论文摘要：基于计算智能的卫星姿控系统故障诊断研究

卫星姿控系统是卫星重要的分系统，对其进行故障诊断是十分重要的。故障诊断是针对某部件失效后，根据监测数据进行分析和判断，得出部件失效原因和位置，方法众多。其中计算智能是人工智能发展的一个分支，通过对自然界的模拟形成的智能算法，目前已广泛应用于机械、电力和汽车等领域的故障监测及诊断。签于在轨航天器的星载计算机性能低和空间环境复杂，航天器故障诊断主要是通过遥测数据进行地面诊断。因此，通过仅有的少量遥测数据进行故障诊断是航天器故障诊断的关键问题。本文采用计算智能的方法系统、深入地研究了卫星姿控系统在地球指向模式的完备数据故障诊断和正常模式下的不完备数据故障诊断问题。在轨运行部件发生故障后，遥测数据中可能只有少部分特征量反映故障特征，如果直接采用机器学习算法对数据进行训练诊断则会导致诊断精度低，误报率高。本文在数据训练阶段，通过对遥测数据的时域特征分析，提出相对差异特征方法来提取与指定模式具有相对典型特征的故障类别形成故障模式集合，结合支持向量机算法进行故障诊断，从而提高诊断精度。结果表明，通过相对差异特征方法提取故障特征量和故障模式后训练学习机，对比直接训练和 PCA 降维训练学习机，此算法能有效提高诊断精度，保证结果的可信度。针对完备数据的故障诊断，目前已有较多算法，但是这些算法对专家经验的依赖较为严重，特征提取过程中充分结合了专家的分析判断，进而采用阈值进行诊断等。本文考虑到计算智能算法的优越性以及支持向量机的理论发展，采用支持向量机对特征向量进行排序，采用优化算法对特征进行选择，通过多分类支持向量机进行故障检测及诊断，所有参数采用粒子群算法进行优化配置，整个过程不需要人的参与，完全实现了计算机自主化的特征选择和故障诊断。针对不完备数据中数据缺失的故障诊断问题，目前在机械和电力领域研究较多，对于卫星遥测数据存在缺失情况研究较少。本文参考其他领域的应用情况，考虑卫星遥测数据可能存在缺失和遗漏，提出采用核均值和最小二乘支持向量机拟合方式进行数据修复，对比工程上直接删除的做法，修复后的故障诊断算法能有效提高故障诊断精度，对工程应用具有参考价值，也为数据修复领域提供了一种新的思路。 针对不完备数据中的“未知”情况的故障诊断问题，由于地面人员对在轨运行卫星可能发生的故障并不能考虑全面，并且在轨卫星发生的故障具有并发性和多发性的特点，这些情况对于地面已有的故障数据库来说是“未知”问题。本文提出采用核均值聚类和相似度计算的方法实现对“未知”故障的检测，并通过在线独立支持向量机对“未知”故障进行标识和增量训练。仿真结果表明该算法能有效实现对“未知”故障的检测，以及不断丰富故障数据库，同时在地面人员新发现故障模式后能及时进行增量训练，对比神经网络等批次性故障训练及诊断算法，该算法不仅能准确诊断出故障，而且能有效标识“未知”故障并进行增量训练。针对故障诊断算法对卫星的重要性，考虑到误诊断对卫星的安全性有重大影响，因而本文探索了集合卫星动态模拟技术和故障诊断算法实现星地一体化的故障仿真系统。通过卫星动态模拟器实现在轨卫星的姿控仿真，遥测数据监测、故障注入和故障诊断实现对仿真在轨卫星的故障进行复现以及诊断，从而评价诊断结果。这样整套系统闭环实现卫星姿控系统的故障注入、故障复现和故障诊断，能有效检验故障诊断算法的有效性和可靠性，对工程应用具有较强的参考价值。 本学位论文研究内容紧跟当前航天技术的发展前沿，针对工程应用过程中可能存在的问题进行研究，给出了相应的研究结果，对工程应用具有较强的参考价值。本论文在中国空间技术研究院的项目和实验室建设项目的支持下完成。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/203163.html