專利名稱：一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及空間衛(wèi)星的安全運(yùn)行及故障預(yù)測(cè)方法，具體涉及一種基于預(yù)測(cè)濾波和 經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星姿態(tài)控制系統(tǒng)故障預(yù)測(cè)方法。
背景技術(shù)：
衛(wèi)星姿態(tài)控制是獲取并保持衛(wèi)星在空間定向的方法及過(guò)程。目前高精度三軸姿態(tài) 穩(wěn)定衛(wèi)星，在軌道上正常工作時(shí)，普遍采用動(dòng)量輪作為姿態(tài)控制系統(tǒng)的主要執(zhí)行機(jī)構(gòu)，通過(guò) 動(dòng)量輪和衛(wèi)星之間的動(dòng)量交換實(shí)現(xiàn)對(duì)衛(wèi)星姿態(tài)的控制。動(dòng)量輪的可靠性將直接影響整個(gè)衛(wèi) 星的姿態(tài)控制的可行性和可靠性。當(dāng)前對(duì)于衛(wèi)星姿態(tài)控制系統(tǒng)的故障診斷與重構(gòu)主要是基 于硬件冗余的方法，這對(duì)于復(fù)雜的衛(wèi)星姿控系統(tǒng)是遠(yuǎn)遠(yuǎn)不夠的。目前對(duì)衛(wèi)星的安全運(yùn)行及故障預(yù)測(cè)采用預(yù)測(cè)濾波方法，預(yù)測(cè)濾波方法是一種適用 于具有未知輸入或模型誤差的非線性系統(tǒng)的估計(jì)方法，其思想來(lái)源于Lu從系統(tǒng)控制的觀 點(diǎn)提出的非線性預(yù)控制器，在此基礎(chǔ)上，Crassidis和Markley根據(jù)最小模型誤差準(zhǔn)則提出 了一種新的實(shí)時(shí)濾波算法——預(yù)測(cè)濾波(PredictiveFiltering，PF)。預(yù)測(cè)濾波通過(guò)比較測(cè) 量輸出與預(yù)測(cè)輸出實(shí)時(shí)估計(jì)系統(tǒng)的模型誤差，從而修正濾波器狀態(tài)，實(shí)現(xiàn)對(duì)真實(shí)狀態(tài)的估 計(jì)。由于預(yù)測(cè)濾波器具有同時(shí)估計(jì)模型誤差和系統(tǒng)狀態(tài)的能力，國(guó)內(nèi)李驥、張洪鉞通過(guò)把故 障視為一種特殊的模型誤差，將預(yù)測(cè)濾波方法引入到了故障診斷領(lǐng)域。預(yù)測(cè)濾波的估計(jì)結(jié) 果中存在的噪聲會(huì)影響診斷性能，可以采用低通濾波器方法抑制高頻噪聲，但由于噪聲的 特性未知，采用低通濾波器方法抑制噪聲的方法經(jīng)常失效，造成無(wú)法對(duì)故障做出準(zhǔn)確預(yù)測(cè)， 不利于對(duì)接下來(lái)的故障檢測(cè)與診斷的進(jìn)一步研究。若能對(duì)衛(wèi)星故障進(jìn)行準(zhǔn)確預(yù)測(cè)，在故障 發(fā)生之前對(duì)真實(shí)狀態(tài)的估計(jì)，能夠提高整個(gè)衛(wèi)星的姿態(tài)控制的可行性和可靠性。

發(fā)明內(nèi)容
本發(fā)明為了解決傳統(tǒng)衛(wèi)星故障預(yù)測(cè)方法存在受噪聲影響嚴(yán)重、無(wú)法對(duì)故障趨勢(shì)進(jìn) 行準(zhǔn)確預(yù)測(cè)的問(wèn)題，提供了一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法。本發(fā)明具體過(guò)程如下
步驟一利用衛(wèi)星非線性姿態(tài)動(dòng)力學(xué)關(guān)系，采用預(yù)測(cè)濾波的方法對(duì)衛(wèi)星控制系統(tǒng)誤差 進(jìn)行估計(jì)，得到系統(tǒng)模型誤差項(xiàng)；
步驟二 對(duì)步驟一獲得的系統(tǒng)模型誤差項(xiàng)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到前n階本征模態(tài)函 數(shù)IMF分量和殘差分量；
步驟三利用時(shí)間序列分析方法建立關(guān)于步驟二獲得的殘差分量的故障趨勢(shì)的模型， 完成微小和緩變故障的預(yù)報(bào)和檢測(cè)。本發(fā)明根據(jù)衛(wèi)星的非線性姿態(tài)動(dòng)力學(xué)關(guān)系，將故障量與模型不確定性之和視為模 型誤差，與以往的低通濾波器處理方法相比，能夠有效地消除噪聲的影響，利用預(yù)測(cè)濾波方 法估計(jì)模型誤差，對(duì)預(yù)測(cè)濾波得到的模型誤差估計(jì)值進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，獲得其若干個(gè)內(nèi) 固模態(tài)分量和趨勢(shì)分量，提高了預(yù)測(cè)精度，利用時(shí)間序列分析方法對(duì)故障的趨勢(shì)進(jìn)行預(yù)測(cè)，能夠?qū)徸冊(cè)缙凇⑽⑿」收线M(jìn)行準(zhǔn)確預(yù)報(bào)和檢測(cè)，方法簡(jiǎn)明有效。用于衛(wèi)星姿態(tài)控制系統(tǒng)的 故障診斷領(lǐng)域。


圖1為基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法的流程圖；圖2為具體 實(shí)施方式三流程圖；圖3為俯仰軸發(fā)生緩變故障時(shí)的預(yù)測(cè)濾波估計(jì)結(jié)果；圖4為偏航軸(無(wú) 故障)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果；圖5為俯仰軸(緩變故障)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果；圖6為滾轉(zhuǎn)軸 (無(wú)故障)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果；圖7為俯仰軸發(fā)生緩變故障的預(yù)測(cè)結(jié)果；圖8為偏航軸發(fā) 生微小突變故障的預(yù)測(cè)結(jié)果。
具體實(shí)施例方式具體實(shí)施方式
一一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法，具體 過(guò)程如下
步驟一利用衛(wèi)星非線性姿態(tài)動(dòng)力學(xué)關(guān)系，采用預(yù)測(cè)濾波的方法對(duì)衛(wèi)星控制系統(tǒng)誤差 進(jìn)行估計(jì)，得到系統(tǒng)模型誤差項(xiàng)；
步驟二 對(duì)步驟一獲得的系統(tǒng)模型誤差項(xiàng)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到前n階本征模態(tài)函 數(shù)IMF分量和殘差分量；
步驟三利用時(shí)間序列分析方法建立關(guān)于步驟二獲得的殘差分量的故障趨勢(shì)的模型， 完成微小和緩變故障的預(yù)報(bào)和檢測(cè)。經(jīng)驗(yàn)?zāi)B(tài)分解方法(EmpiricalModeDecomposition，EMD)是1998年由學(xué)者黃鍔提 出的一種新的信號(hào)分解方法，能夠利用信號(hào)內(nèi)部時(shí)間尺度的變化做能量與頻率的解析，將 信號(hào)展開(kāi)成數(shù)個(gè)內(nèi)固模態(tài)函數(shù)(IntrinsicModeFunction，IMF)。不同于使用固定形態(tài)窗口 為分界基底函數(shù)的傳統(tǒng)方法，EMD的基底函數(shù)是從信號(hào)中提取得到的，即使用IMF作基底。 而IMF必須滿足下列條件
1)在整個(gè)函數(shù)中，極值點(diǎn)的數(shù)目與穿越零點(diǎn)的數(shù)目相等或者相差1；
2)在任何時(shí)刻，由局部極值包絡(luò)線所定義的包絡(luò)線局部均值為零。其中，第一個(gè)條件與傳統(tǒng)高斯平穩(wěn)過(guò)程中窄頻寬的要求類似。第二個(gè)條件是一個(gè) 新的想法將整體性要求改變?yōu)榫植啃砸螅沟盟矔r(shí)頻率不會(huì)因?yàn)椴粚?duì)稱波形的存在而 導(dǎo)致不必要的晃動(dòng)。依托這兩個(gè)條件構(gòu)建起來(lái)的EMD及HHT被認(rèn)為是強(qiáng)有力地處理非線性、 非平穩(wěn)信號(hào)的自適應(yīng)方法，是近年來(lái)對(duì)以傅立葉變換為基礎(chǔ)的線性及穩(wěn)態(tài)譜分析的重大突 破，并得到了廣泛的應(yīng)用。利用經(jīng)驗(yàn)?zāi)B(tài)分解方法可以自適應(yīng)的將信號(hào)分解為不同瞬時(shí)頻 率的成分，從而自適應(yīng)地消除信號(hào)中的噪聲成分。建立故障趨勢(shì)的預(yù)測(cè)模型是故障預(yù)報(bào)的主要內(nèi)容。自回歸模型 (Autoregressivemodel, ARmodel)是時(shí)間序列分析中的一種常用模型。AR模型具有建模簡(jiǎn) 單，計(jì)算量小等優(yōu)點(diǎn)。一階以上的AR模型適用于平穩(wěn)的隨機(jī)過(guò)程，一階AR模型具有與AR(m) 其中m>l模型不同的特性，作為AR模型的特例，一階AR模型能夠預(yù)測(cè)非平穩(wěn)隨機(jī)過(guò)程。本發(fā)明的基本思想是將故障視為系統(tǒng)模型誤差的主要部分或一種重要成分，利用 衛(wèi)星非線性姿態(tài)動(dòng)力學(xué)關(guān)系設(shè)計(jì)預(yù)測(cè)濾波器估計(jì)系統(tǒng)的模型誤差項(xiàng)，然后利用經(jīng)驗(yàn)?zāi)B(tài)分 解方法對(duì)估計(jì)結(jié)果進(jìn)行處理，以便能夠診斷衛(wèi)星姿態(tài)控制系統(tǒng)的微小和緩變?cè)缙诠收稀?
其中& = +1 —tk是采樣周期；該采樣周期為常值，+ = ，矩陣 z[x(t),At]的第i個(gè)元素為 其中j^^EiT為狀態(tài)向量，x^eR"為狀態(tài)向量的估計(jì)值，/e if為可微的 狀態(tài)函數(shù)，g[x(t)] e Rnxq為已知的模型誤差分布矩陣，c[x(t)] e Rm為測(cè)量函數(shù)向 量，d(t) e Rq為未知的模型誤差的估計(jì)，實(shí)際系統(tǒng)的量測(cè)輸出為離散形式，yk e Rm 表示在tk時(shí)刻的測(cè)量值，eRm為測(cè)量噪聲，并設(shè)定vk是均值為零、協(xié)方差矩陣為 QeJI—的高斯白噪聲；
在I + AI時(shí)刻將量測(cè)函數(shù)進(jìn)行泰勒展開(kāi)，得到本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的利用衛(wèi)星非線性姿態(tài)動(dòng)力學(xué)關(guān)系設(shè)計(jì) 預(yù)測(cè)濾波器估計(jì)系統(tǒng)的模型誤差項(xiàng)，對(duì)估計(jì)結(jié)果進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到若干階IMF與趨 勢(shì)項(xiàng)，利用時(shí)間序列分析方法建立趨勢(shì)項(xiàng)的模型，進(jìn)行微小和緩變故障的預(yù)報(bào)和檢測(cè)。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)
1)本發(fā)明所提出的故障預(yù)測(cè)方法利用經(jīng)驗(yàn)?zāi)B(tài)分解方法，與低通濾波器處理方法相 比，能夠更有效地消除噪聲的影響，提取故障量的趨勢(shì)信息。2)本發(fā)明所提出的故障故障預(yù)報(bào)方法利用經(jīng)驗(yàn)?zāi)B(tài)分解方法，將信號(hào)分為若干個(gè) IMF和非平穩(wěn)的殘差分量，在此基礎(chǔ)上建立AR模型，能夠提高預(yù)測(cè)精度。3)本發(fā)明對(duì)故障量進(jìn)行預(yù)報(bào)和檢測(cè)，與直接基于閾值的診斷方法相比，能夠提高 對(duì)于緩變?cè)缙?、微小故障的敏感能力?br> 具體實(shí)施方式
二、本實(shí)施方式是對(duì)具體實(shí)施方式
一的進(jìn)一步說(shuō)明，步驟一中利用 衛(wèi)星非線性姿態(tài)動(dòng)力學(xué)關(guān)系，采用預(yù)測(cè)濾波的方法對(duì)衛(wèi)星控制系統(tǒng)誤差進(jìn)行估計(jì)，得到系 統(tǒng)模型誤差項(xiàng)的過(guò)程為
設(shè)定衛(wèi)星控制系統(tǒng)的模型誤差由衛(wèi)星執(zhí)行機(jī)構(gòu)故障和模型不確定性組成，預(yù)測(cè)濾波系 統(tǒng)和實(shí)際系統(tǒng)的量測(cè)方程分別為 狀態(tài)方程
預(yù)測(cè)濾波方程為
其中a.為泰勒展開(kāi)式中首次出現(xiàn)時(shí)的微分階數(shù)，4(c〗.)為 的A階李導(dǎo)數(shù)； 矩陣為對(duì)角矩陣，其對(duì)角元素為
矩陣
其第i行的元素為
取性能指標(biāo)函數(shù)
其中妒e 為正半定加權(quán)矩陣，采用梯度優(yōu)化算法對(duì)性能指標(biāo)進(jìn)行優(yōu)化，得到模 型誤差項(xiàng)的估計(jì)值為 由于模型誤差項(xiàng)的估計(jì)值含有較大的噪聲分量，不能直接用于故障診斷， 有必要進(jìn)行下一步進(jìn)行處理。
具體實(shí)施方式
三、本實(shí)施方式是對(duì)具體實(shí)施一的進(jìn)一步說(shuō)明，步驟二得到前n階 本征模態(tài)函數(shù)IMF分量和殘差分量的過(guò)程為
設(shè)定系統(tǒng)模型誤差項(xiàng)的估計(jì)值為^ ,時(shí)間t = ls2,---,iV， 步驟a、IMF分解過(guò)程初始化= 1，且滿足關(guān)系式
成立，其中 rn_{(t)為第—1)次分解后剩余的殘差函數(shù)
步驟b、篩選過(guò)程初始化:k=\,且滿足關(guān)系式
成立，其中 hHk-v> (0為第"次imf分解中經(jīng)過(guò)第左-1次篩選后的剩余函數(shù)；
步驟c、根據(jù)篩選程序獲取系統(tǒng)模型誤差項(xiàng)的估計(jì)值經(jīng)過(guò)第次本征模態(tài)函數(shù)分解的剩余的殘差函數(shù)中經(jīng)過(guò)第A次篩選后的剩余函數(shù)；
步驟d、采用標(biāo)準(zhǔn)偏差準(zhǔn)則判斷獲得的剩余函數(shù)/^(f)是否滿足本征模態(tài)函數(shù)的條件，
即
是否小于閾值 T'0.2<T<0.3 判斷結(jié)果為是，執(zhí)行步驟e，判斷結(jié)果為否，則A功+1，返回執(zhí)行步驟C， 步驟e、獲得第《次本征模態(tài)函數(shù)IMF分量￡7 (0 = A欣(0 ；
步驟f、獲取系統(tǒng)模型誤差項(xiàng)的估計(jì)值經(jīng)過(guò)第”次本征模態(tài)函數(shù)分解的剩余的殘 差函數(shù)^二,—；
步驟g、令11 = B+1，返回執(zhí)行步驟b，直到獲得前n階本征模態(tài)函數(shù)IMF分量和殘差分量。
具體實(shí)施方式
四、本實(shí)施方式是對(duì)具體實(shí)施三的進(jìn)一步說(shuō)明，步驟c根據(jù)篩選程 序獲取系統(tǒng)模型誤差項(xiàng)的估計(jì)值經(jīng)過(guò)第 次本征模態(tài)函數(shù)分解的剩余的殘差函數(shù)中
經(jīng)過(guò)第次篩選后的剩余函數(shù)的過(guò)程為
步驟cl、利用三次樣條函數(shù)獲取系統(tǒng)模型誤差項(xiàng)dG)經(jīng)過(guò)第次本征模態(tài)函數(shù)分解 的剩余趨勢(shì)函數(shù)中經(jīng)過(guò)第左-1次篩選后的剩余函數(shù)的上、下包絡(luò)曲線；
步驟C2、計(jì)算所述剩余函數(shù) 上、下包絡(luò)曲線在時(shí)間f = 1,2,..., A「內(nèi)的 均值 1)(0 ；
步驟C3、獲取系統(tǒng)模型誤差項(xiàng)的估計(jì)值經(jīng)過(guò)第”次本征模態(tài)函數(shù)分解的剩余趨
勢(shì)函數(shù)中經(jīng)過(guò)第*次篩選后的剩余函數(shù)具體實(shí)施方式
五、本實(shí)施方式是對(duì)具體實(shí)施三的進(jìn)一步說(shuō)明，步驟f 中對(duì)系統(tǒng)模 型誤差項(xiàng)x(t、進(jìn)行4次本征模態(tài)函數(shù)分解，獲得4個(gè)本征模態(tài)函數(shù)分量IMF1、IMF2、IMF3
和
；并獲得經(jīng)過(guò)4次本征模態(tài)函數(shù)分解的剩余的殘差
函數(shù),具體實(shí)施方式
六、本實(shí)施方式是對(duì)具體實(shí)施一的進(jìn)一步說(shuō)明，步驟三中利用時(shí)間 序列分析方法建立關(guān)于步驟二獲得的殘差分量的故障趨勢(shì)的模型，完成微小和緩變故障的 預(yù)報(bào)和檢測(cè)的過(guò)程為
將殘差分量作為趨勢(shì)信號(hào)，建立其自回歸模型，表達(dá)式為
其中，r⑴為殘差函數(shù)的時(shí)間序列，為模型階次，&為模型參數(shù)，€(.0為白噪聲序列； 觀測(cè)值為.「(0),r(l),…_,r(」V),預(yù)測(cè)模型的階次為少由自回歸模型表達(dá)式得如下方
程組
則上式的矩陣形式為
模型參數(shù)的最小二乘解為
獲得自回歸模型的模型參數(shù)兒利用模型參數(shù)^進(jìn)行故障預(yù)報(bào)和檢測(cè)。 一階以上的AR模型適用于平穩(wěn)的隨機(jī)過(guò)程，一階AR模型具有與皿>1)模型
不同的特性，作為AR模型的特例，一階AR模型能夠預(yù)測(cè)非平穩(wěn)隨機(jī)過(guò)程。下面通過(guò)衛(wèi)星執(zhí)行機(jī)構(gòu)故障診斷仿真實(shí)例闡述本發(fā)明的
具體實(shí)施例方式
執(zhí)行步驟一用預(yù)測(cè)濾波方法估計(jì)執(zhí)行機(jī)構(gòu)故障量。衛(wèi)星姿態(tài)動(dòng)力學(xué)的狀態(tài)方程形式和離散測(cè)量方程如下
式中，狀態(tài)變量x(t)為衛(wèi)星的姿態(tài)角速度，Ix，Iy，Iz為衛(wèi)星的主軸慣量，
fAWyifkfM為執(zhí)行器動(dòng)量輪故障。根據(jù)預(yù)測(cè)濾波理論，得到故障估計(jì)量為 其中
以在t = 19.6s時(shí)俯仰軸發(fā)生斜率為0.004N`m/S的執(zhí)行器緩變故障為例，各軸的故
障估計(jì)結(jié)果如圖3所示，其中，圖3三條曲線依次分別為x，y, z三個(gè)坐標(biāo)軸方向(偏航、俯 仰、滾轉(zhuǎn)軸)故障估計(jì)值，橫坐標(biāo)表示時(shí)間，單位是秒，縱坐標(biāo)表示故障估計(jì)值，單位是牛頓米。由于估計(jì)結(jié)果中存在較大的噪聲成分，無(wú)法直接用于故障診斷，必須對(duì)信號(hào)進(jìn)行處理以 提取故障特征。執(zhí)行步驟二 對(duì)預(yù)測(cè)濾波結(jié)果進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到若干個(gè)IMF和殘差分量。為避免丟失速率陀螺的故障特征，經(jīng)過(guò)128次采樣即進(jìn)行一次經(jīng)驗(yàn)?zāi)B(tài)分解。經(jīng) 驗(yàn)?zāi)B(tài)分解至第4層即可結(jié)束。在(=19. 65俯仰軸發(fā)生故障時(shí)，偏航軸(無(wú)故障)故障估計(jì)量的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果 為圖4，圖5為俯仰軸的故障估計(jì)量的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果，圖6為滾轉(zhuǎn)軸(無(wú)故障)故障估計(jì) 量的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果。圖4、圖5、圖6分別為對(duì)采集的偏航、俯仰和滾轉(zhuǎn)三軸信號(hào)進(jìn)行經(jīng) 驗(yàn)?zāi)B(tài)分解的結(jié)果，每個(gè)圖從上到下分別為1、2、3、4、5階IMF (內(nèi)固模態(tài)函數(shù))分量和分解 后的殘差分量，橫坐標(biāo)表示時(shí)間，單位是秒，縱坐標(biāo)表示IMF分量或殘差分量，單位是牛頓 米。執(zhí)行步驟三建立殘差分量的AR模型，進(jìn)行故障預(yù)報(bào)和檢測(cè)。用一階AR模型作為殘差分量的預(yù)測(cè)模型，利用前述最小二乘估計(jì)方法獲得AR模 型的模型參數(shù)值。偏航、俯仰和滾轉(zhuǎn)軸的預(yù)測(cè)結(jié)果如圖7。圖7為對(duì)圖3所描述的例子(在 t=19. 6s時(shí)俯仰軸發(fā)生故障)，采用本發(fā)明方法得到的x，y, z三個(gè)坐標(biāo)軸方向(偏航、俯仰、 滾轉(zhuǎn)軸)故障估計(jì)值，橫坐標(biāo)表示時(shí)間，單位是秒，縱坐標(biāo)表示故障估計(jì)值，單位是牛頓米。
采用適當(dāng)?shù)拈撝?0.02JV_ )，能夠?qū)ξ⑿?、早期故障?shí)現(xiàn)提前檢測(cè)。另外，也可通過(guò)微小的突變故障來(lái)驗(yàn)證本發(fā)明所提出的故障預(yù)測(cè)方法的有效性。
在l = 時(shí)，偏航軸發(fā)生突變故障，幅度為，則偏航、俯仰、滾轉(zhuǎn)軸的故障預(yù)
測(cè)結(jié)果如圖8。圖8為在20s時(shí)，偏航軸發(fā)生幅度為0. 01N. m的突變故障時(shí)，采用本發(fā)明方 法得到的x，y，z三個(gè)坐標(biāo)軸方向(偏航、俯仰、滾轉(zhuǎn)軸)故障估計(jì)值，橫坐標(biāo)表示時(shí)間，單位是 秒，縱坐標(biāo)表示故障估計(jì)值，單位是牛頓米。上述故障診斷結(jié)果，可以驗(yàn)證本發(fā)明所提出的故障預(yù)測(cè)方法的有效性。
權(quán)利要求
一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法，其特征在于具體過(guò)程如下步驟一利用衛(wèi)星非線性姿態(tài)動(dòng)力學(xué)關(guān)系，采用預(yù)測(cè)濾波的方法對(duì)衛(wèi)星控制系統(tǒng)誤差進(jìn)行估計(jì)，得到系統(tǒng)模型誤差項(xiàng)；步驟二對(duì)步驟一獲得的系統(tǒng)模型誤差項(xiàng)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到前n階本征模態(tài)函數(shù)IMF分量和殘差分量；步驟三利用時(shí)間序列分析方法建立關(guān)于步驟二獲得的殘差分量的故障趨勢(shì)的模型，完成微小和緩變故障的預(yù)報(bào)和檢測(cè)。
1.一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法，其特征在于具體過(guò)程如下步驟一利用衛(wèi)星非線性姿態(tài)動(dòng)力學(xué)關(guān)系，采用預(yù)測(cè)濾波的方法對(duì)衛(wèi)星控制系統(tǒng)誤差 進(jìn)行估計(jì)，得到系統(tǒng)模型誤差項(xiàng)；步驟二 對(duì)步驟一獲得的系統(tǒng)模型誤差項(xiàng)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到前n階本征模態(tài)函 數(shù)IMF分量和殘差分量；步驟三利用時(shí)間序列分析方法建立關(guān)于步驟二獲得的殘差分量的故障趨勢(shì)的模型， 完成微小和緩變故障的預(yù)報(bào)和檢測(cè)。
2.根據(jù)權(quán)利要求1所述的一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法，其 特征在于步驟一中利用衛(wèi)星非線性姿態(tài)動(dòng)力學(xué)關(guān)系，采用預(yù)測(cè)濾波的方法對(duì)衛(wèi)星控制系統(tǒng) 誤差進(jìn)行估計(jì)，得到系統(tǒng)模型誤差項(xiàng)的過(guò)程為設(shè)定衛(wèi)星控制系統(tǒng)的模型誤差由衛(wèi)星執(zhí)行機(jī)構(gòu)故障和模型不確定性組成，其非線性狀 態(tài)方程和量測(cè)方程分別為狀態(tài)方程預(yù)測(cè)濾波方程為 其中為狀態(tài)向量，j(t)ERn為狀態(tài)向量的估計(jì)值，/E if為可微的狀 態(tài)函數(shù)，g[x(t)] e Rnxq為已知的模型誤差分布矩陣，c[x(t)] e Rm為測(cè)量函數(shù)向量， d(t) e Rq為未知的模型誤差,d{t) e Rq為其估計(jì)值，yk e Rm表示在tk時(shí)刻的實(shí) 際系統(tǒng)的量測(cè)輸出，為離散形式，vk^Rm為測(cè)量噪聲，并設(shè)定^是均值為零、協(xié)方差矩陣 為gEf 的高斯白噪聲；在Af時(shí)刻將量測(cè)函數(shù)進(jìn)行泰勒展開(kāi)，得到 其中a.為泰勒展開(kāi)式中首次出現(xiàn)時(shí)的微分階數(shù)，4(c〗.)為~的a階李導(dǎo)數(shù)； 矩陣為對(duì)角矩陣，其對(duì)角元素為矩陣 其第i行的元素為 取性能指標(biāo)函數(shù) 其中IF e 為正半定加權(quán)矩陣，采用梯度優(yōu)化算法對(duì)性能指標(biāo)進(jìn)行優(yōu)化，得到模 型誤差項(xiàng)的估計(jì)為
3.根據(jù)權(quán)利要求2所述的一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法，其 特征在于步驟二得到前n階本征模態(tài)函數(shù)IMF分量和殘差分量的過(guò)程為設(shè)定系統(tǒng)模型誤差項(xiàng)估計(jì)值為d (t),時(shí)間t = 1，2，# ,步驟a、IMF分解過(guò)程初始化雙，且滿足關(guān)系式 成立，其中 W)為第次分解后剩余的殘差函數(shù)步驟b、篩選過(guò)程初始化:k=\,且滿足關(guān)系式Kik-iXO = W)成立，其中 h(.k-\、CO為第《次IMF分解中經(jīng)過(guò)第左-1次篩選后的剩余函數(shù)；步驟C、根據(jù)篩選程序獲取系統(tǒng)模型誤差項(xiàng)估計(jì)值^^經(jīng)過(guò)第次本征模態(tài)函數(shù)分解 的剩余的殘差函數(shù)中經(jīng)過(guò)第a次篩選后的剩余函數(shù)；步驟d、采用標(biāo)準(zhǔn)偏差準(zhǔn)則判斷獲得的剩余函數(shù)是否滿足本征模態(tài)函數(shù)的條件，即卩舊 )(0是否小于閾值t，0.2<T<0.3 ；判斷結(jié)果為是，執(zhí)行步驟e，判斷結(jié)果為否，則A功+1，返回執(zhí)行步驟c， 步驟e、獲得第《次本征模態(tài)函數(shù)IMF分量=力.成(0 ；步驟f、獲取系統(tǒng)模型誤差項(xiàng)估計(jì)值經(jīng)過(guò)第w次本征模態(tài)函數(shù)分解的剩余的殘差函數(shù)認(rèn) 步驟8、令《 = 11+1 ,返回執(zhí)行步驟b，直到獲得前n階本征模態(tài)函數(shù)IMF分量和殘差分量。
4.根據(jù)權(quán)利要求3所述的一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法，其 特征在于步驟c根據(jù)篩選程序獲取系統(tǒng)模型誤差項(xiàng)估計(jì)值經(jīng)過(guò)第m次本征模態(tài)函數(shù)分解的剩余的殘差函數(shù)中經(jīng)過(guò)第t次篩選后的剩余函數(shù)的過(guò)程為步驟cl、利用三次樣條函數(shù)獲取系統(tǒng)模型誤差項(xiàng)估計(jì)值經(jīng)過(guò)第次本征模態(tài)函數(shù)分解的剩余趨勢(shì)函數(shù)中經(jīng)過(guò)第A — 1次篩選后的剩余函數(shù)^O^G)的上、下包絡(luò)曲 線.一入 ，步驟c2、計(jì)算所述剩余函數(shù)！^^”口)上、下包絡(luò)曲線在時(shí)間》=1,2，...，雙內(nèi)的步驟c3、獲取系統(tǒng)模型誤差項(xiàng)估計(jì)值經(jīng)過(guò)第 次本征模態(tài)函數(shù)分解的剩余趨勢(shì)函數(shù)中經(jīng)過(guò)第*次篩選后的剩余函數(shù)A成(0 =。
5.根據(jù)權(quán)利要求3所述的一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法，其 特征在于步驟f 中對(duì)系統(tǒng)模型誤差項(xiàng)的估計(jì)值cJ^J進(jìn)行4次本征模態(tài)函數(shù)分解，獲得4個(gè)本征模態(tài)函數(shù)分量IMF1、IMF2、IMF3和IMF1 {q⑴，C2 (t),C, (t), C4 (0}；并獲得經(jīng)過(guò)4次本征模態(tài)函數(shù)分解的剩余的殘差函數(shù)〔(f)。
6.根據(jù)權(quán)利要求3所述的一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法，其 特征在于步驟三中利用時(shí)間序列分析方法建立關(guān)于步驟二獲得的殘差分量的故障趨勢(shì)的 模型，完成微小和緩變故障的預(yù)報(bào)和檢測(cè)的過(guò)程為將殘差分量作為趨勢(shì)信號(hào)，建立其自回歸模型，表達(dá)式為 其中，r⑴為殘差函數(shù)的時(shí)間序列，為模型階次，力為模型參數(shù)，為白噪聲序列；觀測(cè)值為40),,r(l),- V’(」V)，預(yù)測(cè)模型的階次為/7，由自回歸模型表達(dá)式得如下方 程組 則上式的矩陣形式為R = BA +A模型參數(shù)的最小二乘解為 獲得自回歸模型的模型參數(shù)兒利用模型參數(shù)^進(jìn)行故障預(yù)報(bào)和檢測(cè)。
全文摘要
一種基于預(yù)測(cè)濾波和經(jīng)驗(yàn)?zāi)B(tài)分解的衛(wèi)星故障預(yù)測(cè)方法，涉及空間衛(wèi)星的安全運(yùn)行及故障預(yù)測(cè)方法，解決了傳統(tǒng)衛(wèi)星故障預(yù)測(cè)與診斷方法存在受噪聲影響嚴(yán)重、無(wú)法對(duì)故障趨勢(shì)進(jìn)行準(zhǔn)確預(yù)測(cè)的問(wèn)題，具體過(guò)程如下一利用衛(wèi)星非線性姿態(tài)動(dòng)力學(xué)關(guān)系，采用預(yù)測(cè)濾波的方法對(duì)衛(wèi)星控制系統(tǒng)誤差進(jìn)行估計(jì)，得到系統(tǒng)模型誤差項(xiàng)；二對(duì)步驟一獲得的系統(tǒng)模型誤差項(xiàng)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到前n階本征模態(tài)函數(shù)IMF分量和殘差分量；三利用時(shí)間序列分析方法建立關(guān)于步驟二獲得的殘差分量的故障趨勢(shì)的模型，完成微小和緩變故障的預(yù)報(bào)和檢測(cè)。用于衛(wèi)星姿態(tài)控制系統(tǒng)的故障診斷領(lǐng)域。
文檔編號(hào)G05D1/00GK101859146SQ20101022874
公開(kāi)日2010年10月13日 申請(qǐng)日期2010年7月16日 優(yōu)先權(quán)日2010年7月16日
發(fā)明者張迎春, 沈毅, 王振華 申請(qǐng)人:哈爾濱工業(yè)大學(xué)