[发明专利]一种双神经网络模型卫星电源系统故障诊断方法

说明书

本发明公开了一种双神经网络模型卫星电源系统故障诊断方法，包括以下：S1、采集卫星电源系统数据；S2、卫星电源系统数据预处理：将采集到的数据通过滑动时间窗分为多维时间序列，并通过训练好的栈式降噪自编码器进行处理，去掉无效干扰数据；S3、卫星电源系统数据分类：将预处理过的数据进行分类；S4、双神经网络模型训练：将S3中分类好的数据类型Ⅰ和数据类型Ⅱ分别输入CTCN‑GRU模型和TCN‑A‑GRU模型中进行训练；S5，双神经网络模型使用：将实际采集到的数据经S2及S3后将其输入到训练好的双神经网络中进行识别，将网络模型输出与实际卫星电源系统的状态进行对比，对网络性能进行评价。

技术领域

本发明涉及卫星电源系统的故障诊断技术领域，尤其是一种双神经网络模型卫星电源系统故障诊断方法。

背景技术

卫星电源系统是卫星的核心系统之一，是卫星唯一的能量来源，是卫星的“心脏”，限制了卫星的功率和寿命，其正常运行对卫星在轨可靠运行的影响重大，与此同时，卫星电源系统发生故障的概率在所有卫星系统中占比最大，且80％的故障对于整个卫星任务有严重影响，45％的故障会导致整个卫星任务的失败。因此，及时发现并诊断卫星电源故障类型对于保障卫星在轨任务可靠执行具有重大意义。

由于卫星工作环境的复杂多变以及其故障类型的多样化使得卫星电源系统的故障诊断并非易事。已有卫星电源系统故障诊断技术包括基于信号处理的、基于模型的、基于数字驱动的几种类型。基于信号处理的诊断方法包括小波分析、傅里叶变化等方法，其出现较早，不需要对系统进行精确建模，操作简便，但是其对于早期的潜在故障的诊断能力有限，并且在挖掘深层次的故障特征上的能力有限，不具备较好的通用性。基于模型的诊断方法包括状态检测法、等价空间法等方法，该类技术现已发展较为完善并成功应用于工程，例如美国国家航空航天局推出的Livingstone软件，提供了基于模型的故障诊断平台。此方法不需要故障数据及先验知识，具有良好的故障诊断能力，但是随着诊断对象越来越复杂，模型的搭建便越来越费时费力，且受外界干扰严重，可移植性较差。基于数据驱动的方法包括专家系统、故障树、粗糙集、模糊理论、贝叶斯和神经网络法。该方法通过分析诊断对象的历史数据来自动地挖掘系统行为方式，无需精确建模，而数据“挖掘”往往由机器学习算法实现。深度学习技术是机器学习的重要分支，其中神经网络算法已经在故障诊断领域得到了应用，但其在卫星电源系统的故障诊断领域使用较为有限，尚处尝试阶段。其无需对系统进行精确建模，具有较强的处理带干扰数据的能力和较好的移植性，存在广泛的发展空间。

现在存在的应用于卫星电源故障诊断的基于神经网络的方法是将传感器采集到的数据输入到一路模型中进行训练，存在两处不足：一是随着卫星技术及遥测技术的发展，可以采集到的数据信息日趋庞大，因此将大量的数据输入到一路模型中进行模型训练需要更长的训练时间；二是卫星运行的环境十分复杂，部分采集到的卫星电源系统输入输出数据受环境影响及其运行状态影响波动较大，而另一部分数据则根据卫星所处任务阶段发生定量改变，此两种数据类型没有以作出划分的方式进行更精确的判断；三是神经网络模型应用于不同工作环境或者执行不同任务的卫星上时，需要重新进行训练，需要重新花费模型训练时间。

发明内容

本发明需要解决的技术问题是提供一种双神经网络模型卫星电源系统故障诊断方法，使卫星电源系统在发生故障时能够自主进行诊断，无需将遥测数据传回地面基站，实现高效可靠的自主诊断过程。

为解决上述技术问题，本发明所采用的技术方案是：一种双神经网络模型卫星电源系统故障诊断方法，包括以下步骤：

步骤S1、采集卫星电源系统数据：进行神经网络模型训练需要大量的数据，数据通过分布在卫星电源系统分流调节器、充电调节器、放电调节器、母线取值模块、太阳电池阵以及蓄电池组的传感器进行采集；

步骤S2、卫星电源系统数据预处理：将采集到的数据通过滑动时间窗分为多维时间序列，并通过训练好的栈式降噪自编码器进行处理，去掉无效干扰数据；