CN113469082A - 一种基于迁移成分分析的卫星执行器故障检测方法 - Google Patents

一种基于迁移成分分析的卫星执行器故障检测方法 Download PDF

Info

Publication number
CN113469082A
CN113469082A CN202110774366.4A CN202110774366A CN113469082A CN 113469082 A CN113469082 A CN 113469082A CN 202110774366 A CN202110774366 A CN 202110774366A CN 113469082 A CN113469082 A CN 113469082A
Authority
CN
China
Prior art keywords
target domain
source domain
data
residual error
neural network
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
CN202110774366.4A
Other languages
English (en)
Other versions
CN113469082B (zh
Inventor
程月华
何漫丽
姜斌
王泽�
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110774366.4A priority Critical patent/CN113469082B/zh
Publication of CN113469082A publication Critical patent/CN113469082A/zh
Application granted granted Critical
Publication of CN113469082B publication Critical patent/CN113469082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (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迁移成分分析的卫星执行器故障检测方法，涉及卫星姿态控制系统故障检测领域，该方法基于源域系统的正常样本数据训练得到源域神经网络模型，利用目标域系统的正常样本数据调整网络参数得到目标域神经网络模型，并利用网络模型得到源域和目标域数据残差，提取残差特征后采用迁移成分分析方法，减小源域数据特征和目标域数据特征的分布距离，使得源域数据特征训练的分类器能用于实际卫星数据样本的诊断，该方法针对卫星无故障样本的情形，利用标称模型仿真数据和迁移成分分析方法，实现卫星飞轮的故障检测，提高了卫星姿态控制系统的可靠性和地面监测能力。

Description

一种基于迁移成分分析的卫星执行器故障检测方法
技术领域
本发明涉及卫星姿态控制系统故障检测领域，尤其是一种基于迁移成分分析的卫星执行器故障检测方法。
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。航天器姿态控制系统是航天器最重要的子系统之一，研究其故障检测方法具有重要意义。而飞轮作为航天器最常用的执行器之一，其可靠性是保障卫星正常运行的重要条件。常规基于数据驱动的卫星执行器故障检测需大量故障样本，但是实际卫星并没有带标签的故障样本，因此无法适用，亟需提出一种方法可以不依赖于实际卫星的故障样本，能够实现卫星执行器的故障检测，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
本发明人针对上述问题及技术需求，提出了一种基于迁移成分分析的卫星执行器故障检测方法，本发明的技术方案如下：
一种基于迁移成分分析的卫星执行器故障检测方法，该方法包括：
将卫星的实际卫星姿态控制系统作为目标域系统，构建实际卫星姿态控制系统的标称仿真模型作为源域系统；
基于源域系统的正常样本数据训练得到源域神经网络模型ANNs，基于目标域系统的正常样本数据调整源域神经网络模型ANNs得到目标域神经网络模型ANNt，样本数据为执行器信号数据；
基于源域神经网络模型ANNs得到源域系统的正常样本数据和故障样本数据的源域残差rs并分别提取源域残差特征φs；
采集目标域系统的待检测工作信号并输入目标域神经网络模型ANNt得到对应的目标域残差rt，并提取待检测工作信号的目标域残差rt的目标域残差特征φt，待检测工作信号也为执行器信号数据；
基于迁移成分分析同时对源域残差特征φs和目标域残差特征φt进行特征映射分别得到数据边缘分布的差异在误差范围内的处理后源域残差特征
Figure BDA0003154006940000011
和处理后目标域残差特征
Figure BDA0003154006940000021
基于所有处理后源域残差特征
Figure BDA0003154006940000022
训练得到故障检测分类器，将处理后目标域残差特征
Figure BDA0003154006940000023
输入故障检测分类器中，得到对实际卫星姿态控制系统的故障检测结果。
其进一步的技术方案为，执行器信号数据包括t-Tctrl时刻的飞轮指令控制力矩、t-Tctrl时刻的飞轮转速和t时刻的飞轮转速；
则在训练得到源域神经网络模型ANNs时，将源域系统的每个正常样本数据中的t-Tctrl时刻的飞轮指令控制力矩
Figure BDA0003154006940000024
和飞轮转速ωs(t-Tctrl)作为输入、t时刻的飞轮转速ωs(t)作为输出，基于神经网络训练得到源域神经网络模型ANNs，Tctrl为卫星姿态控制周期；
在调整得到目标域神经网络模型ANNt时，将目标域系统的正常样本数据中的t-Tctrl时刻的飞轮指令控制力矩
Figure BDA0003154006940000025
和飞轮转速ωt(t-Tctrl)作为输入、t时刻的飞轮转速ωt(t)作为输出，调整源域神经网络模型ANNs的网络参数得到目标域神经网络模型ANNt。
其进一步的技术方案为，对残差提取得到的残差特征包括残差的均值E()、方差Var()和香农信息熵特征H()，则提取得到的源域残差特征表示为φs＝[E(rs) Var(rs) H(rs)]，提取得到的目标域残差特征表示为φt＝[E(rt) Var(rt) H(rt)]。
其进一步的技术方案为，对于任意一个残差r，提取得到的残差特征包括：
提取得到的残差r的均值
Figure BDA0003154006940000026
提取得到的残差r的方差
Figure BDA0003154006940000027
提取得到的残差r的香农信息熵特征H(r)＝-∑(pj ln pj)；
其中，n是预定数据窗口内的残差的数据点个数，k是预定数据窗口内数值vj∈{r}的次数，
Figure BDA0003154006940000028
为数值vj的概率，i为参数。
在同时对源域残差特征φs和目标域残差特征φt映射到潜在特征空间时，基于主成分分析进行降维处理得到处理后分布差异小的源域残差特征
Figure BDA0003154006940000029
和目标域残差特征
Figure BDA00031540069400000210
本发明的有益技术效果是：
本申请公开了一种基于迁移成分分析的卫星执行器故障检测方法，该方法提供了一种简单的基于迁移学习的神经网络观测器设计方法，通过对源域数据训练的神经网络进行权值微调，得到适用于目标域的神经网络观测器，用于拟合实际卫星的飞轮模型；并利用网络模型得到源域和目标域数据残差，提取残差特征后采用TCA方法，减小源域数据特征和目标域数据特征的分布距离，使得源域数据训练的softmax能用于实际卫星样本的分类，实现无故障样本的情况下的故障诊断。该方法针对卫星无故障样本的情形，利用标称模型仿真数据和TCA方法，实现卫星飞轮的故障检测，提高了卫星姿态控制系统的可靠性和地面监测能力。
附图说明
图1是本申请公开的卫星执行器故障检测方法的神经网络模型训练时的流程图。
图2是本申请公开的卫星执行器故障检测方法的故障检测分类器的训练和应用流程示意图。
图3是一个实例的仿真实验结果，图3(a)是源域系统正常数据拟合误差示意图，图3(b)是源域系统故障数据拟合误差示意图，图3(c)是目标域系统正常数据拟合误差示意图，图3(d)是目标域系统故障数据拟合误差示意图。
图4是非TCA方法得到Softmax分类结果与实际结果作出的混淆矩阵。
图5是TCA改进方法得到Softmax分类结果与实际结果作出的混淆矩阵。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于迁移成分分析的卫星执行器故障检测方法，该方法包括：
步骤1，将卫星的实际卫星姿态控制系统作为目标域系统，构建实际卫星姿态控制系统的标称仿真模型作为源域系统。
步骤2，基于源域系统的正常样本数据训练得到源域神经网络模型ANNs，基于目标域系统的正常样本数据调整源域神经网络模型ANNs得到目标域神经网络模型ANNt，样本数据为执行器信号数据。请参考图1所示的流程图。
在本申请中，执行器信号数据包括对应系统的t-Tctrl时刻的飞轮指令控制力矩、t-Tctrl时刻的飞轮转速和t时刻的飞轮转速。
在训练得到源域神经网络模型ANNs时，将源域系统的每个正常样本数据中的t-Tctrl时刻的飞轮指令控制力矩
Figure BDA0003154006940000031
和飞轮转速ωs(t-Tctrl)作为输入、t时刻的飞轮转速ωs(t)作为输出，基于神经网络训练得到源域神经网络模型ANNs。Tctrl为卫星姿态控制周期。
在调整得到目标域神经网络模型ANNt时，将目标域系统的正常样本数据中的t-Tctrl时刻的飞轮指令控制力矩
Figure BDA0003154006940000041
和飞轮转速ωt(t-Tctrl)作为输入、t时刻的飞轮转速ωt(t)作为输出，调整源域神经网络模型ANNs的网络参数得到目标域神经网络模型ANNt。
步骤3，基于源域神经网络模型ANNs得到源域系统的正常样本数据和故障样本数据的源域残差rs并分别提取源域残差特征φs。请参考图2所示的流程图。
同样的，正常样本数据和故障样本数据均为执行器信号数据，则具体的，对于正常样本数据和故障样本数据中的任意一个样本数据，将样本数据中的
Figure BDA0003154006940000042
和ωs(t-Tctrl)输入ANNs得到对应的输出值
Figure BDA0003154006940000043
再计算样本数据中实际的飞轮转速ωs(t)与ANNs输出
Figure BDA0003154006940000044
的差值得到源域残差
Figure BDA0003154006940000045
对残差提取得到的残差特征包括残差的均值E()、方差Var()和香农信息熵特征H()，具体的：
提取得到的残差r的均值
Figure BDA0003154006940000046
提取得到的残差r的方差
Figure BDA0003154006940000047
提取得到的残差r的香农信息熵特征H(r)＝-∑(pj ln pj)；
其中，n是预定数据窗口内的残差的数据点个数，k是所述预定数据窗口内数值vj∈{r}的次数，
Figure BDA0003154006940000048
为数值vj的概率，i为参数。
则基于此，可以提取得到源域残差特征φs＝[E(rs) Var(rs) H(rs)]。
步骤4，采集目标域系统的待检测工作信号并输入目标域神经网络模型ANNt得到对应的目标域残差rt，并提取待检测工作信号的目标域残差rt的目标域残差特征φt。
其中，待检测工作信号也为执行器信号数据，也即同样包括目标域系统的t-Tctrl时刻的飞轮指令控制力矩
Figure BDA0003154006940000049
和飞轮转速ωt(t-Tctrl)以及t时刻的飞轮转速ωt(t)，则类似的，将待检测工作信号中的
Figure BDA00031540069400000410
和ωt(t-Tctrl)输入ANNt得到输出值
Figure BDA00031540069400000411
再计算待检测工作信号中实际的飞轮转速ωt(t)与ANNt输出
Figure BDA00031540069400000412
的差值得到目标域残差
Figure BDA00031540069400000413
得到目标域残差后，采用与步骤3相同的方法提取对应的目标域残差特征，则对应可以提取到目标域残差特征φt＝[E(rt) Var(rt) H(rt)]。
步骤5，基于迁移成分分析对源域残差特征φs和目标域残差特征φt进行特征映射分别得到数据边缘分布的差异在误差范围内的处理后源域残差特征
Figure BDA0003154006940000051
和处理后目标域残差特征
Figure BDA0003154006940000052
具体的，在对源域残差特征φs进行特征映射到高维希尔伯特空间中后，基于主成分分析进行降维处理得到处理后源域残差特征
Figure BDA0003154006940000053
在对目标域残差特征φt进行特征映射到高维希尔伯特空间中后，基于主成分分析进行降维处理得到处理后目标域残差特征
Figure BDA0003154006940000054
记源域系统的数据特征Xs＝φs、目标域系统的数据特征Xt＝φt；
由于源域系统和目标域系统的数据特征Xs和Xt的边缘分布不同，即P(Xs)≠P(Xt)，假设存在一个映射
Figure BDA0003154006940000055
将数据映射到一个潜在的特征空间，使得映射后的数据边缘分布和条件分布都相等，也即满足：
Figure BDA0003154006940000056
Figure BDA0003154006940000057
此时由源域系统的数据特征训练的分类器能够直接用于目标域系统的数据特征的分类。
为了找到最佳的映射
Figure BDA0003154006940000058
以减小特征之间的分布距离，通过衡量映射后的数据
Figure BDA0003154006940000059
的MMD距离，MMD通过映射函数σ将两组数据映射到再生希尔伯特空间中的两个点，直接计算两点在希尔伯特空间中的欧式距离，作为两样本分布之间的距离：
Figure BDA00031540069400000510
其中，ns、nt分别为源域和目标域特征的样本数，
Figure BDA00031540069400000511
为将特征映射到高维希尔伯特空间中的映射函数。通过引入核矩阵
Figure BDA00031540069400000512
以及
Figure BDA00031540069400000513
将两样本分布之间的距离转化为tr(KL)-λtr(K)。
构造
Figure BDA00031540069400000514
则最后的优化目标为：
Figure BDA0003154006940000061
其中H是中心矩阵，
Figure BDA0003154006940000062
最后求出矩阵W的前m个特征值，即为新的低维特征
Figure BDA0003154006940000063
和
Figure BDA0003154006940000064
步骤6，基于所有处理后源域残差特征
Figure BDA0003154006940000065
训练得到故障检测分类器，将处理后目标域残差特征
Figure BDA0003154006940000066
输入故障检测分类器中，得到对实际卫星姿态控制系统的故障检测结果。
处理后源域残差特征
Figure BDA0003154006940000067
包括正常样本数据的处理后源域残差特征
Figure BDA0003154006940000068
和故障样本数据的处理后源域残差特征
Figure BDA0003154006940000069
以故障检测结果0表示正常类、故障检测结果1表示故障类。将源域系统的样本数据的处理后源域残差特征作为输入、对应的故障检测结果作为输出训练得到故障检测分类器，也即对正常样本数据的
Figure BDA00031540069400000610
和故障样本数据的
Figure BDA00031540069400000611
进行训练。
然后将处理后目标域残差特征
Figure BDA00031540069400000612
输入故障检测分类器中，即可得到对应的故障检测结果为0或1，即表示正常类也即无故障，或者故障类表示有故障。
本申请以如下一个实例进行仿真说明，仿真中故障设置为X轴飞轮加性故障ωx′＝ωx+20rpm，采集卫星标称仿真模型(源域系统)的多个机动过程的飞轮指令力矩和输出转速信号对ANNs进行训练，将训练后的ANNs输出与标称模型的实际输出比较生成残差rs，源域系统正常数据拟合误差如图3(a)所示，源域系统故障数据拟合误差如图3(b)所示。采集微型三轴气浮半物理仿真平台(目标域系统)数据对ANNs进行继续训练修改网络参数得到ANNt。将ANNt输出与气浮台实际输出比较生成残差rt，目标域系统正常数据拟合误差如图3(c)所示，目标域系统故障数据拟合误差如图3(d)所示。从图3中的(b)和(d)可以看到，故障时神经网络的X飞轮转速的拟合误差在20附近波动，而正常情况下都在0附近波动。
计算神经网络输出信号残差rs、rt的特征信息，得到9维特征。对源域和目标域x飞轮转速残差
Figure BDA00031540069400000613
和
Figure BDA00031540069400000614
的三维特征φs、φt(均值、均方差、香农信息熵)进行画图分析可以看出，正常数据和故障数据特征的均值差异较大，而源域数据和目标域数据的信息熵差异较明显。且故障数据和正常数据特征区分性明显，但源域数据与目标域数据分布存在一定的差异。
当直接用源域系统的正常样本数据和故障样本数据的源域残差特征及其标签
Figure BDA0003154006940000071
和
Figure BDA0003154006940000072
训练softmax分类器，并对目标域系统的目标域残差特征φt进行分类时，得到Softmax分类结果与实际结果作出的混淆矩阵如图4所示。
而在利用迁移成分分析对残差特征进行特征映射并降维至低维数据维度为3时，用源域系统的正常样本数据和故障样本数据的处理后源域残差特征及其标签
Figure BDA0003154006940000073
和
Figure BDA0003154006940000074
训练softmax分类器，并对目标域系统的处理后目标域残差特征
Figure BDA0003154006940000075
进行分类时，得到Softmax分类结果与实际结果作出的混淆矩阵如图5所示。对比图4和图5可看出，相比于未利用迁移成分分析对φs、φt进行特征提取(非TCA方法)，利用迁移成分分析对φs、φt进行特征提取后(TCA改进方法)，利用
Figure BDA0003154006940000076
训练softmax对
Figure BDA0003154006940000077
进行分类，得到的诊断准确率有显著提升，对目标域系统的正常数据诊断准确率提升了33.3％，对故障数据准确率从9.9％提升到了100％，总的准确率提升了15％。
Figure BDA0003154006940000078
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (5)

1.一种基于迁移成分分析的卫星执行器故障检测方法，其特征在于，所述方法包括：
将卫星的实际卫星姿态控制系统作为目标域系统，构建所述实际卫星姿态控制系统的标称仿真模型作为源域系统；
基于所述源域系统的正常样本数据训练得到源域神经网络模型ANNs，基于所述目标域系统的正常样本数据调整所述源域神经网络模型ANNs得到目标域神经网络模型ANNt，样本数据为执行器信号数据；
基于所述源域神经网络模型ANNs得到所述源域系统的正常样本数据和故障样本数据的源域残差rs并分别提取源域残差特征φs；
采集所述目标域系统的待检测工作信号并输入所述目标域神经网络模型ANNt得到对应的目标域残差rt，并提取所述待检测工作信号的目标域残差rt的目标域残差特征φt，待检测工作信号也为执行器信号数据；
基于迁移成分分析对源域残差特征φs和目标域残差特征φt进行特征映射分别得到数据边缘分布的差异在误差范围内的处理后源域残差特征
Figure FDA0003154006930000011
和处理后目标域残差特征
Figure FDA0003154006930000012
基于所有处理后源域残差特征
Figure FDA0003154006930000013
训练得到故障检测分类器，将处理后目标域残差特征
Figure FDA0003154006930000014
输入所述故障检测分类器中，得到对所述实际卫星飞轮的故障检测结果。
2.根据权利要求1所述的方法，其特征在于，执行器信号数据包括t-Tctrl时刻的飞轮指令控制力矩、t-Tctrl时刻的飞轮转速和t时刻的飞轮转速；
则在训练得到源域神经网络模型ANNs时，将所述源域系统的每个正常样本数据中的t-Tctrl时刻的飞轮指令控制力矩
Figure FDA0003154006930000015
和飞轮转速ωs(t-Tctrl)作为输入、t时刻的飞轮转速ωs(t)作为输出，基于神经网络训练得到所述源域神经网络模型ANNs，Tctrl为卫星姿态控制周期；
在调整得到目标域神经网络模型ANNt时，将所述目标域系统的正常样本数据中的t-Tctrl时刻的飞轮指令控制力矩
Figure FDA0003154006930000016
和飞轮转速ωt(t-Tctrl)作为输入、t时刻的飞轮转速ωt(t)作为输出，调整所述源域神经网络模型ANNs的网络参数得到目标域神经网络模型ANNt。
3.根据权利要求1所述的方法，其特征在于，
对残差提取得到的残差特征包括残差的均值E()、方差Var()和香农信息熵特征H()，则提取得到的源域残差特征表示为φs＝[E(rs) Var(rs) H(rs)]，提取得到的目标域残差特征表示为φt＝[E(rt) Var(rt) H(rt)]。
4.根据权利要求3所述的方法，其特征在于，对于任意一个残差r，提取得到的残差特征包括：
提取得到的残差r的均值
Figure FDA0003154006930000021
提取得到的残差r的方差
Figure FDA0003154006930000022
提取得到的残差r的香农信息熵特征H(r)＝-∑(pjln pj)；
其中，n是预定数据窗口内的残差的数据点个数，k是所述预定数据窗口内数值vj∈{r}的次数，
Figure FDA0003154006930000023
为数值vj的概率，i为参数。
5.根据权利要求1-4任一所述的方法，其特征在于，
在同时对源域残差特征φs和目标域残差特征φt映射到潜在特征空间时，基于主成分分析进行降维处理得到处理后分布差异小的源域残差特征
Figure FDA0003154006930000024
和目标域残差特征
Figure FDA0003154006930000025
CN202110774366.4A 2021-07-08 2021-07-08 一种基于迁移成分分析的卫星执行器故障检测方法 Active CN113469082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110774366.4A CN113469082B (zh) 2021-07-08 2021-07-08 一种基于迁移成分分析的卫星执行器故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110774366.4A CN113469082B (zh) 2021-07-08 2021-07-08 一种基于迁移成分分析的卫星执行器故障检测方法

Publications (2)

Publication Number Publication Date
CN113469082A true CN113469082A (zh) 2021-10-01
CN113469082B CN113469082B (zh) 2022-02-15

Family

ID=77879397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110774366.4A Active CN113469082B (zh) 2021-07-08 2021-07-08 一种基于迁移成分分析的卫星执行器故障检测方法

Country Status (1)

Country Link
CN (1) CN113469082B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239859A (zh) * 2022-02-25 2022-03-25 杭州海康威视数字技术股份有限公司 一种基于迁移学习的时序数据预测方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110262447A (zh) * 2019-05-24 2019-09-20 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
US20190304065A1 (en) * 2016-12-15 2019-10-03 Google Llc Transforming source domain images into target domain images
CN111076744A (zh) * 2019-11-21 2020-04-28 南京航空航天大学 一种基于自编码观测器的卫星敏感器故障检测定位方法
CN112883994A (zh) * 2020-12-28 2021-06-01 重庆邮电大学 一种均衡分布适配的旋转机械变工况故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190304065A1 (en) * 2016-12-15 2019-10-03 Google Llc Transforming source domain images into target domain images
CN110262447A (zh) * 2019-05-24 2019-09-20 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
CN111076744A (zh) * 2019-11-21 2020-04-28 南京航空航天大学 一种基于自编码观测器的卫星敏感器故障检测定位方法
CN112883994A (zh) * 2020-12-28 2021-06-01 重庆邮电大学 一种均衡分布适配的旋转机械变工况故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SINNO JIALIN PAN等: "《Domain Adaptation via Transfer Component Analysis》", 《 IEEE TRANSACTIONS ON NEURAL NETWORKS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239859A (zh) * 2022-02-25 2022-03-25 杭州海康威视数字技术股份有限公司 一种基于迁移学习的时序数据预测方法、装置及存储介质
CN114239859B (zh) * 2022-02-25 2022-07-08 杭州海康威视数字技术股份有限公司 基于迁移学习的用电量数据预测方法、装置及存储介质

Also Published As

Publication number Publication date
CN113469082B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN111829782B (zh) 一种基于自适应流形嵌入动态分布对齐的故障诊断方法
Azamfar et al. Intelligent ball screw fault diagnosis using a deep domain adaptation methodology
Khalastchi et al. Online data-driven anomaly detection in autonomous robots
US11756349B2 (en) Electronic control unit testing optimization
CN106156401B (zh) 基于多组合分类器的数据驱动系统状态模型在线辨识方法
Yang et al. ART–KOHONEN neural network for fault diagnosis of rotating machinery
US20200310400A1 (en) Predictive Classification of Future Operations
CN111006860B (zh) 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法
Zhang et al. Aircraft damage identification and classification for database-driven online flight-envelope prediction
CN113469082B (zh) 一种基于迁移成分分析的卫星执行器故障检测方法
Chen et al. Design and analysis for early warning of rotor UAV based on data-driven DBN
Li et al. A Siamese hybrid neural network framework for few-shot fault diagnosis of fixed-wing unmanned aerial vehicles
CN114997296A (zh) 一种基于gru-vae模型的无监督航迹异常检测方法及系统
Jia et al. A multi-channel data-based fault diagnosis method integrating deep learning strategy for aircraft sensor system
Puchalski et al. Actuator fault detection and isolation system for multirotor unmanned aerial vehicles
Li et al. A lightweight and explainable data-driven scheme for fault detection of aerospace sensors
CN114356897A (zh) 基于数据融合的机电作动器故障诊断方法
Alos et al. Detecting contextual faults in unmanned aerial vehicles using dynamic linear regression and k-nearest neighbour classifier
CN111930094A (zh) 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法
Cui et al. Intelligent health management of fixed-wing UAVs: A deep-learning-based approach
Zhu et al. Novel mahalanobis distance based fault diagnosis using discrimination neighborhood preserving embedding for industrial process
US20240142347A1 (en) System for diagnosing machine failure on basis of advanced deep temporal clustering model
Choi et al. Data Preprocessing Method in Motor Fault Diagnosis Using Unsupervised Learning
Dhakal et al. UAV fault and anomaly detection using autoencoders
Jiang et al. A Novel Dual Attention Convolutional Neural Network Based on Multisensory Frequency Features for Unmanned Aerial Vehicle Rotor Fault Diagnosis

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