[发明专利]一种基于机器学习的引力波探测链路故障快速诊断方法

说明书

本发明公开的基于机器学习的引力波探测链路故障快速诊断方法，属于深空探测技术领域。本发明通过构建双层神经网络，外层网络实现引力波探测链路控制故障区域的检测，内层网络实现引力波探测链路控制故障区域内具体故障参数的辨识，在快速进行引力波探测链路故障检测的同时保证故障检测的准确性；本发明通过使用先验数据训练得到双层网络引力波探测链路故障诊断模型，在应用网络结构模型时能够快速对引力波探测链路的故障区域及具体参数进行快速辨识和诊断。根据本发明得到的引力波探测链路控制系统故障快速诊断结果，实现引力波探测断链预警，进行星间链路控制系统的修复调整，从而维持引力波探测星间链路的稳定。

技术领域

本发明涉及一种基于机器学习的引力波探测链路故障快速诊断方法，属于深空探测技术领域。

背景技术

航天器之间长达几百万公里的距离对激光链路的精确对准造成了困难，微小量级的测量精度对链路的稳定性提出了要求，链路的微小扰动就有可能导致任务的失败。激光链路的精准维持是依靠控制系统实现的，控制系统出现故障时，链路的稳定状态难以维持，甚至有断链的可能性。在深空中，环境的复杂性和不确定性使得航天器系统有一定概率发生控制故障问题。星间链路状态的实时监测和控制系统的故障准确辨识对故障诊断的用时和精度提出了要求。深空大尺度多星编队任务中航天器系统动力学复杂，各部分之间相互耦合，呈强非线性，使得传统故障诊断算法，包括序列二次规划算法、遗传算法和粒子群算法等，在求解控制故障问题时通常要花费数个甚至数十个小时才能实现较高的精度，无法满足星间链路故障诊断的需求。

不同于序列二次规划算法和遗传算法等传统故障诊断方法，机器学习能够满足探测链路故障诊断快速性的要求。它包括一个双层网络结构，对故障的区域及具体参数能够快速辨识。

发明内容

为了解决传统故障诊断算法需要长时间才能达到预定精度的问题，本发明的主要目的是提供一种基于机器学习的引力波探测链路故障快速诊断方法，通过构建双层神经网络，使用从精确系统获得的故障数据对网络进行训练，能够实现对引力波探测链路故障区域和具体参数的快速诊断，利用基于机器学习的链路故障诊断方法能够实现引力波探测星间的链路维持及断链预警。

本发明的目的是通过下述技术方案实现的。

本发明公开的基于机器学习的引力波探测链路故障快速诊断方法，通过采集精确引力波探测链路控制系统动力学模型下的故障数据，生成引力波探测链路控制故障的训练集和测试集。使用机器学习方法得到的故障数据集进行学习，构建双层神经网络，外层网络实现引力波探测链路控制故障区域的检测，内层网络实现引力波探测链路控制故障区域内具体故障参数的辨识，在快速进行引力波探测链路故障检测的同时保证故障检测的准确性；基于构建的双层神经网络，通过训练引力波探测链路故障数据构建不依赖于动力学模型的引力波探测链路故障检测网络，避免受引力波探测链路控制系统动力学复杂耦合呈强非线性对故障检测的速度和精度影响，进而提高引力波探测链路故障检测的精度和效率。基于构建的引力波探测链路故障检测网络，以采集的精确引力波探测链路控制系统动力学模型下的故障数据为构建的引力波探测链路故障检测网络的输入，输出引力波探测链路控制故障区域和区域内的具体故障参数，实现引力波探测链路故障的快速诊断。根据得到的引力波探测链路故障的快速诊断结果，实现引力波探测星间的链路维持及断链预警。

本发明公开的一种基于机器学习的引力波探测链路故障快速诊断方法，包括如下步骤：

步骤一、建立精确的引力波探测链路控制系统动力学模型。

所述精确引力波探测链路控制系统动力学模型为激光链路控制系统非线性模型，包括航天器姿态动力学模型、望远镜动力学模型、测试质量姿态动力学模型和测试质量-航天器相对位移动力学模型。

建立坐标系：

(1)星座参考坐标系：CRF＝{O_C,c₁,c₂,c₃}