CN109753045A - 一种基于bp神经网络的航天器姿控系统故障诊断方法 - Google Patents

一种基于bp神经网络的航天器姿控系统故障诊断方法 Download PDF

Info

Publication number
CN109753045A
CN109753045A CN201711088078.3A CN201711088078A CN109753045A CN 109753045 A CN109753045 A CN 109753045A CN 201711088078 A CN201711088078 A CN 201711088078A CN 109753045 A CN109753045 A CN 109753045A
Authority
CN
China
Prior art keywords
neural network
spacecraft
control system
axis
attitude control
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
Application number
CN201711088078.3A
Other languages
English (en)
Other versions
CN109753045B (zh
Inventor
高升
张伟
刘英丽
何旭
黄昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Institute of Automation of CAS
Original Assignee
Shenyang Institute of Automation of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Institute of Automation of CAS filed Critical Shenyang Institute of Automation of CAS
Priority to CN201711088078.3A priority Critical patent/CN109753045B/zh
Publication of CN109753045A publication Critical patent/CN109753045A/zh
Application granted granted Critical
Publication of CN109753045B publication Critical patent/CN109753045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种基于BP神经网络的航天器姿控系统故障诊断方法，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；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；将残差与设定阈值进行比较，对航天器姿控系统进行故障诊断。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。

Description

一种基于BP神经网络的航天器姿控系统故障诊断方法
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；分别为ωx,ωy,ωz的导数。Tcx为系统的x轴控制力矩；Tcy为系统的y轴控制力矩；Tcz为系统的z轴控制力矩；Tdx为系统的x轴干扰力矩；Tdy为系统的y轴干扰力矩；Tdz为系统的z轴干扰力矩。
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；分别为ωx,ωy,ωz的导数。Tcx为系统的x轴控制力矩；Tcy为系统的y轴控制力矩；Tcz为系统的z轴控制力矩；Tdx为系统的x轴干扰力矩；Tdy为系统的y轴干扰力矩；Tdz为系统的z轴干扰力矩。
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。

Claims (6)

1.一种基于BP神经网络的航天器姿控系统故障诊断方法，其特征在于：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：将残差与设定阈值进行比较，对航天器姿控系统进行故障诊断。
2.根据权利要求1所述的基于BP神经网络的航天器姿控系统故障诊断方法，其特征在于：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；分别为ωx,ωy,ωz的导数。Tcx为系统的x轴控制力矩；Tcy为系统的y轴控制力矩；Tcz为系统的z轴控制力矩；Tdx为系统的x轴干扰力矩；Tdy为系统的y轴干扰力矩；Tdz为系统的z轴干扰力矩。
3.根据权利要求1所述的基于BP神经网络的航天器姿控系统故障诊断方法，其特征在于：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，即传感器的正常数据；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。
4.根据权利要求1所述的基于BP神经网络的航天器姿控系统故障诊断方法，其特征在于：所述残差为：
ε(k)＝|X(k)-X*(k)|
其中，ε(k)为残差信息；X(k)为k时刻传感器的真实输出；X*(k)为BP神经网络在k时刻的预测输出。
5.根据权利要求1所述的基于BP神经网络的航天器姿控系统故障诊断方法，其特征在于：所述将残差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。
6.根据权利要求1、3或4任一项所述的基于BP神经网络的航天器姿控系统故障诊断方法，其特征在于：所述传感器为陀螺仪。
CN201711088078.3A 2017-11-08 2017-11-08 一种基于bp神经网络的航天器姿控系统故障诊断方法 Active CN109753045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711088078.3A CN109753045B (zh) 2017-11-08 2017-11-08 一种基于bp神经网络的航天器姿控系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711088078.3A CN109753045B (zh) 2017-11-08 2017-11-08 一种基于bp神经网络的航天器姿控系统故障诊断方法

Publications (2)

Publication Number Publication Date
CN109753045A true CN109753045A (zh) 2019-05-14
CN109753045B CN109753045B (zh) 2020-05-05

Family

ID=66400137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711088078.3A Active CN109753045B (zh) 2017-11-08 2017-11-08 一种基于bp神经网络的航天器姿控系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN109753045B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111290366A (zh) * 2020-02-12 2020-06-16 北京科技大学顺德研究生院 一种航天器姿控系统多故障诊断方法
CN114815785A (zh) * 2022-06-07 2022-07-29 哈尔滨工业大学 一种基于有限时间观测器的非线性系统执行器鲁棒故障估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103676941A (zh) * 2013-12-24 2014-03-26 北京控制工程研究所 基于运动学和动力学模型的卫星控制系统故障诊断方法
CN104915715A (zh) * 2015-06-24 2015-09-16 南京航空航天大学 多方法联合的航电系统故障诊断方法
CN105320987A (zh) * 2015-09-21 2016-02-10 航天东方红卫星有限公司 一种基于bp神经网络的卫星遥测数据智能判读方法
CN105404304A (zh) * 2015-08-21 2016-03-16 北京理工大学 基于归一化神经网络的航天器容错姿态协同跟踪控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103676941A (zh) * 2013-12-24 2014-03-26 北京控制工程研究所 基于运动学和动力学模型的卫星控制系统故障诊断方法
CN104915715A (zh) * 2015-06-24 2015-09-16 南京航空航天大学 多方法联合的航电系统故障诊断方法
CN105404304A (zh) * 2015-08-21 2016-03-16 北京理工大学 基于归一化神经网络的航天器容错姿态协同跟踪控制方法
CN105320987A (zh) * 2015-09-21 2016-02-10 航天东方红卫星有限公司 一种基于bp神经网络的卫星遥测数据智能判读方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111290366A (zh) * 2020-02-12 2020-06-16 北京科技大学顺德研究生院 一种航天器姿控系统多故障诊断方法
CN111290366B (zh) * 2020-02-12 2022-05-27 北京科技大学顺德研究生院 一种航天器姿控系统多故障诊断方法
CN114815785A (zh) * 2022-06-07 2022-07-29 哈尔滨工业大学 一种基于有限时间观测器的非线性系统执行器鲁棒故障估计方法
CN114815785B (zh) * 2022-06-07 2023-04-07 哈尔滨工业大学 一种基于有限时间观测器的非线性系统执行器鲁棒故障估计方法

Also Published As

Publication number Publication date
CN109753045B (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
CN111061247B (zh) 整星下飞轮角动量闭环控制的极性测试系统及测试方法
Franchi et al. Full-pose tracking control for aerial robotic systems with laterally bounded input force
Ghalamchi et al. Real-time vibration-based propeller fault diagnosis for multicopters
Reyes-Valeria et al. LQR control for a quadrotor using unit quaternions: Modeling and simulation
Napolitano et al. Kalman filters and neural-network schemes for sensor validation in flight control systems
CN103112603B (zh) 欠驱动高速自旋卫星建立正常姿态的方法
CN104765312B (zh) 飞行器可重构控制系统实现方法
CN104880948A (zh) 一种基于鲁棒自适应的带有飞轮的航天器容错控制方法
CN107364589A (zh) 基于多系绳连接点对空间失稳目标的绕飞消旋控制方法
CN111880410A (zh) 一种针对电机故障的四旋翼无人机容错控制方法
El-Badawy et al. Quadcopter Aggressive Maneuvers along Singular Configurations: An Energy‐Quaternion Based Approach
Wang et al. Event driven model free control of quadrotor
CN111638654A (zh) 一种故障自适应的运载火箭智能控制半实物仿真方法
CN109164816B (zh) 一种控制器故障和饱和特性的非合作目标姿态跟踪控制方法
CN109753045A (zh) 一种基于bp神经网络的航天器姿控系统故障诊断方法
Du et al. Learning to control a free-floating space robot using deep reinforcement learning
Wang et al. Hybrid modeling based double-granularity fault detection and diagnosis for quadrotor helicopter
Lee et al. Data-driven fault detection and isolation for quadrotor using sparse identification of nonlinear dynamics and Thau observer
CN117492383B (zh) 一种基于半实物仿真的无人机自动化测试系统及方法
Jiao et al. Fault tolerant control algorithm of hexarotor UAV
Abdessameud et al. Formation control of VTOL UAVs without linear-velocity measurements
Mousavi et al. Fault detection of reaction wheels in attitude control subsystem of formation flying satellites: A dynamic neural network-based approach
CN115098941B (zh) 面向智能算法敏捷部署的无人机数字孪生控制方法和平台
Xian et al. An Intelligent Attitude Control Method for UAV Based on DDPG Algorithm
Zhou et al. Optimal landing control of an unmanned aerial vehicle via partial feedback linearization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant