CN111950730A - 基于模糊推理单元的航天器结构在轨健康监测方法及系统 - Google Patents

基于模糊推理单元的航天器结构在轨健康监测方法及系统 Download PDF

Info

Publication number
CN111950730A
CN111950730A CN202010764650.9A CN202010764650A CN111950730A CN 111950730 A CN111950730 A CN 111950730A CN 202010764650 A CN202010764650 A CN 202010764650A CN 111950730 A CN111950730 A CN 111950730A
Authority
CN
China
Prior art keywords
spacecraft
fuzzy
orbit
information
output
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
CN202010764650.9A
Other languages
English (en)
Other versions
CN111950730B (zh
Inventor
曹裕豪
俞洁
孔祥森
孔祥宏
江霆
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.)
Shanghai Institute of Satellite Engineering
Original Assignee
Shanghai Institute of Satellite Engineering
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 Shanghai Institute of Satellite Engineering filed Critical Shanghai Institute of Satellite Engineering
Priority to CN202010764650.9A priority Critical patent/CN111950730B/zh
Publication of CN111950730A publication Critical patent/CN111950730A/zh
Application granted granted Critical
Publication of CN111950730B publication Critical patent/CN111950730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供了一种基于模糊推理单元的航天器结构在轨健康监测方法及系统，包括：步骤M1：根据航天器在轨工况准备训练样本与知识库；步骤M2：构建模糊推理单元来建立航天器结构在轨振动模式，并用样本训练；步骤M3：根据样本训练结果信息，将航天器在轨振动响应信号输入模糊推理单元，获取模糊推理输出信号；步骤M4：根据模糊推理输出信号，通过将模糊推理输出信号与在轨实测信号进行对比，判断航天器结构健康状态，获取航天器结构健康状态判断结果信息；步骤M5：根据航天器结构健康状态判断结果信息，获取在轨航天器结构健康监测信息。本发明应用于有一定波段性的在轨环境，依然具有较好的监测性能。

Description

基于模糊推理单元的航天器结构在轨健康监测方法及系统
技术领域
本发明涉及航天器结构在轨健康监测方法领域，具体地，涉及一种基于模糊推理单元的航天器结构在轨健康监测方法及系统。
背景技术
航天器在轨运行期间，受到微振动、高低温交变、真空挥发、原子氧、太阳辐射等环境的作用，航天器的舱体结构可能产生松动、腐蚀、损伤甚至穿孔等现象，进而引起任务事故，给飞行任务和人员的安全带来严重后果。
目前已有一些针对航天器结构的健康监测方法的研究。Chen等研究了在激励信号不可直接测得的情况中，仅使用响应数据来训练神经网络的方法，用于对工程结构的损伤检测，神经网络分类器精确地将故障诊断指标引入结构系统中，这表明对结构损伤诊断而言，传递函数是一种敏感的只依赖于响应的数据源(Chen Q,Chan Y W,WordenK.Structural fault diagnosis and i solation using neural networks based onresponse-only data[J].Computers&structures,2003,81(22):2165-2172)。Su等提出了一种智能信号处理与模式识别(ISPPR)方法，通过使用小波变换与人工神经网络算法，而且这种方法已经在一个信号处理包中实现，这种智能信号处理与模式识别技术功能全面，可以作为信号过滤、数据压缩、特征提取、信息映射与模式识别，也可以从初始波信号提取精确的损伤特征进一步协助结构健康评估(Su Z,Ye L.An intelligent signal processingand pattern recognition technique for defect identification using an activesensor network[J].Smart materials and structures,2004,13(4):957)。
总体而言，目前使用的方法具有明显局限性，其一，这些方法过度依赖于先验数据，需要建立完整的数据库并进行比对，实现结构损伤的检测；其二，这些方法实时性较差，无法达到航天器在轨运行实时监测的要求，所以没有得到广泛应用。因此，本领域急需一种检测新方法，满足在轨航天器结构健康监测的需求。
模糊推理是当前备受关注的信息处理技术，是一种不依赖于使用公式进行数学建模的信息处理方法。目前基于神经网络的模糊推理系统已经存在诸多研究成果，其运用包括了、数据分类、决策分析、专家系统等领域，模糊推理系统在预测与分析结构的非线性行为具有很高的精确性。本发明正式针对以上不足，提出了一种基于模糊推理系统的航天器结构在轨健康监测方法。
专利文献CN110779457A公开了一种轨道板变形监测装置，该装置包括光缆、紧固装置和检测主机；光缆包括分别与垂向位移测区、过渡区和纵向位移测区相对应的垂向位移测量段、过渡段和纵向位移测量段；垂向位移测量段和纵向位移测量段为预拉紧状态，过渡段为自由状态；检测主机获取垂向位移测量段、纵向位移测量段的光纤信号，并结合过渡段的光纤信号进行温度补偿，最终解算得到轨道板相对于底座板或支承层的垂向位移，以及相邻轨道板间的纵向位移。本发明还公开了一种监测方法及在线监测系统，该系统实时监测轨道板状态信息，并根据预设的报警阈值对超限工况进行报警和定位。该专利显然不能很好地满足在轨航天器结构健康监测的需求。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于模糊推理单元的航天器结构在轨健康监测方法及系统。
根据本发明提供的一种基于模糊推理单元的航天器结构在轨健康监测方法，包括：步骤S1：根据航天器在轨工况准备训练样本与知识库信息，获取航天器在轨工况准备训练样本与知识库信息；步骤S2：构建模糊推理单元来建立航天器结构在轨振动模式，并用样本训练，获取样本训练结果信息；步骤S3：根据样本训练结果信息，将航天器在轨振动响应信号输入模糊推理单元，获取模糊推理输出信号；步骤S4：根据模糊推理输出信号，通过将模糊推理输出信号与在轨实测信号进行对比，判断航天器结构健康状态，获取航天器结构健康状态判断结果信息；步骤S5：根据航天器结构健康状态判断结果信息，获取在轨航天器结构健康监测信息，实现对在轨航天器的结构健康监测。
优选地，所述步骤S1包括：步骤S1.1：根据航天器上活动部件参数信息，如飞轮、制冷机、太阳翼等的布局，在航天器结构上分布振动信号传感器，组成传感器网络，获取传感器网络信息；根据传感器网络信息、航天器上活动部件正常在轨工况信息，使用传感器网络采集航天器结构各在轨工况的振动信号，建立航天器结构健康数据库，获取航天器在轨工况准备训练样本与知识库信息。
优选地，所述步骤S2包括：步骤S2.1:选定隶属度函数类型，用神经网络的方法，根据各工况的振动信号，确定隶属度函数参数，建立输入模糊集，实现模糊化处理；步骤S2.2:根据输入模糊集，使用减法聚类算法，确定模糊规则的数量；使用神经网络，设置单模糊规则的参数；依据模糊规则进行模糊运算，计算单个模糊规则的输出；步骤S2.3:对应每个模糊规则，设定对应的输出隶属度函数，并设定各隶属度函数的权值，确定模糊规则的输出模糊集。
优选地，所述步骤S2还包括：步骤S2.4:确定输出模糊集的融合规则，即确定总输出隶属度函数，将所有模糊规则的输出模糊集融合为单个输出模糊集，将输入值映射为模糊推理单元的单输出量。
优选地，所述步骤S3包括：步骤3.1：根据预设阈值参数、同一时刻航天器上活动分布振动信号传感器网络采集的振动信号信息，将同一时刻航天器上活动分布振动信号传感器网络采集的振动信号与模糊推理单元输出信号的差值，判断是否超出阈值范围，若是，则获取结构存在损伤信息；若否，则获取结构未存在损伤信息。
根据本发明提供的一种基于模糊推理单元的航天器结构在轨健康监测系统，包括：模块M1：根据航天器在轨工况准备训练样本与知识库信息，获取航天器在轨工况准备训练样本与知识库信息；模块M2：构建模糊推理单元来建立航天器结构在轨振动模式，并用样本训练，获取样本训练结果信息；模块M3：根据样本训练结果信息，将航天器在轨振动响应信号输入模糊推理单元，获取模糊推理输出信号；模块M4：根据模糊推理输出信号，通过将模糊推理输出信号与在轨实测信号进行对比，判断航天器结构健康状态，获取航天器结构健康状态判断结果信息；模块M5：根据航天器结构健康状态判断结果信息，获取在轨航天器结构健康监测信息，实现对在轨航天器的结构健康监测。
优选地，所述模块M1包括：模块M1.1：根据航天器上活动部件参数信息，如飞轮、制冷机、太阳翼等的布局，在航天器结构上分布振动信号传感器，组成传感器网络，获取传感器网络信息；根据传感器网络信息、航天器上活动部件正常在轨工况信息，使用传感器网络采集航天器结构各在轨工况的振动信号，建立航天器结构健康数据库，获取航天器在轨工况准备训练样本与知识库信息。
优选地，所述模块M2包括：模块M2.1:选定隶属度函数类型，用神经网络的系统，根据各工况的振动信号，确定隶属度函数参数，建立输入模糊集，实现模糊化处理；模块M2.2:根据输入模糊集，使用减法聚类算法，确定模糊规则的数量；使用神经网络，设置单模糊规则的参数；依据模糊规则进行模糊运算，计算单个模糊规则的输出；模块M2.3:对应每个模糊规则，设定对应的输出隶属度函数，并设定各隶属度函数的权值，确定模糊规则的输出模糊集。
优选地，所述模块M2还包括：模块M2.4:确定输出模糊集的融合规则，即确定总输出隶属度函数，将所有模糊规则的输出模糊集融合为单个输出模糊集，将输入值映射为模糊推理单元的单输出量。
优选地，所述模块M3包括：模块3.1：根据预设阈值参数、同一时刻航天器上活动分布振动信号传感器网络采集的振动信号信息，将同一时刻航天器上活动分布振动信号传感器网络采集的振动信号与模糊推理单元输出信号的差值，判断是否超出阈值范围，若是，则获取结构存在损伤信息；若否，则获取结构未存在损伤信息。
与现有技术相比，本发明具有如下的有益效果：
本发明能够借鉴模糊推理系统在预测与分析结构的非线性行为具有很高精度的特点，即使面临实际数据与训练数据的样本质量差异，应用于有一定波段性的在轨环境，基于模糊推理系统的航天器结构在轨健康监测方法依然具有较好的监测性能。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明所提供的一种基于模糊推理系统的航天器结构在轨健康监测方法流程示意图。
图2是本发明所提供的一种基于模糊推理系统的航天器结构在轨健康监测方法中模糊推理系统中使用的隶属度函数示意图。
图3是本发明所提供的一种基于模糊推理系统的航天器结构在轨健康监测方法中模糊规则及其运算结果示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1-图3所示，根据本发明提供的一种基于模糊推理单元的航天器结构在轨健康监测方法，包括：步骤S1：根据航天器在轨工况准备训练样本与知识库信息，获取航天器在轨工况准备训练样本与知识库信息；步骤S2：构建模糊推理单元来建立航天器结构在轨振动模式，并用样本训练，获取样本训练结果信息；步骤S3：根据样本训练结果信息，将航天器在轨振动响应信号输入模糊推理单元，获取模糊推理输出信号；步骤S4：根据模糊推理输出信号，通过将模糊推理输出信号与在轨实测信号进行对比，判断航天器结构健康状态，获取航天器结构健康状态判断结果信息；步骤S5：根据航天器结构健康状态判断结果信息，获取在轨航天器结构健康监测信息，实现对在轨航天器的结构健康监测。
优选地，所述步骤S1包括：步骤S1.1：根据航天器上活动部件参数信息，如飞轮、制冷机、太阳翼等的布局，在航天器结构上分布振动信号传感器，组成传感器网络，获取传感器网络信息；根据传感器网络信息、航天器上活动部件正常在轨工况信息，使用传感器网络采集航天器结构各在轨工况的振动信号，建立航天器结构健康数据库，获取航天器在轨工况准备训练样本与知识库信息。
优选地，所述步骤S2包括：步骤S2.1:选定隶属度函数类型，用神经网络的方法，根据各工况的振动信号，确定隶属度函数参数，建立输入模糊集，实现模糊化处理；步骤S2.2:根据输入模糊集，使用减法聚类算法，确定模糊规则的数量；使用神经网络，设置单模糊规则的参数；依据模糊规则进行模糊运算，计算单个模糊规则的输出；步骤S2.3:对应每个模糊规则，设定对应的输出隶属度函数，并设定各隶属度函数的权值，确定模糊规则的输出模糊集。
优选地，所述步骤S2还包括：步骤S2.4:确定输出模糊集的融合规则，即确定总输出隶属度函数，将所有模糊规则的输出模糊集融合为单个输出模糊集，将输入值映射为模糊推理单元的单输出量。
优选地，所述步骤3包括：步骤3.1：根据预设阈值参数、同一时刻航天器上活动分布振动信号传感器网络采集的振动信号信息，将同一时刻航天器上活动分布振动信号传感器网络采集的振动信号与模糊推理单元输出信号的差值，判断是否超出阈值范围，若是，则获取结构存在损伤信息；若否，则获取结构未存在损伤信息。
具体地，在一个实施例中，一种基于模糊推理系统的航天器结构在轨健康监测方法，其特点是，具体包含以下步骤：
(1)根据航天器在轨工况准备训练样本与知识库；
(2)构建模糊推理系统来建立航天器结构在轨振动模式，并用样本训练；
(3)将航天器在轨振动响应信号输入糊推理系统，获取输出信号；
(4)通过将模糊推理系统的输出信号与在轨实测信号进行对比，达到判断航天器结构健康状态，实现对在轨航天器的结构健康监测。
步骤(1)具体如下：根据航天器上活动部件，如飞轮、制冷机、太阳翼等，的布局，在航天器结构上分布振动信号传感器，组成传感器网络；根据航天器上活动部件的正常在轨工况，使用传感器网络采集航天器结构各在轨工况的振动信号，建立航天器结构健康数据库。
步骤(2)具体如下：
1)选定隶属度函数类型，用神经网络的方法，根据各工况的振动信号，确定隶属度函数参数，建立输入模糊集，实现模糊化处理；
对于一个有n个输入，单个输出的模糊系统，设输入变量为xi(i＝1,2,...,n),输出变量为y，则其数学表达为：
输入模糊集：
Figure BDA0002613171250000061
输出模糊集：
Figure BDA0002613171250000062
对于以上模糊集，一般形式的模糊规则定义如下：
如果x1为
Figure BDA0002613171250000063
x2为
Figure BDA0002613171250000064
…，xn为
Figure BDA0002613171250000065
则y＝Yj
其中
Figure BDA0002613171250000066
Yj为输入、输出模糊集中的元素。
由于本文的模糊推理系统的输入数据为结构振动时间序列信号，对称性及规律性强，且呈光滑曲线，在曲线上无零点，因而选择最常用的Gauss隶属度函数，而隶属度函数的参数则交由神经网络方法来自动确定。
2)根据输入模糊集，使用减法聚类算法，确定模糊规则的数量，同时使用神经网络，设置单模糊规则的参数；
本文中所使用的9条模糊规则，用以处理三输入单输出系统，每条规则的权重相同，均为1。
本文使用聚类算法形成多模糊规则，每条模糊规则为三输入单输出形式，利用神经网络进行聚类运算的方法得到的多模糊规则如下：
1.If(in1 is in1cluster1)and(in2 is in2cluster1)and(in3 isin3cluster1)then(out1 is out1cluster1)(1)
2.If(in1 is in1cluster2)and(in2 is in2cluster2)and(in3 isin3cluster2)then(out1 is out1cluster2)(1)
3.If(in1 is in1cluster3)and(in2 is in2cluster3)and(in3 isin3cluster3)then(out1 is out1cluster3)(1)
4.If(in1 is in1cluster4)and(in2 is in2cluster4)and(in3 isin3cluster4)then(out1 is out1cluster4)(1)
5.If(in1 is in1cluster5)and(in2 is in2cluster5)and(in3 isin3cluster5)then(out1 is out1cluster5)(1)
6.If(in1 is in1cluster6)and(in2 is in2cluster6)and(in3 isin3cluster6)then(out1 is out1cluster6)(1)
7.If(in1 is in1cluster7)and(in2 is in2cluster7)and(in3 isin3cluster7)then(out1 is out1cluster7)(1)
8.If(in1 is in1cluster8)and(in2 is in2cluster8)and(in3 isin3cluster8)then(out1 is out1cluster8)(1)
9.If(in1 is inlcluster9)and(in2 is in2cluster9)and(in3 isin3cluster9)then(out1 is out1cluster9)(1)
减法聚类算法中，每个聚类中心的影响范围半径为0.5，相邻区域为影响范围半径外0.25的区间，确定新的聚类中心与前一个聚类中心距离的接受比为0.5，拒绝比为0.15。
每一个聚类都对应于一个Gauss隶属度函数，用以区分同一聚类中不同的元素。以上三个输入共有27个隶属度函数
3)依据模糊规则进行模糊运算，计算单个模糊规则的输出。
4)对应每个模糊规则，设定对应的输出隶属度函数，并设定各隶属度函数的权值，确定模糊规则的输出模糊集。一般权值位于0到1之间。在本文中，各模糊规则对应的权值均相等，设定为1。
5)确定输出模糊集的融合规则，即确定总输出隶属度函数，将所有模糊规则的输出模糊集融合为单个输出模糊集，将输入值映射为模糊推理系统的单输出量。
本文选取一阶线性函数作为各模糊规则的输出隶属度函数，设定各模糊规则的权值为1，建立一阶Sugeno型模糊推理模型。
对于每条模糊规则的输出值hi都由与该条模糊规则对应的权值做加权平均运算。设对应于各模糊规则的权值为ωi，则Sugeno型模糊推理的最终输出值为对所有模糊规则计算结果的加权平均，可表示为：
Figure BDA0002613171250000081
步骤(3)具体如下：根据航天器上活动分布振动信号传感器网络采集的振动信号，输入模糊推理系统，获取输出信号。
步骤(4)具体如下：将同一时刻航天器上活动分布振动信号传感器网络采集的振动信号与模糊推理系统输出信号的差值，根据预设阈值，判断是否超出阈值范围，如超出则结构存在损伤，如未超出则结构未出现损伤。
本领域技术人员可以将本发明提供的基于模糊推理单元的航天器结构在轨健康监测方法，理解为本发明提供的基于模糊推理单元的航天器结构在轨健康监测系统的一个实施例。即，所述基于模糊推理单元的航天器结构在轨健康监测系统可以通过执行所述基于模糊推理单元的航天器结构在轨健康监测方法的步骤流程实现。
根据本发明提供的一种基于模糊推理单元的航天器结构在轨健康监测系统，包括：模块M1：根据航天器在轨工况准备训练样本与知识库信息，获取航天器在轨工况准备训练样本与知识库信息；模块M2：构建模糊推理单元来建立航天器结构在轨振动模式，并用样本训练，获取样本训练结果信息；模块M3：根据样本训练结果信息，将航天器在轨振动响应信号输入模糊推理单元，获取模糊推理输出信号；模块M4：根据模糊推理输出信号，通过将模糊推理输出信号与在轨实测信号进行对比，判断航天器结构健康状态，获取航天器结构健康状态判断结果信息；模块M5：根据航天器结构健康状态判断结果信息，获取在轨航天器结构健康监测信息，实现对在轨航天器的结构健康监测。
优选地，所述模块M1包括：模块M1.1：根据航天器上活动部件参数信息，如飞轮、制冷机、太阳翼等的布局，在航天器结构上分布振动信号传感器，组成传感器网络，获取传感器网络信息；根据传感器网络信息、航天器上活动部件正常在轨工况信息，使用传感器网络采集航天器结构各在轨工况的振动信号，建立航天器结构健康数据库，获取航天器在轨工况准备训练样本与知识库信息。
优选地，所述模块M2包括：模块M2.1:选定隶属度函数类型，用神经网络的系统，根据各工况的振动信号，确定隶属度函数参数，建立输入模糊集，实现模糊化处理；模块M2.2:根据输入模糊集，使用减法聚类算法，确定模糊规则的数量；使用神经网络，设置单模糊规则的参数；依据模糊规则进行模糊运算，计算单个模糊规则的输出；模块M2.3:对应每个模糊规则，设定对应的输出隶属度函数，并设定各隶属度函数的权值，确定模糊规则的输出模糊集。
优选地，所述模块M2还包括：模块M2.4:确定输出模糊集的融合规则，即确定总输出隶属度函数，将所有模糊规则的输出模糊集融合为单个输出模糊集，将输入值映射为模糊推理单元的单输出量。
优选地，所述模块3包括：模块3.1：根据预设阈值参数、同一时刻航天器上活动分布振动信号传感器网络采集的振动信号信息，将同一时刻航天器上活动分布振动信号传感器网络采集的振动信号与模糊推理单元输出信号的差值，判断是否超出阈值范围，若是，则获取结构存在损伤信息；若否，则获取结构未存在损伤信息。
本发明能够借鉴模糊推理系统在预测与分析结构的非线性行为具有很高精度的特点，即使面临实际数据与训练数据的样本质量差异，应用于有一定波段性的在轨环境，基于模糊推理系统的航天器结构在轨健康监测方法依然具有较好的监测性能。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于模糊推理单元的航天器结构在轨健康监测方法，其特征在于，包括：
步骤S1：根据航天器在轨工况准备训练样本与知识库，获取航天器在轨工况准备训练样本与知识库信息；
步骤S2：构建模糊推理单元来建立航天器结构在轨振动模式，并用样本训练，获取样本训练结果信息；
步骤S3：根据样本训练结果信息，将航天器在轨振动响应信号输入模糊推理单元，获取模糊推理输出信号；
步骤S4：根据模糊推理输出信号，通过将模糊推理输出信号与在轨实测信号进行对比，判断航天器结构健康状态，获取航天器结构健康状态判断结果信息；
步骤S5：根据航天器结构健康状态判断结果信息，获取在轨航天器结构健康监测信息。
2.根据权利要求1所述的基于模糊推理单元的航天器结构在轨健康监测方法，其特征在于，所述步骤S1包括：
步骤S1.1：根据航天器上活动部件参数信息，在航天器结构上分布振动信号传感器，组成传感器网络，获取传感器网络信息；
根据传感器网络信息、航天器上活动部件正常在轨工况信息，使用传感器网络采集航天器结构在轨工况的振动信号，建立航天器结构健康数据库，获取航天器在轨工况准备训练样本与知识库信息。
3.根据权利要求1所述的基于模糊推理单元的航天器结构在轨健康监测方法，其特征在于，所述步骤S2包括：
步骤S2.1：选定隶属度函数类型，根据各工况的振动信号，确定隶属度函数参数，建立输入模糊集；
步骤S2.2：根据输入模糊集，确定模糊规则的数量；使用神经网络，设置单模糊规则的参数；依据模糊规则进行模糊运算，计算单个模糊规则的输出；
步骤S2.3:对应每个模糊规则，设定对应的输出隶属度函数，并设定各隶属度函数的权值，确定模糊规则的输出模糊集。
4.根据权利要求1所述的基于模糊推理单元的航天器结构在轨健康监测方法，其特征在于，所述步骤S2还包括：
步骤S2.4：确定总输出隶属度函数，将模糊规则的输出模糊集融合为单个输出模糊集，将输入值映射为模糊推理单元的单输出量。
5.根据权利要求1所述的基于模糊推理单元的航天器结构在轨健康监测方法，其特征在于，所述步骤3包括：
步骤S3.1：根据预设阈值参数、同一时刻航天器上活动分布振动信号传感器网络采集的振动信号信息，将同一时刻航天器上活动分布振动信号传感器网络采集的振动信号与模糊推理单元输出信号的差值比较，判断是否超出阈值范围，若是，则获取结构存在损伤信息；
若否，则获取结构未存在损伤信息。
6.一种基于模糊推理单元的航天器结构在轨健康监测系统，其特征在于，包括：
模块M1：根据航天器在轨工况准备训练样本与知识库，获取航天器在轨工况准备训练样本与知识库信息；
模块M2：构建模糊推理单元来建立航天器结构在轨振动模式，并用样本训练，获取样本训练结果信息；
模块M3：根据样本训练结果信息，将航天器在轨振动响应信号输入模糊推理单元，获取模糊推理输出信号；
模块M4：根据模糊推理输出信号，通过将模糊推理输出信号与在轨实测信号进行对比，判断航天器结构健康状态，获取航天器结构健康状态判断结果信息；
模块M5：根据航天器结构健康状态判断结果信息，获取在轨航天器结构健康监测信息。
7.根据权利要求6所述的基于模糊推理单元的航天器结构在轨健康监测系统，其特征在于，所述模块M1包括：
模块M1.1：根据航天器上活动部件参数信息，在航天器结构上分布振动信号传感器，组成传感器网络，获取传感器网络信息；
根据传感器网络信息、航天器上活动部件正常在轨工况信息，使用传感器网络采集航天器结构在轨工况的振动信号，建立航天器结构健康数据库，获取航天器在轨工况准备训练样本与知识库信息。
8.根据权利要求6所述的基于模糊推理单元的航天器结构在轨健康监测系统，其特征在于，所述模块M2包括：
模块M2.1：选定隶属度函数类型，根据各工况的振动信号，确定隶属度函数参数，建立输入模糊集；
模块M2.2：根据输入模糊集，确定模糊规则的数量；使用神经网络，设置单模糊规则的参数；依据模糊规则进行模糊运算，计算单个模糊规则的输出；
模块M2.3:对应每个模糊规则，设定对应的输出隶属度函数，并设定各隶属度函数的权值，确定模糊规则的输出模糊集。
9.根据权利要求8所述的基于模糊推理单元的航天器结构在轨健康监测系统，其特征在于，所述模块M2还包括：
模块M2.4：确定总输出隶属度函数，将模糊规则的输出模糊集融合为单个输出模糊集，将输入值映射为模糊推理单元的单输出量。
10.根据权利要求6所述的基于模糊推理单元的航天器结构在轨健康监测系统，其特征在于，所述模块3包括：
模块M3.1：根据预设阈值参数、同一时刻航天器上活动分布振动信号传感器网络采集的振动信号信息，将同一时刻航天器上活动分布振动信号传感器网络采集的振动信号与模糊推理单元输出信号的差值比较，判断是否超出阈值范围，若是，则获取结构存在损伤信息；
若否，则获取结构未存在损伤信息。
CN202010764650.9A 2020-07-31 2020-07-31 基于模糊推理单元的航天器结构在轨健康监测方法及系统 Active CN111950730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010764650.9A CN111950730B (zh) 2020-07-31 2020-07-31 基于模糊推理单元的航天器结构在轨健康监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010764650.9A CN111950730B (zh) 2020-07-31 2020-07-31 基于模糊推理单元的航天器结构在轨健康监测方法及系统

Publications (2)

Publication Number Publication Date
CN111950730A true CN111950730A (zh) 2020-11-17
CN111950730B CN111950730B (zh) 2024-07-26

Family

ID=73338897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010764650.9A Active CN111950730B (zh) 2020-07-31 2020-07-31 基于模糊推理单元的航天器结构在轨健康监测方法及系统

Country Status (1)

Country Link
CN (1) CN111950730B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5422984A (en) * 1991-06-18 1995-06-06 Kabushiki Kaisha Meidensha Apparatus and method for automatically generating membership function and/or fuzzy inference rule for fuzzy inference system
KR19990066119A (ko) * 1998-01-21 1999-08-16 이해규 퍼지논리를이용한회전기계의이상진단방법
CN103499921A (zh) * 2013-09-11 2014-01-08 西安交通大学 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用
CN105891794A (zh) * 2016-04-01 2016-08-24 中国电子科技集团公司第三十八研究所 基于模糊准则的雷达健康管理方法及系统
CN110322018A (zh) * 2019-06-19 2019-10-11 上海电力学院 一种基于模糊推理的电厂风机故障预警系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5422984A (en) * 1991-06-18 1995-06-06 Kabushiki Kaisha Meidensha Apparatus and method for automatically generating membership function and/or fuzzy inference rule for fuzzy inference system
KR19990066119A (ko) * 1998-01-21 1999-08-16 이해규 퍼지논리를이용한회전기계의이상진단방법
CN103499921A (zh) * 2013-09-11 2014-01-08 西安交通大学 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用
CN105891794A (zh) * 2016-04-01 2016-08-24 中国电子科技集团公司第三十八研究所 基于模糊准则的雷达健康管理方法及系统
CN110322018A (zh) * 2019-06-19 2019-10-11 上海电力学院 一种基于模糊推理的电厂风机故障预警系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
冒鹏程: "基于模糊推理的炮控系统故障诊断专家系统的研究与应用", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)2019年, no. 2, pages 032 - 10 *
张睿智;曲东才: "飞机转速摆动故障模糊诊断模型的建立及其仿真研究", 海军航空工程学院学报, vol. 22, no. 05, pages 551 - 554 *
谭政华, 胡光锐, 任晓林: "模糊元图及其在飞行器故障诊断中的应用", 上海交通大学学报, vol. 33, no. 09, pages 1103 - 1106 *
赵发刚，等: "卫星复合材料结构在轨健康监测方法", 科技导报, vol. 34, no. 08, pages 15 - 17 *

Also Published As

Publication number Publication date
CN111950730B (zh) 2024-07-26

Similar Documents

Publication Publication Date Title
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及系统
Li et al. Traffic flow data forecasting based on interval type-2 fuzzy sets theory
CN107169426A (zh) 一种基于深度神经网络的人群情绪异常检测和定位方法
Zaman et al. Improved statistical features-based control chart patterns recognition using ANFIS with fuzzy clustering
DE102018115155A1 (de) Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet
Hong et al. Variable input observer for nonstationary high-rate dynamic systems
CN113514109A (zh) 一种无人机飞行故障检测方法和系统
Meniailov et al. Using the K-means method for diagnosing cancer stage using the Pandas library
Zhou et al. A large group decision-making method based on fuzzy preference relation
Ma et al. Structural fault diagnosis of UAV based on convolutional neural network and data processing technology
CN113688465B (zh) 一种基于载荷与状态结合的飞行器结构强度数字孪生方法
Sarawgi et al. Nonparametric vibration based damage detection technique for structural health monitoring using 1D CNN
Liu et al. Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade
Chafaa et al. Fuzzy modelling using Kalman filter
Laktionov et al. An explainable AI approach to agrotechnical monitoring and crop diseases prediction in Dnipro region of Ukraine
CN110298409A (zh) 面向电力可穿戴设备的多源数据融合方法
Łęski Neuro-fuzzy system with learning tolerant to imprecision
CN111950730B (zh) 基于模糊推理单元的航天器结构在轨健康监测方法及系统
CN116308293B (zh) 一种基于数字化平台的农业设备智能管理系统及方法
CN113435780B (zh) 一种基于神经网络的应急通信感知装备体系效能评估方法
Jimsan et al. Monitoring of pond water quality using fog network with fuzzy rule based algorithm
VaniB et al. A review on smart agricultural applications: crop yield and plant disease prediction
Yu et al. A CNN-LSTM model for road surface recognition of electric balance vehicles
Bogomolov et al. Flight mode recognition algorithms that provide validation of the digital twin of an aircraft during flight tests
Xiaoqian A sensor fault diagnosis algorithm for uav based on neural network

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