CN102288398A - 基于支持向量机的动量轮故障检测装置及方法 - Google Patents
基于支持向量机的动量轮故障检测装置及方法 Download PDFInfo
- Publication number
- CN102288398A CN102288398A CN2011101251516A CN201110125151A CN102288398A CN 102288398 A CN102288398 A CN 102288398A CN 2011101251516 A CN2011101251516 A CN 2011101251516A CN 201110125151 A CN201110125151 A CN 201110125151A CN 102288398 A CN102288398 A CN 102288398A
- Authority
- CN
- China
- Prior art keywords
- fault
- module
- data
- fault detection
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于支持向量机的动量轮故障检测装置及方法,属于可靠性技术中卫星姿控系统执行器故障诊断的领域。该装置包括SVM训练模块、故障注入模块、数据采集模块、故障检测模块、地面监控模块、控制回路模块;经过SVM训练模块得到支持向量机,故障注入模块注入特性类型故障,数据采集模块采集控制回路模块中与故障信息相关的数据流传递给故障检测模块,地面监控模块及时给出报警处理并存储相关异常数据。该装置能够用于动量轮故障检测、报警及状态监测的可行性验证,提高了故障检测精度,降低了故障检测的工作量,具有良好的工程可实现性。
Description
技术领域
本发明涉及一种基于支持向量机的动量轮故障检测装置及方法,属于可靠性技术中卫星姿控系统执行器故障诊断的领域。
背景技术
统计学习理论(Statistical Learning Theory或SLT)是一种专门研究实际应用中有限样本情况下机器学习规律的理论。V. Vapnik 等人从六、七十年代开始致力于此方面的研究。由此发展了支持向量机(Support Vector Machine,SVM)这一新的通用学习方法,它基于结构风险最小化(SRM)原理,在使训练样本分类误差极小化的前提下,尽量提高分类器的泛化推广能力。在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,已经在模式识别、函数逼近和概率密度估计等方面取得了良好的应用效果。
传统的统计模式识别方法的研究前提是数目要足够多,所以所提出的各种方法只有在样本数趋向于无穷大时其性能才有理论上的保证。但是,在实际情况下,动量轮故障数据样本是非常稀缺的,对于这样的小样本问题,利用传统的机器学习方式就会遇到过学习与欠学习、局部极小点等问题。
发明内容
本发明提出了一种基于支持向量机的动量轮故障检测装置及方法,能够用于动量轮故障检测、报警及状态监测的可行性验证,提高了故障检测精度,降低了故障检测的工作量,具有良好的工程可实现性。
本发明为解决其技术问题采用如下技术方案:
一种基于支持向量机的动量轮故障检测装置,包括SVM训练模块、故障注入模块、数据采集模块、故障检测模块、地面监控模块、控制回路模块;经过SVM训练模块得到支持向量机,故障注入模块注入特性类型故障,数据采集模块采集控制回路模块中与故障信息相关的数据流传递给故障检测模块,地面监控模块及时给出报警处理并存储相关异常数据;所述控制回路模块由精密轴系气浮台、测角装置、台上控制机、动量轮构成闭环控制回路;所述地面监控模块包括地面监控机、数据存储器和报警处理器。
所述的基于支持向量机的动量轮故障检测装置的故障检测方法,包括如下步骤:
1)首先选取动量轮样本数据,经过数据预处理环节,得到与故障信息相关的特征故障样本数据,SVM训练模块利用监督式学习法对特征故障样本数据进行训练分类,对于无故障情况,令SVM阀值为-1,对于故障情况,令SVM阀值为1,求解得到分类超平面及一组支持向量,该支持向量机将用于后续的故障检测模块;
2)开启运行半物理仿真平台,给精密轴系气浮台、动量轮、台上控制机、地面监控机加电,启动各模块运行程序;将精密轴系气浮台置于某一初始运行状态;
3)设定动量轮某一特定故障特征信息,包括:故障类型、故障发生开始结束时间、故障大小参数;
4)故障注入模块在设定的故障开始时间,根据需模拟的故障类型、故障大小特性,对控制指令进行信号处理,产生伪指令信号,输出到动量轮,实现动量轮故障模拟;
5)测角装置实时获取精密轴系气浮台姿态信息,传输给台上控制机;数据采集模块从控制回路中获取数据流,包括控制信号、姿态信息,提取与故障信息相关的数据序列;
6)支持向量机获取数据序列,通过运算判断数据序列所属类别,当SVM阀值为-1时,判断为无故障发生,当SVM阀值为1时,判断为发生故障,得出检测结果;
7)一旦故障检测模块检测到故障,地面监控机给出报警处理,并将相关异常数据及信息存入数据存储器中。
本发明的有益效果如下:
1、本方案采用基于支持向量机的方法进行动量轮故障检测,提出的方法适用于故障样本数据稀缺、系统非线性耦合强等实际问题,该方法避免了传统故障检测方法的局限性,无需设计观测器,实现简单且占用系统资源少、工程可实现性强以及诊断效率高的特性符合航天工程要求。
2、本方案所采用的地面监控模块,一旦检测出系统故障会立即给出警告提示并将异常数据存入系统日记及数据库,能够有效提高系统的决策应变能力。该平台能够用于动量轮故障检测、报警及状态监测的可行性验证。
附图说明
图1为基于支持向量机的动量轮故障检测装置的检测方法模块连接图。
图2为支持向量机形成过程。
图3为基于支持向量机的动量轮故障检测装置的检测方法的流程图。
具体实施方式
下面结合附图对发明创造做进一步详细说明:
如图1所示,为基于支持向量机的动量轮故障检测装置的检测方法模块连接图。主要包含故障检测过程各模块连接关系。故障注入模块将故障信息注入到控制回路模块;数据采集模块采集数据流,并传输给故障检测模块;故障检测模块对数据做相应的分析并将检测结果及相关异常数据传输给地面监控模块;地面监控模块做出报警及异常数据存储等工作。所述控制回路模块由精密轴系气浮台、测角装置、台上控制机、动量轮构成闭环控制回路;所述地面监控模块包括地面监控机、数据存储器和报警处理器。
以下简述各模块的功能。
故障注入模块:该模块根据需模拟的故障类型,对控制指令进行信号处理,输出伪指令信号到动量轮,实现动量轮故障模拟。
数据采集模块:该模块从控制回路中获取数据流,提取与故障信息相关的数据序列。
故障检测模块:针对动量轮设计支持向量机,该模块获取与故障信息相关的数据序列,将数据序列传输给事先训练好的支持向量机,支持向量机通过运算对数据序列进行分类,判别是否发生故障。
地面监控模块:一旦检测到故障,地面监控模块给出报警处理,并将相关异常数据及信息存入系统日记及数据库。
控制回路模块包括精密轴系气浮台、动量轮、台上控制机、测角装置,其中动量轮置于精密轴系气浮转台上。
(1)精密轴系气浮台:对于偏置角动量控制方式的小卫星姿态控制系统,俯仰轴与其他两轴解耦,故可以单独采用偏置动量轮来实现俯仰轴的姿态控制;精密轴系气浮台用于模拟偏置角动量控制方式下的小卫星俯仰轴动力学特性。
(2)动量轮:动量轮作为重要执行机构,接收控制指令,输出控制力矩作用于精密轴系气浮转台,实现小卫星姿态控制。
(3)台上控制机:台上控制机包括两个方面功能,姿态确定和姿态控制。采用测角装置实现姿态确定,姿态控制是根据姿态信息,采用控制律计算得到执行机构控制指令并输出。
(4)测角装置:角度传感器,实时获取气浮台单轴姿态信息,用于代替陀螺等姿态敏感器功能。
本方案采用基于支持向量机的方法来对动量轮故障进行检测,而支持向量库是由动量轮故障特征数据进行SVM训练而得到的。
支持向量机形成过程如图2所示,首先选取样本数据,经过数据预处理环节,得到与故障信息相关的特征故障样本数据,SVM训练模块利用监督式学习法对特征故障样本数据进行训练分类,对于无故障情况,令SVM阀值为-1,对于故障情况,令SVM阀值为1,求解得到分类超平面及一组支持向量,该支持向量机将用于后续的故障检测模块。
SVM训练模块的功能:该模块对预先选定的样本数据进行训练,利用监督式学习法(对训练数据集中的每一条数据都给出其类别信息,即训练样本是由(x,y)成对给出)。经训练之后将得到一组支持向量。决策函数
基于支持向量机的动量轮故障检测装置的故障检测方法如图3所示, 包括如下步骤:
1)首先选取动量轮样本数据,经过数据预处理环节,得到与故障信息相关的特征故障样本数据,SVM训练模块利用监督式学习法对特征故障样本数据进行训练分类,对于无故障情况,令SVM阀值为-1,对于故障情况,令SVM阀值为1,求解得到分类超平面及一组支持向量,该支持向量机将用于后续的故障检测模块;
2)开启运行半物理仿真平台,给精密轴系气浮台、动量轮、台上控制机、地面监控机加电,启动各模块运行程序;将精密轴系气浮台置于某一初始运行状态;
3)设定动量轮某一特定故障特征信息,包括:故障类型、故障发生开始结束时间、故障大小参数;
4)故障注入模块在设定的故障开始时间,根据需模拟的故障类型、故障大小特性,对控制指令进行信号处理,产生伪指令信号,输出到动量轮,实现动量轮故障模拟;
5)测角装置实时获取精密轴系气浮台姿态信息,传输给台上控制机;数据采集模块从控制回路中获取数据流,包括控制信号、姿态信息,提取与故障信息相关的数据序列;
6)支持向量机获取数据序列,通过运算判断数据序列所属类别,当SVM阀值为-1时,判断为无故障发生,当SVM阀值为1时,判断为发生故障,得出检测结果;
7)一旦故障检测模块检测到故障,地面监控模块给出报警处理,并将相关异常数据及信息存入数据存储器中。
Claims (2)
1.一种基于支持向量机的动量轮故障检测装置,其特征在于包括SVM训练模块、故障注入模块、数据采集模块、故障检测模块、地面监控模块、控制回路模块;经过SVM训练模块得到支持向量机,故障注入模块注入特性类型故障,数据采集模块采集控制回路模块中与故障信息相关的数据流传递给故障检测模块,地面监控模块及时给出报警处理并存储相关异常数据;所述控制回路模块由精密轴系气浮台、测角装置、台上控制机、动量轮构成闭环控制回路;所述地面监控模块包括地面监控机、数据存储器和报警处理器。
2.一种应用于权利要求1所述的基于支持向量机的动量轮故障检测装置的故障检测方法,其特征在于,包括如下步骤:
1)首先选取动量轮样本数据,经过数据预处理环节,得到与故障信息相关的特征故障样本数据,SVM训练模块利用监督式学习法对特征故障样本数据进行训练分类,对于无故障情况,令SVM阀值为-1,对于故障情况,令SVM阀值为1,求解得到分类超平面及一组支持向量,该支持向量机将用于后续的故障检测模块;
2)开启运行半物理仿真平台,给精密轴系气浮台、动量轮、台上控制机、地面监控机加电,启动各模块运行程序;将精密轴系气浮台置于某一初始运行状态;
3)设定动量轮某一特定故障特征信息,包括:故障类型、故障发生开始结束时间、故障大小参数;
4)故障注入模块在设定的故障开始时间,根据需模拟的故障类型、故障大小特性,对控制指令进行信号处理,产生伪指令信号,输出到动量轮,实现动量轮故障模拟;
5)测角装置实时获取精密轴系气浮台姿态信息,传输给台上控制机;数据采集模块从控制回路中获取数据流,包括控制信号、姿态信息,提取与故障信息相关的数据序列;
6)支持向量机获取数据序列,通过运算判断数据序列所属类别,当SVM阀值为-1时,判断为无故障发生,当SVM阀值为1时,判断为发生故障,得出检测结果;
7)一旦故障检测模块检测到故障,地面监控机给出报警处理,并将相关异常数据及信息存入数据存储器中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110125151 CN102288398B (zh) | 2011-05-16 | 2011-05-16 | 基于支持向量机的动量轮故障检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110125151 CN102288398B (zh) | 2011-05-16 | 2011-05-16 | 基于支持向量机的动量轮故障检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102288398A true CN102288398A (zh) | 2011-12-21 |
CN102288398B CN102288398B (zh) | 2013-04-10 |
Family
ID=45334999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110125151 Expired - Fee Related CN102288398B (zh) | 2011-05-16 | 2011-05-16 | 基于支持向量机的动量轮故障检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102288398B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034232A (zh) * | 2012-11-30 | 2013-04-10 | 北京控制工程研究所 | 一种基于分层结构的深空探测器gnc系统自主故障处理和保护方法 |
CN103678129A (zh) * | 2013-12-14 | 2014-03-26 | 中国航空工业集团公司第六三一研究所 | 一种基于时间触发的机电系统软件故障注入方法 |
CN104156473A (zh) * | 2014-08-25 | 2014-11-19 | 哈尔滨工业大学 | 一种基于ls-svm的传感器检测数据异常片段检测方法 |
CN104330257A (zh) * | 2014-11-26 | 2015-02-04 | 天津工业大学 | 一种行星齿轮传动系统故障诊断方法 |
CN105300675A (zh) * | 2015-10-14 | 2016-02-03 | 哈尔滨工业大学 | 一种基于比例系数分析的动量轮故障诊断方法 |
CN107422790A (zh) * | 2013-07-12 | 2017-12-01 | 脸谱公司 | 用于抓握检测的校准方法、介质和设备 |
CN110110363A (zh) * | 2019-03-29 | 2019-08-09 | 中国地质大学(武汉) | 一种基于hc-tp-k2算法的卫星动量轮故障诊断建模方法及系统 |
CN110803305A (zh) * | 2019-12-03 | 2020-02-18 | 上海航天控制技术研究所 | 一种卫星姿控推力器限喷方法 |
CN112578315A (zh) * | 2020-11-26 | 2021-03-30 | 贵州电网有限责任公司 | 一种基于矩阵图的控制回路断线故障判断方法 |
CN113485262A (zh) * | 2021-06-29 | 2021-10-08 | 华能(浙江)能源开发有限公司玉环分公司 | 一种基于svm的火力发电厂燃料系统故障分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN101251579A (zh) * | 2008-03-05 | 2008-08-27 | 湖南大学 | 一种基于支持向量机的模拟电路故障诊断方法 |
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
-
2011
- 2011-05-16 CN CN 201110125151 patent/CN102288398B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101158873A (zh) * | 2007-09-26 | 2008-04-09 | 东北大学 | 一种非线性过程故障诊断方法 |
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
CN101251579A (zh) * | 2008-03-05 | 2008-08-27 | 湖南大学 | 一种基于支持向量机的模拟电路故障诊断方法 |
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
MING-YUAN CHO等: "Fault Diagnosis of Power Transformaers Using SVM/ANN with Clonal Selection Algorithm for Features and Kernel Parameters", 《INNOVATIVE COMPTUTING,INFORMATION AND CONTROL》 * |
宋晓峰等: "支持向量机SMO算法训练过程分析", 《中国生物医学工程进展-2007中国生物医学工程联合学术年会论文集(下册)》 * |
陈果等: "小样本数据的支持向量机回归模型参数及预测区间研究", 《计量学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034232A (zh) * | 2012-11-30 | 2013-04-10 | 北京控制工程研究所 | 一种基于分层结构的深空探测器gnc系统自主故障处理和保护方法 |
CN103034232B (zh) * | 2012-11-30 | 2015-04-22 | 北京控制工程研究所 | 一种基于分层结构的深空探测器gnc系统自主故障处理和保护方法 |
CN107422790B (zh) * | 2013-07-12 | 2020-07-07 | 脸谱公司 | 用于抓握检测的校准方法、介质和设备 |
CN107422790A (zh) * | 2013-07-12 | 2017-12-01 | 脸谱公司 | 用于抓握检测的校准方法、介质和设备 |
CN103678129A (zh) * | 2013-12-14 | 2014-03-26 | 中国航空工业集团公司第六三一研究所 | 一种基于时间触发的机电系统软件故障注入方法 |
CN104156473A (zh) * | 2014-08-25 | 2014-11-19 | 哈尔滨工业大学 | 一种基于ls-svm的传感器检测数据异常片段检测方法 |
CN104156473B (zh) * | 2014-08-25 | 2017-05-03 | 哈尔滨工业大学 | 一种基于ls‑svm的传感器检测数据异常片段检测方法 |
CN104330257A (zh) * | 2014-11-26 | 2015-02-04 | 天津工业大学 | 一种行星齿轮传动系统故障诊断方法 |
CN105300675B (zh) * | 2015-10-14 | 2018-05-29 | 哈尔滨工业大学 | 一种基于比例系数分析的动量轮故障诊断方法 |
CN105300675A (zh) * | 2015-10-14 | 2016-02-03 | 哈尔滨工业大学 | 一种基于比例系数分析的动量轮故障诊断方法 |
CN110110363A (zh) * | 2019-03-29 | 2019-08-09 | 中国地质大学(武汉) | 一种基于hc-tp-k2算法的卫星动量轮故障诊断建模方法及系统 |
CN110803305A (zh) * | 2019-12-03 | 2020-02-18 | 上海航天控制技术研究所 | 一种卫星姿控推力器限喷方法 |
CN110803305B (zh) * | 2019-12-03 | 2021-06-08 | 上海航天控制技术研究所 | 一种卫星姿控推力器限喷方法 |
CN112578315A (zh) * | 2020-11-26 | 2021-03-30 | 贵州电网有限责任公司 | 一种基于矩阵图的控制回路断线故障判断方法 |
CN112578315B (zh) * | 2020-11-26 | 2022-08-26 | 贵州电网有限责任公司 | 一种基于矩阵图的控制回路断线故障判断方法 |
CN113485262A (zh) * | 2021-06-29 | 2021-10-08 | 华能(浙江)能源开发有限公司玉环分公司 | 一种基于svm的火力发电厂燃料系统故障分析方法 |
CN113485262B (zh) * | 2021-06-29 | 2022-04-29 | 华能(浙江)能源开发有限公司玉环分公司 | 一种基于svm的火力发电厂燃料系统故障分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102288398B (zh) | 2013-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102288398B (zh) | 基于支持向量机的动量轮故障检测装置及方法 | |
CN102063109B (zh) | 一种基于神经网络的地铁列车故障诊断装置及其方法 | |
Chatterjee et al. | Deep learning with knowledge transfer for explainable anomaly prediction in wind turbines | |
CN103955556B (zh) | 高速铁路列车运行控制车载系统故障逻辑建模方法 | |
Biswas et al. | A robust method for hybrid diagnosis of complex systems | |
CN101404071B (zh) | 基于分组粒子群算法的电子电路故障诊断神经网络方法 | |
CN108363382A (zh) | 一种复杂装备故障诊断方法及系统 | |
CN108683642B (zh) | 智能电网线路状态错误数据注入攻击的检测器与检测方法 | |
Liu et al. | A novel intrusion detection algorithm for industrial control systems based on CNN and process state transition | |
Zhang et al. | A unified light framework for real-time fault detection of freight train images | |
Zhang et al. | Online power system dynamic security assessment with incomplete PMU measurements: A robust white‐box model | |
CN202063165U (zh) | 一种基于神经网络的地铁列车故障诊断装置 | |
Chacón et al. | K-nearest neighbour and K-fold cross-validation used in wind turbines for false alarm detection | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
CN106195247B (zh) | 一种基于大数据管理模式的变速器控制系统 | |
CN105205492B (zh) | 一种热力系统故障的模糊最近邻融合诊断方法 | |
CN104158852A (zh) | 一种低压集抄集中器与本地通讯模块信息交互检测系统 | |
Teck et al. | Hybrid rebalancing approach to handle imbalanced dataset for fault diagnosis in manufacturing systems | |
US20200074213A1 (en) | Gpb algorithm based operation and maintenance multi-modal decision system prototype | |
Wang et al. | A new class of fault recognition method for wind turbine systems based on deep learning | |
CN103020006A (zh) | 一种基于海量数据挖掘的设备状态预测方法 | |
Liu et al. | Structural damage detection based on semi-supervised fuzzy C-means clustering | |
Peng et al. | A dependability model for TMR system | |
Liu et al. | Power System Relay Protection Based on Faster R-CNN Algorithm | |
CN103995528A (zh) | 一种功率变换器主电路的智能自修复技术 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130410 Termination date: 20150516 |
|
EXPY | Termination of patent right or utility model |