CN111076744B - 一种基于自编码观测器的卫星敏感器故障检测定位方法 - Google Patents
一种基于自编码观测器的卫星敏感器故障检测定位方法 Download PDFInfo
- Publication number
- CN111076744B CN111076744B CN201911146613.5A CN201911146613A CN111076744B CN 111076744 B CN111076744 B CN 111076744B CN 201911146613 A CN201911146613 A CN 201911146613A CN 111076744 B CN111076744 B CN 111076744B
- Authority
- CN
- China
- Prior art keywords
- observer
- self
- attitude
- coding
- fault
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012706 support-vector machine Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000003745 diagnosis Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 241000764238 Isis Species 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000036544 posture Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Astronomy & Astrophysics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于自编码观测器的卫星敏感器故障检测定位方法,该方法基于自编码观测器对卫星姿态敏感器进行故障检测定位,包括基于自编码器的观测器设计、支持向量机系统,根据卫星姿态测量方法搭建自编码观测器,比较观测器的输入和输出生成残差,用支持向量机根据残差的均值、均方差和信息熵对故障进行检测,组合多个自编码观测器的检测结果对故障传感器进行定位。本发明可以结合多个卫星姿态敏感器信号进行故障检测和故障定位,提高了卫星姿态控制系统的可靠性和地面监测能力。
Description
技术领域
本发明属于涉及卫星姿态敏感器故障诊断技术,具体涉及一种基于自编码观测器的卫星姿态敏感器故障定位方法。
背景技术
随着航天领域技术的不断发展,航天任务的复杂度不断提升,航天器系统功能的密度也随之不断提升,航天器作为结构、功能复杂的系统,其研发耗时、耗费巨大。航天器姿态控制子系统是航天器最重要的子系统之一,为保障航天器可靠性往往配置多个姿态敏感器冗余,但也增加故障诊断方法设计的复杂度,从而使得故障诊断方法可移植性下降。因此亟需提出一种方法可以融合多个姿态敏感器信号进行故障检测定位,且不过度依赖于模型知识的故障诊断算法,为卫星姿态的容错控制提供快速精准的故障定位信息使之采取合适的容错措施避免或减轻故障为卫星带来的负面影响,提高姿态控制子系统的可靠性,保障卫星任务的可靠执行。
发明内容
发明目的:针对现有技术对于卫星姿态控制系统中敏感器的故障定位精度不足问题,本发明提供一种基于自编码观测器的卫星姿态敏感器故障定位方法,为卫星姿态的容错控制提供快速精准的故障定位。
技术方案:一种基于自编码观测器的卫星敏感器故障检测定位方法,所述方法基于自编码观测器,结合支持向量机对卫星姿态敏感器进行故障检测和故障定位,包括如下步骤:
(1)根据卫星姿态敏感器的种类和个数搭建自编码观测器,所述自编码观测器基于姿态敏感器信号进行训练,使自编码观测器将敏感器信号压缩至卫星姿态最小表达,并使解码器能够从卫星姿态最小表达中反算出敏感器信号;
(2)将卫星姿态敏感器信号输入经过训练的自编码观测器,然后将输出与输入进行比较,生成残差r;
(3)对残差进行特征提取,所述残差的特征信息包括均值E(r)、均方差Var(r)和香农信息熵H(r);
(4)构建支持向量机故障检测模型,具体为:记Φ=[E(r),Var(r),H(r)]为残差r的特征,Φi表示第i个分量的残差特征,根据敏感器是否发生故障将数据特征分为健康类和故障类对支持向量机模型进行训练,实现支持向量机模型能够根据数据的特征Φ判断输入的卫星敏感器信号属于健康类或故障类;
(5)故障检测,将实际卫星敏感器信号输入自编码观测器,生成残差并提取故障特征,将特征数据Φ输入训练好的支持向量机故障检测模型,若检测结果为1,则当前观测器检测出故障,若检测结果为0,则当前观测器所用敏感器信号无故障;
(6)故障定位,根据观测器与敏感器之间的故障检测关系生成故障决策矩阵D,右乘故障检测结果向量V,得到故障定位向量S=DV,并根据定位向量S的各个分量确定各个敏感器是否发生故障。
进一步的,所述自编码观测器将姿态敏感器信号X进行压缩编码,在自编码观测器“瓶颈”处是压缩掉冗余信息的卫星姿态最小表达ξ,再由解码器根据“瓶颈”处的卫星姿态最小表达解码出姿态敏感器信号当敏感器发生故障时,导致压缩过程获得错误的卫星姿态最小表达ξ′,从而解码器解码出错误的敏感器信号通过检测自编码观测器的输入输出是否相等的判断进行故障检测。
式中,Ak、ωk分别为多个敏感器中的第k个矢量型敏感器、姿态型敏感器、角速度型敏感器的输出信号,为第k个矢量型敏感器所敏感的矢量在轨道坐标系下的指向,为第k个姿态型敏感器输出姿态Ak计算得到的角速度。以上,k=1,2,…,i,…,j,…。
b)当Ai=[Ax,Ay,Az]T为欧拉角时:
对于四元数类型,其残差为误差四元数:
对于其他类型包括角速度信号和矢量信号情况的计算,其残差为:
步骤(3)通过观测器生成残差后,对残差进行特征提取,记ri∈r(x)为残差中的第i维分量,则数据窗口d中ri的连续n个数据点{ri (j)|j=1,2,…,n}的各特征信息提取如下:
步骤(4)所述支持向量机故障检测模型包括通过卫星ACS闭环系统的正常数据残差特征{Φh(ri),0}与故障数据的残差特征{Φf(ri),1}进行训练,使得SVM根据残差特征Φ判断其属于健康类或是故障类,其中,Φ(ri)=[E(ri),Var(ri),H(ri)]为{Φ(ri)|ri∈r}中某个分量的残差特征,包括通过比较自编码观测器的输入输出生成残差r并提取特征Φ(r)。
步骤(6)通过决策矩阵D和检测结果向量V,将多个自编码观测器的故障诊断结果进行融合,从而定位故障发生点,具体过程如下:
a)每个自编码观测器同时检测2个姿态敏感器的故障,根据自编码观测器个数m和进行故障检测的姿态敏感器个数n构建决策矩阵D=[di,j]∈Rn×m。其中,di,j为故障决策矩阵D中第i行第j列的元素,当第j个观测器Γj(j=1,2,…,m)对第i个敏感器si进行故障检测时,di,j=1,否则di,j=0;
b)将观测器检测结果用m维矢量V=[vj]∈Rm表示,其中vj为检测结果矢量V中第j个分量,当第j个观测器Γj(j=1,2,…,m)检测出故障时,vj=0.5,否则vj=0;
则故障定位结果为S=DV,其中S=[sj]∈Rn为n维的检测结果矢量,当si=0时,第i个敏感器无故障;当si=0.5时,说明仅有一个观测器对敏感器si表决故障,si存在故障可能,但无法确定是否故障;当si≥1时,说明有至少2个观测器对敏感器si表决故障,敏感器si发生故障。
有益效果:与现有技术相比,本发明显著效果如下:
(1)本发明可以不依赖卫星姿态敏感器的安装位置/矩阵参数,融合多个敏感器信号进行故障检测定位:相比于一般基于模型的诊断方法,具有更好的可移植性,无需根据卫星具体模型重新设计方法,仅需采集卫星历史数据对自编码观测器和支持向量机进行训练即可。
(2)本发明所提供的观测器设计方法较为完善,据此可有效融合多个同类型/不同类型的姿态敏感器信号进行故障检测定位:通过设计多个观测器进行故障检测,用决策的方法定位故障,可有效利用姿态敏感器之间的冗余信息定位单个,或多个敏感器故障,工程实现上简单易行且具有较高的可靠性。
(3)本发明能够增加地面测控站对卫星遥测数据的分析能力和提高报警故障的及时性,不依赖于模型参数,可部署于一般的地面测控站,无需具备故障诊断领域专业知识的专业人才即可对卫星敏感器进行故障检测定位;
(4)本发明所述方法可以提高卫星运行维护的可靠性和自主性,为卫星提供精准的故障诊断结果,提高卫星姿态控制系统的可靠性,增强了卫星的自主工作能力。
附图说明
图1为本发明所述方法的步骤流程示意图;
图2为本发明所述方法的步骤流程方法示意图;
图3为本发明所述方法自编码观测器原理示意图;
图4为本发明所述方法应用阶段细节流程图;
图5为应用实例仿真的卫星姿态敏感器配置图;
图6为应用实例仿真的一组自编码观测器跟踪效果示意图;
图7为应用实例仿真的无故障/故障系统残差提取一组效果示意图;
图8为应用实例仿真的故障表决结果示意图。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合说明书附图及具体实施案例做进一步的阐述。
本发明公开了一种基于自编码观测器的卫星姿态敏感器故障定位方法,该方法基于自编码观测器对卫星姿态敏感器进行故障定位。根据卫星所配置的姿态敏感器,设计自编码观测器,生成残差并提取残差的数据特征,使用支持向量机辨识残差特征以检测故障,通过表决矩阵融合多个观测器的检测结果定位故障发生的敏感器。解决了卫星姿态敏感器故障检测定位方法对模型参数依赖强、方法可移植性差的问题。
实施例1
本发明所述的方法基于自编码观测器对卫星姿态敏感器进行故障检测定位,训练阶段和应用阶段,如图1所示,具体的步骤如下:
(1)根据卫星所配备的姿态敏感器设计多个自编码观测器,并采用敏感器无故障数据对自编码观测器进行训练,使编码器能压缩敏感器信号,而自编码观测器能从编码器压缩后的数据中反算出敏感器信号。
(2)将传感器信号输入自编码观测器,并比较自编码观测器的输入和输出,得到残差。
(3)生成残差后,对残差进行特征信息提取,所书的残差特征信息包括残差的均值、均方差和香农信息熵。
(4)构建支持向量机故障检测模型,采集敏感器正常时的残差特征和故障时的残差特征,对支持向量机进行训练,使之能根据辨识数据是否为故障数据,获得支持向量机故障检测模型。
(5)将自编码观测器信号残差特征输入支持向量机故障检测模型,使用支持向量机辨识残差特征从而检测故障是否发生。
(6)通过姿态敏感器和自编码观测器的数量生成故障决策矩阵,将观测器检测结果记为向量形式,组合决策矩阵与检测结果向量生成故障定位信息。
进一步的,如图2-图4所示,步骤(1)构建自编码观测器,其原理在于:编码器将姿态敏感器信号X进行压缩编码,在自编码观测器“瓶颈”处是压缩掉冗余信息的卫星姿态最小表达ξ,再由解码器根据“瓶颈”处的卫星姿态最小表达解码出姿态敏感器信号当敏感器发生故障时,导致压缩过程获得错误的卫星姿态最小表达ξ′,从而使得解码器解码出错误的敏感器信号由此可以检测自编码观测器的输入输出是否相等进行故障检测。
其中,自编码观测器构造的方法如下:
其中,ωAi为根据姿态Ai计算得到的角速度:
b)当Ai=[Ax,Ay,Az]T为欧拉角时:
进一步的,步骤(2)对于残差的计算如下:
对于四元数类型,其残差为误差四元数:
对于角速度信号和矢量信号而言,其残差为:
进一步的,步骤(3)对于残差的特征提取方法如下:
通过观测器生成残差后,对残差进行特征提取,记ri∈r(x)为残差中的第i维分量,则数据窗口d中ri的连续n个数据点{ri (j)|j=1,2,…,n}的各特征信息提取如下:
进一步的,步骤(4)中所述的支持向量机故障检测模型的构建方法如下:
所述SVM包括通过卫星ACS闭环系统的正常数据残差特征{Φh(ri),0}与故障数据的残差特征{Φf(ri),1}进行训练,使得SVM根据残差特征Φ判断其属于健康类或是故障类。其中,Φ(ri)=[E(ri),Var(ri),H(ri)]为{Φ(ri)|ri∈r}中某个分量的残差特征。
进一步的,步骤(5)中所述的支持向量机故障检测方法如下:
通过比较自编码观测器的输入输出生成残差r并提取特征Φ(r)。由于r维数较高,选择残差r中对故障反映灵敏的分量rt∈r作为支持向量机故障检测的目标分量。
更进一步的,步骤(6)中所述的故障定位方法如下:
通过决策矩阵D和检测结果向量V,将多个自编码观测器的故障诊断结果进行融合,从而定位故障发生点。
a)每个自编码观测器同时检测2个姿态敏感器的故障,根据自编码观测器个数m和进行故障检测的姿态敏感器个数n构建决策矩阵D=[di,j]∈Rn×m。其中,di,j为决策矩阵D中第i行第j列的元素,当第j个观测器Γj(j=1,2,…,m)对第i个敏感器si进行故障检测时,di,j=1,否则di,j=0。
b)将观测器检测结果用m维矢量V=[vj]∈Rm表示。其中vj为检测结果矢量V中第j个分量,当第j个观测器Γj(j=1,2,…,m)检测出故障时,vj=0.5,否则vj=0。
则故障定位结果为S=DV,其中S=[sj]∈Rn为n维的检测结果矢量,当si=0时,第i个敏感器无故障;当si=0.5时,说明仅有一个观测器对敏感器si表决故障,si存在故障可能,但无法确定是否故障;当si≥1时,说明有至少2个观测器对敏感器si表决故障,敏感器si发生故障。
实施例2
对姿态敏感器配置如图5的卫星进行故障检测定位,本发明所述的一种基于自编码观测器的卫星姿态敏感器故障定位方法的具体实施步骤如下:
(1)根据卫星所配置的姿态敏感器测量信号类型及其个数,测量信号类型包括矢量型、姿态型和角速度型,设计自编码观测器个数为7个:
表1自编码观测器设计
并根据这7个自编码观测器的输入信号要求,采集卫星姿态敏感器无故障时的输出信号,对自编码观测器进行训练。
其中,Γ1自编码观测器对敏感器信号的跟踪效果如图6所示,由于轨道位置变化缓慢,所以其中代表轨道系下太阳矢量和地球矢量的后6维数据几乎不变,而代表本体系下太阳矢量和地球矢量的前6维数据随着姿态机动变化较大,但自编码观测器对实际信号的跟踪效果较为良好,满足故障诊断需求。
对于四元数类型,其残差为误差四元数:
对于角速度信号和矢量信号而言,其残差为:
(3)将敏感器信号输入自编码观测器,比较自编码观测器的输入和输出,生成残差。计算残差的均值、均方差和香农信息熵作为残差的数据特征。记ri∈r(x)为残差中的第i维分量,则数据窗口d中ri的连续n个数据点{ri (j)|j=1,2,…,n}的各特征信息提取如下:
(4)组合残差的特征信息构造支持向量机训练样本Φtrain(r)=[E(r),Var(r),H(r)],采集无故障样本和故障样本,对支持向量机进行训练。
将Γ1的训练样本作图可得图7,由图7可见,残差中的第2维分量对故障最为敏感,所以选用第2维分量作为该观测器的目标检测分量。采集Φh(r2)和Φf(r2)对支持向量机进行训练,得到支持向量机1。其它支持向量机训练过程类似。
(5)将实际敏感器信号输入自编码观测器,比较自编码观测器输入和输出生成残差,并对残差进行特征提取。将提取的残差特征输入支持向量机故障检测模型,若支持向量机辨识结果标签为0,则当前敏感器无故障,否则当前敏感器存在故障。
(6)根据所设计的自编码观测器,可得观测器与敏感器之间的检测关系如表2所示。
表2故障决策表
根据自编码观测器个数m和进行故障检测的姿态敏感器个数n构建决策矩阵D=[di,j]∈Rn×m。其中,di,j为决策矩阵D中第i行第j列的元素,当第j个观测器Γj(j=1,2,…,m)对第i个敏感器si进行故障检测时,di,j=1,否则di,j=0。则决策矩阵为:
通过决策矩阵D和检测结果向量V,将多个自编码观测器的故障诊断结果进行融合,从而定位故障发生点。
将观测器检测结果用m维矢量V=[vj]∈Rm表示。其中vj为检测结果矢量V中第j个分量,当第j个观测器Γj(j=1,2,…,m)检测出故障时,vj=0.5,否则vj=0。
则故障定位结果为S=DV,其中S=[sj]∈Rn为n维的检测结果矢量,当si=0时,第i个敏感器无故障;当si=0.5时,说明仅有一个观测器对敏感器si表决故障,si存在故障可能,但无法确定是否故障;当si≥1时,说明有至少2个观测器对敏感器si表决故障,敏感器si发生故障。
设置仿真注入故障类型如表3所示。
表3故障类型设置
在一段持续的时间t=[0,17.2]内,在t=[5.7,11.4]和t=[11.4,17.2]时段分别注入故障f4和故障f3,将故障表决结果作图,得到图8。
由图8可见,由于采样周期为10ms,所以数据点总个数为1720个。在0到570个数据点处未发生故障时,观测器表决结果显示无故障。而在第570到第1140个数据点间,观测器表决结果显示为星敏感器1发生故障;在第1140到1720个数据点间,观测器表决结果显示为磁场敏感器故障。其中存在少量误判,但总体检测定位效果较为准确。
设置多类故障,每一类分别进行400次仿真,并对每一类故障所得到的共18000个数据点进行故障检测定位,并统计检测定位结果,得到表4。
如表4所示,对于单一故障,本方法能有效检测并定位。对于多故障并发的情况,由于仿真卫星所配置的敏感器较少,设计自编码观测器数量较少,导致仅能对其中几种并发故障进行有效的检测定位。
表4故障检测结果统计
表4中,最后3类故障误判情况高达10%以上;对于f2和f4并发,由决策矩阵D可知,由于f2会引起Γ1误判,f4会引起Γ4误判,而这2个观测器会表决f1,从而产生了较高的误判率。同理,故障类型f1和f6并发,以及f3和f4并发的情况,也是由于表决矩阵中存在耦合的情况。
但对于实际卫星而言,由于配置的传感器数量远比本仿真案例多,通过设计观测器与敏感器之间的检测关系,合理安排决策矩阵D的结构,可以做到多故障检测,并有效避免、降低多故障检测定位容易出现误判的情况。
该方法中,根据姿态敏感器的个数和种类搭建自编码观测器,观测器数量与敏感器数量相关,采集无故障时的敏感器信号对自编码观测器进行训练。将实际姿态敏感器信号输入自编码观测器,比较自编码观测器的输入和输出生成残差,并计算残差的均值、均方差和香浓信息熵作为残差的数据特征。另外,该方法中支持向量机故障检测模型通过无故障残差特征和故障残差特征进行训练,使之能根据残差特征检测敏感器是否故障。接着,通过决策矩阵对各个观测器的检测结果进行融合,表决出故障敏感器的个数并定位具体发生故障的传感器。
Claims (8)
1.一种基于自编码观测器的卫星敏感器故障检测定位方法,其特征在于:所述方法基于自编码观测器,结合支持向量机对卫星姿态敏感器进行故障检测和故障定位,包括如下步骤:
(1)根据卫星姿态敏感器的种类和个数搭建自编码观测器,所述自编码观测器基于姿态敏感器信号进行训练,使自编码观测器将敏感器信号压缩至卫星姿态最小表达,并使解码器能够从卫星姿态最小表达中反算出敏感器信号;所述自编码观测器包括矢量-矢量自编码观测器姿态-姿态自编码观测器角速度-角速度自编码观测器矢量-姿态自编码观测器的和姿态-角速度自编码观测器五种类型;
式中,Ak、ωk分别为多个敏感器中的第k个矢量型敏感器、姿态型敏感器、角速度型敏感器的输出信号,为第k个矢量型敏感器所敏感的矢量在轨道坐标系下的指向,为第k个姿态型敏感器输出姿态Ak计算得到的角速度,k=1,2,…,i,…,j,…;
(2)将卫星姿态敏感器信号输入经过训练的自编码观测器,然后将输出与输入进行比较,生成残差r;
(3)对残差进行特征提取,所述残差的特征信息包括均值E(r)、均方差Var(r)和香农信息熵H(r);
(4)构建支持向量机故障检测模型,具体为:记Φ=[E(r),Var(r),H(r)]为残差r的特征,Φi表示第i个分量的残差特征,根据敏感器是否发生故障将数据特征分为健康类和故障类对支持向量机模型进行训练,实现支持向量机模型能够根据数据的特征Φ判断输入的卫星敏感器信号属于健康类或故障类;
(5)故障检测,将实际卫星敏感器信号输入自编码观测器,生成残差并提取故障特征,将特征数据Φ输入训练好的支持向量机故障检测模型,若检测结果为1,则当前观测器检测出故障,若检测结果为0,则当前观测器所用敏感器信号无故障;
(6)故障定位,根据观测器与敏感器之间的故障检测关系生成故障决策矩阵D,右乘故障检测结果向量V,得到故障定位向量S=DV,并根据定位向量S的各个分量确定各个敏感器是否发生故障。
3.根据权利要求1所述的基于自编码观测器的卫星敏感器故障检测定位方法,其特征在于:所述矢量-矢量自编码观测器姿态-姿态自编码观测器角速度-角速度自编码观测器矢量-姿态自编码观测器的和姿态-角速度自编码观测器的构建数量如下:
7.根据权利要求1所述的基于自编码观测器的卫星敏感器故障检测定位方法,其特征在于:步骤(4)所述支持向量机故障检测模型包括通过卫星ACS闭环系统的正常数据残差特征{Φh(ri),0}与故障数据的残差特征{Φf(ri),1}进行训练,使得SVM根据残差特征Φ判断其属于健康类或是故障类,其中,Φ(ri)=[E(ri),Var(ri),H(ri)]为{Φ(ri)|ri∈r}中某个分量的残差特征,包括通过比较自编码观测器的输入输出生成残差r并提取特征Φ(r)。
8.根据权利要求1所述的基于自编码观测器的卫星敏感器故障检测定位方法,其特征在于:步骤(6)通过决策矩阵D和检测结果向量V,将多个自编码观测器的故障诊断结果进行融合,从而定位故障发生点,具体过程如下:
a)每个自编码观测器同时检测2个姿态敏感器的故障,根据自编码观测器个数m和进行故障检测的姿态敏感器个数n构建决策矩阵D=[di,j]∈Rn×m;
其中,di,j为故障决策矩阵D中第i行第j列的元素,当第j个观测器Γj(j=1,2,…,m)对第i个敏感器si进行故障检测时,di,j=1,否则di,j=0;
b)将观测器检测结果用m维矢量V=[vj]∈Rm表示,其中vj为检测结果矢量V中第j个分量,当第j个观测器Γj(j=1,2,…,m)检测出故障时,vj=0.5,否则vj=0;
则故障定位结果为S=DV,其中S=[sj]∈Rn为n维的检测结果矢量,当si=0时,第i个敏感器无故障;当si=0.5时,说明仅有一个观测器对敏感器si表决故障,si存在故障可能,但无法确定是否故障;当si≥1时,说明有至少2个观测器对敏感器si表决故障,敏感器si发生故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146613.5A CN111076744B (zh) | 2019-11-21 | 2019-11-21 | 一种基于自编码观测器的卫星敏感器故障检测定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146613.5A CN111076744B (zh) | 2019-11-21 | 2019-11-21 | 一种基于自编码观测器的卫星敏感器故障检测定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111076744A CN111076744A (zh) | 2020-04-28 |
CN111076744B true CN111076744B (zh) | 2022-08-05 |
Family
ID=70311458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911146613.5A Active CN111076744B (zh) | 2019-11-21 | 2019-11-21 | 一种基于自编码观测器的卫星敏感器故障检测定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111076744B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111912429B (zh) * | 2020-07-20 | 2022-08-12 | 北京控制工程研究所 | 一种航天器姿态控制系统不同类部件异常检测方法 |
CN113469082B (zh) * | 2021-07-08 | 2022-02-15 | 南京航空航天大学 | 一种基于迁移成分分析的卫星执行器故障检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176159B (zh) * | 2011-02-28 | 2013-05-01 | 哈尔滨工业大学 | 一种基于状态观测器和等价空间的卫星姿控系统故障诊断装置及方法 |
CN106773679B (zh) * | 2016-12-01 | 2018-10-16 | 北京航空航天大学 | 一种基于角速度观测器的航天器容错控制方法 |
CN110262447B (zh) * | 2019-05-24 | 2020-07-28 | 南京航空航天大学 | 一种基于ann的acs闭环系统故障定位方法 |
-
2019
- 2019-11-21 CN CN201911146613.5A patent/CN111076744B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111076744A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roumeliotis et al. | Sensor fault detection and identification in a mobile robot | |
CN111401471B (zh) | 一种航天器姿态异常检测方法及系统 | |
Clark | The dedicated observer approach to instrument failure detection | |
US9728014B2 (en) | Sensor fault detection and diagnosis for autonomous systems | |
JP4783394B2 (ja) | センサの故障適応方法 | |
CN111076744B (zh) | 一种基于自编码观测器的卫星敏感器故障检测定位方法 | |
WO1999064962A1 (en) | Neuro-parity pattern recognition system and method | |
CN109813309A (zh) | 一种六陀螺冗余式捷联惯导系统双故障隔离方法 | |
Arana et al. | Efficient integrity monitoring for kf-based localization | |
Berdjag et al. | Fault detection and isolation of aircraft air data/inertial system | |
CN107014398A (zh) | 卫星模拟太阳敏感器故障检测方法及装置 | |
CN110567485B (zh) | 一种多探头星敏感器在轨自主故障诊断与修复方法 | |
Wang et al. | Attitude sensor fault diagnosis based on Kalman filter of discrete-time descriptor system | |
CN104331602A (zh) | 基于马尔科夫链的gnss完好性检测率估计方法 | |
Anaissi et al. | Multi-objective autoencoder for fault detection and diagnosis in higher-order data | |
Fritz et al. | Fault diagnosis in structural health monitoring systems using signal processing and machine learning techniques | |
Zhao et al. | Fault diagnosis of control moment gyroscope based on a new CNN scheme using attention-enhanced convolutional block | |
Patton et al. | Reliable fault diagnosis scheme for a spacecraft attitude control system | |
CN111027721B (zh) | 一种系统故障定位方法 | |
Yang et al. | Practical integrated navigation fault detection algorithm based on sequential hypothesis testing | |
Abaei et al. | Increasing the accuracy of software fault prediction using majority ranking fuzzy clustering | |
Ru et al. | Interacting multiple model algorithm with maximum likelihood estimation for FDI | |
Dhakal et al. | UAV Fault and Anomaly Detection Using Autoencoders | |
Mukherjee et al. | An auto-encoder enabled fault detection and isolation scheme for enabling a multi-sensorial distributed pose estimation | |
Cartocci et al. | Robust Multiple Fault Isolation Based on Partial-Orthogonality Criteria |
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 |