一种用于变工况卫星姿态控制系统的故障诊断方法

技术领域

本发明涉及卫星故障诊断领域，尤其涉及一种用于变工况卫星姿态控制系统的故障诊断方法。

背景技术

卫星姿态控制系统是卫星中用于控制卫星运动的关键部件，保证了卫星稳定的姿态控制。作为一种大规模复杂系统，其主体系统与环境具有很强的关联性。传统的卫星故障诊断方法往往对于单个模型在工况不改变的条件下有效，一旦环境或任务变化导致工况改变，往往会导致原有的诊断方法失效。因此研究卫星姿态控制系统的变工况故障诊断方法对于提高系统的可靠性和有效性，保障卫星安全运行具有重大意义。

现有的基于数据驱动的卫星域自适应对抗变工况故障诊断方法，只考虑了边缘分布上的对抗训练，而没有考虑不同故障间的条件分布，缺乏对于不同条件分布下的样本的权重分配，最终导致故障诊断的效果受限，难以进一步提升。因此，还需进一步改进变工况条件下卫星姿态控制系统的故障诊断手段。

发明内容

本发明的实施例提供一种用于变工况卫星姿态控制系统的故障诊断方法，能够提高故障诊断系统的鲁棒性和准确性。

为达到上述目的，本发明的实施例采用如下技术方案：

从卫星姿态控制系统采集工况数据，其中，所采集的工况数据包括：工况变化前的源域信号和工况变化后的目标域信号；

利用所采集的工况数据生成样本段，其中，各个样本段中信号的长度相同，且样本段中还记录有故障类别标签和所属工况信息；

构建域分布式对抗适应深度神经网络模型，并利用所生成的样本段在全局域对抗的基础上进行每类样本的对抗训练，得到变工况故障诊断模型；

所述卫星姿态控制系统进行变工况操作后，获取最新的工况数据，将最新的工况数据导入变工况故障诊断模型，并输出目标域故障诊断预测结果。

本发明实施例公开了一种基于域分布式对抗适应深度神经网络的卫星姿态控制系统变工况故障诊断方案，采集工况变化前(源域)后(目标域)的卫星姿态控制系统的多维信号，将采集的信号预处理为创建多维离线训练数据库，通过上述多维数据构建域分布式对抗适应深度神经网络模型，在全局域对抗的基础上增加每类样本的对抗训练，并进行动态权重调节，在所属数据库上得到变工况故障诊断模型。根据本发明专利提供的技术方案，可以实现无监督的变工况自适应故障诊断，可以提高故障诊断系统的鲁棒性和准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的方法流程的示意图；

图2为本发明实施例提供的模型结构示意图；

图3为本发明实施例提供的模型训练与应用流程示意图；

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明实施例提供一种用于变工况卫星姿态控制系统的故障诊断方法，该方法基于域分布式对抗适应深度神经网络实现，主要用于变工况卫星姿态控制系统故障诊断，该方法包括：

S1、从卫星姿态控制系统采集工况数据。

其中，所采集的工况数据包括：工况变化前的源域信号和工况变化后的目标域信号。

S2、利用所采集的工况数据生成样本段。

其中，各个样本段中信号的长度相同，且样本段中还记录有故障类别标签和所属工况信息。

S3、构建域分布式对抗适应深度神经网络模型，并利用所生成的样本段在全局域对抗的基础上进行每类样本的对抗训练，得到变工况故障诊断模型。

S4、所述卫星姿态控制系统进行变工况操作后，获取最新的工况数据，将最新的工况数据导入变工况故障诊断模型，并输出目标域故障诊断预测结果。

具体的，本实施例中可以分为四个阶段，包括：数据采集阶段、数据预处理阶段、模型训练阶段和在线应用阶段，其中：

1)数据采集阶段：

采集卫星姿态控制系统在工况变化前(源域)后(目标域)的多维仿真信号；

2)数据预处理阶段：

将采集得到的信号分割成相同长度的样本段，保留其故障类别标签与所属工况(领域)信息，构成训练数据库；

3)模型训练阶段：

通过多维数据库构建域分布式对抗适应深度神经网络模型，在全局域对抗的基础上增加每类样本的对抗训练，并进行动态权重调节，在所属数据库上训练网络得到变工况故障诊断模型；

4)在线应用阶段：

获取所述卫星姿态控制系统在变工况后的多维仿真信号作为目标域在线数据，经过预处理后生成测试样本后输入到上述经过训练的域分布式对抗适应深度神经网络模型，得到目标域故障诊断预测结果。

本实施例中，所采集的工况数据中的信号种类包括：执行机构信号与敏感器信号。其中，在数据采集阶段，采集卫星姿态控制系统地面仿真模型工作过程中产生的多维信号。所述信号包括执行机构信号与敏感器信号等。

本实施例中，所述利用所采集的工况数据生成样本段，包括：

将信号中的各项特征指标进行时序对齐并进行缺值填充，得到m维的原始数据。之后对所得到的原始数据沿时间序列进行长度为c的滑窗切割，得到数据型为m·c的样本段。

其中，m为正整数，所采集的工况数据的标签对应按照每种工况下的不同故障类别，c表示样本段的长度。具体在卫星仿真数据预处理的过程中，每种工况与不同故障类别标签下仿真得到各项执行器与敏感器指标的数据共m维，将信号中各项特征指标进行时序对齐与缺值填充，对处理后的m维原始数据沿时间序列进行长度为c的滑窗切割，形成数据型为m·c的样本段，样本段包括数据点、故障类别标签与工况(领域)信息。

进一步的，还包括：

获取样本段后创建训练数据库，其中，在所述训练数据库中，工况变化前、后的样本段数量相同、故障类相同，并且每个故障类对应的样本段数量也相同。在所述训练数据库中，源域样本集为

具体在创建样本库的过程中，将上述预处理后的样本段创建得到训练数据库，其中工况变化前后的样本段数量相同、故障类相同且每个故障类对应的样本段数量相同。其中，源域样本集为

本实施例中，主要是通过多维数据库构建域分布式对抗适应深度神经网络模型；在全局域对抗的基础上增加每类样本的对抗训练，并进行动态权重调节；在所属数据库上训练网络，得到训练好的变工况故障诊断模型；该模型可以实现目标域上无监督的故障诊断。其中，所述构建域分布式对抗适应深度神经网络模型，包括：

基于深度神经网络建立模型，并在所构建域的分布式对抗适应深度神经网络模型中设置特征提取器、标签分类器、全局域分类器和分布式域分类器，所建立的模型中包含一个梯度反转层。

其中，特征提取器G

具体的，由特征提取器G

其中，模型的特征提取器G

在本实施例中，所设计的具体函数模型包括：

故障标签分类学习部分F

全局域分类学习部分损失函数为：

分布式域分类学习部分损失函数为：

模型领域分类学习部分F

其中，θ

本实施例中，在利用所生成的样本段在全局域对抗的基础上进行每类样本的对抗训练的过程中，包括：在特征提取器G

具体的，模型代价函数为：

其中，目标域样本的故障类标签采用故障标签分类学习部分得到的预测伪标签

模型的任务优化目标为：

并采用随机梯度下降法获取模型的权重参数

当

本实施例中的在线应用阶段，可以包括：采集所述卫星姿态控制系统在工况变化后的多维仿真信号作为在线数据，并生成在线应用样本。将在线应用样本输入训练后的域分布式对抗适应深度神经网络模型中的有监督训练部分进行标签预测，可以得到故障诊断结果。获取所述卫星姿态控制系统在工况变化后的多维仿真信号作为在线数据，经过预处理后生成测试样本

本发明实施例公开了一种基于域分布式对抗适应深度神经网络的卫星姿态控制系统变工况故障诊断方案，采集工况变化前(源域)后(目标域)的卫星姿态控制系统的多维信号，将采集的信号预处理为创建多维离线训练数据库，通过上述多维数据构建域分布式对抗适应深度神经网络模型，在全局域对抗的基础上增加每类样本的对抗训练，并进行动态权重调节，在所属数据库上得到变工况故障诊断模型。根据本发明专利提供的技术方案，可以实现无监督的变工况自适应故障诊断，可以提高故障诊断系统的鲁棒性和准确性。

本发明实施例可以依据具体的场景调整应用方式，举例来说，在某些应用场景中，可以将方案分为2个阶段，如图1所示的，其中第一阶段为离线建模阶段，建立变工况诊断模型。第二阶段为在线应用阶段，实现在线无监督的故障诊断。其步骤包括：

第一阶段，1采集卫星姿态控制系统在工况变化前(源域)后(目标域)的多维仿真信号；2将采集得到的信号分割成相同长度的样本段，保留其故障类别标签与所属工况信息，构成训练数据库；3构通过多维数据库构建域分布式对抗适应深度神经网络模型，在全局域对抗的基础上增加每类样本的对抗训练，并进行动态权重调节，在所属数据库上训练网络得到变工况故障诊断模型；

具体的，所述1采集卫星姿态控制系统在工况变化前(源域)后(目标域)的多维仿真信号，包括：

采集卫星姿态控制系统在工况变化前(作为源域)后(作为目标域)的多维仿真信号。每种工况与不同故障类别标签下仿真得到各项执行器与敏感器指标的数据共m维信号。

具体的，所述2将采集得到的源域与目标域信号进行预处理，创建离线训练数据库阶段，包括：

(1)卫星仿真数据预处理。卫星仿真数据预处理：每种工况与不同故障类别标签下仿真得到各项执行器与敏感器指标的数据共m维，将信号中各项特征指标进行时序对齐与缺值填充，对处理后的m维原始数据沿时间序列进行长度为c的滑窗切割，形成数据型为m·c的样本段，样本段包括数据点、故障类别标签与工况(领域)信息。

(2)创建训练样本库。将上述预处理后的样本段创建得到训练数据库，其中工况变化前后的样本段数量相同、故障类相同且每个故障类对应的样本段数量相同。其中，源域训练集为

具体的，如图2所示的，所述3构通过多维数据库构建域分布式对抗适应深度神经网络模型，在全局域对抗的基础上增加每类样本的对抗训练，并进行动态权重调节，在所属数据库上训练网络得到变工况故障诊断模型，包括：

(1)构建域分布式对抗适应深度神经网络模型。该模型基于深度神经网络，分为四个模块：特征提取器、标签分类器、全局域分类器和分布式域分类器，包含一个梯度反转层。

该模型分为四个模块：

(i)特征提取器G

(ii)标签分类器G

其中

(iii)全局域分类器

(Vi)分布式域分类器

其中c＝{1,…,L}表示所属的类标签。

上述四部分中，特征提取器G

该部分对源域的有标签数据进行有监督的标签预测。

全局域分类器

其中ω为分布权重且0≤ω≤1，调节分布域分类器与全局域分类器之间的权重。特征提取器G

该部分中源域与目标域无故障标签，将其领域作为标签进行领域预测。

设模型的特征提取器G

(2)训练域分布式对抗适应深度神经网络模型。该模型中故障标签分类学习部分F

全局域分类学习部分损失函数为：

分布式域分类学习部分损失函数为：

模型领域分类学习部分F

为了实现故障标签分类学习部分与领域分类学习部分学习目的对抗，在特征提取器G

其中，目标域样本的故障类标签采用故障标签分类学习部分得到的预测伪标签

采用随机梯度下降法求解模型的权重参数

其中λ表示学习率，网络训练在参数收敛时完成。

(3)得到训练后的域分布式对抗适应深度神经网络模型。分别当参数

第二阶段，如图3所示的，在线故障诊断：4获取所述卫星姿态控制系统在工况变化后的多维仿真信号作为在线数据，经过预处理后生成测试样本，将测试样本输入步骤3得到的域分布式对抗适应深度神经网络模型的标签分类部分，得到故障诊断结果。

具体的，将测试样本输入步骤3得到的域分布式对抗适应深度神经网络模型，得到故障诊断结果阶段，包括：

获取所述卫星姿态控制系统在工况变化后的多维仿真信号作为在线数据，经过预处理后生成测试样本

其中

本实施例提出的基于域分布式对抗适应深度神经网络作为故障检测与诊断算法，可以用来实现卫星姿态控制系统在变工况情况下的故障诊断。该方法通过减少源域和目标域之间的差异，弱化模型对工况变化前后两个分布领域的分辨能力，使特征提取器与故障标签分类器通过源域数据所学的标签预测函数，能够对目标域内无标签的故障数据进行分类。通过引入梯度反转层，实现了源领域标签分布和源领域与目标领域的域分布的对抗学习。通过增加领域分布式对抗，可以动态调节对抗分布权重，提高条件分布的重要性。可以帮助算法比仅使用源数据更好地在目标域上推广。实现在工作状态变化后，取得较高的故障诊断精确性。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。