CN116246145A - 一种航天器故障的辨识方法和装置 - Google Patents
一种航天器故障的辨识方法和装置 Download PDFInfo
- Publication number
- CN116246145A CN116246145A CN202310071972.9A CN202310071972A CN116246145A CN 116246145 A CN116246145 A CN 116246145A CN 202310071972 A CN202310071972 A CN 202310071972A CN 116246145 A CN116246145 A CN 116246145A
- Authority
- CN
- China
- Prior art keywords
- data
- detected
- gray
- image
- dimensional gray
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及航空航天技术领域,特别涉及一种航天器故障的辨识方法和装置。其中,该方法包括:获取航天器姿轨控系统的待测数据;对待测数据进行灰度处理,得到待测数据对应的二维灰度图像;将二维灰度图像输入训练好的故障辨识模型中,得到待测数据对应的故障类别;其中,故障辨识模型是通过以航天器姿轨控系统的样本二维灰度图像作为输入和以样本二维灰度图像对应的故障类别作为输出来对预设的卷积神经网络进行训练得到的,样本二维灰度图像是通过对航天器姿轨控系统的样本数据进行灰度处理得到的,对样本数据的灰度处理方式和对待测数据的灰度处理的方式相同。本发明的方案能够有效辨识航天器的故障。
Description
技术领域
本发明涉及航空航天技术领域,特别涉及一种航天器故障的辨识方法和装置。
背景技术
随着航天器数量和结构复杂度与日俱增,要确保航天器能够在轨安全可靠稳定运行,完全依赖地面测控站不足以应对众多复杂卫星故障处理的情况,因而对航天器的在轨健康管理能力提出一定要求。
航天器作为高可靠性系统,其姿态与轨道控制系统(简称姿轨控系统)承担了重要的姿态与轨道控制任务。因此,航天器姿轨控系统属于典型的复杂闭环控制系统,并且具备上百维遥测位点,以保障整星姿轨控系统的实时检测需求。这导致姿轨控系统具备遥测数据高维耦合、故障闭环传播等特性。如果仅分析某个部件或者某一测点的故障数据,并不足以完全体现实际整星发生的故障,甚至极有可能造成故障模式的误判与漏判,无法准确定位与回溯到真正的故障位点。此外,现有的技术手段还难以处理具备强耦合性的数据,暂时无法剥离单一变量进行故障辨识。
发明内容
为了有效辨识航天器的故障,本发明实施例提供了一种航天器故障的辨识方法和装置。
第一方面,本发明实施例提供了一种航天器故障的辨识方法,包括:
获取航天器姿轨控系统的待测数据;其中,所述姿轨控系统包括控制器、敏感器和执行机构,所述待测数据包括所述控制器的输出指令以及所述敏感器和所述执行机构的实际遥测参数;
对所述待测数据进行灰度处理,得到所述待测数据对应的二维灰度图像;
将所述二维灰度图像输入训练好的故障辨识模型中,得到所述待测数据对应的故障类别;其中,所述故障辨识模型是通过以航天器姿轨控系统的样本二维灰度图像作为输入和以所述样本二维灰度图像对应的故障类别作为输出来对预设的卷积神经网络进行训练得到的,所述样本二维灰度图像是通过对航天器姿轨控系统的样本数据进行灰度处理得到的,对所述样本数据的灰度处理方式和对所述待测数据的灰度处理的方式相同。
在一种可能的设计中,所述敏感器包括太阳敏感器、红外地球敏感器和星敏感器中的至少一种;
和/或,
所述执行机构包括控制力拒陀螺和推力器中的至少一种。
在一种可能的设计中,所述对所述待测数据进行灰度处理,得到所述待测数据对应的二维灰度图像,包括:
采用如下公式对所述待测数据进行灰度处理:
基于处理后的数据,得到所述待测数据对应的二维灰度图像。
在一种可能的设计中,所述基于处理后的数据,得到所述待测数据对应的二维灰度图像,包括:
基于处理后的数据的当前维度,确定目标维度;其中,所述目标维度为大于等于所述当前维度的最小完全平方数;
将所述目标维度的平方根作为二维灰度图像的矩阵边长;
按照处理后的数据的排布顺序将处理后的数据依次填充到预设的图像矩阵中,且对所述图像矩阵中未填充数据的位置进行补零,得到所述待测数据对应的二维灰度图像。
在一种可能的设计中,所述卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
第二方面,本发明实施例还提供了一种航天器故障的辨识装置,包括:
获取模块,用于获取航天器姿轨控系统的待测数据;其中,所述姿轨控系统包括控制器、敏感器和执行机构,所述待测数据包括所述控制器的输出指令以及所述敏感器和所述执行机构的实际遥测参数;
灰度处理模块,用于对所述待测数据进行灰度处理,得到所述待测数据对应的二维灰度图像;
辨识模块,用于将所述二维灰度图像输入训练好的故障辨识模型中,得到所述待测数据对应的故障类别;其中,所述故障辨识模型是通过以航天器姿轨控系统的样本二维灰度图像作为输入和以所述样本二维灰度图像对应的故障类别作为输出来对预设的卷积神经网络进行训练得到的,所述样本二维灰度图像是通过对航天器姿轨控系统的样本数据进行灰度处理得到的,对所述样本数据的灰度处理方式和对所述待测数据的灰度处理的方式相同。
在一种可能的设计中,所述敏感器包括太阳敏感器、红外地球敏感器和星敏感器中的至少一种;
和/或,
所述执行机构包括控制力拒陀螺和推力器中的至少一种。
在一种可能的设计中,所述灰度处理模块,用于执行如下操作:
采用如下公式对所述待测数据进行灰度处理:
基于处理后的数据,得到所述待测数据对应的二维灰度图像。
在一种可能的设计中,所述灰度处理模块在执行所述基于处理后的数据,得到所述待测数据对应的二维灰度图像时,用于执行如下操作:
基于处理后的数据的当前维度,确定目标维度;其中,所述目标维度为大于等于所述当前维度的最小完全平方数;
将所述目标维度的平方根作为二维灰度图像的矩阵边长;
按照处理后的数据的排布顺序将处理后的数据依次填充到预设的图像矩阵中,且对所述图像矩阵中未填充数据的位置进行补零,得到所述待测数据对应的二维灰度图像。
在一种可能的设计中,所述卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
本发明实施例提供了一种航天器故障的辨识方法和装置,通过将高维遥测参数序列(即待测数据)转换为二维灰度图像的方式,巧妙地将数据之间的耦合关联转化为图像内部的空间特征,并且将遥测信号噪声等干扰因素转变为图像灰度等像素信息,然后充分利用卷积神经网络的图像处理优势,自动实现特征提取与降维,消除人为对未知耦合关系的误判,完成滤波-降维-辨识的组合功能,简化故障辨识算法流程,提高整星的自主运行能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种航天器故障的辨识方法流程图;
图2是本发明实施例提供的一种电子设备的硬件架构图;
图3是本发明实施例提供的一种航天器故障的辨识装置结构图;
图4是本发明实施例提供的待测数据转化为二位灰度图像的示意图;
图5是本发明实施例提供的卷积神经网络的网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,本发明实施例提供了一种航天器故障的辨识方法,该方法包括:
步骤100:获取航天器姿轨控系统的待测数据;其中,姿轨控系统包括控制器、敏感器和执行机构,待测数据包括控制器的输出指令以及敏感器和执行机构的实际遥测参数;
步骤102:对待测数据进行灰度处理,得到待测数据对应的二维灰度图像;
步骤104:将二维灰度图像输入训练好的故障辨识模型中,得到待测数据对应的故障类别;其中,故障辨识模型是通过以航天器姿轨控系统的样本二维灰度图像作为输入和以样本二维灰度图像对应的故障类别作为输出来对预设的卷积神经网络进行训练得到的,样本二维灰度图像是通过对航天器姿轨控系统的样本数据进行灰度处理得到的,对样本数据的灰度处理方式和对待测数据的灰度处理的方式相同。
本发明实施例中,通过将高维遥测参数序列(即待测数据)转换为二维灰度图像的方式,巧妙地将数据之间的耦合关联转化为图像内部的空间特征,并且将遥测信号噪声等干扰因素转变为图像灰度等像素信息,然后充分利用卷积神经网络的图像处理优势,自动实现特征提取与降维,消除人为对未知耦合关系的误判,完成滤波-降维-辨识的组合功能,简化故障辨识算法流程,提高整星的自主运行能力。
下面描述图1所示的各个步骤的执行方式。
针对步骤100:
一般而言,航天器姿轨控系统包括敏感器、控制器和执行机构三部分。其中,敏感器包括太阳敏感器、红外地球敏感器和星敏感器等;执行机构包括控制力拒陀螺和推力器等。因此,航天器姿轨控系统的输出主要包括敏感器、执行机构的实际遥测参数输出与控制器输出指令,还包括了各航天部件的标志位等信息,实际系统输出维度与航天器的系统配置有关。
假设,某航天器姿轨控系统的实际系统输出为N+q维,其中,N为该姿轨控系统的有效数据维数,q为该系统的无关变量维数如标志位等,那么该系统的实际输出参数可表示为:
X={x1,x2,...,xn,xn+1,...,xn+q}
首先,根据实际物理意义可知,姿轨控系统各部件的标志位属于开关量,对系统故障辨识并无参考价值,为保证后续算法运算速度,应将相应以及其他无关向量予以剔除,从而获得该系统的N维实际有效输出:
X={x1,x2,...,xn}
由于各航天部件的采样间隔略有差异,为保证数据长度的一致性,本专利采用均值补偿的方法对上述有效输出进行数据补齐。
针对步骤102:
考虑到数据量纲影响,要保证后续神经网络算法的空间收敛问题,本发明实施例采用最大最小标准化方法对数据集进行归一化处理。同时,为了后续参数序列到图样数据的映射问题,本发明实施例还将归一化数据尺度变换至256级灰度,即0~255。鉴于直接尺度变换所获得的灰度数值可能存在小数,因此需要对其进行量化,本发明实施例采用向下取整的方式,以保证灰度值量化后仍维持在0~255的灰度区间内。
因此,在本发明一个实施例中,步骤102具体可以包括:
采用如下公式对待测数据进行灰度处理:
基于处理后的数据,得到待测数据对应的二维灰度图像。
此外,要保留姿轨控系统高维输出的原始耦合关系,本发明实施例提出了一种高维遥测参数序列-图像映射的数据转换方法。
根据灰度处理得到的数据,姿轨控系统归一化后的有效数据维度为N,且并不能保证N为完全平方数,那么,需要寻找大于N且最小的完全平方数M,即M≥N。
取该完全平方数M的整数平方根记m为二维灰度图样矩阵的边长。然后,按照高维遥测序列的排布顺序,按行从左至右依次填入图样矩阵,最后不足部分补零对齐,从而获取该姿轨控系统的二维灰度图样数据并可视化,具体转化步骤如图4所示。
因此,在本发明一个实施例中,步骤“基于处理后的数据,得到待测数据对应的二维灰度图像”具体可以包括:
基于处理后的数据的当前维度N,确定目标维度M;其中,目标维度为大于等于当前维度的最小完全平方数;
将目标维度的平方根作为二维灰度图像的矩阵边长;
按照处理后的数据的排布顺序将处理后的数据依次填充到预设的图像矩阵中,且对图像矩阵中未填充数据的位置进行补零,得到待测数据对应的二维灰度图像。
针对步骤104:
如图5所示,卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
卷积层主要是使用一定数量的卷积核对输入数据的局部区域进行卷积操作,从而得到相应数量的特征平面,卷积过程可描述为:
经过卷积层处理后,利用激活层对其输出的卷积结果进行非线性变换,加速CNN的收敛过程,获得该卷积层的特征图。本发明实施例选取的激活函数是ReLU函数,以防止卷积层中的梯度消失,具体公式如下所示:
其中,yl(i,j)为前一卷积层输出值;al(i,t)为激活函数输出值。
考虑到星载计算机的运算能力,本发明实施例采用计算较为简单的最大池化层,其公式描述如下:
pl(i,j)=max{al(i,t):(j-1)k+1≤t<jk}
其中,al(i,t)为第l层第i个卷积核的第t个局部区域的激活值;pl(i,j)是该池化区域的最大值,即池化输出值。
全连接层负责融合卷积层和池化层所提取的特征,将二维图像数据压平至一维,并生成故障辨识结果的T维特征向量。
根据故障辨识问题,本发明实施例所选取的损失函数为适用于多分类问题的交叉熵损失函数,公式如下所示:
其中,T为故障模式的类别个数;sic为开关量(0或1),当样本i的真实类别等于c时取1,反之取0;Pic为待测样本i属于类别c的预测概率。
为提高CNN网络的优化能力,本发明实施例采用Adam优化器进行CNN网络参数优化。Adam优化器优化公式通式如下所示,即根据历史梯度分别计算一阶动量和二阶动量,然后获取权值更新公式:
mt=β1·mt-1+(1-β1)·gt
Vt=β2·Vt-1+(1-β2)·gt 2
其中,β*是Adam优化器的固有参数,一般取经验值;gt为待更新参数的梯度;α为学习率。
综上,上述技术方案具有如下优点:
1)提出了一种高维遥测参数序列-图像映射的数据处理方法,保留航天器高维数据的原始耦合关系,巧妙地将其转化为二维灰度图像内的空间特征,消除耦合数据解耦过程所带来的错判可能性,同时将信号中的噪声等干扰因素转变为灰度等像素特征,简化遥测数据处理流程,提高算法的运行速度;
2)提出了一种基于卷积神经网络的图样数据故障辨识方法,充分利用卷积神经网络在图像挖掘方面的优势,合并数据滤波、数据降维、特征提取、故障辨识等多处理进程,简化故障辨识算法流程,自主学习高维耦合数据中的耦合特征,有效提高航天器姿轨控系统的故障辨识准确度与自主性。
如图2、图3所示,本发明实施例提供了一种航天器故障的辨识装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种航天器故障的辨识装置所在电子设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示,本实施例提供的一种航天器故障的辨识装置,包括:
获取模块300,用于获取航天器姿轨控系统的待测数据;其中,所述姿轨控系统包括控制器、敏感器和执行机构,所述待测数据包括所述控制器的输出指令以及所述敏感器和所述执行机构的实际遥测参数;
灰度处理模块302,用于对所述待测数据进行灰度处理,得到所述待测数据对应的二维灰度图像;
辨识模块304,用于将所述二维灰度图像输入训练好的故障辨识模型中,得到所述待测数据对应的故障类别;其中,所述故障辨识模型是通过以航天器姿轨控系统的样本二维灰度图像作为输入和以所述样本二维灰度图像对应的故障类别作为输出来对预设的卷积神经网络进行训练得到的,所述样本二维灰度图像是通过对航天器姿轨控系统的样本数据进行灰度处理得到的,对所述样本数据的灰度处理方式和对所述待测数据的灰度处理的方式相同。
在本发明实施例中,获取模块300可用于执行上述方法实施例中的步骤100,灰度处理模块302可用于执行上述方法实施例中的步骤102,辨识模块304可用于执行上述方法实施例中的步骤104。
在本发明的一个实施例中,所述敏感器包括太阳敏感器、红外地球敏感器和星敏感器中的至少一种;
和/或,
所述执行机构包括控制力拒陀螺和推力器中的至少一种。
在本发明的一个实施例中,所述灰度处理模块,用于执行如下操作:
采用如下公式对所述待测数据进行灰度处理:
基于处理后的数据,得到所述待测数据对应的二维灰度图像。
在本发明的一个实施例中,所述灰度处理模块在执行所述基于处理后的数据,得到所述待测数据对应的二维灰度图像时,用于执行如下操作:
基于处理后的数据的当前维度,确定目标维度;其中,所述目标维度为大于等于所述当前维度的最小完全平方数;
将所述目标维度的平方根作为二维灰度图像的矩阵边长;
按照处理后的数据的排布顺序将处理后的数据依次填充到预设的图像矩阵中,且对所述图像矩阵中未填充数据的位置进行补零,得到所述待测数据对应的二维灰度图像。
在本发明的一个实施例中,所述卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
可以理解的是,本发明实施例示意的结构并不构成对一种航天器故障的辨识装置的具体限定。在本发明的另一些实施例中,一种航天器故障的辨识装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种航天器故障的辨识方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种航天器故障的辨识方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种航天器故障的辨识方法,其特征在于,包括:
获取航天器姿轨控系统的待测数据;其中,所述姿轨控系统包括控制器、敏感器和执行机构,所述待测数据包括所述控制器的输出指令以及所述敏感器和所述执行机构的实际遥测参数;
对所述待测数据进行灰度处理,得到所述待测数据对应的二维灰度图像;
将所述二维灰度图像输入训练好的故障辨识模型中,得到所述待测数据对应的故障类别;其中,所述故障辨识模型是通过以航天器姿轨控系统的样本二维灰度图像作为输入和以所述样本二维灰度图像对应的故障类别作为输出来对预设的卷积神经网络进行训练得到的,所述样本二维灰度图像是通过对航天器姿轨控系统的样本数据进行灰度处理得到的,对所述样本数据的灰度处理方式和对所述待测数据的灰度处理的方式相同。
2.根据权利要求1所述的方法,其特征在于,所述敏感器包括太阳敏感器、红外地球敏感器和星敏感器中的至少一种;
和/或,
所述执行机构包括控制力拒陀螺和推力器中的至少一种。
4.根据权利要求3所述的方法,其特征在于,所述基于处理后的数据,得到所述待测数据对应的二维灰度图像,包括:
基于处理后的数据的当前维度,确定目标维度;其中,所述目标维度为大于等于所述当前维度的最小完全平方数;
将所述目标维度的平方根作为二维灰度图像的矩阵边长;
按照处理后的数据的排布顺序将处理后的数据依次填充到预设的图像矩阵中,且对所述图像矩阵中未填充数据的位置进行补零,得到所述待测数据对应的二维灰度图像。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
6.一种航天器故障的辨识装置,其特征在于,包括:
获取模块,用于获取航天器姿轨控系统的待测数据;其中,所述姿轨控系统包括控制器、敏感器和执行机构,所述待测数据包括所述控制器的输出指令以及所述敏感器和所述执行机构的实际遥测参数;
灰度处理模块,用于对所述待测数据进行灰度处理,得到所述待测数据对应的二维灰度图像;
辨识模块,用于将所述二维灰度图像输入训练好的故障辨识模型中,得到所述待测数据对应的故障类别;其中,所述故障辨识模型是通过以航天器姿轨控系统的样本二维灰度图像作为输入和以所述样本二维灰度图像对应的故障类别作为输出来对预设的卷积神经网络进行训练得到的,所述样本二维灰度图像是通过对航天器姿轨控系统的样本数据进行灰度处理得到的,对所述样本数据的灰度处理方式和对所述待测数据的灰度处理的方式相同。
7.根据权利要求6所述的装置,其特征在于,所述敏感器包括太阳敏感器、红外地球敏感器和星敏感器中的至少一种;
和/或,
所述执行机构包括控制力拒陀螺和推力器中的至少一种。
9.根据权利要求8所述的装置,其特征在于,所述灰度处理模块在执行所述基于处理后的数据,得到所述待测数据对应的二维灰度图像时,用于执行如下操作:
基于处理后的数据的当前维度,确定目标维度;其中,所述目标维度为大于等于所述当前维度的最小完全平方数;
将所述目标维度的平方根作为二维灰度图像的矩阵边长;
按照处理后的数据的排布顺序将处理后的数据依次填充到预设的图像矩阵中,且对所述图像矩阵中未填充数据的位置进行补零,得到所述待测数据对应的二维灰度图像。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071972.9A CN116246145B (zh) | 2023-01-15 | 2023-01-15 | 一种航天器故障的辨识方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071972.9A CN116246145B (zh) | 2023-01-15 | 2023-01-15 | 一种航天器故障的辨识方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246145A true CN116246145A (zh) | 2023-06-09 |
CN116246145B CN116246145B (zh) | 2023-10-20 |
Family
ID=86629061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310071972.9A Active CN116246145B (zh) | 2023-01-15 | 2023-01-15 | 一种航天器故障的辨识方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246145B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN110068462A (zh) * | 2019-05-14 | 2019-07-30 | 北京科技大学 | 一种电机轴承故障诊断方法及装置 |
CN110991036A (zh) * | 2019-11-29 | 2020-04-10 | 北京空间技术研制试验中心 | 航天器姿轨控系统故障案例库构建系统及构建方法 |
CN113805561A (zh) * | 2021-08-16 | 2021-12-17 | 天津大学 | 基于深度迁移学习的航天器智能故障诊断方法 |
CN113867307A (zh) * | 2021-08-20 | 2021-12-31 | 天津大学 | 基于深度神经网络的航天器智能故障诊断方法 |
CN114237269A (zh) * | 2021-11-29 | 2022-03-25 | 北京航天自动控制研究所 | 一种用于构建姿态控制系统极性故障模式识别模型的方法 |
CN115017797A (zh) * | 2022-05-09 | 2022-09-06 | 北京控制工程研究所 | 基于深度信念网络的航天器惯性姿态敏感器故障诊断方法 |
CN115113606A (zh) * | 2022-06-21 | 2022-09-27 | 哈尔滨工业大学 | 基于频域改进sdp图的航天器故障分析方法、装置及介质 |
-
2023
- 2023-01-15 CN CN202310071972.9A patent/CN116246145B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN110068462A (zh) * | 2019-05-14 | 2019-07-30 | 北京科技大学 | 一种电机轴承故障诊断方法及装置 |
CN110991036A (zh) * | 2019-11-29 | 2020-04-10 | 北京空间技术研制试验中心 | 航天器姿轨控系统故障案例库构建系统及构建方法 |
CN113805561A (zh) * | 2021-08-16 | 2021-12-17 | 天津大学 | 基于深度迁移学习的航天器智能故障诊断方法 |
CN113867307A (zh) * | 2021-08-20 | 2021-12-31 | 天津大学 | 基于深度神经网络的航天器智能故障诊断方法 |
CN114237269A (zh) * | 2021-11-29 | 2022-03-25 | 北京航天自动控制研究所 | 一种用于构建姿态控制系统极性故障模式识别模型的方法 |
CN115017797A (zh) * | 2022-05-09 | 2022-09-06 | 北京控制工程研究所 | 基于深度信念网络的航天器惯性姿态敏感器故障诊断方法 |
CN115113606A (zh) * | 2022-06-21 | 2022-09-27 | 哈尔滨工业大学 | 基于频域改进sdp图的航天器故障分析方法、装置及介质 |
Non-Patent Citations (4)
Title |
---|
叶正宇;程月华;韩笑冬;姜斌;: "深空探测航天器姿态控制系统故障定位", 控制理论与应用, no. 12 * |
金晨迪;康国华;郭玉洁;乔思元;: "基于深度学习的航天器组合体惯性参数在轨智能辨识", 中国空间科学技术, no. 02 * |
闻新;龙弟之;王俊鸿;魏炳翌;: "基于1D-CNN的卫星姿态控制系统故障诊断方法", 兵工自动化, no. 07 * |
雷宇田;杨嘉琛;满家宝;奚萌;: "自适应航天器态势分析系统", 宇航总体技术, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN116246145B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gawlikowski et al. | A survey of uncertainty in deep neural networks | |
Yang et al. | Unsupervised moving object detection via contextual information separation | |
Ibrahim et al. | Machine learning methods for spacecraft telemetry mining | |
Li et al. | Chaotic time series prediction based on a novel robust echo state network | |
CN112312541B (zh) | 一种无线定位方法及系统 | |
Ji et al. | Model-free fault diagnosis for autonomous underwater vehicles using sequence convolutional neural network | |
Ntalampiras | Fault identification in distributed sensor networks based on universal probabilistic modeling | |
CN114155397B (zh) | 一种小样本图像分类方法及系统 | |
CN113326590B (zh) | 基于深度学习模型的滚动轴承寿命预测方法和装置 | |
Shi et al. | Tilt angle monitoring by using sparse residual LSTM network and grid search | |
Hasan et al. | Wasserstein GAN-based Digital Twin Inspired Model for Early Drift Fault Detection in Wireless Sensor Networks | |
CN113642812B (zh) | 基于北斗的微形变预测方法、装置、设备及可读存储介质 | |
CN111216126A (zh) | 基于多模态感知的足式机器人运动行为识别方法及系统 | |
CN113743592A (zh) | 一种基于gan的遥测数据异常检测方法 | |
Moskalenko et al. | Improving the effectiveness of training the on-board object detection system for a compact unmanned aerial vehicle | |
CN116246145B (zh) | 一种航天器故障的辨识方法和装置 | |
CN113156473A (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
Badran et al. | Wind ambiguity removal by the use of neural network techniques | |
Phillips et al. | Planetary Mapping using Deep Learning: A method to evaluate feature identification confidence applied to habitats in Mars-analog terrain | |
Silvestrini et al. | Modern Spacecraft GNC | |
EP3745313A1 (en) | A predictive maintenance system for equipment with sparse sensor measurements | |
Bousias Alexakis et al. | Evaluation of semi-supervised learning for CNN-based change detection | |
Llugsi | Reducing incertainty in environmental measurements using bayesian and adaptive moment estimation: study case Andean city of Quito | |
Ma et al. | A data-driven fault detection approach for unknown large-scale systems based on GA-SVM | |
CN115859202B (zh) | 一种非平稳时序数据流场景下的异常检测方法及装置 |
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 |