CN101697079B - 用于航天器实时信号处理的盲系统故障检测与隔离方法 - Google Patents

Abstract

本发明提供用于航天器实时信号处理的盲系统故障检测与隔离方法，依据对象系统诊断参考信号采用时域动态模式匹配的方式进行信号奇异点的检测，实现系统正常与非正常状态的区分，进而依据故障发生时刻点之后的对象系统诊断参考信号采用时域动态模式匹配的方式对时域信号模式进行匹配与分类，实现系统故障模式隔离。本发明建立在动态性能良好的故障检测ELMAN神经网络、故障隔离ELMAN神经网络、改进网络训练算法、故障逻辑判决技术的基础上，具有较好的实时有效性、输出耦合诊断性能、时域信号诊断泛化性和网络收敛性，可有效避免航天器精确模型不易获得、人工诊断方法实时性差、传统神经网络方法时域样本泛化性和收敛性差的缺陷。

Description

用于航天器实时信号处理的盲系统故障检测与隔离方法

技术领域

本发明涉及航天器故障诊断与容错控制领域，特别是一种面向盲系统时域信号进行实时处理的故障检测与隔离方法。

背景技术

实时状态监测及故障诊断是远程装备可靠性保障必不可少的重要手段。尤其对于卫星等空间飞行器装备，其远程环境的特殊性及设备的关键性决定了卫星故障诊断不仅要具备智能自主性，而且需同时具有实时性。红外地球敏感器是以轨道坐标系为参考测量卫星姿态的重要部件之一，也是保障卫星姿轨控子系统正常运行的前提。然而，敏感器故障也是最易发生但又最难解决的控制理论及技术问题之一。区别于控制系统中的执行器故障，敏感器故障在控制回路中具有传播性，一般可采取模型观测器与神经网络两种途径进行故障诊断。模型观测器方法蕴含了诊断对象系统的物理机理，可以对故障空间解耦生成观测残差，依据残差进行故障检测与隔离，适合应用于数学描述结构简单、建模精确的控制系统实时监测与故障诊断。传统神经网络方法因其具有函数拟合和分类特性而被应用于解决系统无法建模或比较复杂时的系统辨识及模式分类。基于神经网络的系统辨识可以拟合出对象系统的过程模型，估计出控制系统所需辨识变量，然而，在诊断输出不规律的复杂故障模式时依据系统辨识变量可以检测但不足以隔离故障；基于神经网络的模式分类一般处理的是时间上没有相关性、孤立的数据样本，而且需要丰富的样本训练才能获得稳定的网络结构。对于卫星姿态控制系统，由于存在复杂的不确定性影响，建立精确的模型较为困难，而且故障模式与系统输出之间存在非线性关系。另外，远程环境决定了卫星故障诊断必须具有较快的在线诊断能力。因而，研究一种既能充分利用神经网络的拟合及分类能力(不需对系统进行建模)、但又能实现在线实时故障诊断的方法，对于提升卫星可靠性及自主性，具有十分重要的理论与实践意义。

目前，卫星敏感器实时故障诊断方法的研究主要集中在模型观测器与神经网络系统辨识两个方面。邢琰等人提出了一种利用特征结构指定隔离卫星滚动偏航陀螺敏感器故障的观测器方法，利用姿态运动学关系建立关联卫星各个敏感器输出信息的系统，针对这个系统设计隔离观测器，使不同陀螺的故障在残差空间的不同方向定向，达到故障隔离的目的，然而该方法只针对简单的控制系统模型，其检测隔离充分条件在工程中一般很难满足。文献《利用奉献观测器诊断红外地球敏感器故障的新方法》提出了一种基于奉献观测器诊断红外地球敏感器的方法，通过对不完全能观子系统进行能观性分解，再对能观子系统设计奉献观测器以克服能观性条件限制，可以实现红外地球敏感器的检测与隔离，但该方法针对的系统输出模型耦合了敏感器陀螺的测量输出(即增加了诊断依据信息)，须通过解析冗余进行残差生成，因而当陀螺测量输出不可靠时，检测隔离则失效。H.A.Taleb等人提出了基于系统辨识变量检测隔离卫星敏感器及执行器故障的循环神经网络方法。该方法可诊断简单的卫星磁控系统传感器故障，由于敏感器输出之间不存在耦合关系，因而依据相关辨识变量的残差比较容易进行故障隔离，但不适用于故障条件下敏感器输出相关的情形(如完整卫星姿态控制系统中的红外地球敏感器故障)。北京控制工程研究所基于G2专家系统工具在嵌入式卫星姿控故障模拟平台上开发了一套卫星姿控系统故障实时仿真与诊断算法，通过对姿态观测变量分析建立判决先验规则知识库，对于指定故障可以有效检测隔离。然而G2专家系统规则知识库人工建立过程比较繁琐，而且为了提高故障检测隔离效果需参考大量的实时状态信息，因而在智能性方面还存在不足。

发明内容

本发明的目的在于提供一种用于航天器实时信号处理的盲系统故障检测与隔离方法，该方法具有较好的实时有效性、输出耦合诊断性能、时域信号诊断泛化性和网络收敛性。

用于航天器实时信号处理的盲系统故障检测与隔离方法，包括以下步骤：

(1)在线检测：

(1.1)将第i＝k-N，…，k检测时刻的航天器诊断依据实时信号p_i输入故障检测神经网络a₂(i)＝f₂(LW_2，1a₁(i)+b₂)，其中a₁(i)＝f₁(IW_1，1p_i+LW_1，1a₁(i-1)+b₁)，IW_1，1，LW_1，1，b₁，LW_2，1，b₂为故障检测神经网络的结构参数，f₁()为故障检测神经网络的隐含层传输函数，f₂()为故障检测神经网络的输出层传输函数，a₂(i)为一维向量，a₁(i)为h维向量，h≥m(m*1)/2，m为诊断依据实时信号p_i的个数，k为当前检测时刻，N为数据窗长度；

(1.2)对i＝k-N，…，k检测时刻的故障检测神经网络输出a₂(i)作滤波处理，得到滤波结果 $O\left(k\right)=\frac{1}{N+1}\underset{i=k-N}{\overset{i=k}{\mathrm{\Σ}}}{a_2}^2\left(i\right);$

(1.3)若滤波结果O(k)小于等于检测阈值ε₀，则系统正常，否则系统故障，进入步骤(2)；

(2)在线隔离：

(2.1)将第i＝k-N，…，k检测时刻的航天器诊断依据实时信号p_i输入故障隔离神经网络 ${\tilde{a}}_2\left(i\right)={\tilde{f}}_2(\tilde{L}{W}_{\mathrm{2,1}}{\tilde{a}}_1\left(i\right)+{\tilde{b}}_2),$ 其中 ${\tilde{a}}_1\left(i\right)={\tilde{f}}_1(\tilde{I}{W}_{\mathrm{1,1}}{p}_i+\tilde{L}{W}_{\mathrm{1,1}}{\tilde{a}}_1(i-1)+{\tilde{b}}_1),$

为故障隔离神经网络的结构参数，

为故障隔离神经网络的隐含层传输函数，

为故障隔离神经网络的输出层传输函数，

为

维向量， $\tilde{n}\≥{\log }_2\mathrm{FN},$ FN为故障总数，

为

维向量， $\tilde{h}\≥(m*\tilde{n})/2;$

(2.2)对i＝k-N，…，k检测时刻的故障隔离神经网络输出

作滤波处理，得到滤波结果 $\tilde{O}\left(k\right)={\left[\begin{array}{ccc}{\tilde{O}}_1& ...& {\tilde{O}}_{\tilde{n}}\end{array}\right]}^T=\frac{1}{N+1}\underset{i=k-N}{\overset{i=k}{\mathrm{\Σ}}}{{\tilde{a}}_2}^2\left(i\right),$ T表示转置；

(2.3)将步骤(2.2)得到的滤波结果

中的每一维元素

分别与隔离阈值

作比较，若比较结果小于等于零，则该维元素对应的逻辑输出值为H0，否则，该维元素对应的逻辑输出值为H1，从而得到滤波结果向量对应的逻辑输出序列；

(2.4)依据逻辑输出序列在故障模式匹配表中匹配故障模式。

所述故障检测神经网络的结构参数IW_1，1，LW_2，1，b₁，LW_2，1，b₂按照如下方式确定：

A1、令X(t)＝[IW_1，1(t) LW_2，1(t) b₁(t) LW_2，1(t) b₂(t)]^T，初始化X(1)，X(2)，t＝3；

A2、计算 $\left\{\begin{array}{c}X\left(t\right)=X(t-1)+\mathrm{\ΔX}(t-1)\\ \mathrm{\ΔX}(t-1)=\mathrm{\α\ΔX}(t-2)+\mathrm{\α}{l}_r\frac{d_{\mathrm{perf}}}{\mathrm{dX}}\end{array}\right.,$ 其中，检测神经网络性能perf与检测权重及偏移参数X(t)的导数 $\frac{d_{\mathrm{perf}}}{\mathrm{dX}\left(t\right)}=\frac{d}{\mathrm{dX}\left(t\right)}\left(\underset{s=1}{\overset{G}{\mathrm{\Σ}}}{(a_2\left(s\right)-y\left(s\right))\·(a_2\left(s\right)-y\left(s\right))}^T\right),$ y(s)为s时刻时故障检测神经网络的期望输出，G为正常和故障训练样本的时间序列总长度，l_r表示故障检测神经网络的学习速率，α表示故障检测神经网络的动量项；

A3、若检测神经网络性能perf∈[0，0.001]，则故障检测神经网络的结构参数等值于X(t)，结束，否则t＝t+1，返回步骤A2。

所述故障隔离神经网络的结构参数按照如下方式确定：

B1、令 $\tilde{X}\left(t\right)={\left[\begin{array}{ccccc}\tilde{I}{W}_{\mathrm{1,1}}\left(t\right)& \tilde{L}{W}_{\mathrm{2,1}}\left(t\right)& {\tilde{b}}_1\left(t\right)& \tilde{L}{W}_{\mathrm{2,1}}\left(t\right)& {\tilde{b}}_2\left(t\right)\end{array}\right]}^T,$ 初始化t＝3；

B2、计算 $\left\{\begin{array}{c}\tilde{X}\left(t\right)=\tilde{X}(t-1)+\mathrm{\Δ}\tilde{X}(t-1)\\ \mathrm{\Δ}\tilde{X}(t-1)=g\left(\mathrm{\Δ}\tilde{X}(t-2)\right)\mathrm{\Δ}\tilde{X}(t-2)+\widetilde{\mathrm{\α}}{\tilde{l}}_r\frac{d_{p\tilde{e}\mathrm{rf}}}{d\tilde{X}\left(t\right)}\end{array}\right.,$ 其中，隔离网络性能

与隔离权重及偏移参数

的导数 $\frac{d_{p\tilde{e}\mathrm{rf}}}{d\tilde{X}\left(t\right)}=\frac{d}{d\tilde{X}\left(t\right)}(\underset{\tilde{s}=1}{\overset{\tilde{G}}{\mathrm{\Σ}}}({\tilde{a}}_2\left(\tilde{s}\right)-\tilde{y}\left(\tilde{s}\right))\·{({\tilde{a}}_2\left(\tilde{s}\right)-\tilde{y}\left(\tilde{s}\right))}^T),$

为

时刻时故障隔离神经网络的期望输出，

为故障训练样本的时间序列长度，

表示故障隔离神经网络的学习速率，

表示故障隔离神经网络的动量项， $g\left(\mathrm{\Δ}\tilde{X}(t-2)\right)=\mathrm{\Δ}\tilde{X}(t-2)\·\exp (-\mathrm{\Δ}{\tilde{X}}^2(t-2));$

B3、若隔离神经网络性能 $p\tilde{e}\mathrm{rf}\∈\left[\mathrm{0,0.001}\right],$ 则故障隔离神经网络的结构参数等值于

结束，否则t＝t+1，返回步骤B2。

所述传输函数f₁()、f₂()、

采用tansig()、logsig()、purelin()函数中的任意一种。

数据窗长度N取值较小时，有助于对故障的快速检测，然而将有可能增大误报率；反之，当N取值过大时，将不利于对故障的快速检测，一般取值1～20。

本发明的技术效果体现在：本发明具有实质性特点和显著进步，盲系统故障检测与隔离方法是在动态性能良好的故障检测ELMAN神经网络、故障隔离ELMAN神经网络、改进网络训练算法、故障逻辑判决技术的基础上研发的。与已有的技术相比，该技术具有较好的实时有效性、输出耦合诊断性能、时域信号诊断泛化性和网络收敛性，可避免航天器有效模型不易获得、人工诊断方法实时性差、传统神经网络方法时域样本泛化性和收敛性差的缺陷，对航天器等盲系统的自主故障诊断能力及可靠性进行了提高与改善。

附图说明

图1为本发明原理图；

图2为本发明系统结构示意图；

图3为ELMAN神经网络结构示意图；

图4为卫星姿控系统对地定向完整模型示意图；

图5为实时诊断模块与对象系统的接口关系示意图；

图6为滚动通道输出封死故障检测隔离效果图；

图7为滚动通道输出均值偏差故障检测隔离效果图；

图8为偏航通道输出封死故障检测隔离效果图；

图9为偏航通道输出均值偏差故障检测隔离效果图；

图10为故障红外地球仪耦合输出信号示意图；

图11为故障隔离ELMAN神经网络诊断输出效果图；

图12为诊断实时信号示意图；

图13为BPNN与本发明ELMAN NN诊断输出对比示意图；

图14为未改进ELMAN NN训练收敛性能示意图；

图15为本发明改进ELMAN NN训练收敛性能示意图。

具体实施方式

如图1所示，本发明分为离线与在线两个阶段。离线阶段：第一步，根据对象系统可供参考的诊断依据信号数目(包含控制输入及测量输出两种类型)及需要检测隔离的故障数目确定故障检测与故障隔离两种ELMAN神经网络的基本结构；第二步，收集对象系统在正常及故障模式下的样本数据及设定训练目标，采用改进的更新梯度策略进行离线训练分别获得两种网络的结构及权重参数，进而获得最优故障检测神经网络和故障隔离神经网络模块；第三步，在两种神经网络模块输出之后设计对应的故障逻辑判决模块。在线阶段：将两种网络及对应判决模块嵌入对象系统进行在线实时监测，故障隔离神经网络在故障检测神经网络对应逻辑判决产生指令信号(检测到故障发生)时启动，进而获得故障隔离对应精确指令信号；结合故障检测指令信号及故障隔离指令信号，即可实现实时故障诊断。

本发明具有故障检测隔离神经网络(包含离线训练算法)、故障检测逻辑判决、故障隔离神经网络(包含离线训练算法)、故障隔离逻辑判决四个部分及功能(如图2所示)。其中，故障检测隔离神经网络模块功能为依据对象系统诊断参考信号采用时域动态模式匹配的方式实现信号奇异点的检测，进而实现系统正常状态与非正常状态的区分，其离线训练所针对的信号样本是一个时间序列过程，训练目标为正常与非正常两种状态。故障隔离神经网络模块功能为依据故障发生时刻点之后的对象系统诊断参考信号采用时域动态模式匹配的方式实现时域信号模式的匹配与分类，进而实现系统故障模式之间的隔离，其离线训练所针对的信号样本是一个时间序列过程，训练目标为故障模式对应的二进制序号集。故障检测与故障隔离逻辑判决模块功能为采用阈值逻辑判决方法生成精确的指令信号。

由于针对的是一类时域动态信号进行实时故障检测与隔离，本发明的两个神经网络均采用具有时延记忆特性的艾曼(ELMAN)神经网络作为结构原型。ELMAN网络具有与多层前向网络相似的多层结构，如图3所示，它的主要结构是前馈连接，包括输入层(input layer)、隐含层(recurrentlayer)、输出层(output layer)，六个结构参数通过离线训练算法进行学习修正；反馈连接由一组“结构”单元构成，用来记忆前一时刻的输出值。

下面结合实施例和说明书附图对本发明进一步详细说明：

为了验证发明提出的ELMAN神经网络实时故障诊断方法的有效性和优越性，本文以某型高精度三轴稳定近地卫星姿控系统对地定向完整模型为实验对象，分别从实时有效性、输出耦合诊断性能、时域信号诊断泛化性对比三个方面设计了实时仿真实验，该实验基于北京控制工程研究所嵌入式故障模拟平台完成。

一、对象系统描述

1、完整卫星姿态控制系统模型

某型高精度三轴稳定近地卫星姿控系统对地定向完整模型构成图如图4所示，其执行机构为反作用飞轮，其姿态敏感器包括速率积分陀螺与红外地球敏感仪。整个卫星姿控系统由控制器、执行机构、卫星姿态动力学模型、卫星姿态运动学模型、姿态敏感器和姿态确定模块组成。

2、红外地球仪故障

卫星姿控系统姿态敏感器中通常包含滚动与偏航两个通道红外地球敏感器，分别测量卫星的滚动姿态角偏航姿态角，与惯性陀螺一起构成卫星姿态确定系统测量卫星姿态。红外地球仪包含正常模式及两种基本故障模式，即输出封死，输出均值偏差。

正常情况下，红外地球敏感器的测量模型可以简写为：

$\left\{\begin{array}{c}{\mathrm{\φ}}_g=\mathrm{\φ}+{\mathrm{\φ}}_e\\ {\mathrm{\θ}}_g=\mathrm{\θ}+{\mathrm{\θ}}_e\end{array}\right.$

其中φ_g、θ_g为测量输出，φ、θ为卫星滚动和俯仰姿态角，φ_e、θ_e为测量噪声。

当红外地球仪存在输出封死故障时，其故障现象是红外地球敏感器不敏感卫星姿态变化，输出保持一个固定常值或其他随机变化量，对应的故障模型数学描述为：

$\left\{\begin{array}{c}{\mathrm{\φ}}_g={\mathrm{\φ}}_f\\ {\mathrm{\θ}}_g={\mathrm{\θ}}_f\end{array}\right.$

其中φ_f，θ_f是故障时的输出值，一般为一常值。

当红外地球仪存在输出均值偏差时，其故障现象是红外的测量输出均值带有偏差，偏离正常值，对应的故障模型数学描述为：

$\left\{\begin{array}{c}{\mathrm{\φ}}_g=\mathrm{\φ}+b_{\mathrm{\φ}}+{\mathrm{\φ}}_e\\ {\mathrm{\θ}}_g=\mathrm{\θ}+b_{\mathrm{\θ}}+{\mathrm{\θ}}_e\end{array}\right.$

二、操作例流程

根据上述操作例实施对象，确定实施对象诊断依据实时信号为6路，即4路执行器控制力矩输入，红外地球仪滚动、偏航两路敏感器测量输出。实时诊断模块与对象系统的接口关系如图5所示。需要检测与隔离的故障数目为4。操作例流程分为：样本数据获取、网络基本结构确定、网络训练及参数确定、在线故障检测与隔离四个步骤。

2.1、样本数据获取

分别获取故障及正常模式下的6路实时信号数据样本，其中故障模式包括四种具体故障模式，为了得到合乎平稳性与正态性、适合计算机处理的离散数据，需对信号数据样本进行离散预处理，可采用提取趋势项，消除噪声，剔除野点，归一化处理等现有技术。这6路实时信号为：红外地球仪滚动、偏航两路敏感器测量输出和4路执行器控制力矩输入、

2.2、网络基本结构确定

2.2.1故障检测ELMAN神经网络

对于故障检测ELMAN神经网络，输入为m＝6路，由于只需对正常及非正常进行区分，因而输出为n＝1路。因而可得故障检测隐含层神经元个数：h≥(m*n)/2＝1×6/2＝3，选择h＝10；其中输入层到隐层的神经元传输函数选择为tansig函数，隐层到输出层的神经元传输函数选择为purelin函数。

训练目标

故障检测ELMAN神经网络训练目标可以表示为表1所示，正常模式下目标输出为0，故障模式下输出为1。

表1故障检测ELMAN网络训练输入与输出对应表

输入模式	正常	滚动通道输出封死故障	滚动通道输出均值偏差故障	偏航通道输出封死故障	偏航通道输出均值偏差故障
						目标输出	H0	H1	H1	H1	H1

2.2.2故障隔离ELMAN神经网络

对于故障隔离ELMAN神经网络，同样输入为m＝6路，由于需对两个通道两类故障一共4种故障进行区分，因而输出为 $\tilde{n}={\log }_{2}4=2$ 路。因而可得故障隔离隐含层神经元个数： $\tilde{h}=(m*\tilde{n})/2=2\×6/2=6,$ 选择 $\tilde{h}=10;$ 其中输入层到隐含层的神经元传输函数选择为tansig函数，隐含层到输出层的神经元传输函数选择为tansig函数。

训练目标

ELMAN神经网络训练目标可以表示为表2所示。

表2故障隔离ELMAN网络训练输入与输出对应表

输入模式	滚动通道输出封死故障	滚动通道输出均值偏差故障	偏航通道输出封死故障	偏航通道输出均值偏差故障
					目标输出	[H0 H0]	[H0 H1]	[H1 H0]	[H1 H1]

2.3网络训练及参数确定

2.3.1故障检测ELMAN神经网络参数选定：

由于故障检测ELMAN神经网络只有1路输出且模式较简单，采用梯度下降算法(traingdx)算法进行网络训练，以所有正常和故障样本作为训练样本，其选择学习速率l_r＝0.8，动量项α＝0.5，网络权值及阈值参数IW_1，1，LW_1，1，b₁，LW_2，1，b₂初值设置为0；数据窗长度N＝10。

通过网络训练获得最优网络参数如下表所示：

IW_1，1为6*15的矩阵，其值为：

-14.4088 3.941136 3.4694 4.645904 11.52946 -22.2844 28.98437 -18.0139 26.98045 -12.1813 13.99182  5.6736 -11.4558 31.69466 136.128-2.24172 3.049802 2.052508 3.909641 4.192213 -3.46149 5.141702 -4.98175 4.099 -3.39223 -8.18644 -4.36636 -2.27838 15.87086 44.29894-17.5488 -12.075 1.0983991 5.41916 7.644464 -5.15613 6.0015791 4.28974 -8.00611 -8.35153 -1.9519 8.511803 -13.7594 5.049633 -5.66265-19.5256 22.4005 17.40089 -20.3509 10.98958 -14.7693 -21.0067 -14.8935 27.18857 -16.2751 21.92103 14.94894 22.91684 -37.0329 -43.8502-5.6343 -4.11538 -15.6593 20.70659 -20.196 9.599917 -14.6369 -21.7877 9.350528 27.06233 14.68206 -23.4725 -18.4324 -21.6379 -53.38535.16811 0.547195 -12.1259 2.816964 -8.30533 -11.8289 -3.39077 -7.21369 -0.30988 -10.1559 -14.0563 -6.82597 -10.1308 7.212921 9.78369

LW_1，1为15*15的矩阵，其值为：

-0.16449 0.170522 -0.1407 0.052302 -0.37242 0.199613 -0.0322 -0.07228 0.506883 -0.4678 0.2396 -0.55562 0.103322 -0.14302 -0.181920.23405 0.210114 0.358946 0.099499 -0.04655 -0.38066 -0.35991 0.443438 -0.13074 -0.10527 0.000473 0.069311 -0.09331 0.333803 -0.10561-0.30216 0.160331 0.524273 -0.35125 0.304306 -0.13351 0.001982 0.485634 -0.17149 0.167222 -0.12225 -0.40509 0.463158 0.442383 0.011738-0.29242 0.453838 -0.36419 0.20104 -0.03072 0.41907 -0.51079 -0.05712 -0.14716 -0.54243 0.524062 0.585757 -0.33298 -0.14511 0.205949-0.209 0.458059 -0.37978 0.248813 -0.41016 -0.22963 0.312004 -0.41771 -0.3364 0.318894 -0.24654 0.173834 0.286702 0.239292 0.213027-0.1674 0.262659 0.339014 0.207499 -0.32603 -0.23852 -0.20023 0.585398 0.518588 0.239998 0.411141 -0.16989 0.416787 0.303115 0.190125-0.50495 0.530367 0.336873 -0.20212 -0.47333 -0.04652 0.078422 0.031973 -0.44404 0.370744 0.313655 0.263442 0.40584 -0.18976 -0.014760.517766 0.472448 -0.42286 0.579437 0.131483 -0.51133 -0.05834 -0.22786 -0.0931 -0.27253 -0.32133 0.577621 0.430129 0.43433 0.5509610.487925 -0.46448 0.496241 0.431749 -0.50618 -0.31695 0.462823 -0.04679 -0.09482 -0.51297 0.003581 -0.15076 -0.1907 -0.56085 0.3482780.506721 -0.14274 -0.0793 0.434471 -0.42381 0.561276 0.025689 -0.20241 -0.01632  0.2504 -0.38023 0.079008 0.148771 -0.39546 0.584359-0.31222 0.399599 -0.32562 -0.0484 0.41899 0.105791 -0.49533 -0.26154 -0.45115 -0.34138 0.216693 0.067418 -0.37573 0.552533 -0.608850.162091 -0.42763 -0.14267 -0.20578 -0.42488 -0.28054 0.428221 0.207993 -0.00327 -0.04699 0.062469 -0.21411 -0.39629 -0.43743 0.110906-0.14603 -0.45088 -0.20615 0.110259 0.001906 0.344175 0.348098 0.466686 0.126259 -0.55072 0.56284 0.50503 -0.4395 0.18888 -0.571120.396196 0.072512 -0.23004 -0.46461 -0.46256 0.575139 -0.43682 0.18317 -0.23441 0.070013 0.429853 0.374348 0.282232 0.080984 -0.148320.406014 0.261764 -0.52618 -0.53739 0.36405 0.106421 0.173308 0.103365 -0.43981 0.216083 0.486268 -0.15031 -0.23471 -0.38902 0.220685

b₁为15*1矩阵，其值为

-7.05542-5.03347
	-10.9287-5.673544.4957543.8147514.752147-7.034636.911845-4.66504-4.425134.997596-4.65524.926692-2.83256

LW_2，1为15*1矩阵，其值为

16.79143-7.04655-6.64024-5.74963-3.17126.2772513.1676913.23661-8.93964-1.03838-2.897034.684465-3.8065832.1331150.80333

b₂为1*1矩阵，其值为：

7.9346

2.3.2故障隔离ELMAN神经网络参数选定

以故障样本作为训练样本，选择学习速率 ${\tilde{l}}_r=0.8,$ 动量项 $\widetilde{\mathrm{\α}}=0.5,$ 网络权值及阈值参数

初值设置为0；数据窗长度N＝10。

训练获得最优网络参数如下表所示：

为6*15的矩阵，其值为：

33.34758 15.32701 -6.41953 -39.2418 36.81608 47.79748 -36.5888 34.83486 48.91323 -35.6004 -2.92682  35.3333 30.57198 30.20434 7.0210553.759792 -5.83246 1.495785  -15.677 8.546199 8.202857 9.150806 -12.9321 15.5766 -9.75467 13.03573 1.022959 -17.1703 -9.87885 4.70595533.51339 -39.448 -26.603 -20.4763 18.71537 17.5182 6.380108 26.80078 -3.71062 27.5587 -22.1752 18.02801 8.367109 -13.695 -29.871363.71129 60.90172 -79.3172 -22.7928 63.1518 67.64109 75.75815 -11.9603 -12.8395 -21.8333 -9.48426 59.94551 50.19797 70.63135 -92.4378-44.2167 41.92115 -64.4447 -31.4492 65.2174 -42.4983 -26.3784 -6.25366 -29.0774 -56.9869 1.1883 -51.1642 13.58594 -69.2699 36.10263-11.7007 12.26223 -16.1732 -16.2357 -6.85559 3.354294 -25.0714 -25.2094 -22.9134 -21.6735 -37.9796 -30.9255 15.98611 2.733477 2.98067

为15*15零矩阵。

为15*1矩阵，其值为：

-2.433670.710791-4.972231.5178382.158751-1.934582.55884-0.93891-3.50157-0.89673-2.002390.436933.9878312.474754-0.45203

为15*2矩阵，其值为：

-0.27437 2.1087810.201598 -7.10501-0.12267 0.8638990.104398 1.711708-0.12821 -3.95926-0.54018 2.8032490.301377 -1.916770.6091 -2.7550.009536 -2.67891-0.03464 -4.70647-0.31738 -0.726850.73315 3.7133910.028693 -0.57466-0.24881 -2.04252
	0.728226 -2.43094

为1*2矩阵，其值为：

-0.74981-0.35202

2.4、在线实时故障诊断

六路实时诊断信号同时输入故障检测ELMAN神经网络及故障隔离ELMAN神经网络，鉴于神经网络输出存在不确定性抖动的影响，两个神经网络算法模块的输出均通过故障判决模块进行处理。当第一判决模块检测到有故障发生后，启动故障隔离ELMAN神经网络对实时诊断信号进行处理，同时停止故障检测ELMAN神经网络继续进行故障检测，待第二判决模块处理获得故障隔离结果后，即可结合第一故障判决模块的检测信息产生精确故障诊断结果信号。

对于第一判决模块，若滤波结果O(k)小于等于检测阈值ε₀，则H0成立，否则H1成立，其判决规则如下：

若H0成立，则无故障发生，则不做任何处理，判决无故障发生；

若H1成立，则有故障发生，启动故障隔离模块，停止故障检测模块；

检测阈值ε₀一般取值范围为0～0.5，实例中取值0.15。

对于第二判决模块，其输出为2维信号，将滤波结果

中的两维元素分别与隔离阈值

作比较，若比较结果小于等于零，则H0成立，否则H1成立，从而得到

的逻辑输出序列，依据逻辑输出序列在故障模式匹配表中匹配故障模式，故障模式匹配表即为表2，具体如下：

若输出[H0 H0]成立，则判决滚动通道输出封死故障发生；

若输出[H0 H1]成立，则判决滚动通道输出均值偏差故障发生；

若输出[H1 H0]成立，则判决偏航通道输出封死故障发生；

若输出[H1 H1]成立，则判决偏航通道输出均值偏差故障发生；

否则判决无效。

隔离阈值

一般取值范围为0～0.5，实例中取值0.15。

三、操作例效果

A.实时有效性

分别设定上述实施例中四种红外地球仪故障均在时刻1500s发生，则四种故障模式的实时故障检测与隔离曲线如图6～9所示.其中，观察故障检测ELMAN神经网络输出曲线(NN1Out)不难看出，在1500s故障发生之后很短时间内，故障检测ELMAN神经网络输出曲线有原先的零均值逐渐偏离检测阈值，故障检测生效。检测到故障发生之后，启用故障隔离ELMAN神经网络进行诊断。继续观察故障隔离ELMAN神经网络输出结果(NN2Out1与NN2Out2)曲线不难看出，当故障导致对应输出由原先0均值逐渐偏离跳变超越阈值时，神经网络输出仍能稳定在对应阈值范围，保持诊断结果的有效性。

B.输出耦合诊断性能

为了证明ELMAN神经网络在输出信号耦合条件下的有效性，本文选择红外地球仪滚动通道输出封死故障模式下的故障诊断结果进行验证。观察神经网络输入信号曲线(图10)与ELMAN神经网络诊断曲线(图11)可知：在滚动通道故障影响下，偏航通道红外地球仪敏感器输出受影响逐渐偏离0。然而，ELMAN神经网络仍然能生成稳定的对应故障诊断结果信号，从而证明了ELMAN神经网络在输出耦合情形下的有效性。

C.时域信号诊断泛化性对比

为了验证ELMAN神经网络在实时信号诊断泛化性方面的优越性，将本文ELMAN方法与传统BPNN方法针对红外地球仪滚动通道输出封死故障数据进行了时域信号诊断性能对比。由图12与图13可以看出，在输入信号比较平稳1500～1515s(即信号只含稳态特征)时，后向传播神经网络(BPNN)网络与ELMAN网络输出均能保持稳定。然而当输入信号出现小范围波动1520-1540s(信号出现时域特征)时，BPNN诊断输出跳变范围很大，恶劣条件下甚至超过了检测阈值。而ELMAN神经网络仍然能维持在阈值范围内，从而证明了ELMAN神经网络在时域信号诊断泛化方面的优越性。

D.网络收敛性对比

为了对比本文采用改进梯度学习算法在ELMAN神经网络收敛性指标的优越性，本文分别针对采用改进梯度下降算法和未采用梯度下降算法的两种ELMAN神经网络故障隔离模块训练收敛性能(MSE均方差)进行了对比，收敛曲线如图14与图15所示。未改进ELMAN神经网络相比改进ELMAN神经网络在收敛速率方面较慢(未改进2500代才收敛，而改进后2000代就收敛)，而且在收敛精度方面也不及改进ELMAN神经网络(未改进收敛均方差为0.00187，而改进收敛均方差为0.00098)，从而验证了改进ELMAN在网络训练收敛方面的有效性。

Claims (4)

1.用于航天器实时信号处理的盲系统故障检测与隔离方法，包括以下步骤：

(1)在线检测：

(1.1)将第i＝k-N，…，k检测时刻的航天器诊断依据实时信号p_i输入故障检测神经网络a₂(i)＝f₂(LW_2，1a₁(i)+b₂)，其中a₁(i)＝f₁(IW_1，1p_i+LW_1，1a₁(i-1)+b₁)，IW_1，1，LW_1，1，b₁，LW_2，1，b₂为故障检测神经网络的结构参数，f₁()为故障检测神经网络的隐含层传输函数，f₂()为故障检测神经网络的输出层传输函数，a₂(i)为一维向量，a₁(i)为h维向量，h≥(m*1)/2，m为诊断依据实时信号p_i的个数，k为当前检测时刻，N为数据窗长度；

(1.2)对i＝k-N，…，k检测时刻的故障检测神经网络输出a₂(i)作滤波处理，得到滤波结果 $O\left(k\right)=\frac{1}{N+1}\underset{i=k-N}{\overset{i=k}{\mathrm{\Σ}}}{a_2}^2\left(i\right);$

(1.3)若滤波结果O(k)小于等于检测阈值ε₀，则系统正常，否则系统故障，进入步骤(2)；

(2)在线隔离：

(2.1)将第i＝k-N，…，k检测时刻的航天器诊断依据实时信号p_i输入故障隔离神经网络 ${\tilde{a}}_2\left(i\right)={\tilde{f}}_2(\tilde{L}{W}_{\mathrm{2,1}}{\tilde{a}}_1\left(i\right)+{\tilde{b}}_2),$ 其中 ${\tilde{a}}_1\left(i\right)={\tilde{f}}_1(\tilde{I}{W}_{\mathrm{1,1}}{p}_i+\tilde{L}{W}_{\mathrm{1,1}}{\tilde{a}}_1(i-1)+{\tilde{b}}_1),$ $\tilde{I}{W}_{\mathrm{1,1}},\tilde{L}{W}_{\mathrm{2,1}},{\tilde{b}}_1,\tilde{L}{W}_{\mathrm{2,1}},{\tilde{b}}_2$ 为故障隔离神经网络的结构参数，

为故障隔离神经网络的隐含层传输函数，

为故障隔离神经网络的输出层传输函数，

为

维向量， $\tilde{n}\≥{\log }_2\mathrm{FN},$ FN为故障总数，

为

维向量， $\tilde{h}\≥(m*\tilde{n})/2;$

(2.2)对i＝k-N，…，k检测时刻的故障隔离神经网络输出

作滤波处理，得到滤波结果 $\tilde{O}\left(k\right)={\left[\begin{array}{ccc}{\tilde{O}}_1& ...& {\tilde{O}}_{\tilde{n}}\end{array}\right]}^T=\frac{1}{N+1}\underset{i=k-N}{\overset{i=k}{\mathrm{\Σ}}}{{\tilde{a}}_2}^2\left(i\right),$ T表示转置；

(2.3)将步骤(2.2)得到的滤波结果

中的每一维元素

分别与隔离阈值作比较，若比较结果小于等于零，则该维元素对应的逻辑输出值为H0，否则，该维元素对应的逻辑输出值为H1，从而得到滤波结果向量

对应的逻辑输出序列；

(2.4)依据逻辑输出序列在故障模式匹配表中匹配故障模式。

2.根据权利要求1所述的盲系统故障检测与隔离方法，其特征在于，所述故障检测神经网络的结构参数IW_1，1，LW_2，1，b₁，LW_2，1，b₂按照如下方式确定：

A1、令X(t)＝[IW_1，1(t) LW_2，1(t) b₁(t) LW_2，1(t) b₂(t)]^T，初始化X(1)，X(2)，t＝3；

A2、计算 $\left\{\begin{array}{c}X\left(t\right)=X(t-1)+\mathrm{\ΔX}(t-1)\\ \mathrm{\ΔX}(t-1)=\mathrm{\α\ΔX}(t-2)+\mathrm{\α}{l}_r\frac{d_{\mathrm{perf}}}{\mathrm{dX}}\end{array}\right.,$ 其中，检测神经网络性能perf与检测权重及偏移参数X(t)的导数 $\frac{d_{\mathrm{perf}}}{\mathrm{dX}\left(t\right)}=\frac{d}{\mathrm{dX}\left(t\right)}(\underset{s=1}{\overset{G}{\mathrm{\Σ}}}(a_2\left(s\right)-y\left(s\right))\·{(a_2\left(s\right)-y\left(s\right))}^T),$ y(s)为s时刻时故障检测神经网络的期望输出，G为正常和故障训练样本的时间序列总长度，l_r表示故障检测神经网络的学习速率，α表示故障检测神经网络的动量项；

A3、若检测神经网络性能perf∈[0，0.001]，则故障检测神经网络的结构参数等值于X(t)，结束，否则t＝t+1，返回步骤A2。

3.根据权利要求1所述的盲系统故障检测与隔离方法，其特征在于，所述故障隔离神经网络的结构参数 $\tilde{I}{W}_{\mathrm{1,1}},\tilde{L}{W}_{\mathrm{2,1}},{\tilde{b}}_1,\tilde{L}{W}_{\mathrm{2,1}},{\tilde{b}}_2$ 按照如下方式确定：

B1、令 $\tilde{X}\left(t\right)={\left[\begin{array}{ccccc}\tilde{I}{W}_{\mathrm{1,1}}\left(t\right)& \tilde{L}{W}_{\mathrm{2,1}}\left(t\right)& {\tilde{b}}_1\left(t\right)& \tilde{L}{W}_{\mathrm{2,1}}\left(t\right)& {\tilde{b}}_2\left(t\right)\end{array}\right]}^T,$ 初始化

t＝3；

B2、计算 $\left\{\begin{array}{c}\tilde{X}\left(t\right)=\tilde{X}(t-1)+\mathrm{\Δ}\tilde{X}(t-1)\\ \mathrm{\Δ}\tilde{X}(t-1)=g\left(\mathrm{\Δ}\tilde{X}(t-2)\right)\mathrm{\Δ}\tilde{X}(t-2)+\widetilde{\mathrm{\α}}{\tilde{l}}_r\frac{d_{p\tilde{e}\mathrm{rf}}}{d\tilde{X}\left(t\right)}\end{array}\right.\text{,}$ 其中，隔离网络性能

与隔离权重及偏移参数

的导数 $\frac{d_{p\tilde{e}\mathrm{rf}}}{d\tilde{X}\left(t\right)}=\frac{d}{d\tilde{X}\left(t\right)}(\underset{\tilde{s}=1}{\overset{\tilde{G}}{\mathrm{\Σ}}}({\tilde{a}}_2\left(\tilde{s}\right)-\tilde{y}\left(\tilde{s}\right))\·{({\tilde{a}}_2\left(\tilde{s}\right)-\tilde{y}\left(\tilde{s}\right))}^T),$

为

时刻时故障隔离神经网络的期望输出，

为故障训练样本的时间序列长度，表示故障隔离神经网络的学习速率，

表示故障隔离神经网络的动量项， $g\left(\mathrm{\Δ}\tilde{X}(t-2)\right)=\mathrm{\Δ}\tilde{X}(t-2)\·\exp (-\mathrm{\Δ}{\tilde{X}}^2(t-2));$

B3、若隔离神经网络性能 $p\tilde{e}\mathrm{rf}\∈\left[\mathrm{0,0.001}\right],$ 则故障隔离神经网络的结构参数等值于

结束，否则t＝t+1，返回步骤B2。

4.根据权利要求1所述的盲系统故障检测与隔离方法，其特征在于，所述传输函数f₁()、f₂()、

采用tansig()、logsig()、purelin()函数中的任意一种。

Images