CN110991036B - 航天器姿轨控系统故障案例库构建系统及构建方法 - Google Patents
航天器姿轨控系统故障案例库构建系统及构建方法 Download PDFInfo
- Publication number
- CN110991036B CN110991036B CN201911206296.1A CN201911206296A CN110991036B CN 110991036 B CN110991036 B CN 110991036B CN 201911206296 A CN201911206296 A CN 201911206296A CN 110991036 B CN110991036 B CN 110991036B
- Authority
- CN
- China
- Prior art keywords
- fault
- actual
- module
- case
- virtual
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 230000000306 recurrent effect Effects 0.000 claims abstract description 20
- 238000002347 injection Methods 0.000 claims abstract description 19
- 239000007924 injection Substances 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种航天器姿轨控系统故障案例库构建系统，包括：虚拟运行分析单元、实际运行分析单元、案例生成单元、故障案例库和人机交互单元；虚拟运行分析单元包括动态模型、模型操作模块、循环神经网络和虚拟运行数据库。实际运行分析单元包括数据采集模块、数据处理模块和实际运行数据库。案例生成单元包括故障特征提取模块和故障注入模块。故障案例库包括实际故障案例、实际故障扩展案例和虚拟故障案例。人机交互单元提供操作人员与虚拟运行分析单元、实际运行分析单元、案例生成单元和故障案例库进行数据交互的接口。本发明将循环神经网络用于航天器姿轨控系统模型的修正，可随着实际系统运行不断提高模型精度。
Description
技术领域
本发明涉及航天领域，尤其涉及一种航天器姿轨控系统故障案例库构建系统及构建方法。
背景技术
航天器姿轨控系统是航天器上控制其自身运行轨道和姿态的系统，是航天器核心控制系统。姿轨控系统能否正常工作直接决定了航天器能否安全成功地完成飞行任务。在航天发展史上，由于姿轨控系统发生故障，导致航天器失效的事故屡有发生，因此研究人员对姿轨控系统的故障诊断和健康管理技术的发展越来越重视。
运用故障案例库来进行故障诊断，是近来在工业界日趋流行的技术方案。通过记录测试和运行时所发生的故障，逐渐积累并建立对象系统的故障案例库，当类似系统发生类似故障时，可通过对过往故障历史数据的查询比对，迅速定位当前故障，并找到解决办法。
对于航天器姿轨控系统来说，由于是运行在太空中，其系统状态的获取具有一定的局限性和滞后性，而在地面测试阶段，受限于外部条件，难以完全模拟太空运行环境，实物设备故障注入所覆盖的模式有限，仅通过运行和测试数据构建其故障案例库，存在着成本高、周期长、覆盖不全面、状态监测不完备的问题。
发明内容
本发明的目的在于解决上述问题，提供一种航天器姿轨控系统故障案例库构建系统及构建方法。
为实现上述发明目的，本发明提供一种航天器姿轨控系统故障案例库构建系统及构建方法，系统包括：
虚拟运行分析单元、实际运行分析单元、案例生成单元、故障案例库和人机交互单元；
所述虚拟运行分析单元包括：
动态模型，用于描述航天器姿轨控系统各相关环节的动态特性；
模型操作模块，对所述动态模型的仿真进行控制，对模型参数进行修改，对模型输出状态量进行采集；
循环神经网络，通过学习航天器姿轨控系统实际测试和运行数据，对所述动态模型的参数进行修正，使模型输出更贴近建模对象，提高建模精度；
虚拟运行数据库，存储所述模型操作模块传送的动态模型仿真过程中的状态变量数据；
所述实际运行分析单元包括：
数据采集模块，其通过传感器、地面测试或遥测系统通信接口将航天器姿轨控地面测试和在轨运行时系统状态测量量进行采集并发送至数据处理模块；
数据处理模块，其对所述数据采集模块发送来的数据进行处理，并整理成时序相关的测试和运行记录存入系统运行数据库；
实际运行数据库，其存储所述数据处理模块传送的测试和运行数据；
所述案例生成单元包括：
故障特征提取模块，其通过对所述实际运行数据库和所述虚拟运行数据库中发生故障时各系统状态变量的特征提取，生成故障案例；
故障注入模块，其可接收所述故障特征提取模块传送的故障信息，也可接收人工设定，将模拟故障模式通过所述虚拟运行分析单元中的所述模型操作模块注入所述动态模型进行仿真；
所述故障案例库保存所述案例生成单元所生成的故障案例，包括实际故障案例、实际故障扩展案例和虚拟故障案例；
所述人机交互单元提供操作人员与所述虚拟运行分析单元、所述实际运行分析单元、所述案例生成单元和所述故障案例库进行数据交互的接口，向系统传递人工操作指令，并将系统状态反馈给操作人员。
根据本发明的一个方面，所述循环神经网络以所述虚拟运行数据库和所述实际运行数据库中的数据集为学习样本，以所述动态模型内系统参数为输出，通过修正这些参数，使所述动态模型精确地描述实际系统。
根据本发明的一个方面，所述实际运行数据库以时间序列存储实际航天器姿轨控系统的控制任务，以及执行过程中由所述数据采集模块采集到的系统状态。
根据本发明的一个方面，所述故障注入模块接收人工设定的或所述故障提取模块输出特征相关的故障信息，注入所述虚拟运行分析单元中的所述动态模型进行仿真分析。
根据本发明的一个方面，所述实际故障案例通过所述故障特征提取模块对实际运行数据库的分析生成；
实际故障扩展案例通过所述故障注入模块，按照所述故障特征提取模块对实际运行数据分析提取的故障信息，注入所述虚拟运行分析单元中的所述动态模型，经过仿真后，由所述故障特征提取模块对所述虚拟运行数据库中的系统状态分析提取生成；
虚拟故障案例通过所述故障注入模块，按照人为设定，注入所述虚拟运行分析单元中的所述动态模型，经过仿真后，由所述故障特征提取模块对所述虚拟运行数据库中的系统状态分析提取生成。
根据本发明的一个方面，所述故障案例的信息包括：
故障工况，故障发生时执行的控制任务和外部负载及环境；
故障模式相关状态量，发生故障时，与正常运行状态有偏差的系统状态量或测量值；
故障时域特征，通过对故障相关状态量采用常用的时域故障特征提取方法得到；
故障频域特征，通过对故障相关状态量采用常用的频域故障特征提取方法得到；
故障现象描述，通过所述人机交互模块由人工输入故障文字描述。
方法包括以下步骤：
a.通过实际运行分析单元，对航天器姿轨控系统的地面测试和在轨运行进行监测，并保存实际航天器姿轨控系统的控制任务r(t)，以及执行过程中由数据采集模块采集到的系统状态向量X(t)；
b.通过模型操作模块，按照输入到循环神经网络的实际运行数据中的控制任务r(t)，以当前循环神经网络的输出为参数向量初值P0，对动态模型进行仿真，并将仿真结果
存储到虚拟运行数据库；
c.从
中提取与X(t)维度相匹配的子集
以相同控制任务下的虚拟运行数据与实际运行数据的误差范数
最小作为目标，对循环神经网络进行训练，得到参数向量Pi，每步训练过程包含对动态模型的仿真及对仿真结果状态向量
的记录，并提取子集
计算目标函数
d.以动态模型建模对象实际系统采用零部件的常见故障模式为输入，通过故障注入模块注入到动态模型中进行仿真，将过程状态变化记录在虚拟运行数据库中，通过故障特征提取模块对其进行分析和特征提取，生成虚拟故障案例；
e.实际系统发生故障后，通过故障特征提取模块对实际运行数据库中相关状态的分析和特征提取，生成实际故障案例，并将相关故障模式状态量变化通过故障注入模块，注入动态模型进行仿真，所得结果存储在虚拟运行数据库中，通过故障特征提取模块对其进行分析提取，将结果存储为实际故障扩展案例。
根据本发明的一个方案，通过虚拟运行分析单元对全故障模式下故障状态的模拟，丰富了故障案例来源，扩展故障检测数据的状态维度。
根据本发明的一个方案，以动态模型仿真的方式对系统进行故障模拟，当对象实物系统发生变化或进行新研再设计时，只需对动态模型进行相应调整，即可重新构建故障案例库，适应性强，成本低，周期短。
根据本发明的一个方案，通过循环神经网络对实物测试和运行数据的学习，修正动态模型参数，提高了建模精度和故障案例真实度。随着实际系统运行不断提高模型精度，通过模拟故障注入，还原实际故障发生时系统更高维度的状态变化，生成系统可能发生的故障案例，体现实际系统发生故障时难以测量的状态变化，相比于单纯依赖仿真或测试经验建立的故障案例，更加准确详实。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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是示意性表示根据本发明的一种实施方式的系统的组成图；
图2是示意性表示根据本发明一个实施方式的动态模型修正的流程图；
图3是示意性表示根据本发明一个实施方式的实际故障案例生成流程图；
图4是示意性表示根据本发明一个实施方式的实际故障扩展案例生成流程图；
图5是示意性表示根据本发明一个实施方式的虚拟故障案例生成流程示意图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，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。
在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
图1是示意性表示根据本发明的一种实施方式的系统的组成图。如图1所示，本发明的航天器姿轨控系统故障案例库构建系统，包括虚拟运行分析单元1、实际运行分析单元2、案例生成单元3、故障案例库4和人机交互单元5。其中，虚拟运行分析单元1包括：动态模型11、模型操作模块12、循环神经网络13和虚拟运行数据库14。实际运行分析单元2包括数据采集模块21、数据处理模块22和实际运行数据库23。案例生成单元3包括故障特征提取模块31和故障注入模块32。
动态模型11用于描述航天器姿轨控系统各相关环节的动态特性，可通过例如MATLAB等通用的建模软件进行构造，其可从模型操作模块12接收仿真控制参数和模型参数，进行仿真分析，将仿真过程中的状态变量传送到模型操作模块12。模型操作模块12则对动态模型11的仿真进行控制，对模型参数进行修改，对模型输出状态量进行采集。具体为从循环神经网络11中调取实际运行数据库23中的控制任务和负载工况，生成相应仿真控制参数和模型参数，输入模动态模型11，并接收动态模型11运行结果的状态变量存入虚拟运行数据库14。循环神经网络13可以学习实际运行数据库25中的数据集，学习航天器姿轨控系统实际测试和运行数据，输出动态模型11参数修正值，对动态模型11的参数进行修正。随后通过模型操作模块12输入动态模型11，使模型输出更贴近实际运行数据，提高建模精度。虚拟运行数据库14存储模型操作模块12传送的动态模型仿真过程中的状态变量数据，并供故障特征提取模块31进行分析。
实际运行分析单元2中，数据采集模块21通过传感器、地面测试或遥测系统通信接口将航天器姿轨控地面测试和在轨运行时系统状态测量量进行采集并发送至数据处理模块22。数据处理模块22则对数据采集模块21发送来的数据进行处理，并整理成时序相关的测试和运行记录存入系统运行数据库。实际运行数据库23以时间序列存储实际航天器姿轨控系统的控制任务以及数据处理模块22传送的测试和运行数据数据集可供循环神经网络13调用进行学习，也可供故障特征提取模块31调用进行分析。
案例生成单元3中，故障特征提取模块31通过对实际运行数据库23和虚拟运行数据库14中发生故障时各系统状态变量的特征提取，生成故障案例并存储到故障案例库4。故障注入模块32可接收故障特征提取模块31传送的故障信息，也可接收人机交互单元5人工设定，将模拟故障模式通过虚拟运行分析单元1中的模型操作模块12注入动态模型11进行仿真。
故障案例库4保存案例生成单元3所生成的故障案例，包括实际故障案例、实际故障扩展案例和虚拟故障案例。实际故障案例通过故障特征提取模块31对实际运行数据库的分析生成。实际故障扩展案例通过故障注入模块32，按照故障特征提取模块31对实际运行数据分析提取的故障信息，注入虚拟运行分析单元1中的动态模型11，经过仿真后，由故障特征提取模块31对虚拟运行数据库14中的系统状态分析提取生成。虚拟故障案例通过故障注入模块32，按照人为设定，注入虚拟运行分析单元1中的动态模型11，经过仿真后，由故障特征提取模块31对虚拟运行数据库14中的系统状态分析提取生成。故障案例的信息包括故障工况、故障模式相关状态量、故障时域特征、故障频域特征和故障现象描述。故障工况即故障发生时执行的控制任务和外部负载及环境。故障模式相关状态量是指在发生故障时，与正常运行状态有偏差的系统状态量或测量值。故障时域特征通过对故障相关状态量采用常用的时域故障特征提取方法得到。故障频域特征通过对故障相关状态量采用常用的频域故障特征提取方法得到。故障现象描述通过人机交互模块由人工输入故障文字描述。
人机交互单元5提供操作人员与虚拟运行分析单元1、实际运行分析单元2、案例生成单元3和故障案例库4进行数据交互的接口，向系统传递人工操作指令，并将系统状态反馈给操作人员。
图2是示意性表示根据本发明一个实施方式的动态模型修正的流程。如图2所示，本发明的航天器姿轨控系统故障案例库构建方法中，在实际运行数据库中，航天器姿轨控系统的控制任务和工况数据r(t)，和由数据采集模块采集到的系统状态向量X(t)有更新的情况下，将X(t)输入到循环神经网络13，其输出为参数向量初值P0，将r(t)和P0通过模型操作模块12输入到动态模型11进行仿真，得到仿真结果状态向量
以误差范数
最小作为目标，运用训练算法(如BPTT等)对循环神经网络13进行训练。其中，
第i(i为自然数)步中，动态模型11仿真结果状态向量
中，与X(t)维度相匹配的子集，循环神经网络13经过第i步训练后，得到参数向量Pi+1，将r(t)和Pi+1通过模型操作模块12输入动态模型11再进行仿真，得到系统状态向量
及其子集
用于计算||Ei+1(t)||。重复上述训练及仿真过程直至||Ei+1(t)||收敛，最终训练结果为参数向量Pi+1，将其固化到动态模型11中，完成模型修正。
图3是示意性表示根据本发明一个实施方式的实际故障案例生成流程图。如图3所示，航天器姿轨控系统进行地面测试或在轨运行，状态采集数据保存至实际运行数据库23。若有故障发生，操作人员通过人机交互单元5输入实际故障案例生成指令，并设定异常状态变量。故障特征提取模块31对故障发生前后的异常状态数据进行分析，可采用数理统计方法，分析提取状态数据时域特征(如均值、方差等)，也可采用时频变换算法(如FFT等)，分析提取状态数据频域特征.在案例库已有记录中进行搜索比对后，若有类似案例，反馈到人机交互单元5由人工判断是否保存，若没有类似案例，则直接保存至故障案例库4。
图4是示意性表示根据本发明一个实施方式的实际故障扩展案例生成流程图。如图4所示，通过人机交互单元5指定要扩展的实际故障案例，输入实际故障扩展案例生成指令。使用循环神经网络13对动态模型11进行修正，修正完成后，将指定待扩展的实际故障案例故障模式注入动态模型11进行仿真，并将仿真结果的状态向量保存至虚拟运行数据库。故障特征提取模块31对虚拟运行数据库14状态向量进行分析和特征提取，生成实际故障扩展案例保存至故障案例库4。
图5是示意性表示根据本发明一个实施方式的虚拟故障案例生成流程示意图。如图5所示，通过人机交互单元5输入特定故障模式，和虚拟故障案例生成指令。使用循环神经网络13对动态模型11进行修正，修正完成后，将人工输入的故障模式注入动态模型11进行仿真，并将仿真结果的状态向量保存至虚拟运行数据库14。故障特征提取模块31对虚拟运行数据库14状态向量进行分析和特征提取，生成实际故障扩展案例保存至故障案例库4。
以上仅为本发明的较佳实施方式而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种航天器姿轨控系统故障案例库构建系统，其特征在于，包括：
虚拟运行分析单元(1)、实际运行分析单元(2)、案例生成单元(3)、故障案例库(4)和人机交互单元(5)；
所述虚拟运行分析单元(1)包括：
动态模型(11)，用于描述航天器姿轨控系统各相关环节的动态特性；
模型操作模块(12)，对所述动态模型(11)的仿真进行控制，对模型参数进行修改，对模型输出状态量进行采集；
循环神经网络(13)，通过学习航天器姿轨控系统实际测试和运行数据，对所述动态模型(11)的参数进行修正，使模型输出更贴近建模对象，提高建模精度；
虚拟运行数据库(14)，存储所述模型操作模块(12)传送的动态模型仿真过程中的状态变量数据；
所述实际运行分析单元(2)包括：
数据采集模块(21)，其通过传感器、地面测试或遥测系统通信接口将航天器姿轨控地面测试和在轨运行时系统状态测量量进行采集并发送至数据处理模块(22)；
数据处理模块(22)，其对所述数据采集模块(21)发送来的数据进行处理，并整理成时序相关的测试和运行记录存入系统运行数据库；
实际运行数据库(23)，其存储所述数据处理模块(22)传送的测试和运行数据；
所述案例生成单元(3)包括：
故障特征提取模块(31)，其通过对所述实际运行数据库(23)和所述虚拟运行数据库(14)中发生故障时各系统状态变量的特征提取，生成故障案例；
故障注入模块(32)，其可接收所述故障特征提取模块(31)传送的故障信息，也可接收人工设定，将模拟故障模式通过所述虚拟运行分析单元(1)中的所述模型操作模块(12)注入所述动态模型进行仿真；
所述故障案例库(4)保存所述案例生成单元(3)所生成的故障案例，包括实际故障案例、实际故障扩展案例和虚拟故障案例；
所述人机交互单元(5)提供操作人员与所述虚拟运行分析单元(1)、所述实际运行分析单元(2)、所述案例生成单元(3)和所述故障案例库(4)进行数据交互的接口，向系统传递人工操作指令，并将系统状态反馈给操作人员。
2.根据权利要求1所述的航天器姿轨控系统故障案例库构建系统，其特征在于，所述循环神经网络(13)以所述虚拟运行数据库(14)和所述实际运行数据库(23)中的数据集为学习样本，以所述动态模型(11)内系统参数为输出，通过修正这些参数，使所述动态模型(11)精确地描述实际系统。
3.根据权利要求1所述的航天器姿轨控系统故障案例库构建系统，其特征在于，所述实际运行数据库(23)以时间序列存储实际航天器姿轨控系统的控制任务，以及执行过程中由所述数据采集模块(21)采集到的系统状态。
4.根据权利要求1所述的航天器姿轨控系统故障案例库构建系统，其特征在于，所述故障注入模块(32)接收人工设定的或所述故障特征提取模块(31)输出特征相关的故障信息，注入所述虚拟运行分析单元(1)中的所述动态模型(11)进行仿真分析。
5.根据权利要求1所述的航天器姿轨控系统故障案例库构建系统，其特征在于，所述实际故障案例通过所述故障特征提取模块(31)对实际运行数据库的分析生成；
实际故障扩展案例通过所述故障注入模块(32)，按照所述故障特征提取模块(31)对实际运行数据分析提取的故障信息，注入所述虚拟运行分析单元(1)中的所述动态模型(11)，经过仿真后，由所述故障特征提取模块(31)对所述虚拟运行数据库(14)中的系统状态分析提取生成；
虚拟故障案例通过所述故障注入模块(32)，按照人为设定，注入所述虚拟运行分析单元(1)中的所述动态模型(11)，经过仿真后，由所述故障特征提取模块(31)对所述虚拟运行数据库(14)中的系统状态分析提取生成。
6.根据权利要求1至5中任一项所述的航天器姿轨控系统故障案例库构建系统，其特征在于，所述故障案例的信息包括：
故障工况，故障发生时执行的控制任务和外部负载及环境；
故障模式相关状态量，发生故障时，与正常运行状态有偏差的系统状态量或测量值；
故障时域特征，通过对故障相关状态量采用常用的时域故障特征提取方法得到；
故障频域特征，通过对故障相关状态量采用常用的频域故障特征提取方法得到；
故障现象描述，通过所述人机交互单元由人工输入故障文字描述。
7.一种利用如权利要求1-6中任一项所述的航天器姿轨控系统故障案例库构建系统的航天器姿轨控系统故障案例库构建方法，包括以下步骤：
a.通过实际运行分析单元(2)，对航天器姿轨控系统的地面测试和在轨运行进行监测，并保存实际航天器姿轨控系统的控制任务r(t)，以及执行过程中由数据采集模块(21)采集到的系统状态向量X(t)；
b.通过模型操作模块(12)，按照输入到循环神经网络(13)的实际运行数据中的控制任务r(t)，以当前循环神经网络(13)的输出为参数向量初值P0，对动态模型(11)进行仿真，并将仿真结果
存储到虚拟运行数据库(14)；
c.从
中提取与X(t)维度相匹配的子集
以相同控制任务下的虚拟运行数据与实际运行数据的误差范数
最小作为目标，对循环神经网络(13)进行训练，得到参数向量Pi，每步训练过程包含对动态模型(11)的仿真及对仿真结果状态向量
的记录，并提取子集
计算目标函数
d.以动态模型(11)建模对象实际系统采用零部件的常见故障模式为输入，通过故障注入模块(32)注入到动态模型(11)中进行仿真，将过程状态变化记录在虚拟运行数据库(14)中，通过故障特征提取模块(31)对其进行分析和特征提取，生成虚拟故障案例；
e.实际系统发生故障后，通过故障特征提取模块(31)对实际运行数据库(23)中相关状态的分析和特征提取，生成实际故障案例，并将相关故障模式状态量变化通过故障注入模块(32)，注入动态模型(11)进行仿真，所得结果存储在虚拟运行数据库(14)中，通过故障特征提取模块(31)对其进行分析提取，将结果存储为实际故障扩展案例。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206296.1A CN110991036B (zh) | 2019-11-29 | 2019-11-29 | 航天器姿轨控系统故障案例库构建系统及构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206296.1A CN110991036B (zh) | 2019-11-29 | 2019-11-29 | 航天器姿轨控系统故障案例库构建系统及构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991036A CN110991036A (zh) | 2020-04-10 |
| CN110991036B true CN110991036B (zh) | 2022-08-19 |
Family
ID=70088679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911206296.1A Active CN110991036B (zh) | 2019-11-29 | 2019-11-29 | 航天器姿轨控系统故障案例库构建系统及构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991036B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111538640B (zh) * | 2020-06-09 | 2023-05-16 | 陈君宁 | 一种动态解析的数据链 |
| CN111965995B (zh) * | 2020-08-03 | 2022-08-19 | 国营芜湖机械厂 | 一种三库合一飞机航电系统健康评估与预测系统及其方法 |
| CN112308330B (zh) * | 2020-11-09 | 2021-07-09 | 清华大学 | 数字化事故数据库构建方法、装置和计算机设备 |
| CN113036752B (zh) * | 2021-02-04 | 2023-02-21 | 国电南瑞科技股份有限公司 | 一种变电站智能二次设备故障仿真装置及方法 |
| CN115293379B (zh) * | 2022-09-26 | 2023-01-24 | 北京理工大学 | 一种基于知识图谱的在轨航天器设备异常检测方法 |
| CN116246145B (zh) * | 2023-01-15 | 2023-10-20 | 北京控制工程研究所 | 一种航天器故障的辨识方法和装置 |
| CN116737538A (zh) * | 2023-04-13 | 2023-09-12 | 武汉铁路职业技术学院 | 轨道交通牵引传动控制单元软件自动化测试系统及方法 |
| CN116777421B (zh) * | 2023-06-09 | 2024-09-10 | 国网山东省电力公司应急管理中心 | 一种基于城市电力维保的应急模拟方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015107611A1 (ja) * | 2014-01-14 | 2015-07-23 | 日立オートモティブシステムズ株式会社 | シミュレーション方法およびその装置 |
| CN107862052A (zh) * | 2017-11-08 | 2018-03-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种故障案例库、故障树及故障谱构建方法 |
| CN109556861A (zh) * | 2019-01-23 | 2019-04-02 | 昆明理工大学 | 一种基于案例推理的轴承实时故障诊断系统 |
-
2019
- 2019-11-29 CN CN201911206296.1A patent/CN110991036B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015107611A1 (ja) * | 2014-01-14 | 2015-07-23 | 日立オートモティブシステムズ株式会社 | シミュレーション方法およびその装置 |
| CN107862052A (zh) * | 2017-11-08 | 2018-03-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种故障案例库、故障树及故障谱构建方法 |
| CN109556861A (zh) * | 2019-01-23 | 2019-04-02 | 昆明理工大学 | 一种基于案例推理的轴承实时故障诊断系统 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于案例推理的航天发射场故障诊断系统》;周辉峰，王一雄，曾少龙，张庆胜;《四川兵工学报》;20130531;第34卷(第5期);全文 * |
| 基于最优方案的民用飞机故障诊断技术研究;王佳宝等;《装备制造技术》;20111215(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991036A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991036B (zh) | 航天器姿轨控系统故障案例库构建系统及构建方法 | |
| CN106951695B (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
| CN103499921B (zh) | 变结构模糊系统传感器故障诊断方法 | |
| CN109492256B (zh) | 一种动态系统状态概率映射矩阵多向搜索方法 | |
| CN109709934B (zh) | 一种飞行控制系统故障诊断冗余设计方法 | |
| CN110688288A (zh) | 基于人工智能的自动化测试方法、装置、设备及存储介质 | |
| CN107025172B (zh) | 一种基于概率风险评价的软件测试方法 | |
| CN110262251A (zh) | 基于lstm神经网络的飞控系统数据预测及辅助诊断方法 | |
| CN111852769B (zh) | 风机scada数据的偏航静态偏差角预测方法及系统 | |
| CN113505526B (zh) | 电力系统暂态稳定仿真方法、装置、电子设备和存储介质 | |
| CN106227660A (zh) | 一种用于模拟真实物理环境的仿真数据生成方法 | |
| CN109961160B (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
| CN111160393A (zh) | 一种基于数据驱动的运载火箭健康评估模型模块化建模方法 | |
| CN101609480B (zh) | 基于广域测量类噪声信号的电力系统节点间相位关系辨识方法 | |
| CN107024926B (zh) | 一种汽车ecu的模拟系统及其模拟方法 | |
| CN117236054B (zh) | 一种基于数字孪生的汽车焊装夹具装配方法、系统及介质 | |
| CN113379279B (zh) | 基于不完整数据的深度强化学习短期电压稳定性评估方法 | |
| CN114348291B (zh) | 一种基于飞参数据和仿真的飞行故障诊断方法 | |
| CN102292706B (zh) | 软件改造评估方法和软件改造评估系统 | |
| CN112214912B (zh) | 一种外部自动测试系统及机载设备测试方法 | |
| CN111474905B (zh) | 一种机电产品制造过程参数漂移故障诊断方法 | |
| CN115186735B (zh) | 一种数据阈值挖掘方法、装置、设备及介质 | |
| CN116079724A (zh) | 机器人的故障检测方法、装置、存储介质和机器人 | |
| KR101672763B1 (ko) | 시뮬레이션 인터페이스 생성방법 및 실시간 시뮬레이션 장치 | |
| CN103439964A (zh) | 一种ocsvm监控模型的在线更新系统及方法 |
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 |