[发明专利]一种基于HC-TP-K2算法的卫星动量轮故障诊断建模方法及系统

说明书

本发明公开了一种基于HC‑TP‑K2算法的卫星动量轮故障诊断建模方法及系统。为了解决K2算法中的节点序问题，本发明提出一种基于爬山算法与拓扑排序的K2算法，在该算法中首先利用爬山算法对数据进行学习得到初始网络结构，之后利用拓扑排序算法获得节点的拓扑排序，最后将该节点序应用到K2算法中，以提高K2算法在卫星动量轮故障诊断建模中的准确性。

技术领域

本发明涉及贝叶斯网络在卫星动量轮故障诊断模型建立中的研究方法，尤其涉及航天器健康管理以及计算机技术等领域，更具体的说，本发明涉及一种基于HC-TP-K2算法的卫星动量轮故障诊断建模方法及系统。

背景技术

动量轮是卫星姿态控制系统的关键部件，传统的卫星动量轮故障诊断技术如观测器法、专家系统法等无法更好的解决卫星动量轮故障中存在的不确定性。贝叶斯网作为一种概率网络，在不确定性问题的推理上有着明显的优势，贝叶斯网络结构学习所建立的模型会影响最终推理结果的准确性。贝叶斯网结构学习是一个NP难问题，K2算法是常用的贝叶斯网结构学习算法，但K2算法存在过度依赖模型节点顺序的问题。

贝叶斯网络结构学习K2算法简介

K2算法是经典的贝叶斯网络结构学习算法，最初使用CH评分作为打分函数，后来有学者将BIC评分以及BDeu评分等评分函数引入到K2算法中，其目的是寻找评分函数高的模型。由于计算复杂度的原因，K2算法寻找在当前条件下的最优模型，它使用变量排序与节点最大父节点数来缩小算法的搜索空间。

K2算法从一个包含所有节点却没有边的无向图开始，在搜索过程中，算法依次比较变量排序中的节点。在变量排序中，当前节点只可能是后续节点的父节点，因此在找寻父节点的过程中，算法只需遍历排在当前节点之前的节点所构成的网络结构，而当前节点之后的节点则不需要考虑。同时算法设定网络结构中的任一变量的父节点个数都不超过给定的最大父节点数，当每个变量与其父节点所构成的网络结构的评分最大时，最终的网络结构的评分也将最大。

爬山算法简介

爬山算法(HC)也是贝叶斯网络结构学习中常用的经典算法，其目标是要找出评分最高的模型。该算法首先从一个初始模型出发开始搜索，初始模型一般设为无边模型。之后在搜索的每一步，首先用搜索算子对当前模型进行局部修改，得到一系列的候选模型；然后计算每个候选模型的评分，并将最优候选模型与当前模型进行比较；若最优候选模型的评分大，则以它为下一个当前模型，继续搜索；否则，就停止搜索，并返回当前模型。

爬山算法的搜索算子有3个，分别是加边、减边以及逆转边。加边即是在网络结构中添加一条边，减边即是减去一条边，转边则是把一条边的方向翻转。加边和转边算子的使用有一个前提，即不能在网络中形成有向圈。

发明内容

发明的目的是提出一种基于HC-TP-K2算法的卫星动量轮故障诊断建模方法，以克服现有动量轮故障诊断建模方法中存在的计算复杂，模型不灵活等不足，使动量轮的故障诊断结果更准确。

本发明解决其技术问题，所采用的基于HC-TP-K2算法的卫星动量轮故障诊断建模方法包括以下步骤：

(1)基于HC-TP-K2算法结合动量轮故障数据建立动量轮故障的贝叶斯网络模型；

(2)基于步骤(1)所建立的贝叶斯网络模型，利用贝叶斯网络参数学习获得模型中各网络节点的参数；

(3)基于步骤(2)所获得的带有节点参数的模型以及获得的证据信息，采用贝叶斯网络推理算法，对可能引发动量轮发生故障的各种原因进行概率计算；

(4)根据步骤(3)计算出的概率，找出其中后验概率最大的节点，作为最终的诊断结果。

进一步地，在本发明的基于HC-TP-K2算法的卫星动量轮故障诊断建模方法中，所述步骤(1)包括以下步骤：