一種衛(wèi)星電源系統(tǒng)在線(xiàn)故障診斷方法
【專(zhuān)利摘要】本發(fā)明公布了一種基于改進(jìn)聚態(tài)經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble?Empirical?Mode?Decomposition，簡(jiǎn)稱(chēng)EEMD)和糾錯(cuò)碼-支持向量機(jī)(Error?Correcting?Output?Codes-Support?Vector?Machines，簡(jiǎn)稱(chēng)ECOC-SVM)的衛(wèi)星電源系統(tǒng)在線(xiàn)故障診斷方法，屬于電路故障診斷領(lǐng)域。該發(fā)明方法包括以下步驟：1)對(duì)待測(cè)的衛(wèi)星電源電路進(jìn)行可測(cè)性分析，確定可測(cè)點(diǎn)、故障層次、類(lèi)型及數(shù)目；2)離線(xiàn)訓(xùn)練。在衛(wèi)星電源電路的可測(cè)點(diǎn)處采集待測(cè)電路的輸出信號(hào)。采用改進(jìn)的EEMD方法對(duì)采集的電路故障信號(hào)進(jìn)行故障特征提取以形成樣本，用于訓(xùn)練模式分類(lèi)器SVM和改進(jìn)的ECOC；3)在線(xiàn)診斷。通過(guò)訓(xùn)練好的模式分類(lèi)器SVM判斷電路的狀態(tài)，健康則重新監(jiān)測(cè)，若出現(xiàn)故障，則通過(guò)改進(jìn)的ECOC進(jìn)行診斷，最后實(shí)現(xiàn)故障的識(shí)別和定位。
【專(zhuān)利說(shuō)明】一種衛(wèi)星電源系統(tǒng)在線(xiàn)故障診斷方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于改進(jìn)EEMD和ECOC-SVM衛(wèi)星電源系統(tǒng)在線(xiàn)故障診斷方法，屬于復(fù)雜系統(tǒng)電子電路在線(xiàn)故障診斷領(lǐng)域。
【背景技術(shù)】
[0002]衛(wèi)星作為一類(lèi)由機(jī)械、電子、能源、通訊等多尖端成果協(xié)同工作的大型復(fù)雜系統(tǒng)，在深空探測(cè)、國(guó)防軍事、通信等領(lǐng)域起著不可或缺的作用。衛(wèi)星電源系統(tǒng)作為衛(wèi)星的重要組成部分，是衛(wèi)星上產(chǎn)生、存儲(chǔ)、交換、調(diào)節(jié)和分配電能的系統(tǒng)，為衛(wèi)星各個(gè)分系統(tǒng)設(shè)備提供安全可靠的能源供給，是衛(wèi)星必不可少的安全保障系統(tǒng)之一，若發(fā)生故障卻不能及時(shí)得到診斷和恢復(fù)，則將會(huì)影響整個(gè)衛(wèi)星的正常運(yùn)行。因此，實(shí)現(xiàn)衛(wèi)星電源系統(tǒng)故障在線(xiàn)測(cè)試診斷具有十分重要的意義。
[0003]目前，對(duì)衛(wèi)星電源系統(tǒng)在線(xiàn)故障診斷方法主要包括:專(zhuān)家系統(tǒng)、信號(hào)處理、建模以及人工智能等。專(zhuān)家系統(tǒng)需要依靠經(jīng)驗(yàn)獲取知識(shí)，使得診斷過(guò)程存在若干不確定因素，較少單獨(dú)應(yīng)用于復(fù)雜系統(tǒng)的在線(xiàn)故障診斷技術(shù)中；信號(hào)處理方法也難以單獨(dú)應(yīng)用至故障診斷中。系統(tǒng)建模和估計(jì)是一種比較好的方法，但是，衛(wèi)星電源是一種復(fù)雜的非線(xiàn)性系統(tǒng)，建模難度很大，且參數(shù)估計(jì)計(jì)算量也很大，應(yīng)用于衛(wèi)星電源的在線(xiàn)故障診斷有較大難度?；谌斯ぶ悄艿姆椒?，是一種基于知識(shí)模型的信息處理技術(shù)，集信號(hào)處理、機(jī)器學(xué)習(xí)與模式識(shí)別于一體，克服了單一方法的不足，在故障診斷領(lǐng)域應(yīng)用中具有較大優(yōu)勢(shì)。
[0004]為了能夠?qū)πl(wèi)星電源系統(tǒng)的故障進(jìn)行診斷，需要充分利用信號(hào)時(shí)頻域的有用信號(hào)成分，例如經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)，可以有效提取系統(tǒng)的故障特征，提高后續(xù)故障診斷的分辨率。在故障診斷和分類(lèi)方面，可以借助于SVM等智能分類(lèi)方法，例如ECOC-SVM。ECOC算法具有學(xué)習(xí)、糾錯(cuò)能力，可以在一定程度上克服已知樣本數(shù)量有限等缺陷。該算法作為一個(gè)解決多類(lèi)分類(lèi)問(wèn)題的框架，其核心部分即為編碼和解碼，傳統(tǒng)的漢明距離解碼方法可能會(huì)出現(xiàn)同時(shí)與多個(gè)類(lèi)別碼距離最小的情況，因此，采用其他解碼方式可能會(huì)更好解決此類(lèi)問(wèn)題。

【發(fā)明內(nèi)容】

[0005]為了解決上述問(wèn)題，本發(fā)明提出基于改進(jìn)EEMD和ECOC-SVM衛(wèi)星電源系統(tǒng)在線(xiàn)故障診斷方法，一方面解決故障信號(hào)的特征提取問(wèn)題，另一方面克服了傳統(tǒng)ECOC方法距離解碼策略的缺陷，提高了衛(wèi)星電源系統(tǒng)故障診斷準(zhǔn)確率。
[0006]本發(fā)明為實(shí)現(xiàn)上述目的，采用如下技術(shù)方案:
[0007]一種基于改進(jìn)EEMD和ECOC-SVM的衛(wèi)星電源系統(tǒng)在線(xiàn)故障診斷方法，包括如下步驟:
[0008]I)對(duì)衛(wèi)星電源電路進(jìn)行可測(cè)性分析，確定故障層次、類(lèi)型和數(shù)目，并采用軟件進(jìn)行仿真；
[0009]2)離線(xiàn)操作包括數(shù)據(jù)采集、故障特征提取和分類(lèi)器訓(xùn)練。所述故障特征提取方法，采用改進(jìn)的EEMD技術(shù)，所述分類(lèi)器為EC0C-SVM，其中SVM是一種模式分類(lèi)器，用于將采集到的健康數(shù)據(jù)和所有類(lèi)別故障數(shù)據(jù)進(jìn)行分類(lèi)，ECOC分類(lèi)器是一種多類(lèi)分類(lèi)器，當(dāng)故障發(fā)生后，用于故障識(shí)別和定位。
[0010]3)在進(jìn)行實(shí)際衛(wèi)星電源電路的在線(xiàn)故障診斷時(shí)，利用可測(cè)點(diǎn)采樣的故障信息，并利用步驟2)中同樣的特征提取方法實(shí)現(xiàn)故障特征的壓縮和提取，并利用步驟2)中訓(xùn)練好的模式分類(lèi)器進(jìn)行衛(wèi)星電源系統(tǒng)健康狀態(tài)的監(jiān)測(cè)，若發(fā)現(xiàn)故障的存在，則進(jìn)一步分析以實(shí)現(xiàn)故障定位，確定故障模式。
[0011]步驟2)中改進(jìn)EEMD信號(hào)特征提取方法，該方法適用于非平穩(wěn)信號(hào)。具體實(shí)現(xiàn)方法如下:
[0012]首先將采集到的原始信號(hào)加上白噪聲，形成目標(biāo)信號(hào)，將目標(biāo)信號(hào)通過(guò)EEMD分解得到多個(gè)特征模式函數(shù)(Intrinsic Mode Functions,簡(jiǎn)稱(chēng)IMF)分量,為了消除白噪聲的影響，對(duì)目標(biāo)信號(hào)進(jìn)行多次EEMD分解，并且每次加入不同的白噪聲。把分解得到的各個(gè)MF分量的均值作為EEMD分解的最終結(jié)果，根據(jù)衛(wèi)星電源電路的實(shí)際要求，選擇合適的MF分量作為初始特征信號(hào)。
[0013]將選擇好的初始特征信號(hào)經(jīng)過(guò)小波包分解成L層，此處可以選擇L = 3，經(jīng)過(guò)小波包分解后得到小波包分解系數(shù)，計(jì)算小波包分解后各個(gè)節(jié)點(diǎn)的小波包熵，形成初始特征信號(hào)對(duì)應(yīng)的小波包熵特征向量。
[0014]為了充分提取信號(hào)中的有效信息，對(duì)已經(jīng)獲取的小波包熵特征向量進(jìn)行加權(quán)平均，并進(jìn)行數(shù)據(jù)歸一化處理，形成最終的特征向量。 [0015]步驟2)中基于ECOC支持向量多類(lèi)分類(lèi)器解碼策略，具體實(shí)現(xiàn)方法如下:
[0016]首先根據(jù)給定的故障層次、類(lèi)型和數(shù)目構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。BP神經(jīng)網(wǎng)絡(luò)模型是一個(gè)三層網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)可以劃分為輸入層、隱含層、輸出層，該網(wǎng)絡(luò)是一個(gè)基于神經(jīng)網(wǎng)絡(luò)中的多層前饋網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，需要根據(jù)具體的電路情況確定BP網(wǎng)絡(luò)層數(shù)、輸入層和輸出層的節(jié)點(diǎn)數(shù)目。例如，針對(duì)某個(gè)衛(wèi)星電源電路，可選擇采用三層BP網(wǎng)絡(luò)結(jié)構(gòu)，選定輸入層神經(jīng)元為9個(gè)。此處，假定衛(wèi)星電源系統(tǒng)故障可分為充電陣故障(輸出電壓偏大、偏小)、蓄電池電壓(偏大、偏小)、充、放電調(diào)節(jié)器輸出故障(輸出電壓偏大、偏小)、供電陣故障等九種故障，輸出節(jié)點(diǎn)數(shù)目根據(jù)故障種類(lèi)設(shè)定，可設(shè)定為9個(gè)輸出神經(jīng)元。
[0017]1、獲取BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。
[0018]首先根據(jù)衛(wèi)星電源電路的結(jié)構(gòu)，可選擇設(shè)置故障類(lèi)型數(shù)為9，每類(lèi)故障樣本特征數(shù)目為8，每類(lèi)故障利用蒙特卡洛分析獲得50個(gè)樣本，其中30個(gè)樣本用于訓(xùn)練二類(lèi)分類(lèi)器SVM1-SVM9，剩余的20個(gè)樣本用于測(cè)試。
[0019]采用一對(duì)多的編碼方式，形成ECOC編碼矩陣，利用編碼矩陣和已知樣本數(shù)據(jù)對(duì)ECOC框架中的9個(gè)二類(lèi)分類(lèi)器完成離線(xiàn)訓(xùn)練后，獲得9個(gè)分類(lèi)函數(shù)(x)，f2 (X)，...，f9 (x)。然后將所有訓(xùn)練樣本分別通過(guò)二類(lèi)分類(lèi)器SVM1-SVM9進(jìn)行計(jì)算，假設(shè)樣本Xi輸入9個(gè)SVM分類(lèi)器之后，獲得一個(gè)9維的向量Lf1 (Xi)，f2 (Xi)，…，f9 (Xi)]。所有故障模式包含30*9個(gè)訓(xùn)練樣本，通過(guò)上述方法，可以產(chǎn)生30*9個(gè)9維的特征向量，作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入，此處，神經(jīng)網(wǎng)絡(luò)的輸出編碼為l-of-Κ，表示在輸出的編碼中，對(duì)應(yīng)輸入故障類(lèi)別的樣本應(yīng)在其位置賦予1，其余的位置O。
[0020]2、BP神經(jīng)網(wǎng)絡(luò)的初始化參數(shù)的選取。
[0021]BP網(wǎng)絡(luò)神經(jīng)元的連接權(quán)系數(shù)會(huì)影響目標(biāo)函數(shù)的收斂性和收斂速度，初始值若選擇的太大，會(huì)使加權(quán)求和后的輸入值落在激活函數(shù)(此處可以選取Sigmoid函數(shù))的飽和區(qū)，使得網(wǎng)絡(luò)調(diào)節(jié)功能停滯，因此網(wǎng)絡(luò)初始權(quán)值先取較小的數(shù)值，一般選擇[_1，1]或者[0，2]之間的隨機(jī)數(shù)。為了確保網(wǎng)絡(luò)的穩(wěn)定性，一般初始學(xué)習(xí)速率范圍在0.01-0.8之間。期望誤差函數(shù)選擇均方誤差函數(shù)，公式如下:
【權(quán)利要求】
1.一種基于改進(jìn)EEMD和ECOC-SVM的衛(wèi)星電源系統(tǒng)在線(xiàn)故障診斷方法，其特征在于，包括如下步驟: 1)對(duì)衛(wèi)星電源電路進(jìn)行可測(cè)性分析，確定故障層次、類(lèi)型和數(shù)目，并采用軟件進(jìn)行仿真； 2)離線(xiàn)操作包括數(shù)據(jù)采集、故障特征提取和分類(lèi)器訓(xùn)練。所述故障特征提取方法，采用改進(jìn)的EEMD技術(shù)，所述分類(lèi)器為EC0C-SVM，其中SVM是一種模式分類(lèi)器，用于將采集到的健康數(shù)據(jù)和所有類(lèi)別的故障數(shù)據(jù)進(jìn)行分類(lèi)，ECOC分類(lèi)器是一種多類(lèi)分類(lèi)器，當(dāng)故障發(fā)生后，用于故障識(shí)別和定位。 3)在進(jìn)行實(shí)際衛(wèi)星電源電路的在線(xiàn)故障診斷時(shí)，利用可測(cè)點(diǎn)采樣的故障信息，并利用步驟2)中同樣的特征提取方法實(shí)現(xiàn)故障特征的壓縮和提取，并利用步驟2)中訓(xùn)練好的模式分類(lèi)器進(jìn)行衛(wèi)星電源系統(tǒng)健康狀態(tài)的檢測(cè)，若發(fā)現(xiàn)故障的存在，則進(jìn)一步分析以實(shí)現(xiàn)故障定位，確定故障模式。
2.根據(jù)權(quán)利要求1中步驟2)所述的改進(jìn)EEMD信號(hào)特征提取方法，是一種適用于非平穩(wěn)信號(hào)的分析技術(shù)，其特征在于，與普通的EEMD分析不同，本發(fā)明利用EEMD的輸出做小波包分解，得到初始特征信號(hào)對(duì)應(yīng)的小波包熵特征向量，并進(jìn)行加權(quán)平均和歸一化之后得到最終的特征向量。
3.根據(jù)權(quán)利要求書(shū)I所述的基于改進(jìn)EEMD和ECOC-SVM的衛(wèi)星電源系統(tǒng)在線(xiàn)故障診斷方法，其特征在于所述步驟2)中的基于ECOC支持向量多類(lèi)分類(lèi)器解碼策略采用反向傳播誤差(Back Propagation，簡(jiǎn)稱(chēng)BP)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，神經(jīng)網(wǎng)絡(luò)的層數(shù)、神經(jīng)元個(gè)數(shù)等均由具體電路故障模式等因素確定。
【文檔編號(hào)】G01R31/40GK103995237SQ201410197878
【公開(kāi)日】2014年8月20日 申請(qǐng)日期:2014年5月9日 優(yōu)先權(quán)日:2014年5月9日
【發(fā)明者】崔江, 楊慧敏 申請(qǐng)人:南京航空航天大學(xué)