CN112036440A - 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 - Google Patents
一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 Download PDFInfo
- Publication number
- CN112036440A CN112036440A CN202010754761.1A CN202010754761A CN112036440A CN 112036440 A CN112036440 A CN 112036440A CN 202010754761 A CN202010754761 A CN 202010754761A CN 112036440 A CN112036440 A CN 112036440A
- Authority
- CN
- China
- Prior art keywords
- fault
- attitude control
- control system
- data set
- satellite attitude
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 10
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000003066 decision tree Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
- B64G1/244—Spacecraft control systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于随机森林的卫星姿态控制系统故障诊断与预警方法，属于卫星姿态控制系统故障预警技术领域，包括如下步骤：原始数据集的建立；特征数据集的建立；随机森林故障诊断模型的建立；系统故障标签的获取。基于机理模型的故障诊断方法较难进行故障分离，此外卫星系统处于太空环境中，常面临多种摄动力的作用，扰动信号难以精确估计。为解决这一问题，本发明方法将机理模型的残差信号输入数据驱动的诊断与预警模型中，实现对卫星姿态控制系统潜在故障的诊断与预警，可对卫星姿态控制系统早期故障给出及时预警且计算复杂度低、诊断准确率高、漏报率和误报率低，为卫星姿态控制系统的故障快速诊断和故障早期预警提供了有效的方法。
Description
技术领域
本发明属于卫星姿态控制系统的异常工况预警与早期故障诊断领域，更具体地，涉及一种基于随机森林的卫星姿态控制系统故障诊断方法。
背景技术
卫星系统是一类大型复杂系统，运行环境特殊、不确定因素多。卫星在轨运行时始终承受着空间环境中各种摄动力的作用，这使得卫星上使用的设备和元器件故障指数较地面实验环境下成倍增长，在轨运行故障难以避免。卫星姿态控制系统是保障卫星正常执行飞行任务的重要子系统之一,其在轨发生故障的概率与故障危害相对较高。对卫星姿态控制系统运行状态进行有效的监测并对其潜在故障进行及时预警可以提高卫星系统在轨运行的可靠性和安全性。
目前卫星姿态控制系统的故障诊断主要依赖机理模型、采用基于残差分析的方法进行。基于机理模型的故障诊断方法在模型准确和外部扰动已知的前提下可以获得精确的诊断结果，但是其较难进行故障分离。卫星系统处于太空环境中，工作环境复杂，扰动信号的种类和形式难以精确估计，这使得仅依靠机理模型的方法难以获得满意的诊断结果。而单独采用基于数据驱动的故障诊断方法难以大幅度提高卫星姿态控制系统故障诊断的正确率，也较难应对缺失数据和不确定因素对诊断结果的应用，使得很多情况下误报率升高。
为了实现卫星姿态控制系统故障的快速诊断与预警,目前亟需一种泛化能力较强、计算复杂度小、对缺失数据敏感度小，且误报率和漏报率都较低的故障预警新方法。
发明内容
本发明针对上述现有技术中存在的问题，提供一种卫星姿态控制系统故障的快速诊断与预警方法，该方法融合机理模型与数据驱动方法，具有计算复杂度低、诊断准确率高、漏报率和误报率低的优点，为卫星姿态控制系统的故障快速诊断和故障早期预警提供了有效的解决方案。
为了实现上述目的，本发明采用如下技术方案：
一种基于随机森林的卫星姿态控制系统故障诊断与预警方法，包括如下步骤：
步骤1：原始数据集的建立；
采集卫星姿态敏感器正常状态下和故障状态下的测量输出以及姿态控制指令信号，与卫星运动学和动力学模型输出信号融合计算获得残差数据集，然后结合故障先验知识构建原始数据集；
步骤2：特征数据集的建立；
根据专家知识及卫星姿态控制系统的特点，对原始数据集中的数据提取时域特征，构建特征数据集；
步骤3：随机森林故障诊断模型的建立；
对特征数据集中训练集的数据进行重复抽样并构建分类回归树、建立随机森林故障诊断模型；
步骤4：系统故障标签的获取；
提取传感器实时数据的时域特征，输入步骤3所构建的故障诊断模型，得到故障标签，以实现对卫星姿态控制系统潜在故障的快速诊断。
优选地，在步骤1中，具体包括如下步骤：
步骤1.1：选取卫星姿态控制系统中红外地球敏感器、太阳敏感器、星敏感器和陀螺仪的测量输出以及姿态控制指令信号作为关键变量；
步骤1.2：利用3西格玛法则剔除数据中的异常点，完成数据清洗；
步骤1.3：利用卫星运动学和动力学模型获得模型信号；
步骤1.4：计算步骤1.2与步骤1.3两类数据的残差，获得残差数据集；
步骤1.5：结合故障先验知识对残差数据集进行故障标识，构建原始数据集。
优选地，在步骤2中,具体包括如下步骤：
对原始数据集中的数据按最大值、均方根、方根幅值、标准差、峰值指标、裕度指标、绝对平均值等7个时域指标提取时域特征，构建特征数据集。
优选地，在步骤3中，具体包括如下步骤：
步骤3.1：将步骤2所构建的特征数据集利用bootstrap重抽样方法进行重复有放回抽样，得到k个子集，作为训练集生成随机森林模型，没有抽到的样本称为袋外样本(out-of-bag，oob)，将作为验证集，用来评估分类准确率。
步骤3.2：利用训练集中的k个子集建立分类回归树，构建基分类群；
步骤3.3：利用验证集中的验证数据对分类器进行测试，根据测试结果优化随机森林分类器的分类准确率，获取最优随机森林故障诊断模型。
优选地，在步骤4中，具体包括如下步骤：
步骤4.1：将传感器实时数据按步骤1和步骤2中的方法提取时域特征；
步骤4.2：将步骤4.1提取的时域特征数据送入步骤3.4所构建的随机森林故障诊断模型，获得该待测样本的故障分类标签。
本发明所带来的有益技术效果：
卫星姿态控制系统是由姿态敏感器、控制器、执行机构与星体一起构成的闭环控制回路，该闭环系统中的故障经常会导致多处数据异常，故障难以定位。本发明融合机理模型与数据驱动算法，不仅能够充分利用机理模型的精确性提高卫星姿态控制系统潜在故障的检出正确率，随机森林方法的融入还使得诊断算法能够快速、准确的定位故障点。本发明方法在卫星系统中的使用将会提高卫星姿态控制系统潜在故障预警准确率，为专家决策和诊断赢得宝贵的时间窗口，有利于卫星系统的长期安全可靠运行。
本发明通过采集卫星姿态控制系统测量信号和指令信号，将所获得的数据与机理模型数据比较获得残差数据集，然后进行提取时域特征，融合先验故障知识构建了完备的训练数据集，有效降低了系统故障的漏报率。利用重采样构建多个分类回归树，建立起基于随机森林的故障分类器，大大提高了对于故障的泛化能力，同时可以实现对于多种故障的有效分离，进一步提高了故障诊断的敏感性、精确性。
附图说明
图1是本发明基于随机森林的卫星姿态控制系统故障诊断方法流程图；
图2是本发明方法中最终的错误率与决策树数量关系曲线；
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
如图1所示，一种基于随机森林的卫星姿态控制系统故障诊断与预警方法，包括：
步骤1：采集卫星姿态敏感器在正常状态和故障状态下的测量输出以及控制指令信号，与卫星运动学和动力学模型输出信号融合计算获得残差数据，然后结合故障先验知识构建原始数据集；
步骤1包括以下子步骤：
步骤1.1：选取2000组卫星姿态控制系统中姿态敏感器的测量输出以及姿态控制指令信号作为关键变量，姿态敏感器具体选为红外地球敏感器、太阳敏感器、星敏感器和陀螺仪。
步骤1.2:利用3西格玛法则，剔除上述数据中在(μ+3σ,μ-3σ]范围之外的粗大数据，完成数据清洗。其中，μ为均值，σ为标准差。
步骤1.3：利用卫星运动学和运动学模型获得2000组上述变量模型输出信号；
步骤1.4：计算步骤1.2与步骤1.3两类数据的残差，获得残差数据集；
步骤1.5：融合专家知识进行故障标识，获取原始数据集D＝[qe qg Mc yi」；其中红外地球敏感器的测量输出为
和θe分别表示红外地球敏感器输出的俯仰角和滚动角；陀螺仪的测量输出为
和
表示陀螺仪输出的角速度；控制指令信号为Mc＝[ux uy uz」，ux、uy和uz表示动量轮的控制力矩。yi为故障类型，具体见表1。
表1故障类型
步骤2：根据专家知识及卫星姿态控制系统的特点，对原始数据集中的数据按最大值、均方根、方根幅值、标准差、峰值指标、裕度指标、绝对平均值等7个时域指标提取时域特征，构建特征数据集T。
进一步的，原始数据时域特征按表2中公式，每4个连续数据一组提取特征变量：最终形成特征数据集
其中Tqe，Tqg，TMc，分别为红外地球敏感器测量输出、陀螺仪测量输出与动量轮控制指令的时域特征，yi为故障类别标签；特征子集中的特征数为M，每次选取
个作为决策树生长中的分裂属性。
表2时域特征转换方法
表2中xi表示原始数据集中的第i个变量，n为原始数据集中的样本个数。
具体地，表3中举例描述了Tqe，Tqg，TMc的数据形式，每一列为一个变量，每一行为一个样本；红外地球敏感器测量输出、陀螺仪测量输出与动量轮控制指令各取1个传感器信号经表2所述时域特征变换方法计算得来。
表3：特征数据举例
步骤3：对特征数据集中训练集的数据进行重复抽样，得到k个bootstrap子集，利用每个子集构建一棵分类回归树作为随机森林的基分类器群，并利用测试集中的数据进行测试，由此完成随机森林模型的构建。
步骤3中包括以下子步骤：
步骤3.1：将步骤2所构建的特征数据集T利用bootstrap重抽样方法进行重复有放回抽样，得到k个子集，作为训练集生成随机森林模型，没有抽到的样本称为袋外样本(out-of-bag，oob)，将作为验证集，用来评估分类准确率。
具体地，将特征数据集T中的数据用bootstrap方法进行重复抽样，得到k个子集，该实施例中k＝350。
其中，bootstrap重采样具体步骤如下：
(1)从原始样本集中抽取训练集，每轮从原始样本集不放回的抽取n个训练样本，共进行k轮抽取，得到k个训练集，且k个训练集之间是相互独立的；
(2)每次使用一个训练集采用决策树算法训练一个模型；
(3)将上一步得到的k个模型采用投票的方式得到k个分类子集。
步骤3.2：利用训练集中的k个子集建立分类回归树，构建基分类群；
具体地，首先采用“基尼指数”(Gini index)来选择划分属性，
其中，pi为第i个类别的概率。
然后，选取基尼指数最小的特征作ti和最优分裂值α进行节点分裂，最优分裂值α的选取如下：
其中
为枚举得到的最优分裂特征为ti时的两个子样本集，N1、N2为两个子样本集的样本数，N为bootstrap子样本集的样本数。
在构建分类回归树时，从根节点开始，递归的对每个节点计算现有所有特征对训练数据集的基尼指数，选择基尼指数最小的作为分裂属性，进行节点分裂，直到满足停止条件。
本方法的停止条件选择为：
(1)样本子集的样本个数小于最小叶子节点数。
(2)样本子集的类别全部属于同一类别。
(3)决策树高度达到阈值。
步骤3.3：利用验证集中的验证数据对分类器进行测试，根据测试结果优化随机森林分类器的分类准确率，获取最优随机森林故障诊断模型。
步骤4：提取传感器实时数据的时域特征，输入步骤3所构建的随机森林模型，得到系统故障标签，以实现对卫星姿态控制系统潜在故障的快速诊断。
步骤4中包括以下子步骤：
步骤4.1：将传感器实时数据按步骤2中的方法提取时域特征。
步骤4.2：所提取的时域特征数据送入步骤3所构建的随机森林模型中，综合k棵决策树的分类结果，利用少数服从多数的原则进行投票，得到随机森林的分类结果，从而实现对待测样本签字故障的快速诊断。
获得该待测样本的故障分类标签，测试数据中的故障诊断结果如表4所示。
表4分类结果的混淆矩阵
由表4可以看出，利用随机森林算法进行分类时，y1和y4类型没有出现分类错误的情况，y2有1个样本被错分为y1,5个样本被错分为y4，y3有1个样本被错分为y4,y5有4个样本被错分为y2,分类正确率可以达到98.54％。其中最终的错误率与决策树数量关系如图2所示。
以上为本实施例的完整实现过程。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (5)
1.一种基于随机森林的卫星姿态控制系统故障诊断与预警方法，其特征在于，包括如下步骤：
步骤1：原始数据集的建立；
采集卫星姿态敏感器正常状态下和故障状态下的测量输出以及姿态控制指令信号，与卫星运动学和动力学模型输出信号融合计算获得残差数据集，然后结合故障先验知识构建原始数据集；
步骤2：特征数据集的建立；
根据专家知识及卫星姿态控制系统的特点，对原始数据集中的数据提取时域特征，构建特征数据集；
步骤3：随机森林故障诊断模型的建立；
对特征数据集中训练集的数据进行重复抽样并构建分类回归树、建立随机森林故障诊断模型；
步骤4：系统故障标签的获取；
提取传感器实时数据的时域特征，输入步骤3所构建的随机森林故障诊断模型，得到故障标签，以实现对卫星姿态控制系统潜在故障的快速诊断。
2.根据权利要求1所述的一种基于随机森林的卫星姿态控制系统故障诊断与预警方法，其特征在于，在步骤1中，具体包括如下步骤：
步骤1.1：选取卫星姿态控制系统中红外地球敏感器、太阳敏感器、星敏感器和陀螺仪的测量输出以及姿态控制指令信号作为关键变量；
步骤1.2：利用3西格玛法则剔除数据中的异常点，完成数据清洗；
步骤1.3：利用卫星运动学和动力学模型获得模型信号；
步骤1.4：计算步骤1.2与步骤1.3两类数据的残差，获得残差数据集；
步骤1.5：结合故障先验知识对残差数据集进行故障标识，构建原始数据集。
3.根据权利要求1所述的一种基于随机森林的卫星姿态控制系统故障诊断与预警方法，其特征在于，在步骤2中，具体包括如下步骤：
对原始数据集中的数据按最大值、均方根、方根幅值、标准差、峰值指标、裕度指标、绝对平均值等7个时域指标提取时域特征，构建特征数据集。
4.根据权利要求1所述的一种基于随机森林的卫星姿态控制系统故障诊断与预警方法，其特征在于，在步骤3中，具体包括如下步骤：
步骤3.1：将步骤2所构建的特征数据集利用bootstrap重抽样方法进行重复有放回抽样，得到k个子集，作为训练集生成随机森林模型，没有抽到的样本称为袋外样本(out-of-bag，oob)，将作为验证集，用来评估分类准确率；
步骤3.2：利用训练集中的k个子集建立分类回归树，构建基分类群；
步骤3.3：利用验证集中的验证数据对分类器进行测试，根据测试结果优化随机森林分类器的分类准确率，获取最优随机森林故障诊断模型。
5.根据权利要求1所述的一种基于随机森林的卫星姿态控制系统故障诊断与预警方法，其特征在于，在步骤4中，具体包括如下步骤：
步骤4.1：将传感器实时数据按步骤1和步骤2中的方法提取时域特征；
步骤4.2：将步骤4.1提取的时域特征数据送入步骤3.4所构建的随机森林故障诊断模型中，获得该待测样本的故障分类标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010754761.1A CN112036440A (zh) | 2020-07-31 | 2020-07-31 | 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010754761.1A CN112036440A (zh) | 2020-07-31 | 2020-07-31 | 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112036440A true CN112036440A (zh) | 2020-12-04 |
Family
ID=73583629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010754761.1A Pending CN112036440A (zh) | 2020-07-31 | 2020-07-31 | 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036440A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668806A (zh) * | 2021-01-17 | 2021-04-16 | 中国南方电网有限责任公司 | 一种基于改进随机森林的光伏功率超短期预测方法 |
| CN113391622A (zh) * | 2021-06-22 | 2021-09-14 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
| CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113505445A (zh) * | 2021-09-10 | 2021-10-15 | 北京航空航天大学 | 基于序贯随机森林的实时故障诊断方法和系统 |
| CN113671363A (zh) * | 2021-08-13 | 2021-11-19 | 华北电力大学（保定） | 一种高压断路器状态辨识系统及方法 |
| CN113803647A (zh) * | 2021-08-25 | 2021-12-17 | 浙江工业大学 | 一种基于知识特征与混合模型融合的管道泄漏检测方法 |
| CN114169398A (zh) * | 2022-01-28 | 2022-03-11 | 国网天津市电力公司 | 基于随机森林算法的光伏直流电弧故障识别方法及装置 |
| CN115048976A (zh) * | 2022-04-20 | 2022-09-13 | 中国科学院微小卫星创新研究院 | 数据不平衡下XGBoost结合FocalLoss的卫星姿态故障检测方法 |
| CN116127398A (zh) * | 2023-04-10 | 2023-05-16 | 中国航空油料集团有限公司 | 一种基于机理模型与多源数据融合的液压泵故障诊断方法 |
| CN117113165A (zh) * | 2023-07-07 | 2023-11-24 | 上海蓝箭鸿擎科技有限公司 | 一种卫星报警数据的处理方法及计算机存储介质 |
| CN118419285A (zh) * | 2024-07-03 | 2024-08-02 | 上海卫星互联网研究院有限公司 | 一种卫星故障预警方法及地面站 |
| CN118520789A (zh) * | 2024-07-25 | 2024-08-20 | 山东科技大学 | 基于加权随机森林的高速列车牵引逆变器故障诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080313488A1 (en) * | 2005-09-29 | 2008-12-18 | Seong-Kyun Jeong | Apparatus and Method for Diagnosing Fault and Managing Data in Satellite Ground System |
| CN106742068A (zh) * | 2016-12-07 | 2017-05-31 | 中国人民解放军国防科学技术大学 | 一种诊断卫星姿态控制系统未知故障的方法 |
| CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 |
| CN110531737A (zh) * | 2019-08-28 | 2019-12-03 | 北京空间飞行器总体设计部 | 基于混合模型的卫星执行机构故障诊断方法、系统及介质 |
| CN111290366A (zh) * | 2020-02-12 | 2020-06-16 | 北京科技大学顺德研究生院 | 一种航天器姿控系统多故障诊断方法 |
-
2020
- 2020-07-31 CN CN202010754761.1A patent/CN112036440A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080313488A1 (en) * | 2005-09-29 | 2008-12-18 | Seong-Kyun Jeong | Apparatus and Method for Diagnosing Fault and Managing Data in Satellite Ground System |
| CN106742068A (zh) * | 2016-12-07 | 2017-05-31 | 中国人民解放军国防科学技术大学 | 一种诊断卫星姿态控制系统未知故障的方法 |
| CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 |
| CN110531737A (zh) * | 2019-08-28 | 2019-12-03 | 北京空间飞行器总体设计部 | 基于混合模型的卫星执行机构故障诊断方法、系统及介质 |
| CN111290366A (zh) * | 2020-02-12 | 2020-06-16 | 北京科技大学顺德研究生院 | 一种航天器姿控系统多故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王子兰 等: "基于随机森林算法的旋转机械齿轮组故障诊断计", 《山东科技大学学报（自然科学版）》 * |
| 赵文 等: "卫星在轨故障地面诊断系统设计", 《航天器工程》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668806A (zh) * | 2021-01-17 | 2021-04-16 | 中国南方电网有限责任公司 | 一种基于改进随机森林的光伏功率超短期预测方法 |
| CN112668806B (zh) * | 2021-01-17 | 2022-09-06 | 中国南方电网有限责任公司 | 一种基于改进随机森林的光伏功率超短期预测方法 |
| CN113391622B (zh) * | 2021-06-22 | 2022-09-02 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
| CN113391622A (zh) * | 2021-06-22 | 2021-09-14 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
| CN113469281B (zh) * | 2021-07-22 | 2023-11-24 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113671363A (zh) * | 2021-08-13 | 2021-11-19 | 华北电力大学（保定） | 一种高压断路器状态辨识系统及方法 |
| CN113803647B (zh) * | 2021-08-25 | 2023-07-04 | 浙江工业大学 | 一种基于知识特征与混合模型融合的管道泄漏检测方法 |
| CN113803647A (zh) * | 2021-08-25 | 2021-12-17 | 浙江工业大学 | 一种基于知识特征与混合模型融合的管道泄漏检测方法 |
| CN113505445A (zh) * | 2021-09-10 | 2021-10-15 | 北京航空航天大学 | 基于序贯随机森林的实时故障诊断方法和系统 |
| CN114169398A (zh) * | 2022-01-28 | 2022-03-11 | 国网天津市电力公司 | 基于随机森林算法的光伏直流电弧故障识别方法及装置 |
| CN115048976A (zh) * | 2022-04-20 | 2022-09-13 | 中国科学院微小卫星创新研究院 | 数据不平衡下XGBoost结合FocalLoss的卫星姿态故障检测方法 |
| CN116127398A (zh) * | 2023-04-10 | 2023-05-16 | 中国航空油料集团有限公司 | 一种基于机理模型与多源数据融合的液压泵故障诊断方法 |
| CN117113165A (zh) * | 2023-07-07 | 2023-11-24 | 上海蓝箭鸿擎科技有限公司 | 一种卫星报警数据的处理方法及计算机存储介质 |
| CN118419285A (zh) * | 2024-07-03 | 2024-08-02 | 上海卫星互联网研究院有限公司 | 一种卫星故障预警方法及地面站 |
| CN118419285B (zh) * | 2024-07-03 | 2024-11-05 | 上海卫星互联网研究院有限公司 | 一种卫星故障预警方法及地面站 |
| CN118520789A (zh) * | 2024-07-25 | 2024-08-20 | 山东科技大学 | 基于加权随机森林的高速列车牵引逆变器故障诊断方法 |
| CN118520789B (zh) * | 2024-07-25 | 2024-10-01 | 山东科技大学 | 基于加权随机森林的高速列车牵引逆变器故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036440A (zh) | 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 | |
| WO2023044978A1 (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
| CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
| CN110207997B (zh) | 基于卷积自编码器的液体火箭发动机故障检测方法 | |
| CN111985546B (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
| EP2478423A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN102722722A (zh) | 基于逻辑推理和故障辨识的混合故障检测诊断方法 | |
| CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
| CN111639678A (zh) | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 | |
| Yong et al. | Unmanned aerial vehicle sensor data anomaly detection using kernel principle component analysis | |
| Han et al. | Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles | |
| CN111006860A (zh) | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 | |
| CN108427400A (zh) | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 | |
| WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| CN114997296A (zh) | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 | |
| CN107655690A (zh) | 基于人工神经网络的电机轴承故障诊断方法 | |
| CN101149819A (zh) | 气象要素实时数据中奇异值的剔除方法 | |
| CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
| CN110297475A (zh) | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 | |
| CN103514458B (zh) | 基于纠错编码与支持向量机相结合的传感器故障辨识方法 | |
| CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
| CN113885371B (zh) | 一种基于健康状态数据的混合变量过程监测方法 | |
| CN115964676A (zh) | 一种无监督自动驾驶汽车故障检测方法及系统 | |
| CN111506994B (zh) | 一种基于中智集的电机转子故障诊断方法 | |
| Wu et al. | Research on safety analysis method of functional integrated avionics systems |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
| RJ01 | Rejection of invention patent application after publication |