[发明专利]一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法

说明书

本发明涉及一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法，包括航天器姿控喷管故障数据生成模块和故障诊断模块；故障数据生成模块，用于获得航天器姿控喷管的故障信息和发生此类故障时对应的航天器姿态误差曲线及此时控制器的输出曲线，利用此模块可以得到大量的故障信息，用于故障诊断模块的训练；故障诊断模块用于航天器姿控喷管的故障诊断，此模块基于卷积神经网络技术，输出信息为航天器此时姿控喷管的工作状态,通过故障诊断模块确定航天器姿控喷管的故障类型。本发明可以准确的诊断出航天器姿控喷管的故障类型，增强了航天器姿态控制系统的可靠性，提高其抗故障能力。

技术领域

本发明涉及一种航天器故障诊断系统，特别是涉及基于卷积神经网络的航天器姿控喷管故障诊断系统及方法。

背景技术

近年来，随着航天器技术的发展，航天器作为光机电一体化仪器的设备，由于其规模大、复杂度高、航天器的资源和人工干预能力有限，且太空环境日趋恶劣并存在着大量的不确定性因素等，这些都对航天器的故障诊断技术提出了挑战难以进行有效维护，经常会出现系统异常运行甚至出现故障的情况。因此，航天器故障诊断技术对提高航天器的可靠性、安全性和有效性具有十分重要的作用，已经成为航天领域主要研究方向。故障诊断技术最早起源于美国作为一门学科进行系统研究从上世纪60年代的美国宇航局(NASA)开始，1961年美国开始实施阿波罗计划后出现了一系列的设备故障，促使美国海军研究室主持美国机械故障预防小组开始把故障诊断作为一种技术进行研究开发。根据系统采用的特征描述和决策方法的差异，形成了不同的故障诊断方法，应用于航天器故障诊断的方法有很多种，其中应用较多的有：基于模型的方法、基于信号处理的方法和基于人工智能的方法。

基于模型的故障诊断方法是提出最早、研究最为系统的一种方法。基本思想是运用软件冗余代替硬件冗余。基于模型的故障诊断方法分为基于参数估计的故障诊断方法和基于状态估计的故障诊断方法。而基于信号处理的故障诊断方法，通常是利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，从而诊断出故障，不需要精确的解析模型，很好地解决了基于模型的故障诊断方法模型复杂的问题，有很强的适应性。近些年基于人工智能的故障诊断方法是故障诊断领域的发展的重点，是现阶段应用最广泛，研究的最多的方向。它不需要精确的模型，适用于不确定性的问题。如基于定性模型的诊断方法，它是由人工智能领域学者提出的一类诊断方法。基于定性模型的故障诊断方法的不需要系统精确的数学模型。基本思想是根据系统组成元件与元件之间的连接(或参数间的依赖关系)建立诊断系统的模型；将过程特性的外部表现和人类专家对故障判断和处理的经验，通过抽象化方法直接建立各种过程变量与故障模式之间的定性模型，对系统进行推理，预测系统的定性行为，通过观测的系统实际行为与预期行为的差异，诊断系统是否存在故障，并诊断故障的原因。与上述方法不同，本发明提出的基于卷积神经网络的航天器姿控喷管故障诊断系统，利用航天器故障时的姿态角误差信息曲线和控制器输出信息曲线进行故障诊断。通过识别在航天器姿控喷管故障时，一段时间内姿态角误差信息曲线和控制器输出信息曲线的变化规律，实现对姿控喷管的故障模式识别。并且直接采用飞行器姿态角信号和控制器输出信号的波形图描述当前姿控喷管的工作状态，获取方式简单，易于实现，并且不必对信号做特殊的预处理，降低对信号质量的要求。采用卷积神经网络识别相应的波形图，将姿控喷管故障诊断问题转化为神经网络的分类问题，通过神经网络的自主学习，能够学习波形图中所包含的二维结构特征信息，并且经过网络的卷积操作和池化操作后，对一些高频干扰信号有较好的抑制作用，有一定的抗信号噪声干扰能力。最终所实现的神经网络模型规模较小，训练耗时短，网络实际运行速度快，有利于实现实时在线故障诊断。本发明有利于实施模块化部署，故障诊断网络可以运行在专用的嵌入式科学计算平台上(体积小、重量轻、功耗低)，不受限于控制器硬件的计算能力。

发明内容

本发明的技术决问题：克服现有技术的不足，提供一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法，可以准确的诊断出航天器姿控喷管的故障类型，增强了航天器姿态控制系统的可靠性，提高其抗故障能力。