CN110262447B - 一种基于ann的acs闭环***故障定位方法 - Google Patents
一种基于ann的acs闭环***故障定位方法 Download PDFInfo
- Publication number
- CN110262447B CN110262447B CN201910438616.XA CN201910438616A CN110262447B CN 110262447 B CN110262447 B CN 110262447B CN 201910438616 A CN201910438616 A CN 201910438616A CN 110262447 B CN110262447 B CN 110262447B
- Authority
- CN
- China
- Prior art keywords
- ann
- acs
- ctrl
- output
- satellite
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 230000007257 malfunction Effects 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 abstract description 36
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Gyroscopes (AREA)
Abstract
本发明公开了一种基于ANN的ACS闭环***故障定位方法,该方法基于神经网络对卫星执行机构故障与传感器故障进行定位,包括构建人工神经网络、支持向量机***,使用ANN对卫星ACS闭环***进行建模,与实际卫星信号比较生成残差,用SVM根据残差的均值、均方差和信息熵对故障进行检测,根据执行机构和传感器对姿控闭环回路的影响及其故障在回路中的传递关系,结合姿态运动学,对故障点进行定位。本发明可以对卫星ACS闭环***执行机构故障与传感器故障进行在线故障诊断定位,且提高了容错控制的控制效率和可靠性。
Description
技术领域
本发明属于涉及卫星姿态控制***故障诊断技术,涉及基于ANN的ACS闭环***故障定位方法,具体涉及一种基于ANN的ACS闭环***执行器与传感器故障定位方法。
背景技术
随着航天领域的不断扩展以及航天技术的不断进步,航天器***的复杂度不断提升。航天器作为结构、功能复杂的***,其规模庞大,结构和层次较一般***复杂得多。卫星姿态控制***是卫星各子***中故障发生率较高的***之一,由于姿态闭环控制的影响,执行机构故障和传感器故障往往难于区分。因此亟需提出一种方法可以对执行机构故障和传感器故障进行实时的检测定位,为姿态的容错控制提供快速精准的故障信息使之选择合适的容错控制策略避免或减轻故障为卫星姿态控制带来的影响,避免姿态控制的失控,提高卫星的可靠性。
本发明是基于神经网络(Artificial Neural Network,ANN)的卫星执行机构故障与传感器故障定位方法。
发明内容
发明目的:针对上述现有技术的不足,本发明旨在提供一种基于ANN的ACS闭环***故障定位方法,基于ANN和SVM结合技术实现卫星姿态闭环控制***的线检测。
技术方案:一种基于ANN的ACS闭环***故障定位方法,所述方法基于ANN,结合SVM技术对卫星执行机构故障与传感器故障进行在线检测和定位,包括如下步骤:
(1)搭建ANN对***对卫星姿态闭环控制***进行建模,将***实际输出和ANN的输出进行比较,得到残差r=[rq;rω];
(2)对残差进行特征信息提取,所述残差的特征信息包括均值FM、均方差FMSE和香农信息熵FH;
(3)构建SVM,记Φi=[FM,FMSE,FH]为r中第i个分量的残差特征,根据卫星是否故障将数据特征分为健康类{Φhealthy,-1}和故障类{Φfaulty,1},对SVM进行训练,使之能根据数据的特征Φ判断其属于健康类或是故障类;
(4)故障检测,使用SVM分别检测星敏感器和陀螺仪信号是否异常。
进一步的,所述ANN至少包括一个人工神经网络,ANN在训练时,将卫星信号中t-Tctrl时刻的指令控制力矩Tc(t)、动量轮转速yw(t-Tctrl)、陀螺仪输出ωs(t-Tctrl)和星敏感器输出qs(t-Tctrl),作为输入样本,其表达式如下:
X=[Tc(t-Tctrl);yw(t-Tctrl);qs(t-Tctrl);ωs(t-Tctrl)]
卫星信号中t时刻的陀螺仪输出为ωs(t),星敏感器输出qs(t)作为输出样本Y=[qs(t);ωs(t)],其中,Tctrl为卫星姿态控制周期。
进一步的,所述方法通过采集卫星正常机动过程和故障机动中的信号数据,与ANN的预测输出作差得到残差,所述残差的计算表达式如下:
其中,qs(t)和ωs(t)分别为实际卫星星敏感器和陀螺仪信号,qNN(t)和ωNN(t)为对应ANN的预测输出;
进一步的,所述步骤(1)对于残差的计算如下:
(11)采集多个机动过程中,指令控制力矩Tc(t),陀螺仪输出ωs(t),星敏感器输出qs(t);
(12)搭建ANN对卫星ACS闭环***进行建模,包括t-Tctrl时刻的指令控制力矩Tc(t),传感器输出ωs(t-Tctrl)和qs(t-Tctrl),动量轮转速yw(t-Tctrl)作为输入样本X=[Tc(t-Tctrl);yw(t-Tctrl);qs(t-Tctrl);ωs(t-Tctrl)];然后以t时刻的传感器输出ωs(t)和qs(t)为输出样本Y=[qs(t);ωs(t)],对ANN进行训练;
(13)记实际信号星敏感器信号为qs(t),陀螺仪信号为ωs(t),ANN的对应为qNN(t)和ωNN(t),然后采集卫星正常机动过程和故障机动中的信号数据,与ANN的预测输出生成残差,其计表达式如下所示:
步骤(2)对残差进行特征信息提取过程包括如下步骤:
记r为r=[rq;rω]的任一分量,则数据窗口d中r的连续n个数据点{ri}的各特征信息提取如下:
香农信息熵FH=H=-∑(pjlnpj),
步骤(3)所述SVM包括通过卫星ACS闭环***的正常数据残差特征{Φhealthy,-1}与故障数据的残差特征{Φfaulty,1}进行训练,使得SVM根据残差特征Φ判断其属于健康类或是故障类;其中,Φ=[FM,FMSE,FH]为r=[rq;rω]中某个分量的残差特征。
其中:
故障判断结果如下:
有益效果:与现有技术相比,本发明显著效果如下:
(1)本发明可以对卫星姿态闭环控制***进行在线故障诊断定位:相比于对数据进行离线分析的方法,本方法更具时效性,可以及时发现卫星故障,降低故障对卫星ACS闭环***带来的负面影响,防止故障进一步发展从而扩散到其它部件、子***。
(2)有效隔离执行机构故障和传感器故障:根据姿态闭环控制回路进行分析得到各个环节的作用以及其故障传递特点,结合姿态运动学的分析,仅使用传感器信息就能完成执行机构与传感器故障的检测定位,从而为卫星的容错控制提供充足的故障信息,进而提高容错控制的控制效率和可靠性。
(3)提高卫星运行维护的可靠性和自主性:本方法发明可以为卫星提供精准的故障诊断结果,提高卫星姿态控制***的可靠性,增强了卫星的自主工作能力。
附图说明
图1为本发明所述方法的步骤流程示意图;
图2为本发明所述方法训练阶段细节流程图;
图3为本发明所述方法应用阶段细节流程图;
图4为本发明ANN建模精度分析结果示意图;
图5为实施例中不同故障分类结果示意图;
图6为实施例中仿真中残差及其残差特征数值的对比示意图;
图7为实施例中正常机动和故障残差特征点分布结构示意图。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合说明书附图及具体实施例做进一步的阐述。
本发明公开了一种基于ANN的ACS闭环***故障定位方法,该方法基于神经网络(ANN)对卫星执行机构故障与传感器故障进行定位。使用ANN对卫星ACS闭环***进行建模,与实际卫星信号生成残差,提取残差的数据特征,使用SVM对残差特征进行辨识以检测故障,结合执行机构和传感器对姿控闭环回路的影响及其故障在回路中的传递关系,检测传感器信号之间是否符合运动学约束,完成不同故障的定位。解决了卫星姿态控制***中执行机构故障与传感器故障相互掩盖、难于区分的问题。
本发明所述的方法基于ANN和SVM的结合对卫星执行机构故障与传感器故障进行在线检测和定位,包括如下步骤:
(1)搭建ANN对卫星ACS闭环***进行建模,将***实际输出和ANN的输出进行比较,得到残差;
(2)对残差进行特征信息提取,所述残差的特征信息包括均值、均方差和香农信息熵;
(3)构建SVM,根据卫星姿控***的故障数据与正常数据的残差特征对SVM进行训练;
(4)运动学约束检测,使用星敏感器陀螺仪输出对新时刻的星敏感器输出进行计算,将实际星敏感器信号与计算得到的理论值比较生成残差。
(5)故障检测,使用SVM根据残差特征对数据进行故障检测。
(6)故障定位,根据SVM故障检测结果,结合卫星姿态运动学进行故障定位。
该方法中,ANN至少包括一个人工神经网络,ANN在训练时,将卫星信号中t-Tctrl时刻的指令控制力矩,传感器输出和动量轮转速作为输入样本,将卫星信号中t时刻的传感器输出和作为输出样本。另外,该方法中SVM包括通过卫星ACS闭环***的正常数据与故障数据的残差特征进行训练,使得SVM根据残差特征识别故障数据,SVM根据残差特征对传感器信号是否异常进行检测。接着,该方法根据姿态运动学,使用星敏感器和陀螺仪的输出,预测下一个控制周期的星敏感器输出,将预测值与测量值比较生成残差,使用SVM根据残差特征检测星敏感器与陀螺仪输出之间是否满足运动学约束。最后,根据SVM检测的3个结果,结合卫星姿态控制回路之间各个环节故障对***影响不同,完成对故障点的定位。
实施例1
本发明所述的一种基于ANN的ACS闭环***执行器与传感器故障定位方法的具体实施步骤如下:
(1)采集卫星姿态机动过程中的各类传感器数据,包括动量轮指令信号、动量轮实际转速、星敏感器输出、陀螺仪输出等信息。将t-Tctrl时刻指令信号、动量轮转速、星敏感器输出和陀螺仪输出并作输入样本,将t时刻星敏感器输出和陀螺仪输出并作输出样本,对ANN进行训练,其中Tctrl为控制周期。
(2)使用实际卫星信号构造ANN输入样本,将ANN的预测输出与实际信号输出作差得到残差。在数据窗口内,计算残差的均值、均方差和信息熵,得到残差的数据特征,则单个信号有3个量作为残差特征。
对残差进行特征信息提取,所述残差的特征信息包括均值、均方差和香农信息熵,步骤如下:
记r为残差r=[rq;rω]的任一分量,通过列向量表示,则r的特征提取方法为计算数据窗口d中连续n个数据点{ri}的:
香农信息熵FH=H=-∑(pjlnpj),
(3)分别采集正常时和故障时卫星机动数据,经过ANN和残差特征提取得到正常时的残差特征{Φhealthy,-1}和故障时的残差特征{Φfaulty,1},对SVM进行训练,使之可以识别故障***的残差和正常***的残差。
其中,Φ=[FM,FMSE,FH],应用时,将所要检测的信号残差特征输入SVM,根据SVM输出结果判断数据是否异常。
(4)根据星敏感器和陀螺仪信号,使用运动学微分方程结合四阶Runge-Kutta方法对星敏感器信号进行预测,将预测值和测量值qs(t+Tctrl)比较生成残差并使用SVM根据残差特征检验星敏感器与陀螺仪输出之间是否符合运动学约束。
(5)根据执行机构和传感器故障对***的影响不同,SVM的检测结果可以分为几类,如下表:
更进一步的说,本发明方法框架如图1所示,分为训练阶段和应用阶段2大部分,如图2和图3所示,详细叙述如下:
(一)训练阶段主要为采集多个机动过程中卫星姿态闭环控制***的信号数据,构建ANN进行训练,并使用ANN和实际***生成残差,提取残差数据特征对SVM进行训练。
(二)应用阶段ANN根据卫星信号预测传感器输出,同时根据运动学预测星敏感器输出,将预测值与实际测量值比较生成残差,并提取残差特征作为SVM的输入,根据SVM的诊断结果推理故障位置。
实施例2
该实施例与上述实施方式相同的部分和现有技术的采用不做赘述,本实施例采集多个机动过程的ACS数据对ANN进行训练,将训练后的ANN输出与实际信号比较生成残差,将原信号与ANN输出画图,并将残差单独画图,得到图4。如图4所示的是ANN建模精度分析,从图4中可以看到,ANN预测输出与ACS真实信号完全重合,但从残差图看两者并非完全一致,在机动初段ANN建模误差较大,但较原信号小了2个量级,建模精度较为理想。
设置故障类型有3种,如下表所示。
故障点 | 故障类型 |
执行机构f<sub>1</sub> | y′<sub>ω</sub>=0.9y<sub>ω</sub> |
陀螺仪f<sub>2</sub> | ω′=ω+0.002n<sub>3:1</sub> |
星敏感器f<sub>3</sub> | q′=q+0.002n<sub>4:1</sub> |
其中,n表示取值为[-1,1]的随机噪声,ni:j表示i行j列的随机噪声。
仿真一个姿态机动过程,于t=100s向飞轮注入f1故障,模拟轴承润滑缺失导致的效率下降。于120秒处向陀螺仪注入f2故障。于140秒处向星敏感器注入f3故障。计算ANN预测输出与实际信号的残差rq和rω,同时计算预测的四元数qs′和实际信号四元数qs的误差四元数,记为将3者分别作图,得到图5,如图5所示,可以看到,执行机构、陀螺仪和星敏感器3者的故障对rq、rω和的影响不同,故障表现形式符合表1的推论。执行机构故障时,rq和rω显示异常,但是依然正确。陀螺仪故障时,通过动力学干扰了qs和所以rq、rω和同时显示异常。星敏感器故障时,由于动力学过程相对独立于运动学过程,所以仅有rq和显示异常。
进行单次仿真,在t=100s向飞轮持续注入f1故障,分析故障对残差和特征的影响。以q1为例,计算其残差并提取残差特征μ(q1)、σ2(q1)和H(q1)进行画图分析,得到图6,通过图6,可以看到仿真初始阶段由于ANN误差较大,导致H较高,而μ和σ2却保持在较低的水平。当故障发生后,μ因为统计不可避免带来的拖尾效应(Smearing Effect)缓慢升高,σ2一开始因为前期μ突变急剧上升,后期因为变化较缓而下降,H在故障发生后一直保持较高的水平。从这个结果可以看到,μ、σ2和H对故障残差不同变化特性敏感程度不同,将3者结合进行故障检测具有一定意义。
进行多次仿真,将正常机动过程残差特征点Φh和故障机动过程残差特征点Φf作图,以μ为x轴,均方差σ2为y轴,信息熵H为z轴画出三维散点图如图7所示,从图中可以看到,Φh和Φf具有不同的分布空间,使用SVM可以对残差特征点进行有效分类,从检测出对应信号是否属于故障信号。
进行多次仿真,设置不同故障,对检测结果进行统计,得到结果如下表所示。
从多次仿真的统计结果来看,本发明所述方法对不同故障的检测成功率均达到了100%,定位准确率也在95%以上,证明该方法对不同故障具有较高的检测灵敏度,且能对故障具有较好的定位性能。
Claims (8)
1.一种基于ANN的ACS闭环***故障定位方法,其特征在于:所述方法基于ANN,结合SVM技术对卫星ACS闭环***中的执行机构故障与传感器故障进行在线检测和定位,包括如下步骤:
(1)搭建ANN,对卫星ACS闭环***进行建模,将ACS实际输出和ANN的输出进行比较,得到残差r=[rq;rω];
(2)对残差进行特征信息提取,所述残差的特征信息包括均值FM、均方差FMSE和香农信息熵FH;
(3)构建SVM,记Φi=[FM,FMSE,FH]为r中第i个分量的残差特征,根据卫星工作状态将数据特征分为健康类{Φhealthy,-1}和故障类{Φfaulty,1},对SVM进行训练,使之能根据数据的特征Φ判断其属于健康类或是故障类;
2.根据权利要求1所述的基于ANN的ACS闭环***故障定位方法,其特征在于:所述ANN至少包括一个人工神经网络,ANN在训练时,将卫星信号中t-Tctrl时刻的指令控制力矩Tc(t)、动量轮转速yw(t-Tctrl)、陀螺仪输出ωs(t-Tctrl)和星敏感器输出qs(t-Tctrl),作为输入样本,其表达式如下:
X=[Tc(t-Tctrl);yw(t-Tctrl);qs(t-Tctrl);ωs(t-Tctrl)]
卫星信号中t时刻的陀螺仪输出为ωs(t),星敏感器输出qs(t)作为输出样本Y=[qs(t);ωs(t)],其中,Tctrl为卫星姿态控制周期。
4.根据权利要求1所述的基于ANN的ACS闭环***故障定位方法,其特征在于:所述步骤(1)对于残差的计算如下:
(11)采集多个姿态机动过程中ACS闭环***的,指令控制力矩Tc(t),陀螺仪输出ωs(t),星敏感器输出qs(t);
(12)搭建ANN对卫星ACS闭环***进行建模,包括t-Tctrl时刻的指令控制力矩Tc(t),传感器输出ωs(t-Tctrl)和qs(t-Tctrl),动量轮转速yw(t-Tctrl)作为输入样本X=[Tc(t-Tctrl);yw(t-Tctrl);qs(t-Tctrl);ωs(t-Tctrl)];然后以t时刻的传感器输出ωs(t)和qs(t)为输出样本Y=[qs(t);ωs(t)],对ANN进行训练;
(13)记ACS实际信号中,星敏感器信号为qs(t),陀螺仪信号为ωs(t),ANN的对应预测输出为qNN(t)和ωNN(t),然后采集卫星正常机动过程和故障机动中的信号数据,与ANN的预测输出生成残差,其计表达式如下所示:
6.根据权利要求1所述的基于ANN的ACS闭环***故障定位方法,其特征在于:步骤(3)所述SVM包括通过卫星ACS闭环***的正常数据残差特征{Φhealthy,-1}与故障数据的残差特征{Φfaulty,1}进行训练,使得SVM根据残差特征Φ判断其属于健康类或是故障类,其中,Φ=[FM,FMSE,FH]为r=[rq;rω]中某个分量的残差特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438616.XA CN110262447B (zh) | 2019-05-24 | 2019-05-24 | 一种基于ann的acs闭环***故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438616.XA CN110262447B (zh) | 2019-05-24 | 2019-05-24 | 一种基于ann的acs闭环***故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110262447A CN110262447A (zh) | 2019-09-20 |
CN110262447B true CN110262447B (zh) | 2020-07-28 |
Family
ID=67915333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910438616.XA Active CN110262447B (zh) | 2019-05-24 | 2019-05-24 | 一种基于ann的acs闭环***故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262447B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111076744B (zh) * | 2019-11-21 | 2022-08-05 | 南京航空航天大学 | 一种基于自编码观测器的卫星敏感器故障检测定位方法 |
CN113469082B (zh) * | 2021-07-08 | 2022-02-15 | 南京航空航天大学 | 一种基于迁移成分分析的卫星执行器故障检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101481019A (zh) * | 2009-02-20 | 2009-07-15 | 华中科技大学 | 一种用于卫星姿态控制***的传感器容错观测方法 |
CN102541050A (zh) * | 2012-01-05 | 2012-07-04 | 浙江大学 | 一种基于改进支持向量机的化工过程故障诊断方法 |
EP2549294A1 (de) * | 2011-07-20 | 2013-01-23 | Delphi Technologies, Inc. | Verfahren zur Erfassung und Bestätigung kritischer Fahrsituationen |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
KR20150084234A (ko) * | 2014-01-13 | 2015-07-22 | 한화테크윈 주식회사 | 차량 및 차선 위치 검출 시스템 및 방법 |
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN106705999A (zh) * | 2016-12-21 | 2017-05-24 | 南京航空航天大学 | 一种无人机陀螺仪故障的诊断方法 |
CN207281590U (zh) * | 2017-09-12 | 2018-04-27 | 北京创享高科科技有限公司 | 一种智能化导盲机器人装置 |
RU2653330C1 (ru) * | 2017-02-06 | 2018-05-07 | Акционерное общество "Головное производственно-техническое предприятие "Гранит" | Автоматизированная система контроля работоспособности и диагностики неисправностей радиоэлектронной аппаратуры |
-
2019
- 2019-05-24 CN CN201910438616.XA patent/CN110262447B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101481019A (zh) * | 2009-02-20 | 2009-07-15 | 华中科技大学 | 一种用于卫星姿态控制***的传感器容错观测方法 |
EP2549294A1 (de) * | 2011-07-20 | 2013-01-23 | Delphi Technologies, Inc. | Verfahren zur Erfassung und Bestätigung kritischer Fahrsituationen |
CN102541050A (zh) * | 2012-01-05 | 2012-07-04 | 浙江大学 | 一种基于改进支持向量机的化工过程故障诊断方法 |
KR20150084234A (ko) * | 2014-01-13 | 2015-07-22 | 한화테크윈 주식회사 | 차량 및 차선 위치 검출 시스템 및 방법 |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN106705999A (zh) * | 2016-12-21 | 2017-05-24 | 南京航空航天大学 | 一种无人机陀螺仪故障的诊断方法 |
RU2653330C1 (ru) * | 2017-02-06 | 2018-05-07 | Акционерное общество "Головное производственно-техническое предприятие "Гранит" | Автоматизированная система контроля работоспособности и диагностики неисправностей радиоэлектронной аппаратуры |
CN207281590U (zh) * | 2017-09-12 | 2018-04-27 | 北京创享高科科技有限公司 | 一种智能化导盲机器人装置 |
Non-Patent Citations (5)
Title |
---|
SUPERVISED TEXTURE CLASSIFICATION USING SEVERAL FEATURES EXTRACTION TECHNIQUES BASED ON ANN AND SVM;Mohammed W. Ashour, Mahmoud F. Hussin, and Khaled M. Mahar;《The 6th ACS/IEEE international conference on Computer System and Applications》;20081231;第567-574页 * |
卫星姿态控制***执行器的故障诊断方法研究;陈辛,魏炳翌,闻新;《航空兵器》;20180430(第2期);第69-76页 * |
基于支持向量机的卫星执行机构故障检测及仿真平台研究;杨明凯;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20130415(第4期);正文第7-52页 * |
基于支持向量机的卫星执行机构故障诊断研究;陈辛,魏炳翌,闻新;《中国空间科学技术》;20180425;第38卷(第2期);第47-55页 * |
无人直升机神经网络姿态控制***设计与仿真;王辉;《2004***仿真技术及其应用学术交流会》;20040831;第449-456页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110262447A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
US20200042670A1 (en) | Prediction methods and systems for structural repair during heavy maintenance of aircraft | |
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及*** | |
CN108628286A (zh) | 机台维修***与方法 | |
Chen et al. | Neural networks-based scheme for system failure detection and diagnosis | |
CN113311803B (zh) | 一种基于核主元分析的在轨航天器飞轮故障检测方法 | |
CN110262447B (zh) | 一种基于ann的acs闭环***故障定位方法 | |
CN108427400B (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 | |
Simani et al. | Wind turbine simulator fault diagnosis via fuzzy modelling and identification techniques | |
US20190286100A1 (en) | Information processing apparatus, machine learning device and system | |
Wang et al. | Prognostic for on-orbit satellite momentum wheel based on the similitude method | |
Xu et al. | Integrated system health management-based progressive diagnosis for space avionics | |
WO2020230422A1 (ja) | 異常診断装置及び方法 | |
CN110108457B (zh) | 一种基于万有引力神经网络的一次风机轴温诊断方法 | |
Guo | Wind turbine generator bearing condition monitoring with NEST method | |
CN114299338A (zh) | 用于***管理的故障预测与健康管理***与相关方法 | |
CN112766408A (zh) | 基于主元分析和多层超限学习机的飞行器微小故障诊断方法 | |
Guo et al. | A novel health indicator based on hysteresis loop for health prediction of flight control systems | |
Echavarria et al. | Fault diagnosis system for an offshore wind turbine using qualitative physics | |
Gu et al. | An anomaly detection methodology of load-carrying structure of satellite based on high-precision predictive model | |
Kiyak et al. | Application of fuzzy logic in aircraft sensor fault diagnosis | |
Liu et al. | A bayesian based process monitoring and fixture fault diagnosis approach in the auto body assembly process | |
Azevedo et al. | Online simulation of methods to predict the remaining useful lifetime of aircraft components |
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 |