结合扩张状态观测器和BP神经网络的极性故障识别方法技术

本申请实施例提供一种结合扩张状态观测器和BP神经网络的极性故障识别方法，包括：获取姿态控制系统发生极性故障的情况下飞行器对应的箭体角速度、姿态角偏差和受控指令，并获取极性故障的极性故障类型；将箭体角速度、箭体角加速度、姿态角偏差和受控指令确定为模型输入训练数据，将带有极性故障类型的模型输入训练数据确定为第一训练样本；利用第一训练样本构建姿态控制系统极性故障类型识别模型；利用姿态控制系统极性故障类型识别模型进行极性故障类型识别。这样能够识别姿态控制系统发生的极性故障类型并在线完成重构，避免故障产生更深远的影响。本申请还公开一种结合扩张状态观测器和BP神经网络的极性故障识别装置、电子设备、存储介质。存储介质。存储介质。

【技术实现步骤摘要】
结合扩张状态观测器和BP神经网络的极性故障识别方法


[0001]本申请涉及空间飞行器控制
，例如涉及一种结合扩张状态观测器和BP神经网络的极性故障识别方法。

技术介绍

[0002]在航天发射中，因极性错误导致失利的故障还时有发生，尽管飞行前无论是运载火箭还是卫星均经过了充分的测试。如何应对极性错误导致的故障，已愈发引起关注。
[0003]现有技术通常直接将飞行器在真实飞行过程中通过各类传感器采集的控制系统的信息作为样本数据进行训练，以对样本数据进行分类处理，从而确定姿态控制系统本身是否发生故障。
[0004]在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
[0005]现有技术只能辨别出姿态控制系统本身是否发生故障，而难以实现对极性故障类型的辨别。

技术实现思路

[0006]为了解决上述技术缺陷之一，本申请实施例中提供了一种结合扩张状态观测器和BP神经网络的极性故障识别方法。
[0007]根据本申请实施例的第一个方面，提供了一种结合扩张状态观测器和BP 神经网络的极性故障识别方法，包括：获取飞行器运行过程中的箭体角加速度；
[0008]根据所述箭体角加速度确定所述飞行器的姿态控制系统是否发生极性故障；获取所述姿态控制系统发生极性故障的情况下所述飞行器对应的箭体角速度、姿态角偏差和受控指令，并获取极性故障的极性故障类型；将箭体角速度、箭体角加速度、姿态角偏差和受控指令确定为模型输入训练数据，并将带有极性故障类型的模型输入训练数据确定为第一训练样本；利用所述第一训练样本构建姿态控制系统极性故障类型识别模型；利用所述姿态控制系统极性故障类型识别模型进行极性故障类型识别。。
[0009]根据本申请实施例的第二个方面，提供了一种结合扩张状态观测器和BP 神经网络的极性故障识别装置，包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行上述的结合扩张状态观测器和 BP神经网络的极性故障识别方法。
[0010]根据本申请实施例的第三个方面，提供了一种电子设备，包括上述的结合扩张状态观测器和BP神经网络的极性故障识别装置。
[0011]根据本申请实施例的第四个方面，提供了存储介质，存储有程序指令，所述程序指令在运行时，执行上述的结合扩张状态观测器和BP神经网络的极性故障识别方法。
[0012]采用本申请实施例中提供的结合扩张状态观测器和BP神经网络的极性故障识别方法，通过将带有极性故障类型的模型输入训练数据确定为训练样本，并以该训练样本构建姿态控制系统极性故障类型识别模型，然后利用该模型进行故障类型识别，这样不仅能
够识别出姿态控制系统是否发生极性故障，还能够识别姿态控制系统发生的极性故障类型。
附图说明
[0013]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0014]图1为本申请实施例提供的一个用于获取训练样本的方法的示意图；
[0015]图2(a)为本申请实施例提供的一个用于构建姿态控制系统极性故障类型识别模型的方法的示意图；
[0016]图2(b)为本申请实施例提供的一个姿态控制系统极性故障类型识别模型的网络结构的示意图；
[0017]图2(c)为本申请实施例提供的一个极性故障模式分类正确率的混淆矩阵的示意图；
[0018]图3为本申请实施例提供的一个结合扩张状态观测器和BP神经网络的极性故障识别方法的示意图；
[0019]图4为本申请实施例提供的一个用于飞行器的姿态控制系统的示意图；
[0020]图5为本申请实施例提供一种结合扩张状态观测器和BP神经网络的极性故障识别装置的示意图。
具体实施方式
[0021]为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0022]在实现本申请的过程中，专利技术人发现，现有姿态控制系统故障模式的识别模型只能辨别出姿态控制系统是否发生故障，而难以实现对极性故障类型的在线辨别和控制重构。
[0023]针对上述问题，本申请实施例中提供了一种结合扩张状态观测器和BP神经网络的极性故障识别方法，包括：获取飞行器运行过程中的箭体角加速度；根据箭体角加速度确定飞行器的姿态控制系统是否发生极性故障；获取姿态控制系统发生极性故障的情况下飞行器对应的箭体角速度、姿态角偏差和受控指令，并获取极性故障的极性故障类型；将箭体角速度、箭体角加速度、姿态角偏差和受控指令确定为模型输入训练数据，并将带有极性故障类型的模型输入训练数据确定为第一训练样本；利用第一训练样本构建姿态控制系统极性故障类型识别模型；利用姿态控制系统极性故障类型识别模型进行极性故障类型识别。采用本申请实施例提供的结合扩张状态观测器和BP神经网络的极性故障识别方法，通过将带有极性故障类型的模型输入训练数据确定为训练样本，并利用该训练样本构建的姿态控制系统极性故障类型识别模型，然后利用该模型进行故障类型识别，这样不仅能够识别出姿态控制系统是否发生极性故障，还能够识别姿态控制系统发生的极性故障类型。
[0024]结合图1所示，本申请实施例提供一种用于获取训练样本的方法，包括：
[0025]步骤S101，获取飞行器运行过程中的箭体角加速度；
[0026]步骤S102，根据箭体角加速度确定飞行器的姿态控制系统是否发生极性故障；
[0027]步骤S103，获取姿态控制系统发生极性故障的情况下飞行器对应的箭体角速度、姿态角偏差和受控指令，并获取极性故障的极性故障类型；
[0028]步骤S104，将箭体角速度、箭体角加速度、姿态角偏差和受控指令确定为模型输入训练数据，并将带有极性故障类型的模型输入训练数据确定为训练样本。
[0029]采用本申请实施例提供的用于获取训练样本的方法，通过将带有极性故障类型的模型输入训练数据确定为训练样本，进而使得利用该训练样本构建的姿态控制系统极性故障类型识别模型能够识别出姿态控制系统发生的极性故障类型。
[0030]可选地，飞行器为火箭或卫星。
[0031]可选地，获取飞行器运行过程中的箭体角加速度，包括：获取飞行器运行过程中的箭体角速度；根据箭体角速度估计箭体角速度对应的箭体角加速度。可选地，飞行器的运行过程包括飞行器的启动过程、发射过程、飞行过程和仿真运行过程中的一种或多种。
[0032]可选地，根据箭体角速度估计箭体角速度对应的箭体角加速度，包括：通过预设的扩张状态观测器利用箭体角速度进行估计，获得箭体角速度对应的箭体角加速度。由于飞行器在运行过程中的箭体角加速度会受到不确定力矩的干扰，因此箭体角加速度是波动的，利用扩张状态观测器估计获得的箭本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合扩张状态观测器和BP神经网络的极性故障识别方法，其特征在于，包括：获取飞行器运行过程中的箭体角加速度；根据所述箭体角加速度确定所述飞行器的姿态控制系统是否发生极性故障；获取所述姿态控制系统发生极性故障的情况下所述飞行器对应的箭体角速度、姿态角偏差和受控指令，并获取极性故障的极性故障类型；将箭体角速度、箭体角加速度、姿态角偏差和受控指令确定为模型输入训练数据，并将带有极性故障类型的模型输入训练数据确定为第一训练样本；利用所述第一训练样本构建姿态控制系统极性故障类型识别模型；利用所述姿态控制系统极性故障类型识别模型进行极性故障类型识别。2.根据权利要求1所述的方法，其特征在于，获取飞行器运行过程中的箭体角加速度，包括：获取飞行器运行过程中的箭体角速度；根据所述箭体角速度估计所述箭体角速度对应的箭体角加速度。3.根据权利要求2所述的方法，其特征在于，根据所述箭体角速度估计所述箭体角速度对应的箭体角加速度，包括：通过预设的扩张状态观测器利用所述箭体角速度进行估计，获得所述箭体角速度对应的箭体角加速度。4.根据权利要求1所述的方法，其特征在于，根据所述箭体角加速度确定所述飞行器的姿态控制系统是否发生极性故障，包括：在所述箭体角加速度与预设的箭体角加速度期望值不处于预设的一致性范围内的情况下，确定所述姿态控制系统发生极性故障；和/或，在所述箭体角加速度与预设的箭体角加速度期望值处于预设的一致性范围内的情况下，确定所述姿态控制系统未发生极性故障。5.根据权利要求1所述的方法，其特征在于，利用所述第一训练样本构建姿态控制系统极性故障类型识别模型，包括：将所述第一训练样本输入BP神经网络模型进行训练，获得姿态控制系统极性故障类型识别模型。6.根据权利要求1所述的方法，其特征在于，利用所述第一训练样本构建姿态控制系统极性故障类...

【专利技术属性】
技术研发人员：邵梦晗，潘豪，宋征宇，胡瑞光，胡海峰，王晓玲，朱源，
申请(专利权)人：北京航天自动控制研究所，
类型：发明
国别省市：