基于随机森林的卫星姿态控制系统故障诊断与预警方法.pdf

《基于随机森林的卫星姿态控制系统故障诊断与预警方法.pdf》由会员分享，可在线阅读，更多相关《基于随机森林的卫星姿态控制系统故障诊断与预警方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010754761.1 (22)申请日 2020.07.31 (71)申请人 山东科技大学 地址 266590 山东省青岛市黄岛区前湾港 路579号 (72)发明人 钟麦英黄瑾贺凯迅陈绍志 刘洋王友清周东华 (74)专利代理机构 青岛智地领创专利代理有限 公司 37252 代理人 肖峰 (51)Int.Cl. G06K 9/62(2006.01) B64G 1/24(2006.01) (54)发明名称 一种基于随机森林的卫星姿态控制系统故 障诊断与预警方法 (57)摘要 本。

2、发明公开了一种基于随机森林的卫星姿 态控制系统故障诊断与预警方法， 属于卫星姿态 控制系统故障预警技术领域， 包括如下步骤： 原 始数据集的建立； 特征数据集的建立； 随机森林 故障诊断模型的建立； 系统故障标签的获取。 基 于机理模型的故障诊断方法较难进行故障分离， 此外卫星系统处于太空环境中， 常面临多种摄动 力的作用， 扰动信号难以精确估计。 为解决这一 问题， 本发明方法将机理模型的残差信号输入数 据驱动的诊断与预警模型中， 实现对卫星姿态控 制系统潜在故障的诊断与预警， 可对卫星姿态控 制系统早期故障给出及时预警且计算复杂度低、 诊断准确率高、 漏报率和误报率低， 为卫星姿态 控制系。

3、统的故障快速诊断和故障早期预警提供 了有效的方法。 权利要求书2页 说明书6页 附图2页 CN 112036440 A 2020.12.04 CN 112036440 A 1.一种基于随机森林的卫星姿态控制系统故障诊断与预警方法， 其特征在于， 包括如 下步骤： 步骤1： 原始数据集的建立； 采集卫星姿态敏感器正常状态下和故障状态下的测量输出以及姿态控制指令信号， 与 卫星运动学和动力学模型输出信号融合计算获得残差数据集， 然后结合故障先验知识构建 原始数据集； 步骤2： 特征数据集的建立； 根据专家知识及卫星姿态控制系统的特点， 对原始数据集中的数据提取时域特征， 构 建特征数据集； 步骤3。

4、： 随机森林故障诊断模型的建立； 对特征数据集中训练集的数据进行重复抽样并构建分类回归树、 建立随机森林故障诊 断模型； 步骤4： 系统故障标签的获取； 提取传感器实时数据的时域特征， 输入步骤3所构建的随机森林故障诊断模型， 得到故 障标签， 以实现对卫星姿态控制系统潜在故障的快速诊断。 2.根据权利要求1所述的一种基于随机森林的卫星姿态控制系统故障诊断与预警方 法， 其特征在于， 在步骤1中， 具体包括如下步骤： 步骤1.1： 选取卫星姿态控制系统中红外地球敏感器、 太阳敏感器、 星敏感器和陀螺仪 的测量输出以及姿态控制指令信号作为关键变量； 步骤1.2： 利用3西格玛法则剔除数据中的异常。

5、点， 完成数据清洗； 步骤1.3： 利用卫星运动学和动力学模型获得模型信号； 步骤1.4： 计算步骤1.2与步骤1.3两类数据的残差， 获得残差数据集； 步骤1.5： 结合故障先验知识对残差数据集进行故障标识， 构建原始数据集。 3.根据权利要求1所述的一种基于随机森林的卫星姿态控制系统故障诊断与预警方 法， 其特征在于， 在步骤2中， 具体包括如下步骤： 对原始数据集中的数据按最大值、 均方根、 方根幅值、 标准差、 峰值指标、 裕度指标、 绝 对平均值等7个时域指标提取时域特征， 构建特征数据集。 4.根据权利要求1所述的一种基于随机森林的卫星姿态控制系统故障诊断与预警方 法， 其特征在于。

6、， 在步骤3中， 具体包括如下步骤： 步骤3.1： 将步骤2所构建的特征数据集利用bootstrap重抽样方法进行重复有放回抽 样， 得到k个子集， 作为训练集生成随机森林模型， 没有抽到的样本称为袋外样本(out-of- bag， oob)， 将作为验证集， 用来评估分类准确率； 步骤3.2： 利用训练集中的k个子集建立分类回归树， 构建基分类群； 步骤3.3： 利用验证集中的验证数据对分类器进行测试， 根据测试结果优化随机森林分 类器的分类准确率， 获取最优随机森林故障诊断模型。 5.根据权利要求1所述的一种基于随机森林的卫星姿态控制系统故障诊断与预警方 法， 其特征在于， 在步骤4中， 。

7、具体包括如下步骤： 步骤4.1： 将传感器实时数据按步骤1和步骤2中的方法提取时域特征； 步骤4.2： 将步骤4.1提取的时域特征数据送入步骤3.4所构建的随机森林故障诊断模 权利要求书 1/2 页 2 CN 112036440 A 2 型中， 获得该待测样本的故障分类标签。 权利要求书 2/2 页 3 CN 112036440 A 3 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 技术领域 0001 本发明属于卫星姿态控制系统的异常工况预警与早期故障诊断领域， 更具体地， 涉及一种基于随机森林的卫星姿态控制系统故障诊断方法。 背景技术 0002 卫星系统是一类大型复杂系统， 运行环境。

8、特殊、 不确定因素多。 卫星在轨运行时始 终承受着空间环境中各种摄动力的作用， 这使得卫星上使用的设备和元器件故障指数较地 面实验环境下成倍增长， 在轨运行故障难以避免。 卫星姿态控制系统是保障卫星正常执行 飞行任务的重要子系统之一,其在轨发生故障的概率与故障危害相对较高。 对卫星姿态控 制系统运行状态进行有效的监测并对其潜在故障进行及时预警可以提高卫星系统在轨运 行的可靠性和安全性。 0003 目前卫星姿态控制系统的故障诊断主要依赖机理模型、 采用基于残差分析的方法 进行。 基于机理模型的故障诊断方法在模型准确和外部扰动已知的前提下可以获得精确的 诊断结果， 但是其较难进行故障分离。 卫星系。

9、统处于太空环境中， 工作环境复杂， 扰动信号 的种类和形式难以精确估计， 这使得仅依靠机理模型的方法难以获得满意的诊断结果。 而 单独采用基于数据驱动的故障诊断方法难以大幅度提高卫星姿态控制系统故障诊断的正 确率， 也较难应对缺失数据和不确定因素对诊断结果的应用， 使得很多情况下误报率升高。 0004 为了实现卫星姿态控制系统故障的快速诊断与预警,目前亟需一种泛化能力较 强、 计算复杂度小、 对缺失数据敏感度小， 且误报率和漏报率都较低的故障预警新方法。 发明内容 0005 本发明针对上述现有技术中存在的问题， 提供一种卫星姿态控制系统故障的快速 诊断与预警方法， 该方法融合机理模型与数据驱动。

10、方法， 具有计算复杂度低、 诊断准确率 高、 漏报率和误报率低的优点， 为卫星姿态控制系统的故障快速诊断和故障早期预警提供 了有效的解决方案。 0006 为了实现上述目的， 本发明采用如下技术方案： 0007 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法， 包括如下步骤： 0008 步骤1： 原始数据集的建立； 0009 采集卫星姿态敏感器正常状态下和故障状态下的测量输出以及姿态控制指令信 号， 与卫星运动学和动力学模型输出信号融合计算获得残差数据集， 然后结合故障先验知 识构建原始数据集； 0010 步骤2： 特征数据集的建立； 0011 根据专家知识及卫星姿态控制系统的特点， 对原。

11、始数据集中的数据提取时域特 征， 构建特征数据集； 0012 步骤3： 随机森林故障诊断模型的建立； 0013 对特征数据集中训练集的数据进行重复抽样并构建分类回归树、 建立随机森林故 说明书 1/6 页 4 CN 112036440 A 4 障诊断模型； 0014 步骤4： 系统故障标签的获取； 0015 提取传感器实时数据的时域特征， 输入步骤3所构建的故障诊断模型， 得到故障标 签， 以实现对卫星姿态控制系统潜在故障的快速诊断。 0016 优选地， 在步骤1中， 具体包括如下步骤： 0017 步骤1.1： 选取卫星姿态控制系统中红外地球敏感器、 太阳敏感器、 星敏感器和陀 螺仪的测量输出。

12、以及姿态控制指令信号作为关键变量； 0018 步骤1.2： 利用3西格玛法则剔除数据中的异常点， 完成数据清洗； 0019 步骤1.3： 利用卫星运动学和动力学模型获得模型信号； 0020 步骤1.4： 计算步骤1.2与步骤1.3两类数据的残差， 获得残差数据集； 0021 步骤1.5： 结合故障先验知识对残差数据集进行故障标识， 构建原始数据集。 0022 优选地， 在步骤2中,具体包括如下步骤： 0023 对原始数据集中的数据按最大值、 均方根、 方根幅值、 标准差、 峰值指标、 裕度指 标、 绝对平均值等7个时域指标提取时域特征， 构建特征数据集。 0024 优选地， 在步骤3中， 具体。

13、包括如下步骤： 0025 步骤3.1： 将步骤2所构建的特征数据集利用bootstrap重抽样方法进行重复有放 回抽样， 得到k个子集， 作为训练集生成随机森林模型， 没有抽到的样本称为袋外样本(out- of-bag， oob)， 将作为验证集， 用来评估分类准确率。 0026 步骤3.2： 利用训练集中的k个子集建立分类回归树， 构建基分类群； 0027 步骤3.3： 利用验证集中的验证数据对分类器进行测试， 根据测试结果优化随机森 林分类器的分类准确率， 获取最优随机森林故障诊断模型。 0028 优选地， 在步骤4中， 具体包括如下步骤： 0029 步骤4.1： 将传感器实时数据按步骤1。

14、和步骤2中的方法提取时域特征； 0030 步骤4.2： 将步骤4.1提取的时域特征数据送入步骤3.4所构建的随机森林故障诊 断模型， 获得该待测样本的故障分类标签。 0031 本发明所带来的有益技术效果： 0032 卫星姿态控制系统是由姿态敏感器、 控制器、 执行机构与星体一起构成的闭环控 制回路， 该闭环系统中的故障经常会导致多处数据异常， 故障难以定位。 本发明融合机理模 型与数据驱动算法， 不仅能够充分利用机理模型的精确性提高卫星姿态控制系统潜在故障 的检出正确率， 随机森林方法的融入还使得诊断算法能够快速、 准确的定位故障点。 本发明 方法在卫星系统中的使用将会提高卫星姿态控制系统潜在。

15、故障预警准确率， 为专家决策和 诊断赢得宝贵的时间窗口， 有利于卫星系统的长期安全可靠运行。 0033 本发明通过采集卫星姿态控制系统测量信号和指令信号， 将所获得的数据与机理 模型数据比较获得残差数据集， 然后进行提取时域特征， 融合先验故障知识构建了完备的 训练数据集， 有效降低了系统故障的漏报率。 利用重采样构建多个分类回归树， 建立起基于 随机森林的故障分类器， 大大提高了对于故障的泛化能力， 同时可以实现对于多种故障的 有效分离， 进一步提高了故障诊断的敏感性、 精确性。 说明书 2/6 页 5 CN 112036440 A 5 附图说明 0034 图1是本发明基于随机森林的卫星姿态。

16、控制系统故障诊断方法流程图； 0035 图2是本发明方法中最终的错误率与决策树数量关系曲线； 具体实施方式 0036 下面结合附图以及具体实施方式对本发明作进一步详细说明： 0037 如图1所示， 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法， 包括： 0038 步骤1： 采集卫星姿态敏感器在正常状态和故障状态下的测量输出以及控制指令 信号， 与卫星运动学和动力学模型输出信号融合计算获得残差数据， 然后结合故障先验知 识构建原始数据集； 0039 步骤1包括以下子步骤： 0040 步骤1.1： 选取2000组卫星姿态控制系统中姿态敏感器的测量输出以及姿态控制 指令信号作为关键变量， 姿。

17、态敏感器具体选为红外地球敏感器、 太阳敏感器、 星敏感器和陀 螺仪。 0041 步骤1.2:利用3西格玛法则， 剔除上述数据中在( +3, -3 范围之外的粗大数 据， 完成数据清洗。 其中， 为均值， 为标准差。 0042 步骤1.3： 利用卫星运动学和运动学模型获得2000组上述变量模型输出信号； 0043 步骤1.4： 计算步骤1.2与步骤1.3两类数据的残差， 获得残差数据集； 0044 步骤1.5： 融合专家知识进行故障标识， 获取原始数据集Dqe qg Mc yi ； 其中红 外地球敏感器的测量输出为和 e分别表示红外地球敏感器输出的俯仰角 和滚动角； 陀螺仪的测量输出为和表示陀螺。

18、仪输出的角速 度； 控制指令信号为Mcux uy uz ， ux、 uy和uz表示动量轮的控制力矩。 yi为故障类型， 具体 见表1。 0045 表1故障类型 0046 0047 步骤2： 根据专家知识及卫星姿态控制系统的特点， 对原始数据集中的数据按最大 值、 均方根、 方根幅值、 标准差、 峰值指标、 裕度指标、 绝对平均值等7个时域指标提取时域特 征， 构建特征数据集T。 0048 进一步的， 原始数据时域特征按表2中公式， 每4个连续数据一组提取特征变量： 最 终形成特征数据集其中Tqe， Tqg， TMc， 分别为红外地球敏感器测量输 出、 陀螺仪测量输出与动量轮控制指令的时域特征，。

19、 yi为故障类别标签； 特征子集中的特征 数为M， 每次选取个作为决策树生长中的分裂属性。 说明书 3/6 页 6 CN 112036440 A 6 0049 表2时域特征转换方法 0050 0051 表2中xi表示原始数据集中的第i个变量， n为原始数据集中的样本个数。 0052 具体地， 表3中举例描述了Tqe， Tqg， TMc的数据形式， 每一列为一个变量， 每一行为一 个样本； 红外地球敏感器测量输出、 陀螺仪测量输出与动量轮控制指令各取1个传感器信号 经表2所述时域特征变换方法计算得来。 0053 表3： 特征数据举例 0054 0055 步骤3： 对特征数据集中训练集的数据进行重。

20、复抽样， 得到k个bootstrap子集， 利 用每个子集构建一棵分类回归树作为随机森林的基分类器群， 并利用测试集中的数据进行 测试， 由此完成随机森林模型的构建。 0056 步骤3中包括以下子步骤： 0057 步骤3.1： 将步骤2所构建的特征数据集T利用bootstrap重抽样方法进行重复有放 回抽样， 得到k个子集， 作为训练集生成随机森林模型， 没有抽到的样本称为袋外样本(out- 说明书 4/6 页 7 CN 112036440 A 7 of-bag， oob)， 将作为验证集， 用来评估分类准确率。 0058 具体地， 将特征数据集T中的数据用bootstrap方法进行重复抽样，。

21、 得到k个子集， 该实施例中k350。 0059 其中， bootstrap重采样具体步骤如下： 0060 (1)从原始样本集中抽取训练集， 每轮从原始样本集不放回的抽取n个训练样本， 共进行k轮抽取， 得到k个训练集， 且k个训练集之间是相互独立的； 0061 (2)每次使用一个训练集采用决策树算法训练一个模型； 0062 (3)将上一步得到的k个模型采用投票的方式得到k个分类子集。 0063 步骤3.2： 利用训练集中的k个子集建立分类回归树， 构建基分类群； 0064 具体地， 首先采用 “基尼指数” (Gini index)来选择划分属性， 0065 0066 其中， pi为第i个类别。

22、的概率。 0067 然后， 选取基尼指数最小的特征作ti和最优分裂值 进行节点分裂， 最优分裂值 的选取如下： 0068 0069其中为枚举得到的最优分裂特征为ti时的两个子样本集， N1、 N2为两个子样 本集的样本数， N为bootstrap子样本集的样本数。 0070 在构建分类回归树时， 从根节点开始， 递归的对每个节点计算现有所有特征对训 练数据集的基尼指数， 选择基尼指数最小的作为分裂属性， 进行节点分裂， 直到满足停止条 件。 0071 本方法的停止条件选择为： 0072 (1)样本子集的样本个数小于最小叶子节点数。 0073 (2)样本子集的类别全部属于同一类别。 0074 (。

23、3)决策树高度达到阈值。 0075 步骤3.3： 利用验证集中的验证数据对分类器进行测试， 根据测试结果优化随机森 林分类器的分类准确率， 获取最优随机森林故障诊断模型。 0076 步骤4： 提取传感器实时数据的时域特征， 输入步骤3所构建的随机森林模型， 得到 系统故障标签， 以实现对卫星姿态控制系统潜在故障的快速诊断。 0077 步骤4中包括以下子步骤： 0078 步骤4.1： 将传感器实时数据按步骤2中的方法提取时域特征。 0079 步骤4.2： 所提取的时域特征数据送入步骤3所构建的随机森林模型中， 综合k棵决 策树的分类结果， 利用少数服从多数的原则进行投票， 得到随机森林的分类结果。

24、， 从而实现 对待测样本签字故障的快速诊断。 0080 获得该待测样本的故障分类标签， 测试数据中的故障诊断结果如表4所示。 0081 表4分类结果的混淆矩阵 说明书 5/6 页 8 CN 112036440 A 8 0082 0083 由表4可以看出， 利用随机森林算法进行分类时， y1和y4类型没有出现分类错误的 情况， y2有1个样本被错分为y1,5个样本被错分为y4， y3有1个样本被错分为y4,y5有4个样 本被错分为y2,分类正确率可以达到98.54。 其中最终的错误率与决策树数量关系如图2 所示。 0084 以上为本实施例的完整实现过程。 0085 当然， 上述说明并非是对本发明的限制， 本发明也并不仅限于上述举例， 本技术领 域的技术人员在本发明的实质范围内所做出的变化、 改型、 添加或替换， 也应属于本发明的 保护范围。 说明书 6/6 页 9 CN 112036440 A 9 图1 说明书附图 1/2 页 10 CN 112036440 A 10 图2 说明书附图 2/2 页 11 CN 112036440 A 11 。