[发明专利]基于深度迁移学习的航天器智能故障诊断方法

说明书

本发明涉及航天器故障诊断领域，为实现航天器故障诊断并及时发现故障，本发明，基于深度迁移学习的航天器智能故障诊断方法，首先，进行智能故障诊断模型框架的搭建，搭建基于深度卷积神经网络的故障诊断模型框架；其次，利用地面测试数据和其他航天器在轨数据进行预训练，得到诊断模型的初始网络参数，达到学习其他诊断任务经验的目的；然后，进行智能故障诊断模型参数重调，将学习到的经验扩展到当前诊断任务中，研究基于迁移学习的模型参数重调方法，考虑航天器原始遥测数据未标记的特点，构造基于最大平均差异的代价函数，实现对初始网络参数的重新调整。本发明主要应用于航天器故障诊断场合。

技术领域

本发明涉及航天器故障诊断领域，特别是一种面向卫星姿态控制系统执行器故障的智能诊断领域。具体涉及基于深度迁移学习的航天器智能故障诊断方法。

背景技术

航天器是指按照天体运行规律在大气层外运行的空间飞行器。航天器技术经过几十年的探索和发展，在国家安全、经济发展、技术进步、环境监测、气象预报、减灾救灾等方面发挥了重要作用。航天事业的发展不仅是航天科技实力进步的表现，更是一个国家综合国力不断壮大的体现。然而，由于卫星在太空运行过程中具有远程不可及等应用特殊性，作为保障卫星正常运转的核心子系统，卫星姿态控制系统的故障诊断问题一直是航天领域研究的重点和难点。卫星星上资源和人工干预能力有限，太空监测环境恶劣和不确定性因素多等特点决定了卫星故障诊断不仅要具备一般故障诊断的可靠性及准确性要求，还必须具有快速自诊断及自主容错恢复能力。卫星等航天器一旦发生故障，很可能会在很短时间导致翻滚，不能正常工作甚至导致卫星坠毁，造成巨大经济损失，对空间计划、科学研究、经济乃至政治、军事等都将造成恶劣影响和严重后果。因此，系统研究航天器故障诊断并及时发现故障，对于航天器的安全可靠运行、延长航天器使用寿命、预防重大事故发生具有十分重要的意义。

然而，由于卫星所处空间环境中的各种未知干扰因素较多，而且随着任务和星体结构的复杂性日益增加，模型不确定性等对卫星容错控制效果的影响也越来越明显，在干扰及不确定影响下的卫星故障诊断与容错控制一直是航天领域研究的重点和难点。目前，故障诊断方法可分为3类，即基于解析模型、基于信号处理和基于知识的方法。然而，基于现有理论方法进行卫星故障诊断与容错控制设计时，存在的不足主要体现在以下几个方面：(1)基于解析模型方法的应用前提是构建系统精确的解析模型，这对于具有不确定性、时变的复杂系统或非线性系统而言是相当困难的；(2)基于信号处理的方法虽然不需要构建系统解析模型，但只有当故障发展到一定程度并影响到系统的外部特性时才有效；(3)基于知识的方法能够克服上述两种方法的缺点，更适用于实际的工业装置。

发明内容

为克服现有技术的不足，本发明旨在提出一种基于深度迁移学习的卫星智能故障诊断策略。一方面，由于航天器任务的复杂化及其非线性等特性，使得其故障诊断的难度和复杂性显著增加。另一方面，卫星在轨运行时受到空间环境的各种摄动力作用以及高温、低温、电磁干扰、空间粒子辐射等多方面的外界干扰，更增加了卫星故障诊断的复杂性。而且在轨航天器执行器的原始遥测数据样本小、噪声高、无标记，导致故障信号难以检测，在实际应用中正常运行数据样本与故障数据样本数量相差较大，传统的故障诊断方法难以保证故障诊断的准确度。基于此，本发明提出了一种基于深度迁移学习的航天器智能故障诊断方法，首先，进行智能故障诊断模型框架的搭建，从带有强噪声的遥测数据中提取故障特征，搭建基于深度卷积神经网络的故障诊断模型框架；其次，进一步考虑在轨航天器遥测故障数据样本小的特点，利用地面测试数据和其他航天器在轨数据进行预训练，得到诊断模型的初始网络参数，达到学习其他诊断任务经验的目的；然后，进行智能故障诊断模型参数重调，将学习到的经验扩展到当前诊断任务中，研究基于迁移学习的模型参数重调方法，考虑航天器原始遥测数据未标记的特点，构造基于最大平均差异的代价函数，实现对初始网络参数的重新调整。

具体步骤如下：