一故障部件的故障诊断。通过将所提方法与K邻近算法、基于主成分分析的K邻近算法等非图像化机器学习算法进行对比验证,说明了本文所提方法的有效性。     

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。     

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.     

全球首个商业在轨服务航天器任务拓展飞行器－1

正"在轨服务"概念诞生于20世纪60年代美、苏航天员进入太空前后,当时由于航天技术发展与制造能力限制,在轨服务研究还仅限于有人在轨服务。当航天时代步入21世纪之后,全球经济发展水平、航天制造与发射能力得到显著提升,在轨航天器数量与年度发射数量都出现井喷式增长,在轨服务概念和技术研发的投入与关注度日渐提升。以美国、欧洲、日本为代表的世界航天强国或地区都启动了各自的在轨服务项目,但多数都还停留在方     

航天飞机的在轨服务“特技”

正随着在轨服务再次成为航天技术的热门话题,退役多年的航天飞机也得到更多的审视。公允地说,航天飞机虽然没能实现革命性降低发射成本的目标,但作为一个大型航天器,其在轨服务能力是空前的。军事航天的倍增器航天飞机是美国宇航局(NASA)和美国空军联合研制的可重复使用航天     

基于DSP平台的航天器软件在轨维护实现方法研究*

摘要： DSP（数字信号处理器）在空间领域的应用越来越广泛,面对复杂的空间环境和长时间可靠运行的要求,基于DSP处理器平台的航天器软件,其在轨维护能力成为了一个迫切需要解决的问题.设计一种DSP软件的航天器在轨动态维护方案,并提出两种在轨注入指令码的生成方法.该在轨维部方案通过在航天器软件中预埋钩子功能,经遥控指令注入在轨维护指令码,实现在轨运行软件模块的动态替换功能.通过系统测试,证明该方案的可行性,具有良好的工程应用价值.     

圆轨道航天器在轨加注任务空间燃料站部署问题

在轨服务技术因在航天器故障修复、寿命延长及军事方面有重大辅助作用而越来越受到各航天大国的重视,作为在轨服务技术重要组成部分的在轨燃料补给技术也越来越受到关注。文章针对圆轨道航天器在轨燃料加注任务,将空间燃料站技术与多目标在轨加注技术相结合,对基于燃料站的在轨加注模式进行了研究,提出了一种基于聚类分析的在轨加注任务调度及优化算法。通过对双脉冲轨道转移问题的求解与分析,获得了轨道转移速度增量和轨道参数之间的关系,在此基础上分析了圆轨道航天器在轨加注任务调度问题,并根据调度模型的变量和约束关系,建立了圆轨道航天器在轨加注任务多目标规划模型,并采用免疫遗传算法对加注任务调度空间燃料站选址问题进行了研究。以30颗目标航天器的在轨加注任务为例进行了数值仿真,并由燃料消耗的计算结果验证了算法的有效性。     

圆轨道航天器在轨加注任务空间燃料站部署问题

在轨服务技术因在航天器故障修复、寿命延长及军事方面有重大辅助作用而越来越受到各航天大国的重视,作为在轨服务技术重要组成部分的在轨燃料补给技术也越来越受到关注。文章针对圆轨道航天器在轨燃料加注任务,将空间燃料站技术与多目标在轨加注技术相结合,对基于燃料站的在轨加注模式进行了研究,提出了一种基于聚类分析的在轨加注任务调度及优化算法。通过对双脉冲轨道转移问题的求解与分析,获得了轨道转移速度增量和轨道参数之间的关系,在此基础上分析了圆轨道航天器在轨加注任务调度问题,并根据调度模型的变量和约束关系,建立了圆轨道航天器在轨加注任务多目标规划模型,并采用免疫遗传算法对加注任务调度空间燃料站选址问题进行了研究。以30颗目标航天器的在轨加注任务为例进行了数值仿真,并由燃料消耗的计算结果验证了算法的有效性。     

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。      

基于迁移学习的暴恐图像自动识别

利用人工智能和深度学习技术自动化地分析互联网海量图片,快速、准确地识别有害的暴恐图像并及时处置是反恐工作的重要手段之一。研究了利用深度学习和迁移学习技术对暴恐图像进行分类识别。首先,定义了暴恐图像的主要概念特征,并针对性地构建数据集;其次,针对暴恐图像正样本较少的问题,设计深度神经网络模型和迁移学习方式;最后,基于构建的训练数据集进行模型训练和测试。结果显示:所提方法可以快速、准确地对互联网图片进行分类识别,平均分类准确率达到96.7%,从而有效降低人工检测的劳动强度,为反恐预警工作提供决策支持。      

液体火箭发动机故障诊断器设计及其HIL验证

为了实现某型液体火箭发动机机载实时故障诊断,采用FPGA与DSP相结合的方式作为硬件架构设计了故障诊断器,其中FPGA控制高精度A/D转换器进行传感器数据采集,DSP运行故障诊断算法并将结果输出,对故障诊断器的硬件和软件分别进行了设计。提出了一种递归结构识别（RESID）算法用于液体火箭发动机故障诊断,该算法可在6 ms内诊断出流量衰减故障。搭建基于故障诊断器和工控机的硬件在环（HIL）试验平台,采用自动代码生成技术与手写代码结合的方式对RESID算法进行了试验验证,通过上位机界面进行观察。结果表明:RESID算法能准确地诊断出发动机常见的故障并在故障诊断器上实现,算法运行时间为3.9 ms,故障诊断器可以实现实时数据监测和故障诊断,相对于传统平台更加小型化和经济化,既可以作为机载装置使用,也可作为通用平台来开发新算法。      

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。     

一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

基于信息融合的深空探测器的自主导航方法

天文导航是深空探测器实现自主导航的重要手段之一 ,其基本原理是基于航天器轨道动力学方程和对天体的观测信息 ,利用卡尔曼滤波精确估计航天器的位置和速度。但由于天文导航只使用了相对于天体的角度信息 ,所以定位精度较低。为解决这一问题 ,文章提出了一种在天文观测信息的基础上 ,同时利用多普勒频移测量探测器与地面站的相对速度 ,并利用信息融合将两者有效的结合在一起的导航新方法。计算机仿真结果显示 ,该方法可以大大提高导航定位的精度     

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%。      

基于多特征融合的航天器锂电池健康评估技术

传统的航天器蓄电池可靠性试验按照最大放电深度进行定额充放电，所构建的失效模型用于支撑航天器总体可靠性设计，不能用于在轨锂离子蓄电池健康评估任务；航天器在蓄电池遥测的采样率、精度、样本量方面无法与民用领域相比，基于高采样、大样本的民用蓄电池健康估计方法也不适用于在轨锂离子蓄电池健康评估。针对该问题，从在轨航天器蓄电池数据特性出发，挖掘在轨状态下所能提取的退化特征，并采用多特征综合评价方法，设计了一种基于多特征融合的在轨锂离子蓄电池健康评估方法，实现了在轨蓄电池放电内阻、同放电深度下的终端电压、恒压充电时间3项退化特征融合的健康量化评估，应用于某型号卫星的在轨监测与健康评估，具有良好的工程实用性，可作为国内航天器健康评估技术的参考。     

基于CEI的航天器交会对接段的轨道监控

文章探讨了CEI技术在飞船交会对接远程导引段的实时监控的能力,采用单一绝对滤波器的方案进行实时轨道计算,仿真结果表明：采用滤波稳定后固定模糊度的方法可以提高轨道的滤波解精度,相对轨道位置精度可达十米级,速度精度可达厘米每秒级,满足远程导引段的精度指标。