论文部分内容阅读
空间环境复杂多变,是诱发航天器运行故障或异常的主要原因之一。随着航天技术的发展,航天器自动化水平越来越高,航天器在运行环境中若发生故障将造成不可预知的损失,因而如何对航天器进行智能有效的故障诊断已经成为该领域的热点。然而空间环境下的航天器故障复杂多样,传统的航天器故障诊断方法局限于对专家和相关技术人员的知识和经验的依赖,所以无法及时有效地进行航天器故障诊断。因此本论文研究基于人工智能技术的空间环境下航天器故障诊断方法。1)本论文首先提出一种基于反向传播神经网络(Back Propagation,BP)的空间环境下航天器故障诊断方法。该方法建立了空间环境下航天器环境数据和异常事件发生的概率之间复杂的映射关系,利用采集到的航天器环境数据对BP神经网络进行训练,并用测试数据对训练好的网络进行验证。2)本论文进一步提出一种基于深度自编码网络(Deep Auto-Encoder Network,DAEN)的空间环境下航天器故障诊断方法。首先,该方法利用预处理后的航天器环境数据对深度自编码神经网络进行训练,通过训练得到的模型对原始环境数据进行特征提取,利用提取到的环境数据特征完成对航天器的故障分类;然后,利用随机森林算法对航天器环境数据进行特征重要性分析,找出空间环境下引发航天器故障的关键环境影响因子,获得新的环境数据特征子集,并再次利用基于深度自编码网络的故障诊断方法完成航天器的故障诊断。仿真结果表明:对于基于BP神经网络的空间环境下航天器故障诊断方法,该方法在航天器故障诊断方面能够获得较高的预测精度;对于基于深度自编码网络的空间环境下航天器故障诊断方法,一方面,相比直接用分类器网络(Softmax)进行航天器故障诊断,使用该方法得到的分类结果准确率得到提高。另一方面,利用经过特征重要性分析后得到的环境数据特征子集再次进行航天器的故障诊断,该方法的性能得到进一步提升。