CN110412997B - 一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 - Google Patents
一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 Download PDFInfo
- Publication number
- CN110412997B CN110412997B CN201910660883.1A CN201910660883A CN110412997B CN 110412997 B CN110412997 B CN 110412997B CN 201910660883 A CN201910660883 A CN 201910660883A CN 110412997 B CN110412997 B CN 110412997B
- Authority
- CN
- China
- Prior art keywords
- fault
- attitude
- attitude control
- spray pipe
- control spray
- 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.)
- Active
Links
- 239000007921 spray Substances 0.000 title claims abstract description 408
- 238000003745 diagnosis Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims description 114
- 238000005096 rolling process Methods 0.000 claims description 30
- 238000005507 spraying Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000238876 Acari Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法，包括航天器姿控喷管故障数据生成模块和故障诊断模块；故障数据生成模块，用于获得航天器姿控喷管的故障信息和发生此类故障时对应的航天器姿态误差曲线及此时控制器的输出曲线，利用此模块可以得到大量的故障信息，用于故障诊断模块的训练；故障诊断模块用于航天器姿控喷管的故障诊断，此模块基于卷积神经网络技术，输出信息为航天器此时姿控喷管的工作状态,通过故障诊断模块确定航天器姿控喷管的故障类型。本发明可以准确的诊断出航天器姿控喷管的故障类型，增强了航天器姿态控制系统的可靠性，提高其抗故障能力。
Description
技术领域
本发明涉及一种航天器故障诊断系统，特别是涉及基于卷积神经网络的航天器姿控喷管故障诊断系统及方法。
背景技术
近年来，随着航天器技术的发展，航天器作为光机电一体化仪器的设备，由于其规模大、复杂度高、航天器的资源和人工干预能力有限，且太空环境日趋恶劣并存在着大量的不确定性因素等，这些都对航天器的故障诊断技术提出了挑战难以进行有效维护，经常会出现系统异常运行甚至出现故障的情况。因此，航天器故障诊断技术对提高航天器的可靠性、安全性和有效性具有十分重要的作用，已经成为航天领域主要研究方向。故障诊断技术最早起源于美国作为一门学科进行系统研究从上世纪60年代的美国宇航局(NASA)开始，1961年美国开始实施阿波罗计划后出现了一系列的设备故障，促使美国海军研究室主持美国机械故障预防小组开始把故障诊断作为一种技术进行研究开发。根据系统采用的特征描述和决策方法的差异，形成了不同的故障诊断方法，应用于航天器故障诊断的方法有很多种，其中应用较多的有：基于模型的方法、基于信号处理的方法和基于人工智能的方法。
基于模型的故障诊断方法是提出最早、研究最为系统的一种方法。基本思想是运用软件冗余代替硬件冗余。基于模型的故障诊断方法分为基于参数估计的故障诊断方法和基于状态估计的故障诊断方法。而基于信号处理的故障诊断方法，通常是利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，从而诊断出故障，不需要精确的解析模型，很好地解决了基于模型的故障诊断方法模型复杂的问题，有很强的适应性。近些年基于人工智能的故障诊断方法是故障诊断领域的发展的重点，是现阶段应用最广泛，研究的最多的方向。它不需要精确的模型，适用于不确定性的问题。如基于定性模型的诊断方法，它是由人工智能领域学者提出的一类诊断方法。基于定性模型的故障诊断方法的不需要系统精确的数学模型。基本思想是根据系统组成元件与元件之间的连接(或参数间的依赖关系)建立诊断系统的模型；将过程特性的外部表现和人类专家对故障判断和处理的经验，通过抽象化方法直接建立各种过程变量与故障模式之间的定性模型，对系统进行推理，预测系统的定性行为，通过观测的系统实际行为与预期行为的差异，诊断系统是否存在故障，并诊断故障的原因。与上述方法不同，本发明提出的基于卷积神经网络的航天器姿控喷管故障诊断系统，利用航天器故障时的姿态角误差信息曲线和控制器输出信息曲线进行故障诊断。通过识别在航天器姿控喷管故障时，一段时间内姿态角误差信息曲线和控制器输出信息曲线的变化规律，实现对姿控喷管的故障模式识别。并且直接采用飞行器姿态角信号和控制器输出信号的波形图描述当前姿控喷管的工作状态，获取方式简单，易于实现，并且不必对信号做特殊的预处理，降低对信号质量的要求。采用卷积神经网络识别相应的波形图，将姿控喷管故障诊断问题转化为神经网络的分类问题，通过神经网络的自主学习，能够学习波形图中所包含的二维结构特征信息，并且经过网络的卷积操作和池化操作后，对一些高频干扰信号有较好的抑制作用，有一定的抗信号噪声干扰能力。最终所实现的神经网络模型规模较小，训练耗时短，网络实际运行速度快，有利于实现实时在线故障诊断。本发明有利于实施模块化部署，故障诊断网络可以运行在专用的嵌入式科学计算平台上(体积小、重量轻、功耗低)，不受限于控制器硬件的计算能力。
发明内容
本发明的技术决问题：克服现有技术的不足，提供一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法，可以准确的诊断出航天器姿控喷管的故障类型，增强了航天器姿态控制系统的可靠性，提高其抗故障能力。
本发明技术解决方案：一种基于神经网络的航天器姿控喷管故障智能诊断系统，包括：航天器姿控喷管故障数据生成模块、故障诊断模块；故障数据生成模块由故障模拟模块、姿态控制器模块、姿态动力学模块、数据采集模块组成；
故障模拟模块，根据输入的不同故障类型，模拟对应的姿控喷管故障类型，将姿态控制器模块的输出力矩强制转换为对应故障状态下的等效力矩，得到的等效力矩为模拟姿控喷管故障时航天器受到的实际控制力矩，并且根据需求调整故障作用时间，此等效力矩作为姿态动力学模块的输入信号；
姿态控制器模块，模拟航天器的姿态控制器输出，为故障模拟模块提供输入信号；根据输入的姿态角期望值和姿态动力学模块反馈的航天器姿态角信息，基于两个姿态角的误差，输出模拟姿态控制器在姿控喷管正常工作情况下的输出力矩，此输出力矩为航天器在姿控喷管正常工作时受到的控制力矩，作为故障模拟模块提供输入信号；
姿态动力学模块，根据输入的等效力矩，模拟航天器的飞行状态，输出航天器在线性化姿态动力学方程和全量耦合姿态动力学方程下的姿态角信息，得到的姿态角信息反馈给姿态控制器模块，作为姿态控制器模块的姿态角反馈输入；由于输入信号为故障模拟模块输出的等效力矩，此时得到的航天器姿态角信息为姿控喷管故障情况下的姿态信息，此模块在线性化姿态动力学方程和全量耦合姿态动力学方程之间自由切换；
数据采集模块；所述数据采集模块，基于matlab仿真软件，将所述姿态控制器模块产生的姿态角误差信息和姿态控制器输出信息进行等时间间隔采样，得到姿态角误差信息和姿态控制器输出信息曲线，然后将采样得到的曲线的数据进行预处理，分类标记后保存为用于卷积神经网络训练的数据。
故障诊断模块，输入信号为航天器姿态角误差曲线图和控制器输出曲线图，作为输入信号的两种曲线图可以通过两种途径获得：一种是故障数据生成模块生成的数据，另一种则是航天器飞行过程中的真实数据，经过采集模块处理后得到的曲线图。所述模块的输出信号为航天器姿控喷管故障类型代码，通过得到的故障代码可以准确的确定姿控喷管故障信息，从而隔离故障的姿控喷管。所述故障诊断模块主要由卷积神经网络构成，网络的输入是单通道的灰度图像，图像分辨率为64*64像素，该网络有3个卷积层，对应的卷积核尺寸均为5*5，第一层卷积层对应32个卷积核，第二和第三层卷积核对应64个卷积核。每个卷积层后都有一个池化层，并选用最大池化的方法，移动步长横纵方向都是两个像素。激活函数选取ReLU函数，最后的池化层链接一个全连接层，神经元个数为100个，然后在再连接dropout层，该层维度也为100，最后再连接一个softmax层用于实现最终的分类目的。针对航天器的三个姿态通道，需要设计三个卷积神经网络。三个网络中只有最后一层的softmax层会有区别，如图1和2所示，滚动通道的softmax层为9维，代表输出的故障类型为9种，而俯仰和偏航通道情况相同，所以结构一样为13维。因为滚动通道单个姿控喷管常开故障而言，虽然这四种姿控喷管常开故障均可以被检测到，但是由于姿控喷管推力相同以及对称布置的原因，使得单个正喷姿控喷管常开故障最终不能被有效区分，既无法锁定究竟是哪一个正喷姿控喷管发生了常开故障；同理对于单个姿控喷管发生常闭故障也会出现类似的情形。但正是由于姿控喷管推力相同，布局对称，此时，控制故障姿控喷管的控制信号是失效的，即使分不清楚具体是哪一个姿控喷管发生了常开故障。所以对于单个姿控喷管常开或常闭的情况下不再区分具体是哪个，因此最终滚动通道少了4种故障类型。但是在实际航天器飞行中，若果出现滚动通道单个姿控喷管故障时，航天器可以通过控制相反方向的任意一只姿控喷管产生反向推力，抵消故障姿控喷管的常开作用。不会对航天器的飞行造成影响。
所述故障模拟模块中，不同故障类型分别为13种；同时采用故障类型代码表示，总共有13种故障类型代码；只需要在故障模拟模块输入对应数字即可；所述13种故障类型为航天器俯仰和偏航通道的姿控喷管所能检测出的故障类型，它们分别为：(1)正喷姿控喷管的两个姿控喷管常开故障；(2)负喷姿控喷管的两个姿控喷管常开故障；(3)正喷姿控喷管的两个姿控喷管常闭故障；(4)负喷姿控喷管的两个姿控喷管常闭故障；(5)正喷姿控喷管的一个姿控喷管常开故障；(6)负喷姿控喷管的一个姿控喷管常开故障；(7)正喷姿控喷管的一个姿控喷管常闭故障；(8)负喷姿控喷管的一个姿控喷管常闭故障；(9)正喷姿控喷管的另一个姿控喷管常开故障；(10)负喷姿控喷管的另一个姿控喷管常开故障；(11)正喷姿控喷管的另一个姿控喷管常闭故障；(12)负喷姿控喷管的另一个姿控喷管常闭故障；(13)无故障；而对于航天器滚动通道，因为无法确定具体式哪个正喷或负喷喷管，导致姿控喷管所能检测出的故障类型只有9种，它们分别为：(1)正喷姿控喷管的两个姿控喷管常开故障；(2)负喷姿控喷管的两个姿控喷管常开故障；(3)正喷姿控喷管的两个姿控喷管常闭故障；(4)负喷姿控喷管的两个姿控喷管常闭故障；(5)正喷姿控喷管的一个姿控喷管常开故障；(6)负喷姿控喷管的一个姿控喷管常开故障；(7)正喷姿控喷管的一个姿控喷管常闭故障；(8)负喷姿控喷管的一个姿控喷管常闭故障；(9)无故障。
13种具体如下：
当输入故障代码为1，当需要模拟航天器P1、P2两个正喷姿控喷管常开故障时，在故障模拟模块的故障代码输入端输入代码1，故障模拟模块就能产生两个正喷姿控喷管常开时航天器受到的实际控制力矩；
当输入故障代码2时，故障模拟模块模拟故障类型N1、N2姿控喷管常开故障，即负喷姿控喷管的两个姿控喷管常开故障，输出两个负喷姿控喷管常开时航天器受到的实际控制力矩；
当输入故障代码3时，故障模拟模块模拟故障类型P1、P2姿控喷管常闭故障(正喷姿控喷管的两个姿控喷管常闭故障)，输出两个正喷姿控喷管常闭时航天器受到的实际控制力矩。
当输入故障代码4时，故障模拟模块模拟故障类型N1、N2姿控喷管常闭故障(负喷姿控喷管的两个姿控喷管常闭故障)，输出两个负喷姿控喷管常闭时航天器受到的实际控制力矩。
当输入故障代码5时，故障模拟模块模拟故障类型P1姿控喷管常开故障(正喷姿控喷管的一个姿控喷管常开故障)，输出一个正喷姿控喷管常开时航天器受到的实际控制力矩。
当输入故障代码6时，故障模拟模块模拟故障类型N1姿控喷管常开故障(负喷姿控喷管的一个姿控喷管常开故障)，输出一个负喷姿控喷管常开时航天器受到的实际控制力矩。
当输入故障代码7时，故障模拟模块模拟故障类型P1姿控喷管常闭故障(正喷姿控喷管的一个姿控喷管常闭故障)，输出一个正喷姿控喷管常闭时航天器受到的实际控制力矩。
当输入故障代码8时，故障模拟模块模拟故障类型N1姿控喷管常闭故障(负喷姿控喷管的一个姿控喷管常闭故障)，输出一个负喷姿控喷管常闭时航天器受到的实际控制力矩。
当输入故障代码9时，故障模拟模块模拟故障类型P2姿控喷管常开故障(正喷姿控喷管的另一个姿控喷管常开故障)，输出另一个正喷姿控喷管常开时航天器受到的实际控制力矩。
当输入故障代码10时，故障模拟模块模拟故障类型N2姿控喷管常开故障(负喷姿控喷管的另一个姿控喷管常开故障)，输出另一个负喷姿控喷管常开时航天器受到的实际控制力矩。
当输入故障代码11时，故障模拟模块模拟故障类型P2姿控喷管常闭故障(正喷姿控喷管的另一个姿控喷管常闭故障)，输出另一个正喷姿控喷管常闭时航天器受到的实际控制力矩。
当输入故障代码12时，故障模拟模块模拟故障类型N2姿控喷管常闭故障(负喷姿控喷管的另一个姿控喷管常闭故障)，输出另一个负喷姿控喷管常闭时航天器受到的实际控制力矩。
当输入故障代码13时，故障模拟模块模拟故障类型为无故障，输出姿控喷管无故障时航天器受到的实际控制力矩。
9种具体如下：
当输入故障代码为1，当需要模拟航天器P1、P2两个正喷姿控喷管常开故障时，在故障模拟模块的故障代码输入端输入代码1，故障模拟模块就能产生两个正喷姿控喷管常开时航天器受到的实际控制力矩；
当输入故障代码2时，故障模拟模块模拟故障类型N1、N2姿控喷管常开故障，即负喷姿控喷管的两个姿控喷管常开故障，输出两个负喷姿控喷管常开时航天器受到的实际控制力矩；
当输入故障代码3时，故障模拟模块模拟故障类型P1、P2姿控喷管常闭故障(正喷姿控喷管的两个姿控喷管常闭故障)，输出两个正喷姿控喷管常闭时航天器受到的实际控制力矩。
当输入故障代码4时，故障模拟模块模拟故障类型N1、N2姿控喷管常闭故障(负喷姿控喷管的两个姿控喷管常闭故障)，输出两个负喷姿控喷管常闭时航天器受到的实际控制力矩。
由于滚动通道两个正喷或负喷姿控喷管，不需要具体区分是哪一个姿控喷管故障，只需检测出是否为滚动通道正喷或负喷姿控喷管故障即可。因此当P1或P2单独发生常开或常闭故障时，不再区分具体的P1或P2故障，统一为单一正喷姿控喷管常开或常闭故障，N1或N2情况相同，统一为单一负喷姿控喷管常开或常闭故障，因此在故障模拟模块工作时，滚动通道的单一姿控喷管故障信息代码只需要输入一种即可，如下：
当输入故障代码5或9时，故障模拟模块模拟故障类型P1或P2姿控喷管常开故障(正喷姿控喷管的一个姿控喷管常开故障)，输出单一正喷姿控喷管常开时航天器受到的实际控制力矩。
当输入故障代码6或10时，故障模拟模块模拟故障类型N1或N2姿控喷管常开故障(负喷姿控喷管的一个姿控喷管常开故障)，输出单一负喷姿控喷管常开时航天器受到的实际控制力矩。
当输入故障代码7或11时，故障模拟模块模拟故障类型P1或P2姿控喷管常闭故障(正喷姿控喷管的一个姿控喷管常闭故障)，输出单一正喷姿控喷管常闭时航天器受到的实际控制力矩。
当输入故障代码8或12时，故障模拟模块模拟故障类型N1或N2姿控喷管常闭故障(负喷姿控喷管的一个姿控喷管常闭故障)，输出单一负喷姿控喷管常闭时航天器受到的实际控制力矩。
当输入故障代码13时，故障模拟模块模拟故障类型为无故障，输出姿控喷管无故障时航天器受到的实际控制力矩。
所述故障模拟模块中，在模拟姿控喷管故障时，通过设置故障模拟模块的测量噪声参数和力矩干扰参数来确定模拟过程中加入的测量噪声和力矩噪声的大小。设置参数只需在加载故障模拟模块时进行。
本发明的一种基于神经网络的航天器姿控喷管故障智能诊断方法，包括以下步骤：
(1)输入姿态角期望值，在获取俯仰通道的数据时，将其他两个通道的输入期望值置零，俯仰通道输入信号为连续的信号，如正弦信号等。此时的姿态角反馈值为零，根据姿态角期望值，得到姿态角误差值，根据误差值姿态控制器模块输出控制力矩，作用于故障模拟模块；
(2)在工作状态切换端输入需要模拟的故障类型，将步骤(1)中得到的控制力矩强制转换为航天器在姿控喷管故障下获得的控制力矩；
(3)根据步骤(2)中得到的等效力矩，将此力矩输入到姿态动力学模块中，此模块根据线性化姿态动力学方程和全量耦合姿态动力学方程输出此时航天器的姿态角信息，此模块对应两个动力学方程，可以自由切换。得到的姿态角信息反馈给步骤(1)中的姿态控制器模块。更新姿态角反馈值，从而更新姿态角误差。更新后的姿态角误差和姿态控制器输出经过数据采集和处理能得他们各自的曲线图，保存后的曲线图用于卷积神经网络训练和测试；
(4)根据步骤(3)中得到的数据对故障诊断模块进行训练，并且将训练好的模型参数保存；
(5)加载训练好的模型参数，绘制航天器在行驶过程中姿态控制器的输出曲线图和姿态角误差曲线图，将得到的两个曲线图作为故障检测模块的输入信号，从而确定出航天器姿控喷管的故障类型。
本发明与现有技术相比的优点在于：
(1)本发明生成不同故障类型下航天器的姿态角误差曲线图和姿态控制器输出曲线图，并且将其预处理为适合于卷积神经网络应用的数据格式，最终生成的数据会自动分类和标记，可以直接应用于卷积神经网络的训练和测试。生成的数据具有较高的真实性。本发明操作简单，可以同时生成大量高质量的数据，同时训练好的故障诊断系统可以准确的检测出航天器姿控喷管发生的故障类型，作为故障诊断系统的被检测数据获得方式简单，抗干扰能力强，而且本发明方便模块化部署，可以运行在体积小、功耗轻的嵌入式科学计算平台上。
(2)本发明相比于传统故障诊断方法，改变了故障信息的形式，由传统的数字数据改变为图像数据。相对于传统方法对数字数据进行聚类等分类处理，作为图像数据的故障信息，在卷积神经网络下，其特征会更明显，抗干扰能力强，更有利于故障类型的诊断。
(3)本发明充分考虑了12种航天器姿控喷管故障类型，模拟种故障发生时航天器受到的实际控制力矩，提高模拟数据的真实性
(4)本发明分别对航天器在线性化姿态动力学方程和全量耦合姿态动力学方程下进行模拟，生成不同方程下的航天器姿态信息，并且本发明中两个方程可以随意切换，方便操作。
(5)本发明中的故障模拟模块主要是针对不同故障类型，对姿态控制器进行等效替换，模仿航天器姿控喷管故障时，航天器受到的实际控制力矩。此模块可以直接输入故障类型代码，便于切换故障类型，获得不同类型的模拟数据。由于此模块基于matlab仿真软件，本发明已给出故障模拟模块的具体代码，使用者可以根据需求调整故障作用时间，加入测量噪声和力矩干扰噪声等，提高生成数据的适应性。
(6)本发明生成数据会自动分类保存为适用于卷积神经网络的数据格式，在进行卷积网络训练时用户可以直接读取次数据。
(7)本发明公开的航天器姿控喷管故障智能诊断系统，加入姿态控制器输出的曲线图作为故障诊断的输入信号来确定可诊断故障的主要类型。根据此分类设计相应的故障诊断模块，提高了训练的效率和在线诊断的速度。
(8)本发明直接采用航天器姿态角信号和控制器输出信号的波形图描述当前姿控喷管的工作状态，获取方式简单，易于实现，并且不必对信号做特殊的预处理，降低对信号质量的要求。利于实施模块化部署，故障诊断网络可以运行在专用的嵌入式科学计算平台上(体积小、重量轻、功耗低)，不受限于控制器硬件的计算能力。
(9)本发明的系统，与所构建的神经网络不在同一环境下运行，在实现上述两个环境间的数据通信后，可以用于模拟对姿控喷管的在线故障诊断。同时也可以单独使用训练好的故障诊断模块进行故障诊断，故障数据生成模块则可以用于生成各类故障信息，用于其他网络训练。
附图说明
图1是本发明滚动通道卷积神经网络结构图；
图2是本发明偏航和俯仰通道卷积神经网络结构图；
图3是本发明系统结构图；
图4是航天器姿控喷管结构图；
图5是待模拟的姿控喷管故障类型图；
图6是本发明姿态控制器模块Simulink仿真图；
图7是本发明故障模拟模块Simulink仿真图。
具体实施方式
下面将结合附图和实施对本发明作进一步详细的说明。
如图1所示，本发明的一种航天器姿控喷管故障数据生成系统包括：故障模拟模块、姿态控制器模块和姿态动力学模块。故障模拟模块，用于模拟航天器姿控喷管故障时，航天器在姿态控制器控制下获得的等效力矩，根据输入的故障类型代码模拟姿控喷管故障时航天器获得的控制力矩。所述姿态控制器模块作为故障模拟模块的输入信号来源，此模块提供正常情况下航天器姿态控制器输出信息，同时输出航天器的姿态角误差信息；姿态动力学模型，输入为故障模拟模块的等效力矩输出，输出为航天器在姿控喷管故障时的姿态角信息。作为姿态控制器模块的姿态角反馈信息。所述数据采集模块可以对姿态角误差信息和姿态控制器输出信息进行等时间间隔采样得到两者的曲线图，并且保存为可以用于卷积神经网络应用的数据格式。得到的两种曲线也可以用来进行航天器姿控喷管故障诊断。
下面具体详细说明步骤如下：
步骤一：结合航天器线性化姿态动力学方程和全量耦合姿态动力学方程，具体方程如下：
(1)线性化姿态动力学方程
俯仰通道方程
偏航通道方程
滚动通道方程
式中：Jx、Jy、Jz分别为滚动通道、俯仰通道、偏航通道的转动惯量；ux、uy、uz分别为滚动通道、俯仰通道、偏航通道的控制力矩；Tx、Ty、Tz分别为滚动通道、俯仰通道、偏航通道的干扰力矩；θ为俯仰姿态角，
为俯仰姿态角的二阶导数；ψ为偏航姿态角，
为偏航姿态角的二阶导数；
为滚动姿态角，
为滚动姿态角的二阶导数。
(2)全量耦合姿态动力学方程
式中：ωx、ωy、ωz分别为滚动、俯仰、偏航通道的角速率；
为滚动通道角加速率，
为俯仰通道角加速率，
分别为偏航通道的角加速率；θ为俯仰姿态角，
为俯仰姿态角的一阶导数；ψ为偏航姿态角，
为偏航姿态角的一阶导数；
为滚动姿态角，
为滚动姿态角的一阶导数；Jx、Jy、Jz分别为滚动通道、俯仰通道、偏航通道的转动惯量；ux、uy、uz分别为滚动通道、俯仰通道、偏航通道的控制力矩；Tx、Ty、Tz分别为滚动通道、俯仰通道、偏航通道的干扰力矩；
分别为滚动姿态角
的正弦值、余弦值；cosθ、tanθ分别为俯仰姿态角θ的余弦值、正切值。
在matlab中加载姿态动力学模块ACM_MODEL。本发明使用S-function分别实现两个姿态动力学方程的飞行器姿态动力学模型仿真。将对应的S-function代码封装为Simulink模块，命名为ACM_MODEL。当选择使用不同的动力学方程时，通过在ACM_MODEL加载入不同的S-function文件即可。根据加载不同的动力学方程，即可得到此方程下的航天器姿态角信息。加载好姿态动力学模块后，当需要更换动力学方程时，只需从新载入S-function文件即可。加载后的模块包括一个输入端和一个输出端。
步骤二：在matlab中加载姿态控制器模块。分别使用三个PD姿态控制器控制飞行器的三个姿态通道。加载后的姿态控制器模块可以得到四个输入端和两个输出端。三个姿态角期望值输入端和一个动力学模型输入端。输出端为姿态控制器输出端和姿态角误差端。并且将姿态动力学模块的输出端与姿态控制器模块的姿态角反馈端连接。
步骤三：在matlab中加载故障模拟模块，加载后的模块包括两个输入端和一个输出端，其中工作状态切换端用来输入故障类型代码，确定模拟的故障类型。而另一个输入端则与步骤二中加载的姿态控制器模块的姿态控制器输出端连接。故障模拟模块的输出端与姿态动力学模块的输入端连接。由于航天器姿控喷管的对称性，故障模拟模块对应航天器三个姿态通道所模拟出的故障类型也不同。13种故障类型包括12种姿控喷管故障和1种姿控喷管无故障，姿控喷管无故障时，即为故障模拟模块不进行等效力矩转换工作，直接将故障模拟模块的输入力矩维持不变的传递给姿态动力学模块。但是在生成航天器姿控喷管故障数据时也需要收集航天器姿控喷管无故障下的姿态数据，所以故障模拟模块的第13种故障模式为姿控喷管无故障情况，此时的故障模拟模块只是将输入力矩传递给姿态动力学模块，无力等效力矩转换操作。所以只需对12种姿控喷管故障进行具体模拟。在不包含无故障情况下，分别针对航天器的俯仰、滚动、偏航三个通道进行故障模拟，每个通道包含12种故障。下述为具体故障模拟实现和具体说明：
航天器姿控喷管结构如图2所示，其中1、13、3、15为同一通道姿控喷管，5、6、7、8为同一通道，2、14、4、16位同一通道。假设P1代表一只正喷姿控喷管，P2代表另一只正喷姿控喷管，同样，N1代表一只负喷姿控喷管，N2代表另一只负喷姿控喷管。如图2中所示，若1、13为P1和P2，则3、15为N1、N2。针对图5所列的姿控喷管故障模式，在Simulink软件中搭建故障模拟模块。该故障模拟功能模块的输入信号为故障状态代码以及姿态控制器模块的输出信号，输出信号为等效作用力矩，作用于姿态动力学模型。当姿态控制器输出为零时，正喷姿控喷管和负喷姿控喷管都处于关闭状态，当姿态控制器输出大于零时，则控制正喷姿控喷管打开，负喷姿控喷管关闭；同理当姿态控制器输出小于零时，控制负喷姿控喷管打开，正喷姿控喷管关闭；当姿态控制器输出为零时，正喷姿控喷管和负喷姿控喷管均关闭。
因此，通过强制更改姿态控制器的输出来模拟航天器几种故障模式，结合图5给出的13种故障类型具体的故障模拟实现方法如下：
a)滚动通道姿控喷管故障模拟(P1、P2、N1、N2四个姿控喷管均为10N推力)
1)P1、P2常开故障：当故障模拟模块的故障状态输入为#1时，P1输出为0.5、P2输出为0.5，表示这两个姿控喷管强制常开，每个姿控喷管各提供百分之五十的推力；当姿态控制器输出大于零时，N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，N1、N2输出为姿态控制器输出的0.5倍，即表示此时N1和N2姿控喷管各提供百分之五十的推力。
2)N1、N2常开故障：当故障模拟模块的故障状态输入为#2时，N1输出为-0.5、N2输出为-0.5，表示这两个姿控喷管强制常开，每个姿控喷管各提供百分之五十的推力；当姿态控制器输出大于零时，P1、P2输出为姿态控制器输出的0.5倍,即表示此时P1和P2姿控喷管各提供百分之五十的推力。当姿态控制器输出小于等于零时，N1、N2输出为0表示姿控喷管关闭。
3)P1、P2常闭故障：当故障模拟模块的故障状态输入为#3时，P1、P2输出为0，表示这两个姿控喷管强制关闭；当姿态控制器输出大于零时，N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，N1、N2输出为姿态控制器输出的0.5倍，即表示此时N1和N2姿控喷管各提供百分之五十的推力。
4)N1、N2常闭故障：当故障模拟模块的故障状态输入为#4时，N1、N2输出为0，表示这两个姿控喷管强制关闭；当姿态控制器输出大于零时，P1、P2输出为姿态控制器输出的0.5倍，即表示此时P1和P2姿控喷管各提供百分之五十的推力。当姿态控制器输出小于等于零时，N1、N2输出为0表示姿控喷管关闭。
5)P1常开故障：当故障模拟模块的故障状态输入为#5时，P1输出为0.5，表示该姿控喷管强制开启，表示该姿控喷管强制开启并提供该通道百分之五十的推力；当姿态控制器输出大于零时，P2输出为姿态控制器输出的0.5倍，表示此姿控喷管提供了该通道百分之五十的推力；N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，P2输出为零，表示该姿控喷管关闭；N1、N2输出为姿态控制器输出的0.5倍，即表示此时N1和N2姿控喷管各提供百分之五十的推力。
6)N1常开故障：当故障模拟模块的故障状态输入为#6时，N1输出为-0.5，表示该姿控喷管强制开启并提供该通道百分之五十的推力；当姿态控制器输出大于零时，N2输出为零，表示该姿控喷管关闭；P1、P2输出为姿态控制器输出的0.5倍，即表示此时P1和P2姿控喷管各提供百分之五十的推力。当姿态控制器输出小于等于零时，N2输出为姿态控制器输出的0.5倍，表示此姿控喷管提供了该通道提供百分之五十的推力；P1、P2输出为0表示姿控喷管关闭；
7)P1常闭故障：当故障模拟模块的故障状态输入为#7时，P1输出为0，表示该姿控喷管强制关闭；当姿态控制器输出大于零时，P2输出为姿态控制器输出的0.5倍，表示此姿控喷管提供了该通道百分之五十的推力；N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，P2输出为零，表示该姿控喷管关闭；N1、N2输出为姿态控制器输出的0.5倍，即表示此时N1和N2姿控喷管各提供百分之五十的推力。
8)N1常闭故障：当故障模拟模块的故障状态输入为#8时，N1输出为0，表示该姿控喷管强制关闭；当姿态控制器输出大于零时，N2输出为零，表示该姿控喷管关闭；P1、P2输出为姿态控制器输出的0.5倍，即表示此时P1和P2姿控喷管各提供百分之五十的推力。当姿态控制器输出小于等于零时，N2输出为姿态控制器输出的0.5倍，表示此姿控喷管提供了该通道百分之五十的推力；P1、P2输出为0表示姿控喷管关闭；
9)P2常开故障：当故障模拟模块的故障状态输入为#9时，P2输出为0.5，表示该姿控喷管强制开启，并提供该通道百分之五十的推力；当姿态控制器输出大于零时，P1输出为姿态控制器输出的0.5倍，表示此姿控喷管提供了该通道百分之五十的推力；N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，P1输出为零，表示该姿控喷管关闭；N1、N2输出为姿态控制器输出的0.5倍，即表示此时N1和N2姿控喷管各提供百分之五十的推力。
10)N2常开故障：当故障模拟模块的故障状态输入为#10时，N2输出为-0.5，表示该姿控喷管强制开启并提供该通道百分之五十的推力；当姿态控制器输出大于零时，N1输出为零，表示该姿控喷管关闭；P1、P2输出为姿态控制器输出的0.5倍，即表示此时P1和P2姿控喷管各提供百分之五十的推力。当姿态控制器输出小于等于零时，N1输出为姿态控制器输出的0.5倍，表示此姿控喷管提供了该通道百分之五十的推力；P1、P2输出为0表示姿控喷管关闭；
11)P2常闭故障：当故障模拟模块的故障状态输入为#11时，P2输出为0，表示该姿控喷管强制关闭；当姿态控制器输出大于零时，P1输出为姿态控制器输出的0.5倍，表示此姿控喷管提供了该通道提供百分之五十的推力；N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，P1输出为零，表示该姿控喷管关闭；N1、N2输出为姿态控制器输出的0.5倍，即表示此时N1和N2姿控喷管各提供百分之五十的推力。
12)N2常闭故障：当故障模拟模块的故障状态输入为#12时，N2输出为0，表示该姿控喷管强制关闭；当姿态控制器输出大于零时，N1输出为零，表示该姿控喷管关闭；P1、P2输出为姿态控制器的输出的0.5倍，即表示此时P1和P2姿控喷管各提供百分之五十的推力。当姿态控制器输出小于等于零时，N1输出为姿态控制器输出的0.5倍，表示此姿控喷管提供了该通道百分之五十的推力；P1、P2输出为0表示姿控喷管关闭；根据上述模拟方案，搭建simulink仿真模块。
13)无故障。
对于滚动通道单个姿控喷管常开故障而言，虽然这四种姿控喷管常开故障均可以被诊断到，但是由于姿控喷管推力相同以及对称布置的原因，使得单个正喷姿控喷管常开故障最终不能被有效区分，既无法锁定究竟是哪一个正喷姿控喷管发生了常开故障；同理对于单个姿控喷管发生常闭故障也会出现类似的情形。但正是由于姿控喷管推力相同，布局对称，此时，控制故障姿控喷管的控制信号是失效的，即使分不清楚具体是哪一个姿控喷管发生了常开故障，也可通过控制相反方向的任意一只姿控喷管产生反向推力，抵消故障姿控喷管的常开作用。上述13中故障类型的具体实现对应了滚动通道的13种故障类型，由于P1，P2或N1，N2单个姿控喷管故障时，不需要诊断出具体是P1还是P2姿控喷管故障，只需要确定为正喷喷管故障即可，所以将P1姿控喷管常开和P2姿控喷管常开定义为同一种故障类型即为正喷姿控喷管的一个姿控喷管常开故障，同样的P1或P2姿控喷管常闭故障都为正喷姿控喷管的一个姿控喷管常闭故障，N1或N2姿控喷管常开故障都为负喷姿控喷管的一个姿控喷管常开故障，N1或N2姿控喷管常闭故障都为负喷姿控喷管的一个姿控喷管常闭故障。所以滚动通道只需要诊断9种故障，而故障模拟模块在模拟姿控喷管故障类型时，输入故障类型代码5和9、6和10、7和11、8和12是同一种类型，模拟时输入以上成对代码中的其中一个即可。9种故障类型为航天器滚动通道的姿控喷管所能检测出的故障类型。
b)俯仰和偏航通道姿控喷管故障模拟(P1、P2、N1、N2四个姿控喷管分别为10N、20N、-10N、-20N推力，因为俯仰和偏航通道姿控喷管配置情况相同，所以故障模拟情况也相同)
1)P1、P2常开故障：当故障模拟模块的故障状态输入为#1时，P1输出为0.36表示提供10N的推力、P2输出为0.64，表示提供20N的推力；当姿态控制器输出大于零时，N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，N1、N2输出分别为姿态控制器输出的0.36倍和0.64倍，即表示此时N1和N2姿控喷管分别提供该通道的36％和64％的推力。
2)N1、N2常开故障：当故障模拟模块的故障状态输入为#2时，N1输出为-0.36、N2输出为-0.64，表示这两个姿控喷管强制常开，N1提供给通道的36％的推力，N2提供该通道的64％的推力。当姿态控制器输出大于零时，P1、P2输出分别为姿态控制器输出的36％和64％,即表示此时P1姿控喷管提供该通道36％的推力，P2姿控喷管提供该通道64％的推力。当姿态控制器输出小于等于零时，N1、N2输出为0表示姿控喷管关闭。
3)P1、P2常闭故障：当故障模拟模块的故障状态输入为#3时，P1、P2输出为0，表示这两个姿控喷管强制关闭；当姿态控制器输出大于零时，N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，N1、N2分别输出为姿态控制器输出的0.36倍和0.64倍，即表示此时N1和N2姿控喷管各提供该通道的36％推力和64％的推力。
4)N1、N2常闭故障：当故障模拟模块的故障状态输入为#4时，N1、N2输出为0，表示这两个姿控喷管强制关闭；当姿态控制器输出大于零时，P1、P2分别输出姿态控制器的输出的0.36倍和0.64倍，即表示此时P1和P2姿控喷管各提供该通道36％和64％的推力。当姿态控制器输出小于等于零时，N1、N2输出为0表示姿控喷管关闭。
5)P1常开故障：当故障模拟模块的故障状态输入为#5时，P1输出为0.36，表示该姿控喷管强制开启，表示该姿控喷管强制开启并提供该通道36％的推力；当姿态控制器输出大于零时，P2输出为姿态控制器输出的0.64倍，表示此姿控喷管提供了该通道提供64％的推力；N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，P2输出为零，表示该姿控喷管关闭；N1、N2分别输出姿态控制器输出的0.36和0.64倍，即表示此时N1和N2姿控喷管各提供该通道36％和64％的推力。
6)N1常开故障：当故障模拟模块的故障状态输入为#6时，N1输出为-0.36，表示该姿控喷管强制开启并提供该通道36％的推力；当姿态控制器输出大于零时，N2输出为零，表示该姿控喷管关闭；P1、P2分别输出为姿态控制器输出的0.36倍和0.64倍，即表示此时P1和P2姿控喷管分别提供该通道36％和64％的推力。当姿态控制器输出小于等于零时，N2输出为姿态控制器输出的0.64倍，表示此姿控喷管提供了该通道64％的推力；P1、P2输出为0表示姿控喷管关闭；
7)P1常闭故障：当故障模拟模块的故障状态输入为#7时，P1输出为0，表示该姿控喷管强制关闭；当姿态控制器输出大于零时，P2输出为姿态控制器输出的0.64倍，表示此姿控喷管提供了该通道64％的推力；N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，P2输出为零，表示该姿控喷管关闭；N1、N2分别输出为姿态控制器输出的0.36倍和0.64倍，即表示此时N1和N2姿控喷管各提供该通道36％和64％的推力。
8)N1常闭故障：当故障模拟模块的故障状态输入为#8时，N1输出为0，表示该控姿控喷管强制关闭；当姿态控制器输出大于零时，N2输出为零，表示该姿控喷管关闭；P1、P2分别输出为姿态控制器输出的0.36倍和0.64倍，即表示此时P1和P2姿控喷管各提供36％和64％的推力。当姿态控制器输出小于等于零时，N2输出为姿态控制器输出的0.64倍，表示此姿控喷管提供了该通道64％的推力；P1、P2输出为0表示姿控喷管关闭；
9)P2常开故障：当故障模拟模块的故障状态输入为#9时，P2输出为0.64，表示该姿控喷管强制开启，并提供该通道64％的推力；当姿态控制器输出大于零时，P1输出为姿态控制器输出的0.36倍，表示此姿控喷管提供了该通道64％的推力；N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，P1输出为零，表示该姿控喷管关闭；N1、N2分别输出为姿态控制器输出的0.36倍和0.64倍，即表示此时N1和N2姿控喷管各提供该通道36％和64％的推力。
10)N2常开故障：当故障模拟模块的故障状态输入为#10时，N2输出为-0.64，表示该姿控喷管强制开启并提供该通道64％的推力；当姿态控制器输出大于零时，N1输出为零，表示该姿控喷管关闭；P1、P2分别输出姿态控制器输出的0.36倍和0.64倍，即表示此时P1和P2姿控喷管P1和P2姿控喷管分别提供36％和64％的推力。当姿态控制器输出小于等于零时，N1输出为姿态控制器输出的0.36倍，表示此姿控喷管提供了该通道36％的推力；P1、P2输出为0表示姿控喷管关闭；
11)P2常闭故障：当故障模拟模块的故障状态输入为#11时，P2输出为0，表示该姿控喷管强制关闭；当姿态控制器输出大于零时，P1输出为姿态控制器输出的0.36倍，表示此姿控喷管提供了该通道36％的推力；N1、N2输出为0表示姿控喷管关闭；当姿态控制器输出小于等于零时，P1输出为零，表示该姿控喷管关闭；N1、N2分别输出姿态控制器输出的0.36倍和0.64倍，即表示此时N1和N2姿控喷管分别提供36％和64％的推力。
12)N2常闭故障：当故障模拟模块的故障状态输入为#12时，N2输出为0，表示该姿控喷管强制关闭；当姿态控制器输出大于零时，N1输出为零，表示该姿控喷管关闭；P1、P2分别输出为姿态控制器输出的0.36倍和0.64倍，即表示此时P1和P2姿控喷管分别提供36％和64％的推力。当姿态控制器输出小于等于零时，N1输出姿态控制器输出的0.36倍，表示此姿控喷管提供了该通道36％的推力；P1、P2输出为0表示姿控喷管关闭；
13)无故障。
步骤四：在matlab中加载数据采集模块，步骤二加载的姿态控制器模块的两个输出分别与数据采集模块连接，即姿态控制器模块的两个输出值都为被采集数据。至此一个完整的故障数据生成模块搭建完成。
步骤五：在故障模拟模块输入不同的故障代码1～13后，即可得到航天器在对应故障下的姿态角误差信息和姿态控制器输出信息。然后数据采集模块将Simulink仿真系统中的姿态控制器输出信号流、姿态角误差信号流以及故障状态标记信号按1ms采样时间进行采样记录于matlab的工作空间中(workspace)中，得到了一个Timeseries格式的数据。其中第一例是数据采样时刻，第二列是姿态角误差值，第三列是姿态控制器输出值，第四列是故障状态标记即故障模拟模块输入的故障代码。数据读出来后，根据数据最后一列的标签值将每6000个连续采样时间且状态一致的数据绘制成一幅状态变化曲线图，并绘制相应的零参考线，调整曲线在图中显示的比例和范围，最后将绘制的图片文件分别存入当前路径以故障标签命名的文件夹内。从各故障名称命名的文件夹中读取出绘制的图片，按照重新设置的图片分辨率更改后再存入原来位置。生成的图片存储方式为二维矩阵方式，但是用于卷积神经网络训练的数据集为了便于样本标记，往往将一个二维矩阵数据拉直为一维行向量存储。得到的每个二维矩阵分别对应一幅图片和一个标签即故障类型代码。将这个二维矩阵的每一列进行转置变换，得到的行向量按顺序首尾相连，最后一位为标签，即故障类型代码。这样处理后得到的行向量可以作为卷积神经网络的训练和测试数据。最后将每张图片对应的行向量按列方向排列，得到一个新的二维矩阵。保存为mat格式，作为神经网络训练时需要加载的数据集。通过改变故障模拟模块的工作状态切换端的输入值，即故障类型代码，产生对应故障的航天器姿态信息和姿态控制器输出信息。根据所需数据的数量，增加每种故障作用时间即可。
步骤六：在python环境下加载故障诊断模块和步骤五产生的数据进行，对故障诊断模块中的卷积神经网络进行训练。训练次数设置为1000，并且每训练20次打印一次模型训练样本的预测准确度和测试样本的预测准确度，在不到1000次的训练周期后，准确度趋近于百分之百，稳定后将卷积神经网络的具体权值保存到指定的文件夹中。此时文件夹中的文件即为训练完成的故障诊断模块中的卷积神经网络。针对航天器三个姿态通道分别加载对应的卷积神经网络和训练数据，分别训练后保存在指定文件夹下。指定文件夹为故障诊断模块训练时所在目录下的SAVE_NET文件夹。
步骤七：在python环境下加载故障诊断模块中卷积神经网络的网络模型参数，即将保存在SAVE_NET文件夹的网络模型参数。加载完成后通过航天器飞行时获得的姿态控制器的输出曲线图和姿态角误差曲线图，输入到故障诊断模块中，即可的到航天器此时的姿控喷管的工作状态，即有无故障，有故障情况时，故障类型的代码，通过故障代码即可确定姿控喷管的故障类型。
如图4所示，其中1、13、3、15为同一通道姿控喷管，5、6、7、8为同一通道，2、14、4、16位同一通道。假设P1代表一只正喷姿控喷管，P2代表另一只正喷姿控喷管，同样，N1代表一只负喷姿控喷管，N2代表另一只负喷姿控喷管。5、6、7、8为滚动通道的姿控喷管，2、14、4、16和1、13、3、15为俯仰和偏航通道的姿控喷管。图中三角形代表一个姿控喷管，三角形的顶角的指向方向为姿控喷管产生的推力的方向，形状相同的三角形代表的姿控喷管产生的推力相同，图2中，5、6、7、8、13、14、15、16姿控喷管产生的推力相同，且为10N，1、2、3、4姿控喷管产生的推力相同，为20N。
如图6所示，姿态控制器模块有四个输入端和两个输出端；四个输入端，分别为滚动角期望输入，俯仰角期望输入，偏航角期望输入和动力学模型输入；三个姿态角期望值为航天器的控制信号，通过这三个输入使得航天器运动输入的姿态角；图6所示的动力学模型输入端，输入信号为姿态动力学模块的反馈的姿态角信息；两个输出端，分别为姿态控制器输出端和姿态角误差端，输出的两个信息都为数据采集模块的被采集信息，并且姿态控制器输出端输出的信号作为故障模拟模块的输入信号。
如图7所示，故障模拟模块，包括：两个输入端和五个输出端；两个输入端分别为工作状态切换端和姿态控制器输出端。在工作状态切换端输入故障类型代码，姿态控制器模块的姿态控制器输出端输出的信号作为故障模拟模块里一个输入，即为图7中标注的控制器输出端。五个输出端，如图7所示，其中P1、P2正喷控制、N1、N2负喷控制为每个姿控喷管的输出力矩，总输出端为将所有姿控喷管(P1、P2、N1、N2)力矩合成后的等效力矩。总输出端输出的等效力矩作为姿态动力学模块的输入信号。
以上虽然描述了本发明的具体实施方法，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明原理和实现的前提下，可以对这些实施方案做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。
Claims (5)
1.一种基于神经网络的航天器姿控喷管故障智能诊断系统，其特征在于，包括：故障数据生成模块和故障诊断模块；
故障数据生成模块，用于获得航天器姿控喷管的故障信息和发生此类故障时对应的航天器姿态误差曲线及此时控制器的输出曲线，利用此模块得到大量的故障信息，保存后用于故障诊断模块的训练数据；
故障诊断模块，用于航天器姿控喷管的故障诊断；根据故障数据生成模块保存的训练数据，基于卷积神经网络进行训练，从而诊断出航天器姿控喷管的故障类型，并输出航天器此时姿控喷管的工作状态；
所述故障诊断模块由卷积神经网络构成，网络的输入为航天器姿态误差曲线图和控制器输出曲线图，两张曲线图合为一张是单通道的灰度图像，作为故障诊断模块的输入信号，图像分辨率为64*64像素，该网络有3个卷积层，对应的卷积核尺寸均为5*5，第一层卷积层对应32个卷积核，第二和第三层卷积核对应64个卷积核；每个卷积层后都有一个池化层，并选用最大池化的方法，移动步长横纵方向都是两个像素；激活函数选取ReLU函数，最后的池化层链接一个全连接层，神经元个数为100个，然后在再连接dropout层，该层维度也为100，最后再连接一个softmax层用于实现最终的分类目的，对于航天器滚动通道的神经网络该层维度为9维，对应着9种故障类型；对于偏航和俯仰通道的神经网络该层维度为13维，对应着13种故障类型；网络的最后一层为故障诊断模块的输出端，滚动通道的故障诊断器输出信号维度为9，代表9种故障类型，俯仰和偏航通道输出信号维度为13，代表13种故障信息；通过故障数据生成模块得到的训练数据，对此卷积神经网络进行训练，得到用于诊断航天器姿控喷管故障的故障诊断模块；所述9种故障类型分别为：(1)正喷姿控喷管的两个姿控喷管常开故障；(2)负喷姿控喷管的两个姿控喷管常开故障；(3)正喷姿控喷管的两个姿控喷管常闭故障；(4)负喷姿控喷管的两个姿控喷管常闭故障；(5)正喷姿控喷管的一个姿控喷管常开故障；(6)负喷姿控喷管的一个姿控喷管常开故障；(7)正喷姿控喷管的一个姿控喷管常闭故障；(8)负喷姿控喷管的一个姿控喷管常闭故障；(9)无故障；
所述13种故障类型分别为：(1)正喷姿控喷管的两个姿控喷管常开故障；(2)负喷姿控喷管的两个姿控喷管常开故障；(3)正喷姿控喷管的两个姿控喷管常闭故障；(4)负喷姿控喷管的两个姿控喷管常闭故障；(5)正喷姿控喷管的一个姿控喷管常开故障；(6)负喷姿控喷管的一个姿控喷管常开故障；(7)正喷姿控喷管的一个姿控喷管常闭故障；(8)负喷姿控喷管的一个姿控喷管常闭故障；(9)正喷姿控喷管的另一个姿控喷管常开故障；(10)负喷姿控喷管的另一个姿控喷管常开故障；(11)正喷姿控喷管的另一个姿控喷管常闭故障；(12)负喷姿控喷管的另一个姿控喷管常闭故障；(13)无故障。
2.根据权利要求1所述的一种基于神经网络的航天器姿控喷管故障智能诊断系统，其特征在于：所述故障数据生成模块包括：故障模拟模块、姿态控制器模块、姿态动力学模块和数据采集模块；
故障模拟模块，根据输入的不同故障类型，模拟对应的姿控喷管故障类型，将姿态控制器模块的输出力矩强制转换为对应故障状态下的等效力矩，得到的等效力矩为模拟姿控喷管故障时航天器受到的实际控制力矩，并且根据需求调整故障作用时间，此等效力矩作为姿态动力学模块的输入信号；
姿态控制器模块，模拟航天器的姿态控制器输出，为故障模拟模块提供输入信号；根据输入的姿态角期望值和姿态动力学模块反馈的航天器姿态角信息，基于两个姿态角的误差，输出模拟姿态控制器在姿控喷管正常工作情况下的输出力矩，此输出力矩为航天器在姿控喷管正常工作时受到的控制力矩，作为故障模拟模块提供输入信号；
姿态动力学模块，根据输入的等效力矩，模拟航天器的飞行状态，输出航天器在线性化姿态动力学方程和全量耦合姿态动力学方程下的姿态角信息，得到的姿态角信息反馈给姿态控制器模块，作为姿态控制器模块的姿态角反馈输入；由于输入信号为故障模拟模块输出的等效力矩，此时得到的航天器姿态角信息为姿控喷管故障情况下的姿态信息，此模块在线性化姿态动力学方程和全量耦合姿态动力学方程之间自由切换；
数据采集模块，将所述故障数据生成模块产生的姿态角误差信息和姿态控制器输出信息进行等时间间隔采样，得到姿态角误差信息和姿态控制器输出曲线，然后将采样得到的曲线的数据进行预处理，分类标记后保存为用于故障诊断模块中神经网络训练的数据。
3.根据权利要求2所述的一种基于神经网络的航天器姿控喷管故障智能诊断系统，其特征在于：所述故障模拟模块中，不同故障类型分别为13种；同时采用故障类型代码表示，总共有13种；只需要在故障模拟模块输入对应数字即可，由于滚动通道不需要确定两个正喷或负喷姿控喷管具体是哪一个故障，所述的13种故障对于滚动通道则为9种，对于俯仰和偏航通道则为13种。
4.根据权利要求2所述的一种基于神经网络的航天器姿控喷管故障智能诊断系统，其特征在于：所述故障模拟模块中，在模拟姿控喷管故障时，通过设置故障模拟模块的测量噪声参数和力矩干扰参数来确定模拟过程中加入的测量噪声和力矩噪声的大小，设置参数只需在加载故障模拟模块时进行。
5.一种基于权利要求1-4任意之一所述的系统实现的基于神经网络的航天器姿控喷管故障智能诊断方法，其特征在于，包括以下步骤：
(1)输入姿态角期望值，在获取俯仰通道的数据时，将其他两个通道的输入期望值置零，俯仰通道输入信号为连续的信号，此时的姿态角反馈值为零，根据姿态角期望值，得到姿态角误差值，根据误差值姿态控制器模块输出控制力矩，作用于故障模拟模块；
(2)在工作状态切换端输入需要模拟的故障类型，将步骤(1)中得到的控制力矩强制转换为航天器在姿控喷管故障下获得的等效力矩；
(3)根据步骤(2)中得到的等效力矩，将此力矩输入到姿态动力学模块中，此模块根据线性化姿态动力学方程和全量耦合姿态动力学方程输出此时航天器的姿态角信息，此模块对应两个动力学方程，自由切换，得到的姿态角信息反馈给步骤(1)中的姿态控制器模块，更新姿态角反馈值，从而更新姿态角误差；更新后的姿态角误差和姿态控制器输出经过数据采集和处理能得他们各自的曲线图，保存后的曲线图用于卷积神经网络训练和测试；
(4)根据步骤(3)中得到的数据对故障诊断模块进行训练，并且将训练好的模型参数保存；
(5)加载训练好的模型参数，绘制航天器在行驶过程中姿态控制器输出的曲线图和姿态角误差曲线图，将得到的两个曲线图作为故障检测模块的输入信号，从而确定出航天器姿控喷管的故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910660883.1A CN110412997B (zh) | 2019-07-22 | 2019-07-22 | 一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910660883.1A CN110412997B (zh) | 2019-07-22 | 2019-07-22 | 一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110412997A CN110412997A (zh) | 2019-11-05 |
| CN110412997B true CN110412997B (zh) | 2022-05-10 |
Family
ID=68362224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910660883.1A Active CN110412997B (zh) | 2019-07-22 | 2019-07-22 | 一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110412997B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111176310B (zh) * | 2019-12-31 | 2020-09-08 | 北京星际荣耀空间科技有限公司 | 一种运载火箭姿态控制系统的测试方法、装置及系统 |
| CN114415898B (zh) * | 2022-01-14 | 2023-06-06 | 重庆长安汽车股份有限公司 | 一种实车数据回注Simulink模型的方法及系统 |
| CN115857529B (zh) * | 2022-12-05 | 2023-12-22 | 哈尔滨工业大学 | 航天器姿态控制系统的执行器故障重构方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4447288A1 (de) * | 1993-12-30 | 1995-07-06 | Caterpillar Inc | Maschinenfehlerdiagnosesystem und -verfahren |
| JPH08210182A (ja) * | 1994-09-29 | 1996-08-20 | General Electric Co <Ge> | 航空機ガスタービンエンジン可変排気ノズル用のフェールセーフ・ノズル作動システム及びこのシステムを作動させる方法 |
| JPH11281695A (ja) * | 1998-03-27 | 1999-10-15 | Anritsu Corp | 電子部品検査装置及び方法 |
| CN103954452A (zh) * | 2014-05-04 | 2014-07-30 | 南京航空航天大学 | 航空发动机气路故障静电监测模拟实验平台及使用方法 |
| CN105911975A (zh) * | 2016-04-14 | 2016-08-31 | 南京航空航天大学 | 一种航空发动机气路故障融合诊断方法 |
| CN110286607A (zh) * | 2019-07-22 | 2019-09-27 | 中国人民解放军军事科学院国防科技创新研究院 | 一种航天器姿控喷管故障数据生成系统及方法 |
-
2019
- 2019-07-22 CN CN201910660883.1A patent/CN110412997B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4447288A1 (de) * | 1993-12-30 | 1995-07-06 | Caterpillar Inc | Maschinenfehlerdiagnosesystem und -verfahren |
| JPH08210182A (ja) * | 1994-09-29 | 1996-08-20 | General Electric Co <Ge> | 航空機ガスタービンエンジン可変排気ノズル用のフェールセーフ・ノズル作動システム及びこのシステムを作動させる方法 |
| JPH11281695A (ja) * | 1998-03-27 | 1999-10-15 | Anritsu Corp | 電子部品検査装置及び方法 |
| CN103954452A (zh) * | 2014-05-04 | 2014-07-30 | 南京航空航天大学 | 航空发动机气路故障静电监测模拟实验平台及使用方法 |
| CN105911975A (zh) * | 2016-04-14 | 2016-08-31 | 南京航空航天大学 | 一种航空发动机气路故障融合诊断方法 |
| CN110286607A (zh) * | 2019-07-22 | 2019-09-27 | 中国人民解放军军事科学院国防科技创新研究院 | 一种航天器姿控喷管故障数据生成系统及方法 |
Non-Patent Citations (8)
| Title |
|---|
| Fault diagnosis for gas turbines based on the control system;A.Guasch,J.Quevedo,R.Milne;《Engineering Applications of Artificial Intelligence》;20000608;Pages 477-484 * |
| Kai Quan ; Bing Xiao ; Zhenzhou Fu ; Jia Yang ; Chaofan Wu ; Yiyan We.Deep neural network-based fault diagnosis approach for the rocket propelling nozzle in the glide.《2018 IEEE CSAA Guidance, Navigation and Control Conference (CGNCC)》.2020, * |
| Shuo Wang ; Lihong Xiao ; Huiping Zhang.Fault Diagnosis of Attitude Control Thruster Based on the Extended State Observer.《2019 Chinese Automation Congress (CAC)》.2020, * |
| Study of the fault diagnosis method based on RBF neural network;Dao-jiong Chen；Peng Zhao;《2011 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC 2011)》;20111231;正文全文 * |
| 基于学习观测器的卫星姿态控制系统故障重构研究;贾庆贤;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20160315;第C031-61页 * |
| 基于深度学习的航空发动机故障融合诊断;车畅畅，王华伟，倪晓梅，洪骥宇;《北京航空航天大学学报》;20180331;第621-628页 * |
| 基于神经网络的姿控喷管故障诊断技术;禹春梅，李天涯，王硕，路坤锋;《2020中国自动化大会(CAC2020)论文集》;20201106;第205-212页 * |
| 基于解析余度的导弹执行机构故障诊断方法;曹祥宇,胡昌华,乔俊峰;《北京理工大学学报》;20121130;第1149-1153页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110412997A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rausch et al. | Learning a deep neural net policy for end-to-end control of autonomous vehicles | |
| Wang et al. | Convolutional neural network-based hidden Markov models for rolling element bearing fault identification | |
| CN110412997B (zh) | 一种基于神经网络的航天器姿控喷管故障智能诊断系统及方法 | |
| Abbaspour et al. | Neural adaptive observer-based sensor and actuator fault detection in nonlinear systems: Application in UAV | |
| Jiang et al. | Adaptive neural observer‐based backstepping fault tolerant control for near space vehicle under control effector damage | |
| Ji et al. | Model-free fault diagnosis for autonomous underwater vehicles using sequence convolutional neural network | |
| CN108540311B (zh) | 卫星执行机构的故障检测深度学习网络处理方法及装置 | |
| CN112947385B (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
| Ai et al. | Diagnosis of sensor faults in hypersonic vehicles using wavelet packet translation based support vector regressive classifier | |
| CN111753464B (zh) | 一种无人直升机模型在线学习方法及系统 | |
| CN104570736B (zh) | 一种星‑臂耦合系统的动力学参数在轨辨识方法和装置 | |
| CN110286607B (zh) | 一种航天器姿控喷管故障数据生成系统及方法 | |
| Dong et al. | Digital twin-assisted multiscale residual-self-attention feature fusion network for hypersonic flight vehicle fault diagnosis | |
| CN115576184B (zh) | 一种水下机器人推进器故障在线诊断与容错控制方法 | |
| 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 | |
| Wang et al. | Hybrid modeling based double-granularity fault detection and diagnosis for quadrotor helicopter | |
| Tang et al. | Deep transfer learning-based fault diagnosis of spacecraft attitude system | |
| You et al. | An adaptable UAV sensor data anomaly detection method based on TCN model transferring | |
| He et al. | Fault diagnosis of full-drive AUV based on graph theory and recurrent neural network | |
| Van Der Smagt et al. | Solving the ill-conditioning in neural network learning | |
| San Martin et al. | Unmanned aerial vehicle (UAV) modelling based on supervised neural networks | |
| CN104715133B (zh) | 一种待辨识对象的运动学参数在轨辨识方法和装置 | |
| Erfanian et al. | Using deep learning network for fault detection in UAV | |
| Xiong et al. | Research on online interactive identification method for motion model of double propeller propulsion unmanned surface vehicle based on ESO disturbance estimation | |
| CN114030008B (zh) | 一种基于数据驱动的工业机器人实训能耗测量方法 |
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 |