基于机器学习的卫星故障动态自适应建模关键技术研究

发布时间：2020-12-08 02:58

　　卫星是一种高复杂的系统。卫星的造价昂贵,维修成本很高,但对于国家来说具有非常重要的战略意义。卫星因为其特殊的工作环境,容易受到各种因素的干扰。一旦卫星发生故障,如果不能及时的处理,那么将可能引发卫星事故,造成不可挽回的损失。卫星发生故障时常常伴随着参数的变化,因此对卫星数据进行相关的故障诊断建模研究具有非常重要的意义,从而实现对卫星状态的监测,减小卫星故障发生的可能性。本论文的主要研究内容与贡献主要有:(1)本文的主要研究对象——本文采用的数据是基于卫星的遥测数据,由合作方提供。通过对遥测数据的特点进行简要的分析,提出对数据的预处理流程,包括剔除野值、插值补偿等,并说明了模型精确度的量化指标;(2)本文采用了粒子群算法优化小波神经网络对卫星遥测数据进行故障诊断建模,该模型能够较准确的对故障进行诊断。针对粒子群算法容易出现早熟的现象,提出了一种改进粒子群算法——骨干粒子群算法对小波神经网络进行优化,能够实现诊断的自适应,从而使模型更加准确;(3)本文采用了蚁群算法优化径向基神经网络对卫星遥测数据进行故障诊断建模,该模型能较好的对故障进行诊断。针对蚁群算法,对蚂蚁提出了一种新的状态——调整... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

卫星故障类型图

据高斯分布函数，计算粒子所对应的舒适度，根据结算结果best, ,,( ), ( ( )) ( ( ))( 1)( ), ( ( )) ( ( ))i d i d ididid i d idx n f x n f pbest npbest npbest n f x n f pbest n , 1 ,, arg min [ ( )]n g n i M i ngbest pbest g f pbest end fordo验证基于建模方法的可行性，将神经网络进行拟合训练，通过方法进行比较分析。测试与分析选取了数据提供方提供的代号名称为RW1的一小段卫星遥测合，图 3-6 为粒子群算法-小波神经网络拟合结果，图 3-7 为小波神经网络拟合的结果：

图 3-7 改进粒子群算法优化拟合效果图，神经网络输入层的个数为 2，隐含层的个数为 3，设置的最大习因子1c 的值为 2.8，学习因子2c 的值为 1.7，权重的值为 0.5 3-7 可以发现改进粒子群算法的拟合效果比没有改进时更加准确群算法优化小波神经网络的误差图，图 3-9 为改进的粒子群算法的误差图。


本文编号：2904332