法律状态公告日
法律状态信息
法律状态
2020-05-05
授权
授权
2019-06-07
实质审查的生效 IPC(主分类):G05B23/02 申请日:20171108
实质审查的生效
2019-05-14
公开
公开
技术领域
本发明涉及航天器故障诊断领域,具体地说是一种基于BP神经网络的航天器姿控系统故障诊断方法。
背景技术
航天器系统结构复杂、由为数众多的器件和部件组成,并且需要长时间的工作在恶劣的空间环境中,受到多种环境因素的影响,难免在飞行过程中出现这样那样的问题,因此,故障诊断技术在航天器系统的发射和运行中是非常重要的。
姿态控制系统是航天器系统中最复杂的一个分系统,其任务是获取航天器的姿态信息并保持其在太空中的姿态定向,一旦姿态控制系统运行出错,航天器会有极大的概率在短时间内丢失姿态失去控制,这对于在轨任务往往是致命的。而故障诊断技术可以有效地提高系统可靠性,增强系统的安全性及可维护性。因此姿控系统的故障诊断研究具有非常重要的意义。
在航天器姿控系统中,系统存在诸多不确定因素和难以描述的非线性特性,为了解决这些问题,本发明采用神经网络方法处理非线性问题。相比传统的控制系统状态观测器,应用神经网络设计的状态观测器具有很强的自适应性,利用神经网络对非线性系统进观测和辨识是一种非常重要的方法,具有很高的实际应用价值。
发明内容
针对现有技术的不足,本发明提供一种基于BP神经网络的航天器姿控系统故障诊断方法,有效解决了系统非线性问题,同时抑制了外部干扰对故障诊断结果的影响。
本发明为实现上述目的所采用的技术方案是:
一种基于BP神经网络的航天器姿控系统故障诊断方法,包括以下步骤:
步骤1:采集航天器姿控系统模型未发生故障时的传感器数据,并以该数据训练BP神经网络,建立故障诊断模型;
步骤2:将航天器姿控系统模型传感器的真实输出与故障诊断模型的输出作差,得到残差,用于故障诊断;
步骤3:将残差信息与设定阈值进行比较,对航天器姿控系统进行故障诊断。
所述航天器姿控系统模型包括运动学模型和动力学模型;其中
运动学模型为:
其中,q0,q1,q2,q3为系统的姿态信息;ωx为系统x轴角速度信息;ωy为系统y轴角速度信息;ωz为系统z轴角速度信息。
动力学模型为:
其中,Ix为系统的x轴的转动惯量;Iy为系统的y轴的转动惯量;Iz为系统的z轴的转动惯量;ωx为系统x轴角速度信息;ωy为系统y轴角速度信息;ωz为系统z轴角速度信息;
所述故障诊断模型为:
X*(k)=fBP[X(k-1),X(k-2),…,X(k-p)]
其中,X*(k)为BP神经网络在k时刻的预测输出;X(k-1),X(k-2),…X(k-p)为BP神经网络在k-1,k-2,…,k-p时刻的输入,即系统传感器:陀螺仪的正常数据;k,k-1,k-2,…,k-p为系统的相应时刻;p为BP神经网络输入的个数;fBP为BP神经网络。
所述残差信息为:
ε(k)=|X(k)-X*(k)|
其中,ε(k)为残差信息;X(k)为k时刻系统传感器:陀螺仪的真实输出;X*(k)为BP神经网络在k时刻的预测输出;||为求绝对值符号。
所述将残差信息与设定阈值进行比较,对航天器姿控系统进行故障诊断为:
其中,ε(k)为残差信息;λ为设定的阈值信息。
本发明具有以下有益效果及优点:
本发明能够及时地诊断出系统的故障情况,通过采用BP神经网络设计姿态故障诊断模型,有效解决了系统非线性问题,同时抑制了外部干扰对故障诊断结果的影响。因此,可以有效地提高系统故障诊断效果,提高航天器运行的安全性和可靠性,同时本发明具有很好的实际应用价值,其对于实际姿控系统的控制具有更强的适用性。
附图说明
图1是本发明的方法流程图;
图2是本发明建立的BP神经网络模型;
图3是本发明的故障诊断策略图;
图4是实施例中根据陀螺仪x轴残差得到的故障诊断结果图;
图5是实施例中根据陀螺仪y轴残差得到的故障诊断结果图;
图6是实施例中根据陀螺仪z轴残差得到的故障诊断结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示为本发明的方法流程图,本发明提出了一种基于BP神经网络的航天器姿控系统故障诊断方法,包括以下步骤:
步骤1:建立航天器姿控系统模型,包括运动学模型及动力学模型,同时考虑系统存在外部干扰力矩。
系统的运动学模型:
其中,q0,q1,q2,q3为系统的姿态信息;ωx为系统x轴角速度信息;ωy为系统y轴角速度信息;ωz为系统z轴角速度信息。
系统的动力学模型:
其中,Ix为系统的x轴的转动惯量;Iy为系统的y轴的转动惯量;Iz为系统的z轴的转动惯量;ωx为系统x轴角速度信息;ωy为系统y轴角速度信息;ωz为系统z轴角速度信息;
步骤2:应用系统传感器正常数据训练BP神经网络,建立故障诊断模型。
X*(k)=fBP[X(k-1),X(k-2),…,X(k-p)]
其中,X*(k)为BP神经网络在k时刻的预测输出;X(k-1),X(k-2),…X(k-p)为BP神经网络在k-1,k-2,…,k-p时刻的输入,即系统传感器(陀螺仪)的正常数据;k,k-1,k-2,…,k-p为系统的相应时刻;p为BP神经网络输入的个数;fBP为BP神经网络。
步骤3:将模型的输出与系统传感器的真实输出进行比较,生成用于故障诊断的残差信息。
ε(k)=|X(k)-X*(k)|
其中,ε(k)为残差信息;X(k)为k时刻系统传感器(陀螺仪)的真实输出;X*(k)为BP神经网络在k时刻的预测输出;||为求绝对值符号。
步骤4:将残差与设定的阈值进行比较,完成系统的故障诊断任务。
其中,ε(k)为残差信息;λ为设定的阈值信息。
如图2所示为本发明建立的BP神经网络模型。该BP神经网络模型由三层结构组成,分别为输入层,隐含层及输出层。其中,X(k-1),…,X(k-i),…,X(k-p)为该神经网络模型的输入信息,其表示的是系统未发生故障时三轴陀螺仪的输出数据;f1,f2,f3为该神经网络隐含层采用的映射函数;而X*(k)为该网络对系统k时刻陀螺仪数据的预测输出。本发明中将该BP神经网络作为观测器的形式进行姿控系统的故障诊断研究。
如图3是本发明的故障诊断策略图。图中的上半部分为典型的航天器姿控系统控制模型,即将期望姿态信息输入系统,通过控制求得相应的控制量,然后将控制量送给执行器,执行器解算出相应的控制力矩,然后和外部干扰力矩一起输送给卫星本体,由卫星本体做出相应的动作,改变当前姿态,最后通过陀螺仪获得卫星的姿态信息并与期望姿态信息进行比较,如果其差值接近于0则稳定在当前姿态,否则继续进行上述过程,直到卫星的姿态稳定。本发明中将陀螺仪的真实输出与经过训练后的BP神经网络进行比较作差,生成残差,然后将该残差与设定的阈值进行比较得到系统的故障诊断结果。
实施例:以姿控系统中的执行器故障为例说明本发明的故障诊断方法。本实施例中假设系统的执行器在t=500s时出现故障,相应的故障诊断结果显示在图4、图5和图6中。其中图4表示陀螺仪x轴的残差及故障诊断结果;图5表示陀螺仪y轴的残差及故障诊断结果;图6表示陀螺仪z轴的残差及故障诊断结果;从图中可以看出,陀螺仪三轴的残差都能及时准确地诊断出系统的故障,说明本发明提出的故障诊断方法是有效的。
机译: 航天飞机液体推进系统故障诊断系统与航天器液体推进系统故障诊断方法
机译: 一种SCR系统故障的诊断方法
机译: 内燃机,即柴油发动机,一种用于机动车辆的诊断方法,涉及生成指示再循环系统故障的警报以及当氧化物值不等于参考值时与喷射器有关的警报。