CN111897221B - 一种基于组合观测器的航天器故障诊断方法 - Google Patents

一种基于组合观测器的航天器故障诊断方法 Download PDF

Info

Publication number
CN111897221B
CN111897221B CN202010783786.4A CN202010783786A CN111897221B CN 111897221 B CN111897221 B CN 111897221B CN 202010783786 A CN202010783786 A CN 202010783786A CN 111897221 B CN111897221 B CN 111897221B
Authority
CN
China
Prior art keywords
observer
neural network
spacecraft
fault
output
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
Application number
CN202010783786.4A
Other languages
English (en)
Other versions
CN111897221A (zh
Inventor
胡庆雷
李远东
陈绪宁
邵小东
郑建英
郭雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010783786.4A priority Critical patent/CN111897221B/zh
Publication of CN111897221A publication Critical patent/CN111897221A/zh
Application granted granted Critical
Publication of CN111897221B publication Critical patent/CN111897221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种基于组合观测器的航天器故障诊断方法，包括以下步骤：首先，建立考虑执行机构故障的航天器动力学模型；其次，基于一般故障检测观测器和神经网络，建立新型的在线训练神经网络观测器；然后，利用自适应阈值切换方法将龙伯格观测器与新型神经网络观测器结合为组合观测器；最后，利用组合观测器进行执行机构故障的自主诊断；本方法能够保证在计算量受限情况下实现航天器姿控***执行机构的自主故障诊断，并且具有鲁棒性强，诊断精度高的优点。

Description

一种基于组合观测器的航天器故障诊断方法
技术领域
本发明涉及一种基于组合观测器的航天器故障诊断方法，主要应用于存在模型不确定性、外部干扰和计算量限制情况下的航天器姿控***执行机构故障诊断，属于航天器故障诊断技术领域。
背景技术
以反作用飞轮为代表的航天器执行机构是航天器姿态控制***的重要组成部分。由于这类执行机构长期工作在恶劣的空间中，如高低温变化、高能粒子的撞击，加之电机长时间运转产生的摩擦、腐蚀、短路等因素，致使其极易发生故障。如果对执行机构故障无法进行及时的诊断并采取相应的措施，轻则会使航天器执行任务的能力下降，重则会使航天器无法完成既定的任务，带来巨大的经济损失。因此，开展航天器执行机构故障诊断研究具有重要意义。此外，随着我国火星探测、木星探测等深空探测工程的陆续展开，航天器与地面测控站的距离越来越远，通信时延越来越大。传统的依靠测控站专家判断的故障诊断方案难以及时对航天器执行机构故障进行诊断，这对航天器安全可靠地执行任务构成了巨大威胁，因此进行航天器的自主故障诊断十分必要。由于航天器模型不确定性及外部干扰的因素，对于此复杂的非线性***，传统的龙伯格、自适应等观测器难以进行快速、准确、可靠的故障诊断。神经网络具有可以逼近任何光滑非线性函数的特点，在很多领域都发挥了巨大作用。将其与观测器结合可以实现在存在模型不确定及外部干扰情况下的准确故障诊断。不过现存的神经网络观测器大多具有结构复杂，计算量较大的缺点，对航天器姿控计算机的计算量、散热及电源都会造成巨大压力。因此开发一种计算量较小，可以有效抗模型不确定及外界干扰的航天器故障诊断方案具有很大的应用价值。
发明内容
本发明的技术解决问题：针对航天器存在计算量限制、模型不确定性和外部干扰等问题，提供一种基于组合观测器的航天器故障诊断方法，它是一种鲁棒性强、抗干扰能力强且能够以较小的计算量实现航天器执行机构自主故障诊断的方法，解决了航天器在计算量受限、存在外界干扰及模型不确定情况下的高精度、高可靠性自主故障诊断问题，提高了航天器在执行长期深空探测等任务时的可靠性。
本发明的技术解决方案：一种基于组合观测器的航天器故障诊断方法，其实现步骤如下：
第一步，建立考虑姿控***执行机构故障的航天器动力学模型：
Figure BDA0002621169460000021
y(t)＝Cx(t)
其中
Figure BDA0002621169460000022
表示航天器姿态的状态变量，n为***状态维数，t为时间，
Figure BDA0002621169460000023
为***的输入系数矩阵，m为执行机构个数，
Figure BDA0002621169460000024
为每个执行器的理论输出力矩，
Figure BDA0002621169460000025
为***的干扰分布矩阵，下标d代表干扰，p为干扰个数，
Figure BDA0002621169460000026
为***的干扰向量，
Figure BDA0002621169460000027
为***的故障分布矩阵，r为故障个数，
Figure BDA0002621169460000028
为***的故障函数，
Figure BDA0002621169460000029
为***的测量输出向量，c为***输出维数，
Figure BDA00026211694600000210
为***的输出系数矩阵，Φ(x,t)为***的非线性函数项：
Figure BDA00026211694600000211
其中Ix、Iy、Iz表示航天器的三轴转动惯量，x1、x2、x3表示航天器三轴姿态角速度。在航天器执行任务期间，飞轮长时间做机械运动，由于摩擦、温度、腐蚀等原因极易发生故障。飞轮等执行机构的典型故障形式有：
(1)卡死故障
Figure BDA00026211694600000212
其中uout(t)为动量轮实际输出力矩，uin(t)为控制器指定的输出力矩，tf为故障发生的时刻，uk为任意常值，代表发生卡死故障时的实际输出力矩。
(2)效率下降故障
Figure BDA00026211694600000213
其中k为效率下降的比例。
(3)摩擦力矩增大故障
Figure BDA0002621169460000031
其中fa(t)为摩擦力矩增大的数值函数。
(4)短时短路故障
Figure BDA0002621169460000032
其中tf1、tf2、tf3分别为短路发生的起始、中间、结束时刻。
(5)其他故障
Figure BDA0002621169460000033
其中f(t)为任意形式的函数。
第二步，根据航天器及执行机构动力学模型建立检测观测器：
Figure BDA0002621169460000034
Figure BDA0002621169460000035
其中
Figure BDA0002621169460000036
表示航天器姿态的状态估计变量，
Figure BDA0002621169460000037
为***的估计输出向量，
Figure BDA0002621169460000038
为观测器增益。其余参数与第一步中说明的相同。
基于检测观测器及神经网络建立的新型在线神经网络观测器为：
Figure BDA0002621169460000039
Figure BDA00026211694600000310
其中
Figure BDA00026211694600000311
为由神经网络观测器估计的航天器执行机构实际输出力矩。具体形式为：
Figure BDA0002621169460000041
其中ui为执行机构的标称输出力矩，NNi(t)的具体形式为：
Figure BDA0002621169460000042
Figure BDA0002621169460000043
其中in为神经网络的输入层节点数，mid为神经网络的中间层节点数，f(·)为sigmoid激活函数，即
Figure BDA0002621169460000044
其中输入
Figure BDA0002621169460000045
为：
Ik(t)＝[e1(t-τ),e2(t-τ),e3(t-τ),…,e3(t-nuτ),NN1(t-τ),…,NN2m(t-nuτ)]T
其中
Figure BDA0002621169460000046
ei,i＝1,2,3代表观测器残差，NNi,i＝1,2,...,2m代表神经网络观测器的输出，τ为延时常数，nu为历史数据个数，根据要求的诊断精度及星载计算机性能选取，nu取值越大诊断精度越高对计算机性能要求也越强。神经网络训练过程中的代价函数取em(t)＝e(t)Te(t)。神经网络的代价函数选取附加动量的梯度下降法。
根据代价函数更新神经网络中间层权值ωkj、输出层权值ωki与中间层阈值aj、输出层阈值bi；
Figure BDA0002621169460000047
ωki(t)＝ωki(t-1)+η2Hjem+α2[ωki(t-1)-ωki(t-2)]
Figure BDA0002621169460000048
bi(t)＝bi(t-1)+η4em+α4[bi(t-1)-bi(t-2)]
其中ηi,αi，i＝1,2,3,4分别为神经网络的梯度下降学习率和附加动量学习率，Ik为神经网络输入，Hj为神经网络中间参数，em为代价函数。
基于本方法建立的神经网络观测器可以在保证计算量较小的情况下准确得进行故障诊断。
第三步，首先建立自适应龙伯格观测器。对于每个执行机构不同类型的故障，龙伯格观测器需要建立不同的奉献观测器。对于执行器卡死故障，观测器形式为：
Figure BDA0002621169460000051
ri(t)＝Mzi(t)
Figure BDA0002621169460000052
其中zi代表观测状态，i＝1,2,...,m代表某个执行机构，G,M分别为龙伯格观测器的输入，输出增益矩阵。ρi为学习率，ri为观测输出值，ξi为某一确定的常值，
Figure BDA0002621169460000053
bi分别为卡死位置和是否完全失效的估计值，其余参数意义同上。
对于执行器效率下降故障，观测器形式为：
Figure BDA0002621169460000054
ri(t)＝Mzi(t)
Figure BDA0002621169460000055
其中
Figure BDA0002621169460000056
为输入矩阵的估计值，
Figure BDA0002621169460000057
为效率估计值，γi为学习率，ηi为某一确定的常值，其余参数意义同上。
利用自适应阈值切换方法将龙伯格观测器与新型神经网络观测器结合为组合观测器。
组合观测器的公式为：
Figure BDA0002621169460000058
Figure BDA0002621169460000059
其中G1,G2为自适应龙伯格观测器的控制增益待求矩阵，
Figure BDA00026211694600000510
b,
Figure BDA00026211694600000511
为自适应龙伯格观测器对效率故障、失效故障和偏差故障的估计值；
航天器正常运行状态下仅使用自适应龙伯格观测器。由于存在外界干扰及模型不确定性等原因，自适应龙伯格观测器的误报率较高，因此当其残差超出阈值时认为其诊断不十分可靠。当自适应龙伯格观测器诊断出故障或者龙伯格观测器残差超出阈值但无法诊断出具体故障类型即大小时激活新型神经网络观测器。龙伯格观测器残差的评估函数为：
Figure BDA00026211694600000512
其中T＝t2-t1，||·||rms为计算均方根值，r(t)为观测器残差，自适应阈值为：
Figure BDA0002621169460000061
其中Jth为阈值，v(t)为不确定向量，sup表示上确界，
Figure BDA0002621169460000062
Q为滤波器输出，λmax表示最大特征值；t2代表阈值判断时间窗口的结束时刻，t1代表阈值判断时间窗口的初始时刻。
组合观测器的切换过程中采用龙伯格观测器的诊断数据进行粗略的容错控制，切换后采用神经网络观测器的诊断数据进行精确的容错控制。第二步所建立的新型神经网络观测器需要的计算量较小，且利用龙伯格观测器与神经网络观测器组合的方式，在航天器正常运行时不需采用神经网络进行诊断，进一步降低了对运算量的要求。值得注意的是，这里应用自适应龙伯格观测器而不是一般的检测观测器进行故障诊断，是为了在切换阶段仍然可以应用自适应龙伯格观测器的诊断结果进行粗略控制。
本发明设计的考虑存在计算量限制、模型不确定性和外部干扰作用下的基于组合观测器的航天器故障诊断方法与现有技术相比的优点：
(1)本发明设计了一种基于组合观测器的航天器故障诊断方法，针对计算量限制、模型不确定性和外部干扰作用等约束，设计的新型在线训练神经网络观测器相较于传统的神经网络观测器计算量较小，相较于自适应龙伯格观测器鲁棒性更好、精度更高、设计过程更简单；
(2)本发明将新型神经网络观测器与自适应龙伯格观测器结合成的组合观测器，进一步降低了在正常运行情况下对计算机的要求，在航天器故障情况下可以进行高精度故障诊断，提高了航天器在执行深空探测等远距离任务时的安全性；
附图说明
图1为本发明一种基于组合观测器的航天器故障诊断方法的流程框图；
图2为本发明新型在线训练神经网络观测器的结构框架图；
图3为本发明组合观测器的结构框架图；
图4为本发明组合观测器对连续故障的诊断仿真结果；
图5为本发明组合观测器对突变故障的诊断仿真结果。
具体实施方式
如图1所示，本发明的一种基于组合观测器的航天器故障诊断方法，步骤为：首先，建立考虑姿控***执行机构发生故障的航天器动力学模型；其次，基于检测观测器和神经网络，建立新型的在线训练神经网络观测器；然后，利用自适应阈值切换方法将龙伯格观测器与新型神经网络观测器结合为组合观测器；最后，利用组合观测器进行故障的自主诊断。整个***的原理框图如图1所示，具体实施步骤如下：
第一步，建立考虑姿控***执行机构故障的航天器动力学模型：
Figure BDA0002621169460000071
y(t)＝Cx(t)
其中
Figure BDA0002621169460000072
表示航天器姿态的状态变量，n为***状态维数，t为时间，
Figure BDA0002621169460000073
为***的输入系数矩阵，m为执行机构个数，
Figure BDA0002621169460000074
为每个执行器的理论输出力矩，
Figure BDA0002621169460000075
为***的干扰分布矩阵，下标d代表干扰，p为干扰个数，
Figure BDA0002621169460000076
为***的干扰向量，
Figure BDA0002621169460000077
为***的故障分布矩阵，r为故障个数，
Figure BDA0002621169460000078
为***的故障函数，
Figure BDA0002621169460000079
为***的测量输出向量，c为***输出维数，
Figure BDA00026211694600000710
为***的输出系数矩阵，Φ(x,t)为***的非线性函数项：
Figure BDA00026211694600000711
其中Ix、Iy、Iz表示航天器的三轴转动惯量，x1、x2、x3表示航天器三轴姿态角速度。航天器的主要参数选取为：Ix＝80kg·m、Iy＝90kg·m、Iz＝70kg·m、B＝I3×3、Ed＝I3×3、C＝I3×3、d(t)＝1×10-4[sin(t) sin(2t) cos(t)]TNm。
第二步，根据航天器及执行机构动力学模型建立检测观测器模型为：
Figure BDA00026211694600000712
Figure BDA00026211694600000713
其中
Figure BDA00026211694600000714
表示航天器姿态的状态估计变量，
Figure BDA00026211694600000715
为***的估计输出向量，
Figure BDA00026211694600000716
为***的测量输出向量，
Figure BDA00026211694600000717
为观测器增益。其余参数设置与第一步一致。
基于检测观测器及神经网络建立的新型在线神经网络观测器框图如图2所示：首先控制器通过期望姿态角与传感器测得姿态角的差产生期望控制力矩；之后执行机构接受控制信号产生实际控制力矩，在此过程中若执行机构发生故障则实际控制力矩与期望控制力矩会产生偏差；然后航天器动力学接受实际控制力矩后产生姿态角加速度，由传感器测得姿态角速度后传递给控制器。
检测观测器通过计算期望控制力矩与故障估计值得到估计的实际控制力矩，运用此力矩驱动内部解析模型并与实际传感器产生的力矩做残差。此残差传递给改进BP神经网络，神经网络通过历史的残差值与历史的自身值计算得到故障的估计值传递到检测观测器。以上共同构成新型在线训练神经网络观测器。
在线神经网络观测器的形式为：
Figure BDA0002621169460000081
Figure BDA0002621169460000082
其中
Figure BDA0002621169460000083
为由神经网络观测器估计的航天器执行机构实际输出力矩。具体形式为：
Figure BDA0002621169460000084
其中ui为实行机构的标称输出力矩，NNi(t)的具体形式为：
Figure BDA0002621169460000085
Figure BDA0002621169460000086
其中in为神经网络的输入层节点数，mid为神经网络的中间层节点数，f(·)为sigmoid激活函数，即
Figure BDA0002621169460000087
其中输入
Figure BDA0002621169460000088
为：
Ik(t)＝[e1(t-τ),e2(t-τ),e3(t-τ),…,e3(t-nuτ),NN1(t-τ),…,NN2m(t-nuτ)]T
其中
Figure BDA0002621169460000089
ei,i＝1,2,3代表观测器残差，NNi,i＝1,2,...,2m代表神经网络观测器的输出，τ为延时常数，nu为根据要求的诊断精度及星载计算机性能选取，nu取值越大诊断精度越高对计算机性能要求也越强。代价函数等于em(t)＝e(t)Te(t)。
根据代价函数更新神经网络中间层权值ωkj、输出层权值ωki与中间层阈值aj、输出层阈值bi；
Figure BDA0002621169460000091
ωki(t)＝ωki(t-1)+η2Hjem+α2[ωki(t-1)-ωki(t-2)]
Figure BDA0002621169460000092
bi(t)＝bi(t-1)+η4em+α4[bi(t-1)-bi(t-2)]
其中ηi,αi，i＝1,2,3,4分别为神经网络的梯度下降学习率和附加动量学习率，Ik为神经网络输入，Hj为神经网络中间参数，em为代价函数。
基于本发明建立的在线训练神经网络观测器可以在保证计算量较小的情况下准确得进行故障诊断。
仿真过程中取观测器增益为：L＝3I3×3。神经网络的输出层节点数为：2m＝6。延迟系数为：τ＝1s。输入历史数据次数为：n＝5。计算得到输入层节点数为：in＝20。
中间层节点数
Figure BDA0002621169460000093
第三步，根据第二步建立的神经网络观测器与自适应龙伯格观测器结合为组合观测器。结构框图如图3所示。首先控制器通过期望姿态角与传感器测得姿态角的差产生期望控制力矩；之后执行机构接受控制信号产生实际控制力矩，在此过程中若执行机构发生故障则实际控制力矩与期望控制力矩会产生偏差；然后航天器动力学接受实际控制力矩后产生姿态角加速度，由传感器测量后传递给控制器。
龙伯格观测器输入控制器产生的期望控制力矩及传感器测得的实际姿态角速度，驱动内部模型产生观测残差及估计的故障类型及大小。当自适应龙伯格观测器诊断出故障或者龙伯格观测器残差超出阈值但无法诊断出具体故障形式及大小时激活新型神经网络观测器。值得注意的是，这里应用自适应龙伯格观测器而不是一般的检测观测器进行故障诊断，是为了在切换阶段仍然可以应用自适应龙伯格观测器的诊断结果进行粗略控制。
建立自适应龙伯格观测器。对于每个执行机构不同类型的故障，龙伯格观测器需要建立不同的奉献观测器。对于执行器卡死故障，观测器形式为：
Figure BDA0002621169460000094
ri(t)＝Mzi(t)
Figure BDA0002621169460000095
其中zi代表观测状态，i＝1,2,...,m代表某个执行机构，G,M分别为龙伯格观测器的输入，输出增益矩阵。ρi为学习率，ri为观测输出值，ξi为某一确定的常值，
Figure BDA0002621169460000101
bi分别为卡死位置和是否完全失效的估计值。
对于执行器效率下降故障，观测器形式为：
Figure BDA0002621169460000102
ri(t)＝Mzi(t)
Figure BDA0002621169460000103
其中
Figure BDA0002621169460000104
为输入矩阵的估计值，
Figure BDA0002621169460000105
为效率估计值，γi为学习率，ηi为某一确定的常值。
利用自适应阈值切换方法将龙伯格观测器与新型神经网络观测器结合为组合观测器。
组合观测器的公式为：
Figure BDA0002621169460000106
Figure BDA0002621169460000107
其中G1,G2为自适应龙伯格观测器的控制增益待求矩阵，
Figure BDA0002621169460000108
b,
Figure BDA0002621169460000109
为自适应龙伯格观测器对效率故障，失效故障，偏差故障的估计值；
航天器正常运行状态下仅使用自适应龙伯格观测器。由于存在外界干扰及模型不确定性等原因，自适应龙伯格观测器的误报率较高，因此当其残差超出阈值时认为其诊断结果不十分可靠。当自适应龙伯格观测器诊断出故障或者龙伯格观测器残差超出阈值但无法诊断出具体故障形式及大小时激活新型神经网络观测器。龙伯格观测器残差的评估函数为：
Figure BDA00026211694600001010
其中T＝t2-t1，||·||rms为计算均方根值，r(t)为观测器残差，自适应阈值为：
Figure BDA00026211694600001011
其中Jth为阈值，v(t)为不确定向量，sup表示上确界，
Figure BDA00026211694600001012
Q为滤波器输出，λmax表示最大特征值；t2代表阈值判断时间窗口的结束时刻，t1代表阈值判断时间窗口的初始时刻。
组合观测器的切换过程中采用龙伯格观测器的诊断数据进行粗略的容错控制，切换后采用神经网络观测器的诊断数据进行精确的容错控制。第二步所建立的新型神经网络观测器需要的计算量较小，且利用龙伯格观测器与神经网络观测器组合的方式，在航天器正常运行时不需采用神经网络进行诊断，进一步降低了对运算量得要求。
利用Matlab/Simulink进行仿真验证，仿真步长为0.01秒，仿真时间为1000秒。神经网络的训练频率为10次/秒。仿真结果如图4、图5所示。对于连续故障和突变故障均可以在10秒内完成故障诊断，诊断速度较快。对于变化故障诊断精度在0.01Nm以内，对于恒定故障精度在0.001Nm以内，精度较高。较于自适应龙伯格观测器，组合观测器可以对任何形式的故障进行诊断，且不需要对每个飞轮单独设计观测器。相较于传统的神经网络观测器，此组合观测器训练输出形式更简单，训练频率更低，计算量更小；且毛刺和振荡现象不严重。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管为了说明的目的，已描述了本发明的示例性实施方式，但是本领域的技术人员将理解，不脱离所附权利要求中公开的发明的范围和精神的情况下，可以在形式和细节上进行各种修改、添加和替换等的改变，而所有这些改变都应属于本发明所附权利要求的保护范围，并且本发明要求保护的产品各个部门和方法中的各个步骤，可以以任意组合的形式组合在一起。因此，对本发明中所公开的实施方式的描述并非为了限制本发明的范围，而是用于描述本发明。相应地，本发明的范围不受以上实施方式的限制，而是由权利要求或其等同物进行限定。

Claims (1)

1.一种基于组合观测器的航天器故障诊断方法，其特征在于，包括以下步骤：
(1)建立考虑姿控***执行机构故障的航天器动力学模型；
(2)根据航天器动力学模型建立检测观测器，基于检测观测器及神经网络建立在线神经网络观测器；
(3)利用自适应阈值切换方法将龙伯格观测器与步骤(2)中的在线神经网络观测器结合为组合观测器；
(4)利用步骤(3)中得到的组合观测器实现在计算量限制下针对航天器执行机构的准确、可靠自主故障诊断；
所述步骤(1)中，建立考虑姿控***执行机构故障的航天器动力学模型如下：
Figure FDA0003101334630000011
y(t)＝Cx(t)
其中
Figure FDA0003101334630000012
表示航天器姿态的状态变量，n为***状态维数，t为时间，
Figure FDA0003101334630000013
为***的输入系数矩阵，m为执行机构个数，
Figure FDA0003101334630000014
为每个执行器的理论输出力矩，
Figure FDA0003101334630000015
为***的干扰分布矩阵，下标d代表干扰，p为干扰个数，
Figure FDA0003101334630000016
为***的干扰向量，
Figure FDA0003101334630000017
为***的故障分布矩阵，r为故障个数，
Figure FDA0003101334630000018
为***的故障函数，
Figure FDA0003101334630000019
为***的测量输出向量，c为***输出维数，
Figure FDA00031013346300000110
为***的输出系数矩阵，Φ(x,t)为***的非线性函数项：
Figure FDA00031013346300000111
其中Ix、Iy、Iz表示航天器的三轴转动惯量，x1、x2、x3表示航天器三轴姿态角速度；
所述步骤(2)中，建立的检测观测器为：
Figure FDA00031013346300000112
Figure FDA0003101334630000021
其中
Figure FDA0003101334630000022
表示航天器姿态的状态估计变量，
Figure FDA0003101334630000023
为***的估计输出向量，
Figure FDA0003101334630000024
为观测器增益；
基于检测观测器及神经网络建立在线神经网络观测器为：
Figure FDA0003101334630000025
Figure FDA0003101334630000026
其中
Figure FDA0003101334630000027
为由神经网络观测器估计的航天器执行机构实际输出力矩，具体形式为：
Figure FDA0003101334630000028
其中ui，i＝1,2,...,m为执行机构的标称输出力矩，NNi(t)的具体形式为：
Figure FDA0003101334630000029
Figure FDA00031013346300000210
其中in为神经网络的输入层节点数，mid为神经网络的中间层节点数，f(·)为sigmoid激活函数，即
Figure FDA00031013346300000211
其中输入
Figure FDA00031013346300000212
为：
Ik(t)＝[e1(t-τ),e2(t-τ),e3(t-τ),…,e3(t-nuτ),NN1(t-τ),…,NN2m(t-nuτ)]T
其中
Figure FDA00031013346300000213
代表观测器残差，NNi，i＝1,2,...,2m代表神经网络观测器的输出，τ为延时常数，nu为历史数据个数，根据要求的诊断精度及星载计算机性能选取；神经网络训练过程中的代价函数取em(t)＝e(t)Te(t),神经网络训练频率根据诊断精度要求及星载计算机性能选取；
根据代价函数更新神经网络中间层权值ωkj、输出层权值ωki与中间层阈值aj、输出层阈值bi；
Figure FDA00031013346300000214
ωki(t)＝ωki(t-1)+η2Hjem+α2[ωki(t-1)-ωki(t-2)]
Figure FDA0003101334630000031
bi(t)＝bi(t-1)+η4em+α4[bi(t-1)-bi(t-2)]
其中ηi,αi，i＝1,2,3,4分别为神经网络的梯度下降学习率和附加动量学习率，Ik为神经网络输入，Hj为神经网络中间参数，em为代价函数；
所述步骤(3)中，组合观测器形式为：
Figure FDA0003101334630000032
Figure FDA0003101334630000033
其中G1,G2为自适应龙伯格观测器的控制增益待求矩阵，
Figure FDA0003101334630000034
为自适应龙伯格观测器对效率故障、失效故障和偏差故障的估计值；
当自适应龙伯格观测器诊断出故障或者龙伯格观测器残差超出阈值但无法诊断出具体故障时激活神经网络观测器，龙伯格观测器残差的评估函数为：
Figure FDA0003101334630000035
其中T＝t2-t1，||·||rms为计算均方根值，r(t)为观测器残差，自适应阈值为：
Figure FDA0003101334630000036
其中Jth为阈值，v(t)为不确定向量，sup表示上确界，
Figure FDA0003101334630000037
Q为滤波器输出，λmax表示最大特征值；t2代表阈值判断时间窗口的结束时刻，t1代表阈值判断时间窗口的初始时刻；
组合观测器的切换过程中采用龙伯格观测器的诊断数据进行粗略的容错控制，切换后采用神经网络观测器的诊断数据进行精确的容错控制。
CN202010783786.4A 2020-08-06 2020-08-06 一种基于组合观测器的航天器故障诊断方法 Active CN111897221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010783786.4A CN111897221B (zh) 2020-08-06 2020-08-06 一种基于组合观测器的航天器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010783786.4A CN111897221B (zh) 2020-08-06 2020-08-06 一种基于组合观测器的航天器故障诊断方法

Publications (2)

Publication Number Publication Date
CN111897221A CN111897221A (zh) 2020-11-06
CN111897221B true CN111897221B (zh) 2021-10-15

Family

ID=73245874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010783786.4A Active CN111897221B (zh) 2020-08-06 2020-08-06 一种基于组合观测器的航天器故障诊断方法

Country Status (1)

Country Link
CN (1) CN111897221B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112947357B (zh) * 2021-01-24 2022-03-01 西北工业大学 一种基于双观测器的飞行器间歇故障诊断方法
CN112947392B (zh) * 2021-04-05 2022-04-26 西北工业大学 一种基于鲁棒观测器的飞行控制***执行器和传感器复合微小故障估计方法
CN114879512B (zh) * 2022-07-06 2022-11-08 南京航空航天大学 基于学习神经网络滑模的航天器编队轨道容错控制方法
CN115046526B (zh) * 2022-08-08 2022-10-25 东方空间技术(北京)有限公司 一种飞行器故障诊断方法、装置、计算机设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7660774B2 (en) * 2005-05-31 2010-02-09 Honeywell International Inc. Nonlinear neural network fault detection system and method
CN101481019B (zh) * 2009-02-20 2010-10-13 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
CN102854874B (zh) * 2012-06-18 2015-08-12 南京航空航天大学 一种基于联合多观测器的故障诊断与容错控制装置
CN111290366B (zh) * 2020-02-12 2022-05-27 北京科技大学顺德研究生院 一种航天器姿控***多故障诊断方法

Also Published As

Publication number Publication date
CN111897221A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN111897221B (zh) 一种基于组合观测器的航天器故障诊断方法
CN109940622B (zh) 一种基于电机电流的机器人机械臂无传感碰撞检测方法
CN111290366B (zh) 一种航天器姿控***多故障诊断方法
Jianyong et al. Robust control for static loading of electro-hydraulic load simulator with friction compensation
Van Damme et al. Estimating robot end-effector force from noisy actuator torque measurements
CN107272639B (zh) 刚性航天器反作用飞轮故障的检测、估计及其调节方法
KR101021801B1 (ko) 적응 미지입력 관측기를 이용한 무인항공기의 조종면 구동기 고장진단방법
CN111241748A (zh) 基于长短期记忆模型循环神经网络的风力发电机故障诊断
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
CN104850889A (zh) 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法
CN115629547B (zh) 一种面向舵面故障的飞机机载容错控制方法及***
CN106873568A (zh) 基于h无穷鲁棒未知输入观测器的传感器故障诊断方法
Sotoudehnejad et al. Counteracting modeling errors for sensitive observer-based manipulator collision detection
CN101241369A (zh) 飞行控制***中执行器卡死故障的一种实时检测方法
Ossmann et al. Advanced sensor fault detection and isolation for electro-mechanical flight actuators
Han et al. Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles
Qin et al. Sensor fault diagnosis of autonomous underwater vehicle based on LSTM
Kordestani et al. A distributed fault detection and isolation method for multifunctional spoiler system
Azam et al. In-flight fault detection and isolation in aircraft flight control systems
CN104252575A (zh) 一种基于行为的uuv推进操纵***异常辨识方法
Zhao et al. Actuator fault detection for masonry robot manipulator arm with the interval observer
CN112947357B (zh) 一种基于双观测器的飞行器间歇故障诊断方法
CN114217595B (zh) 一种基于区间观测器的x型舵auv故障检测方法
Chen Satellite Reaction Wheel Fault Detection Based on Adaptive Threshold Observer
Bian et al. Fault diagnosis based on Grey Dynamic Prediction for AUV sensor

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