基于BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障診斷方法

蘇振華，陸文高，齊　晶，薛　野，陳逢田

（1.航天東方紅衛(wèi)星有限公司，北京　100094；2.中國(guó)空間技術(shù)研究院，北京　100094）

基于BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障診斷方法

蘇振華1，陸文高1，齊晶2，薛野1，陳逢田1

（1.航天東方紅衛(wèi)星有限公司，北京100094；2.中國(guó)空間技術(shù)研究院，北京100094）

為了有效地利用衛(wèi)星下傳的海量遙測(cè)數(shù)據(jù)，在測(cè)試過(guò)程中對(duì)衛(wèi)星進(jìn)行實(shí)時(shí)的故障診斷，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障診斷方法；該方法包括離線(xiàn)自主學(xué)習(xí)和實(shí)時(shí)在線(xiàn)故障診斷兩部分；離線(xiàn)自主學(xué)習(xí)部分基于歷史數(shù)據(jù)庫(kù)和更新樣本進(jìn)行自主學(xué)習(xí)，學(xué)習(xí)獲得神經(jīng)網(wǎng)絡(luò)模型存儲(chǔ)于知識(shí)庫(kù)；實(shí)時(shí)在線(xiàn)故障診斷部分依據(jù)相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，對(duì)遙測(cè)數(shù)據(jù)進(jìn)行實(shí)時(shí)在線(xiàn)的診斷；為了驗(yàn)證基于BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障診斷方法的有效性和優(yōu)越性，以現(xiàn)有型號(hào)三軸穩(wěn)定近地衛(wèi)星控制分系統(tǒng)為實(shí)驗(yàn)對(duì)象，利用該方法對(duì)具有代表性的紅外地球敏感器和動(dòng)量輪的相關(guān)遙測(cè)數(shù)據(jù)進(jìn)行分析；通過(guò)將該方法的實(shí)驗(yàn)結(jié)果與基于Kalman濾波的方法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比分析，表明該方法能夠有效地對(duì)衛(wèi)星的故障進(jìn)行診斷。

衛(wèi)星；BP神經(jīng)網(wǎng)絡(luò)；故障診斷

0　引言

衛(wèi)星下傳的遙測(cè)數(shù)據(jù)能夠反映星上設(shè)備功能、性能及工作狀態(tài)，在地面綜合測(cè)試過(guò)程中需要對(duì)其進(jìn)行連續(xù)的監(jiān)視和判讀。目前，衛(wèi)星遙測(cè)數(shù)據(jù)的監(jiān)視和判讀主要靠人工完成，判讀分析過(guò)程有以下幾個(gè)特點(diǎn)：工作量非常大、需要專(zhuān)家的經(jīng)驗(yàn)知識(shí)，且海量數(shù)據(jù)判讀無(wú)法完全通過(guò)人工完成。為了有效利用星上下傳的遙測(cè)數(shù)據(jù)，在測(cè)試過(guò)程中實(shí)現(xiàn)實(shí)時(shí)的衛(wèi)星故障診斷，利用人工智能技術(shù)實(shí)現(xiàn)衛(wèi)星遙測(cè)數(shù)據(jù)的智能監(jiān)視和判讀是衛(wèi)星綜合測(cè)試的必然趨勢(shì)。

本文在深入分析遙測(cè)數(shù)據(jù)特點(diǎn)的基礎(chǔ)上，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障診斷方法。該方法包括離線(xiàn)自主學(xué)習(xí)子系統(tǒng)和實(shí)時(shí)在線(xiàn)故障診斷子系統(tǒng)兩部分。離線(xiàn)自主學(xué)習(xí)子系統(tǒng)基于歷史數(shù)據(jù)庫(kù)和更新樣本進(jìn)行自主學(xué)習(xí)，得到神經(jīng)網(wǎng)絡(luò)模型。實(shí)時(shí)在線(xiàn)故障診斷子系統(tǒng)依據(jù)相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，對(duì)遙測(cè)數(shù)據(jù)進(jìn)行實(shí)時(shí)在線(xiàn)的診斷。

1　遙測(cè)數(shù)據(jù)特性分析

遙測(cè)數(shù)據(jù)隨時(shí)間的變化趨勢(shì)是由系統(tǒng)的工作、環(huán)境等條件決定的相對(duì)規(guī)律過(guò)程，當(dāng)系統(tǒng)工作異常導(dǎo)致故障發(fā)生時(shí)，往往體現(xiàn)在表征系統(tǒng)特性的遙測(cè)信息發(fā)生變化，這一變化是用來(lái)對(duì)衛(wèi)星進(jìn)行故障診斷的依據(jù)。有效識(shí)別和獲取能夠反映衛(wèi)星設(shè)備健康狀態(tài)的數(shù)據(jù)信息，包括反映系統(tǒng)/分系統(tǒng)/單機(jī)工作狀態(tài)和性能指標(biāo)的參數(shù)信息等，是進(jìn)行故障診斷的必要前提?；谶b測(cè)數(shù)據(jù)實(shí)現(xiàn)故障診斷的基本思想，就是通過(guò)分析遙測(cè)數(shù)據(jù)的變化特性，有效地挖掘出其內(nèi)在的意義，實(shí)現(xiàn)狀態(tài)感知，得出預(yù)測(cè)評(píng)估結(jié)果。

通過(guò)對(duì)衛(wèi)星遙測(cè)數(shù)據(jù)長(zhǎng)期變化規(guī)律的研究和分析，將遙測(cè)數(shù)據(jù)變化特性分為4類(lèi)：①基本不變的遙測(cè)參數(shù)，當(dāng)設(shè)備工作正常情況下，其溫度、電壓、負(fù)載電流等部分遙測(cè)參數(shù)會(huì)保持在某一恒定值或其附近區(qū)域；②單調(diào)變化的遙測(cè)參數(shù)，隨著時(shí)間的推移，一些參數(shù)會(huì)單調(diào)遞增或遞減，如計(jì)時(shí)器、計(jì)數(shù)器、參數(shù)發(fā)散收斂趨勢(shì)等；③周期變化的遙測(cè)參數(shù)，衛(wèi)星遙測(cè)參數(shù)會(huì)按固定周期進(jìn)行交變；④狀態(tài)變化的遙測(cè)參數(shù)，以數(shù)字量為主，會(huì)隨衛(wèi)星的具體情況或單機(jī)設(shè)備的工作狀態(tài)設(shè)置而變化。

在本質(zhì)上，衛(wèi)星下傳的遙測(cè)數(shù)據(jù)能夠全面地反映衛(wèi)星的內(nèi)在特性，這些數(shù)據(jù)中隱含著大量的有用信息。為此，本文建立了一個(gè)神經(jīng)網(wǎng)絡(luò)，讓其自主進(jìn)行學(xué)習(xí)，來(lái)發(fā)掘出這些數(shù)據(jù)中隱藏的規(guī)律。經(jīng)過(guò)訓(xùn)練后，生成具有訓(xùn)練樣本內(nèi)在屬性的網(wǎng)絡(luò)結(jié)構(gòu)。

2　衛(wèi)星故障診斷

基于BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障診斷原理圖如圖1所示，該方法能夠根據(jù)輸入的實(shí)時(shí)下傳遙測(cè)數(shù)據(jù)進(jìn)行衛(wèi)星故障診斷，輸出故障診斷的結(jié)果；包括離線(xiàn)自主學(xué)習(xí)和實(shí)時(shí)在線(xiàn)故障診斷兩部分。其中，離線(xiàn)自主學(xué)習(xí)部分包括基于歷史數(shù)據(jù)庫(kù)的自主學(xué)習(xí)過(guò)程和基于更新樣本的重新自主學(xué)習(xí)過(guò)程。通過(guò)學(xué)習(xí)得到的神經(jīng)網(wǎng)絡(luò)模型存儲(chǔ)于知識(shí)庫(kù)中，利于在線(xiàn)模塊的調(diào)用。實(shí)時(shí)在線(xiàn)故障診斷部分包括：實(shí)時(shí)數(shù)據(jù)庫(kù)、遙測(cè)數(shù)據(jù)預(yù)處理模塊、遙測(cè)數(shù)據(jù)診斷模塊；能夠依據(jù)知識(shí)庫(kù)中相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，對(duì)遙測(cè)數(shù)據(jù)進(jìn)行實(shí)時(shí)在線(xiàn)的診斷。

圖1　基于BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障診斷原理圖

2.1BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)是一種典型的信息前向傳播、誤差反向傳播神經(jīng)網(wǎng)絡(luò)，層與層之間互聯(lián)，各層的神經(jīng)元之間相互獨(dú)立，近年來(lái)廣泛用于數(shù)據(jù)分類(lèi)和預(yù)測(cè)。其中，最基本最典型的三層BP神經(jīng)網(wǎng)絡(luò)由輸入層（input layer）、隱含層（hidden layer）、輸出層（output layer）組成，各層之間存在連接權(quán)值，連接權(quán)值的大小反映了各神經(jīng)元之間的連接強(qiáng)度。

根據(jù)衛(wèi)星遙測(cè)數(shù)據(jù)的特點(diǎn)，本文設(shè)計(jì)了典型的三層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。在神經(jīng)網(wǎng)絡(luò)中，kolmogorov三層神經(jīng)網(wǎng)絡(luò)映射存在定理在理論上證明了任意一個(gè)連續(xù)函數(shù)都能與一個(gè)三層BP網(wǎng)絡(luò)建立映射關(guān)系［4］，即存在一個(gè)輸入層有n個(gè)神經(jīng)元，隱層有2n+1個(gè)神經(jīng)元，輸出層有m個(gè)神經(jīng)元的三層神經(jīng)網(wǎng)絡(luò)。經(jīng)分析，遙測(cè)參數(shù)最多有5個(gè)特征參數(shù)，由此確定BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的個(gè)數(shù)，設(shè)置隱含層11個(gè)節(jié)點(diǎn)。

針對(duì)所診斷的遙測(cè)數(shù)據(jù)的具體特點(diǎn)，選取n個(gè)具有代表性的遙測(cè)參數(shù)構(gòu)成輸入層向量：Ak=（a1，a2，…，an）

k=1，2，…m.…，ai即為能夠反映被診斷遙測(cè)數(shù)據(jù)特性的遙測(cè)參數(shù)；相應(yīng)地，被診斷遙測(cè)數(shù)據(jù)作為輸入層向量的期望輸出向量為：Yk=（y1，y2，…，yq），即q=1；隱含層單元輸入向量為：Sk=（s1，s2，…，sp），隱含層單元輸出向量為：Bk=（b1，b2，…，bp），其中p分別對(duì)應(yīng)隱含層節(jié)點(diǎn)數(shù)11；對(duì)應(yīng)著期望輸出向量，輸出層單元輸入向量為：Lk=（l1，l2，…，lq），輸出層單元輸出向量為：Ck=（c1，c2，…，cq），其中q=1；反映輸入層遙測(cè)參數(shù)和被診斷遙測(cè)參數(shù)之間隱藏關(guān)系的參數(shù)設(shè)置如下：輸入層至隱含層連接權(quán)：｛Wij｝i=1，2，…n.j=1，2，…p，隱含層至輸出層連接權(quán)：｛Vjt｝j=1，2，…p.t=1，2，…q，隱含層各單元輸出閾值：｛θj｝j=1，2，…p，輸出層各單元輸出閾值：｛γt｝t=1，2，…q。其中，m為學(xué)習(xí)模式對(duì)個(gè)數(shù)。

圖2　BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

圖中，f1、f2分別為隱含層和輸出層的傳遞函數(shù)，W、θ為隱含層權(quán)值和閾值，V、γ為輸出層權(quán)值和閾值。輸入層到隱含層傳遞函數(shù)和隱含層到輸出層傳遞函數(shù)為雙曲正切函數(shù)：f（x）=

2.2離線(xiàn)自主學(xué)習(xí)

在依據(jù)遙測(cè)數(shù)據(jù)的特性建立了合適的神經(jīng)網(wǎng)絡(luò)后，需要通過(guò)離線(xiàn)自主學(xué)習(xí)生成具有遙測(cè)參數(shù)內(nèi)在屬性的網(wǎng)絡(luò)結(jié)構(gòu)。離線(xiàn)自主學(xué)習(xí)主要利用樣本數(shù)據(jù)進(jìn)行訓(xùn)練，有效地挖掘出遙測(cè)數(shù)據(jù)內(nèi)在的特征信息，獲得遙測(cè)數(shù)據(jù)實(shí)時(shí)在線(xiàn)診斷的知識(shí)。

離線(xiàn)自主學(xué)習(xí)的過(guò)程是一個(gè)反復(fù)迭代確定上一章節(jié)所設(shè)計(jì)神經(jīng)網(wǎng)的各神經(jīng)元之間權(quán)重的過(guò)程。歷史數(shù)據(jù)庫(kù)以訓(xùn)練樣本所需的格式，存儲(chǔ)了大量的歷史測(cè)試數(shù)據(jù)，為自主學(xué)習(xí)提供了充足的樣本。本文算法從歷史數(shù)據(jù)庫(kù)取得訓(xùn)練樣本，基于BP誤差反向傳播算法不斷地調(diào)整網(wǎng)絡(luò)的各個(gè)權(quán)值。當(dāng)輸入任意一個(gè)樣本，網(wǎng)絡(luò)的輸出誤差控制在一個(gè)期望的范圍之內(nèi)時(shí)，即表示網(wǎng)絡(luò)的訓(xùn)練完成，獲得所需的網(wǎng)絡(luò)結(jié)構(gòu)。自主學(xué)習(xí)的具體過(guò)程如下：

1）初始化所建立的BP神經(jīng)網(wǎng)絡(luò)模型，給各連接權(quán)｛Wij｝，｛Vjt｝及閾值｛θj｝，｛γt｝賦予（-1，1）間的隨機(jī)值；

2）從歷史數(shù)據(jù)庫(kù)中隨機(jī)選一組相關(guān)聯(lián)的樣本數(shù)據(jù)組成輸入向量和輸出向量，按照公式（1）將輸入向量和輸出向量X進(jìn)行歸一化使其在（-1，1）之間，然后將輸入向量和輸出向量提供給BP神經(jīng)網(wǎng)絡(luò)模型的輸入層和輸出層

3）利用輸入層的遙測(cè)樣本數(shù)據(jù)、連接權(quán)｛Wij｝和閾值｛θj｝，按照公式（2）計(jì)算中間層各單元的輸入值、輸出值；利用中間層各單元的輸出值、連接權(quán)｛Vjt｝和閾值｛γt｝，按照公式（3）計(jì)算輸出層各單元的輸入、輸出。

4）利用輸出層各單元的輸出和輸出層的遙測(cè)樣本數(shù)據(jù)，按照公式（4）計(jì)算輸出層各單元的一般化誤差；利用中間層各單元的輸出值、輸出層各單元的一般化誤差和連接權(quán)｛Vjt｝，按照公式（5）計(jì)算中間層各單元的一般化誤差

5）利用輸出層各單元的一般化誤差、中間層各單元的輸出值和連接權(quán)｛Vjt｝，按照公式（6）計(jì)算更新后的連接權(quán)和閾值；利用中間層各單元的一般化誤差、輸入層的遙測(cè)樣本數(shù)據(jù)和連接權(quán)｛Wij｝，按照公式（7）計(jì)算更新后的連接權(quán)和閾值。

其中：iter為學(xué)習(xí)過(guò)程的迭代次數(shù)；α為學(xué)習(xí)率，設(shè)置經(jīng)驗(yàn)值0.01。

其中：β為學(xué)習(xí)率，設(shè)置經(jīng)驗(yàn)值0.01。

6）隨機(jī)選取下一組遙測(cè)數(shù)據(jù)樣本組提供給模型，返回步驟2，直至全部遙測(cè)數(shù)據(jù)樣本學(xué)習(xí)完畢，完成一次BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)。

7）重復(fù)步驟2）至6），直至由輸出層各單元的輸出值和輸出層的遙測(cè)樣本數(shù)據(jù)計(jì)算所得的網(wǎng)絡(luò)全局誤差函數(shù)E≤ε；或者，當(dāng)學(xué)習(xí)次數(shù)大于預(yù)先設(shè)定值，強(qiáng)制神經(jīng)網(wǎng)絡(luò)停止學(xué)習(xí)。其中，ε為網(wǎng)絡(luò)性能目標(biāo)誤差。

通過(guò)自主學(xué)習(xí)獲得的神經(jīng)網(wǎng)絡(luò)模型以關(guān)系數(shù)據(jù)庫(kù)的形式存儲(chǔ)于知識(shí)庫(kù)，便于在線(xiàn)故障診斷部分能夠通過(guò)參數(shù)標(biāo)識(shí)映射表快速地獲得所需的網(wǎng)絡(luò)模型。同時(shí)，知識(shí)庫(kù)的關(guān)系型數(shù)據(jù)結(jié)構(gòu)方便于日常的維護(hù)。同時(shí)，在故障診斷的過(guò)程中利用不斷產(chǎn)生的新樣本數(shù)據(jù)信息，進(jìn)行神經(jīng)網(wǎng)絡(luò)的重新自主學(xué)習(xí)，實(shí)時(shí)更新知識(shí)庫(kù)的網(wǎng)絡(luò)模型。通過(guò)不斷的加入新信息，使知識(shí)庫(kù)能夠及時(shí)反映系統(tǒng)當(dāng)前遙測(cè)參數(shù)的特征。

2.3實(shí)時(shí)在線(xiàn)故障診斷

通過(guò)離線(xiàn)自主學(xué)習(xí)獲得相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型后，實(shí)時(shí)在線(xiàn)故障診斷部分能夠依據(jù)知識(shí)庫(kù)中相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，對(duì)遙測(cè)數(shù)據(jù)進(jìn)行實(shí)時(shí)在線(xiàn)的診斷。實(shí)時(shí)在線(xiàn)故障診斷的主要流程：實(shí)時(shí)數(shù)據(jù)庫(kù)將接收的遙測(cè)數(shù)據(jù)進(jìn)行高速緩存并分發(fā)；遙測(cè)數(shù)據(jù)預(yù)處理模塊對(duì)遙測(cè)數(shù)據(jù)中的不連續(xù)、跳碼等非平穩(wěn)現(xiàn)象進(jìn)行預(yù)處理并分類(lèi)輸送至對(duì)應(yīng)的功能模塊；根據(jù)提取的遙測(cè)數(shù)據(jù)標(biāo)識(shí)從知識(shí)庫(kù)獲取相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型；利用模型計(jì)算相應(yīng)遙測(cè)參數(shù)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值；故障診斷模塊利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值對(duì)遙測(cè)參數(shù)進(jìn)行診斷，并根據(jù)設(shè)定的閾值輸出診斷結(jié)果。

在線(xiàn)故障診斷部分對(duì)遙測(cè)數(shù)據(jù)進(jìn)行預(yù)處理后，提取神經(jīng)網(wǎng)絡(luò)的參數(shù)標(biāo)識(shí)，根據(jù)參數(shù)標(biāo)識(shí)從知識(shí)庫(kù)中查詢(xún)并讀入相應(yīng)最新的神經(jīng)網(wǎng)絡(luò)模型；同時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行初始化參數(shù)設(shè)置。網(wǎng)絡(luò)預(yù)測(cè)值計(jì)算模塊通過(guò)特征遙測(cè)參數(shù)計(jì)算被診斷遙測(cè)參數(shù)的期望值，作為故障診斷模塊的診斷依據(jù)。故障診斷模塊依據(jù)神經(jīng)網(wǎng)絡(luò)的輸出信號(hào)，采用閾值邏輯判決方法生成精確的故障診斷結(jié)果；通過(guò)監(jiān)控終端進(jìn)行故障報(bào)警并將故障信息提交測(cè)試人員或者啟動(dòng)更新的神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)。

具體過(guò)程如下：如果 ｛|y-E（｛x1，x2，…，xn｝）|＜ψ｝，那么將遙測(cè)數(shù)據(jù)作為新樣本存入數(shù)據(jù)庫(kù)并啟動(dòng)神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)；否則，系統(tǒng)發(fā)出故障警報(bào)。其中，y為被診斷遙測(cè)參數(shù)，E（｛x1，x2，…，xn｝為神經(jīng)網(wǎng)絡(luò)通過(guò)特征遙測(cè)參數(shù)計(jì)算的期望值。門(mén)限閾值ψ=1.2×max｛e（1），e（2），…，e（m）｝，即1.2倍衛(wèi)星正常工作狀態(tài)下神經(jīng)網(wǎng)絡(luò)輸出最大誤差。

3　實(shí)驗(yàn)及結(jié)果分析

3.1實(shí)驗(yàn)結(jié)果

為了驗(yàn)證基于BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障診斷方法的有效性和優(yōu)越性，以現(xiàn)有型號(hào)三軸穩(wěn)定近地衛(wèi)星控制分系統(tǒng)為實(shí)驗(yàn)對(duì)象，利用本文方法對(duì)具有代表性的紅外地球敏感器和動(dòng)量輪的相關(guān)遙測(cè)進(jìn)行分析。訓(xùn)練過(guò)程中，設(shè)置最大訓(xùn)練次數(shù)500 000，訓(xùn)練所要達(dá)到的目標(biāo)精度1×10-5。

本文所用人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集樣本均來(lái)源于控制分系統(tǒng)實(shí)際測(cè)試過(guò)程中產(chǎn)生的遙測(cè)數(shù)據(jù)。在創(chuàng)建神經(jīng)網(wǎng)絡(luò)模型之前，先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，找出無(wú)效數(shù)據(jù)的位置，以無(wú)效數(shù)據(jù)為中心點(diǎn)，左右各取等長(zhǎng)度區(qū)間的有效數(shù)據(jù)作為樣本集，若一端數(shù)據(jù)不足時(shí)，向另外一端進(jìn)行擴(kuò)充。由于輸入樣本各參數(shù)的集中取值范圍不同，參數(shù)大小不一，為了使各類(lèi)參數(shù)所起的作用大致相同，必須對(duì)輸入數(shù)據(jù)進(jìn)行歸一化，把輸入數(shù)據(jù)都?xì)w一化到［-1，1］區(qū)域內(nèi)。在取得訓(xùn)練所需的樣本數(shù)據(jù)后，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了離線(xiàn)訓(xùn)練。針對(duì)紅外地球敏感器和動(dòng)量輪的神經(jīng)網(wǎng)絡(luò)模型，分別進(jìn)行了訓(xùn)練。其中，紅外地球敏感器的樣本數(shù)量437，以紅外弦寬、紅外前基、地心距作為輸入模式，以紅外滾動(dòng)估值作為輸出模式；動(dòng)量輪的樣本數(shù)量115，以滾動(dòng)角度估值、滾動(dòng)角速度估值作為輸入模式，以動(dòng)量輪轉(zhuǎn)速脈沖作為輸出模式。

為了驗(yàn)證所得到神經(jīng)網(wǎng)絡(luò)的有效性，利用訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型對(duì)遙測(cè)數(shù)據(jù)進(jìn)行診斷，計(jì)算神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)際遙測(cè)值的誤差，實(shí)驗(yàn)結(jié)果如圖3（b）、圖4（b）所示。其中，紅外地球敏感器的診斷閾值為0.02°，動(dòng)量輪脈沖的診斷閾值為15個(gè)/min。從誤差變化圖可以看出，超出閾值范圍的遙測(cè)數(shù)據(jù)均為異常數(shù)據(jù)，進(jìn)而能夠準(zhǔn)確地診斷出故障發(fā)出警報(bào)。

同時(shí)，本文利用Kalman濾波算法對(duì)測(cè)試集中同樣的數(shù)據(jù)進(jìn)行故障診斷。為了方便與BP神經(jīng)網(wǎng)絡(luò)算法的結(jié)果進(jìn)行比對(duì)，同樣給出了預(yù)測(cè)值精度和誤差變化圖，使用同樣的診斷閾值，如圖3（a）、圖4（a）所示。

3.2結(jié)果分析

利用歷史數(shù)據(jù)庫(kù)中的樣本集進(jìn)行訓(xùn)練學(xué)習(xí)后，對(duì)于給定的遙測(cè)參數(shù)，即可利用完成訓(xùn)練的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型確定其期望值。通過(guò)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際遙測(cè)值（理論值）的對(duì)比與分析，驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性與可靠性。

圖3　紅外地球敏感器診斷結(jié)果

圖4　動(dòng)量輪脈沖診斷結(jié)果

通過(guò)分析以上實(shí)驗(yàn)中遙測(cè)數(shù)據(jù)的期望值與實(shí)際遙測(cè)值的對(duì)比結(jié)果可知，在對(duì)同一組測(cè)試數(shù)據(jù)進(jìn)行故障診斷時(shí)，基于Kalman濾波的方法預(yù)測(cè)出遙測(cè)數(shù)據(jù)的期望值與真實(shí)遙測(cè)數(shù)據(jù)的誤差較大，紅外滾動(dòng)估值的預(yù)測(cè)誤差在0.1°左右，動(dòng)量輪脈沖的預(yù)測(cè)誤差在40個(gè)/min脈沖左右。由圖可知，利用設(shè)定的閾值0.02°和15個(gè)/min無(wú)法對(duì)測(cè)試樣本集中遙測(cè)數(shù)據(jù)微小的誤差進(jìn)行診斷。相對(duì)于基于Kalman濾波的方法，基于BP神經(jīng)網(wǎng)絡(luò)的方法能夠準(zhǔn)確地預(yù)測(cè)出遙測(cè)數(shù)據(jù)的期望值，紅外滾動(dòng)估值的預(yù)測(cè)誤差在0.01°以?xún)?nèi)，動(dòng)量輪脈沖的預(yù)測(cè)誤差在8個(gè)/min脈沖以?xún)?nèi)；通過(guò)設(shè)定的診斷閾值0.02°和15個(gè)/min，能夠準(zhǔn)確地診斷出異常故障。

從而證明了本文建立的BP神經(jīng)網(wǎng)絡(luò)模型是可靠且有效的。利用故障診斷閾值，本文方法能夠有效地對(duì)衛(wèi)星的故障進(jìn)行診斷。經(jīng)分析，預(yù)測(cè)誤差主要來(lái)自于神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本不足造成的神經(jīng)網(wǎng)絡(luò)訓(xùn)練不充分，利用實(shí)時(shí)在線(xiàn)故障診斷子系統(tǒng)中更新的神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)能力可以減小預(yù)測(cè)誤差。

4　結(jié)論

本文通過(guò)對(duì)衛(wèi)星遙測(cè)數(shù)據(jù)的特性分析，利用BP神經(jīng)網(wǎng)絡(luò)來(lái)挖掘其中隱藏的規(guī)律，并構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障診斷系統(tǒng)。利用紅外地球敏感器和動(dòng)量輪的遙測(cè)數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證，與基于Kalman濾波的方法相比，本文方法能夠有效地、準(zhǔn)確地對(duì)衛(wèi)星故障進(jìn)行診斷。由于神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，神經(jīng)網(wǎng)絡(luò)模型會(huì)隨著遙測(cè)數(shù)據(jù)的增多而不斷提高預(yù)測(cè)精度，這會(huì)進(jìn)一步提高衛(wèi)星故障診斷的準(zhǔn)確性。為了將本文方法應(yīng)用于實(shí)際測(cè)試過(guò)程中，后續(xù)需要解決從知識(shí)庫(kù)的大量神經(jīng)網(wǎng)絡(luò)模式中快速查詢(xún)相應(yīng)模型的問(wèn)題。

本文方法應(yīng)用于衛(wèi)星的故障診斷，能夠提高衛(wèi)星測(cè)試的智能性、自主性與實(shí)時(shí)性。同時(shí)，本文的方法對(duì)于衛(wèi)星的在軌自主管理具有一定的參考價(jià)值。

［1］馮文婧，潘宇倩，白東煒.應(yīng)用層次分析法的航天器健康評(píng)估方法［J］.航天器工程，2014，23 （2）：12-18.

［2］朱維寶，李砥擎，孫波.人工智能技術(shù)在航天器數(shù)據(jù)監(jiān)視中的應(yīng)用研究［J］.航天器工程，2007，16 （3）：94-98.

［3］岑朝輝，魏蛟龍，蔣睿.Elman神經(jīng)網(wǎng)絡(luò)的紅外地球敏感器實(shí)時(shí)故障診斷 ［J］.振動(dòng)、測(cè)試與診斷，2010，30（5）：504-509.

［4］Satish Kumar.神經(jīng)網(wǎng)絡(luò) ［M］.北京：清華大學(xué)出版社，2006.

［5］張芝蘭.BP神經(jīng)網(wǎng)絡(luò)研究及其在個(gè)人信用評(píng)估中的應(yīng)用［D］.長(zhǎng)沙：中南大學(xué)，2012.

［6］張旭東，李運(yùn)澤.基于BP神經(jīng)網(wǎng)絡(luò)的納衛(wèi)星軌道溫度預(yù)測(cè)［J］.北京航空航天大學(xué)學(xué)報(bào)，2008，34 （12）：1423-1427.

［7］鄧建國(guó)，羅隆福.基于BP神經(jīng)網(wǎng)絡(luò)的大型水輪發(fā)電機(jī)定子鐵心的溫度預(yù)測(cè)［J］.湖南大學(xué)學(xué)報(bào)，2000，27 （1）：72-75.

［8］郭陽(yáng)明，冉從寶，姬昕禹，等.基于組合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷［J］.西北工業(yè)大學(xué)學(xué)報(bào)，2013，31 （1）：44-48.

A Method of Satellite Fault Diagnosis Based on BP Neural Network

Su Zhenhua1，Lu Wengao1，Qi Jing2，Xue Ye1，Chen Fengtian1
（1.DFH Satellite Co.，Ltd.，Beijing100094，China 2.China Academy of Space Technology，Beijing100094）

In order to effectively use of the massive remote sensing data transmitted from satellites，in the process of testing for satellite real-time fault diagnosis，a method of satellite fault diagnosis based on BP neural network is proposed.The method includes offline autonomous learning and the real-time online fault diagnosis.The offline autonomous learning part automatically learns based on historical database and the updated samples，learning for neural network model is stored in the knowledge base.The real-time on-line fault diagnosis part is for the diagnosis of remote sensing data in real time online，based on the corresponding neural network model.To verify the method of satellite fault diagnosis based on BP neural network is effective and superior，with the control subsystem of the three axis stabilized near earth satellite as experimental object，the method is used to analysis the typical remote sensing data of infrared earth sensors and momentum wheel.By the experimental results analysis of this method and the method based on Kalman filtering，the experimental results show that the method is effective to satellite fault diagnosis.

satellite；BP neural network；fault diagnosis

1671-4598（2016）05-0063-04

10.16526/j.cnki.11-4762/tp.2016.05.019

V557

A

2015-11-17；

2016-01-04。

蘇振華（1987-），男，山東，工程師，主要從事小衛(wèi)星綜合測(cè)試方向的研究。