买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京控制工程研究所

摘要：本发明公开了一种基于循环神经网络的航天器控制系统故障预测方法，包括步骤为：获得航天器控制系统正常情况下的输入数据与输出数据，并作为训练数据；根据得到的训练数据，构建航天器控制系统标称模型；计算故障残差；根据得到的故障残差，构建不同故障模式残差外推模型；利用得到的系统标称模型和故障模式残差外推模型，进行智能故障预测。本发明在故障预测过程中，通过引入状态变量来存储过去信息，并与当前的输入共同决定当前的输出，进而保留了历史“记忆”，克服了传统故障预测方法存在的当前输出只依据于该时刻输入的局限，提高了航天器控制系统故障预测的准确性。

主权项：1.一种基于循环神经网络的航天器控制系统故障预测方法，其特征在于，包括：获得航天器控制系统正常情况下的输入数据与输出数据，并作为训练数据；根据得到的训练数据，构建航天器控制系统标称模型；计算故障残差；根据得到的故障残差，构建不同故障模式残差外推模型；利用得到的系统标称模型和故障模式残差外推模型，进行智能故障预测；所述获得航天器控制系统正常情况下的输入数据与输出数据，包括：获得航天器控制系统正常情况下的输入数据Ut:t+N与输出数据Yt:t+N；其中输入数据为Ut:t+N＝[T1t:t+NT2t:t+NT3t:t+N]，输出数据为Yt:t+N＝[y1t:t+Ny2t:t+N…ynt:t+N]；T1t:t+N,T2t:t+N和T3t:t+N表示从t时刻到t+N得到的长度为N+1的三轴控制器输出，yit:t+N表示从t时刻到t+N得到的长度为N+1的敏感器输出，i＝1,2,…,n，n为敏感器个数，N为正整数；所述根据得到的训练数据，构建航天器控制系统标称模型，包括：利用得到的训练数据，取0.8倍样本量对循环神经网络进行训练，得到航天器控制系统标称模型，用剩余的样本对建立的循环神经网络进行完善与验证；需要建立的循环神经网络包括输入层、隐藏层和输出层，各层由不同个数的神经元构成；循环神经网络的训练分为前向传播与反向传播两个过程；在前向传播过程中，当前层按照网络连接及权值对输入数据进行计算并输出到下一层，t时刻隐藏层状态为： t时刻隐藏层输出为： 其中，I为输入层节点数，H为隐藏层节点数，为t时刻输入节点i的值，对于第一层输入节点来说，即为步骤一中得到的Ut:t+N，Wih为输入层到隐藏层的权值，Wh'h为上一时刻隐藏层与当前隐藏层之间的权值，θh为隐藏层的激励函数，采用Sigmoid函数；循环神经网络在输出层t时刻的输入函数为： 式中，Whk为隐藏层到输出层的权值；输出层t时刻的输出函数为： 其中，θk为输出层的激励函数，采用Sigmoid函数；对于上述权值Wih，Wh'h和Whk，需要对循环神经网络进行训练，利用梯度下降法不断的迭代更新得到最优值；利用梯度下降法不断的迭代更新得到最优值，包括：t时刻输出层误差函数定义如下： 其中，为对应的yit，即为yit:t+N；t时刻隐藏层误差函数定义如下： t时刻隐藏层状态的梯度函数定义如下： 其中，L为误差函数，表示t时刻隐藏层中第j层的状态；对各个梯度权重求偏导函数定义如下： 至此，由梯度下降法求出权重的更新函数定义如下： 其中，角标h,k分别表示隐藏层与输出层，i,j表示层间相连的两个节点的序号；所述计算故障残差，包括：对于考虑的各种故障模式fi，采用故障注入的方法，得到航天器控制系统的输入Uf,it:t+N＝[T1,f,it:t+NT2,f,it:t+NTn,f,it:t+N]与输出Yf,it:t+N＝[y1,f,it:t+Ny2,f,it:t+N…yn,f,it:t+N]，将Uf,it:t+N输入到步骤二构建的航天器控制系统标称模型，得到的输出为进而得到故障残差数据为将残差数据Ef,it:t+N分为输入数据Ef,i,input和输出数据Ef,i,output，其中T1,f,it:t+N，T2,f,it:t+N，Tn,f,it:t+N表示故障fi发生后得到的从t时刻到t+N的三轴控制器输出，y1,f,it:t+N，y2,f,it:t+N，yn,f,it:t+N表示故障fi发生后得到的从t时刻到t+N的敏感器输出；所述根据得到的故障残差，构建不同故障模式残差外推模型，包括：将得到的输入数据Ef,i,input和输出数据Ef,i,output，通过对循环神经网络进行训练，得到各种权重矩阵，进而构建各故障模式的残差外推模型；循环神经网络的训练分为前向传播与反向传播两个过程；在前向传播过程中，当前层按照网络连接及权值对输入数据进行计算并输出到下一层，t时刻隐藏层状态为： t时刻隐藏层输出为： 其中，I为输入层节点数，H为隐藏层节点数，为t时刻输入节点i的值，对于第一层输入节点来说，即为步骤三中得到的Ef,i,input，Wih为输入层到隐藏层的权值，Wh'h为上一时刻隐藏层与当前隐藏层之间的权值，θh为隐藏层的激励函数，采用Sigmoid函数；循环神经网络在输出层t时刻的输入函数为： 式中，Whk为隐藏层到输出层的权值；输出层t时刻的输出函数为： 其中，θk为输出层的激励函数，采用Sigmoid函数；对于上述权值Wih，Wh'h和Whk，需要对循环神经网络进行训练，利用梯度下降法不断的迭代更新而得到最优值；利用梯度下降法不断的迭代更新而得到最优值，包括：t时刻输出层误差函数定义如下： 其中，为对应的yit，即为Ef,i,output；t时刻隐藏层误差函数定义如下： t时刻隐藏层状态的梯度函数定义如下： 其中，L为误差函数，表示t时刻隐藏层中第j层的状态；对各个梯度权重求偏导函数定义如下： 至此，由梯度下降法求出权重的更新函数定义如下： 其中，角标h,k分别表示隐藏层与输出层，i,j表示层间相连的两个节点的序号；所述利用得到的系统标称模型和故障模式残差外推模型，进行智能故障预测，包括：选择某一种故障模式fi，将其注入航天器控制系统中，判断各故障模式的残差外推模型得到的输出Ef,i,output是否大于阈值Ethreshold，若大于则预测到故障发生，否则无故障发生；所述阈值Ethreshold为在无故障的情况下，一段时间内Ef,i,output的最大值。

全文数据：

权利要求：

百度查询： 北京控制工程研究所 一种基于循环神经网络的航天器控制系统故障预测方法