王嘉軼，聞新，張婉怡

南京航空航天大學(xué) 航天學(xué)院，南京 210016

?

衛(wèi)星群反作用飛輪的故障診斷方法研究

王嘉軼，聞新*，張婉怡

南京航空航天大學(xué) 航天學(xué)院，南京 210016

衛(wèi)星群飛行技術(shù)是航天領(lǐng)域的新興技術(shù)，多個低成本小衛(wèi)星可以完成較為艱巨的太空任務(wù)，但與此同時也會帶來更多的故障問題。面對復(fù)雜的空間環(huán)境，針對衛(wèi)星群可能發(fā)生的故障問題，提出了一種分布式衛(wèi)星群系統(tǒng)故障診斷方案，通過基于Elman神經(jīng)網(wǎng)絡(luò)的故障診斷方法完成對衛(wèi)星群姿態(tài)控制系統(tǒng)的故障診斷。試驗(yàn)結(jié)果表明，該方案能夠快速檢測出衛(wèi)星群中反作用飛輪發(fā)生的故障，并且讓鄰近衛(wèi)星通過神經(jīng)網(wǎng)絡(luò)也能檢測到該故障的發(fā)生，表現(xiàn)出很好的準(zhǔn)確性和實(shí)時性，在實(shí)際應(yīng)用中有效可行。

衛(wèi)星群；神經(jīng)網(wǎng)絡(luò)；故障診斷；姿態(tài)控制；反作用飛輪

衛(wèi)星群飛行技術(shù)是空間技術(shù)的新興領(lǐng)域，也是國內(nèi)外航天領(lǐng)域的發(fā)展方向。傳統(tǒng)的太空飛行任務(wù)是利用昂貴的大衛(wèi)星進(jìn)行的。然而，與單顆大衛(wèi)星相比，小衛(wèi)星群在運(yùn)行成本、魯棒性、靈活性和容錯能力方面都有明顯的優(yōu)勢，并且可以完成更為艱巨的太空任務(wù)，所以越來越受到廣泛關(guān)注。近年來，國內(nèi)外很多學(xué)者都致力于衛(wèi)星群系統(tǒng)飛行技術(shù)的研究[1-3]。Scharf等人[4-5]提出了5種不同的編隊飛行控制方案。另外，基于單積分一致性理論和基于雙積分方法的多智能體(mlti-agent)系統(tǒng)也在文獻(xiàn)[6-8]中進(jìn)行了有效性論證。

然而，這些衛(wèi)星群的飛行方案都是建立在理想操作環(huán)境下的，一旦出現(xiàn)故障,會給衛(wèi)星群飛行任務(wù)帶來嚴(yán)重的影響。傳統(tǒng)意義上，衛(wèi)星的地面監(jiān)控系統(tǒng)已經(jīng)能夠完成航天器的故障診斷。但是，當(dāng)衛(wèi)星發(fā)生異常時，由于需要下載大量的遙測數(shù)據(jù)進(jìn)行分析，人工故障檢測和恢復(fù)在實(shí)時性和有效性方面都會受到一定的影響。另一方面，由于衛(wèi)星群系統(tǒng)的衛(wèi)星數(shù)量較多，地面故障診斷系統(tǒng)需要耗費(fèi)更多資源，這樣也會增加衛(wèi)星飛行任務(wù)的成本。因此，衛(wèi)星群系統(tǒng)需要具備自主故障檢測、隔離和故障恢復(fù)的能力。文獻(xiàn)[9]就這些問題提出了基于分層式自主故障檢測與隔離機(jī)制的航天器編隊飛行系統(tǒng)。為了能夠檢測出系統(tǒng)發(fā)生的故障，設(shè)計了分別為子系統(tǒng)部件級、子系統(tǒng)級、系統(tǒng)級和群系統(tǒng)級的4層式編隊飛行系統(tǒng)故障診斷算法，并利用模糊規(guī)則來對不同層級間的故障關(guān)系進(jìn)行故障檢測和說明?；谏鲜鲅芯拷Y(jié)果，文獻(xiàn)[10]利用模糊推理算法完成了主從式編隊飛行任務(wù)中姿態(tài)控制子系統(tǒng)的部件級故障診斷。另外，分布式故障診斷方式也得到了廣泛的應(yīng)用。文獻(xiàn)[11]利用了幾何方法來設(shè)計基于分布式故障檢測濾波器的航天器編隊。每個航天器不僅能夠檢測和隔離自身發(fā)生的故障，而且同樣可以診斷其他航天器故障。對于故障診斷算法方面，文獻(xiàn)[12-13]也同樣運(yùn)用幾何方法實(shí)現(xiàn)了基于觀測器設(shè)計的故障診斷。除此之外，基于模型的故障診斷方法，如卡爾曼濾波法和基于觀測器方法也都被運(yùn)用到衛(wèi)星群的自主故障診斷上[14-17]。然而，要想建立精準(zhǔn)的系統(tǒng)模型是非常困難的，這限制了基于模型的故障診斷方法的發(fā)展。所以，機(jī)器學(xué)習(xí)算法，如聚類分析算法和神經(jīng)網(wǎng)絡(luò)算法，在近年得到了更多的關(guān)注。文獻(xiàn)[18-19]就是利用動態(tài)神經(jīng)網(wǎng)絡(luò)模擬了衛(wèi)星推進(jìn)器的動力學(xué)特性，然后運(yùn)用該模型進(jìn)行衛(wèi)星編隊系統(tǒng)的故障診斷。在擁有充分?jǐn)?shù)據(jù)訓(xùn)練的情況下，就可以建立系統(tǒng)的動態(tài)神經(jīng)網(wǎng)絡(luò)系統(tǒng)。但是，當(dāng)數(shù)據(jù)在實(shí)際過程中很難獲得的情況下，該方法將不再適用。

針對上述研究成果和群系統(tǒng)在故障診斷中存在的問題，本文提出了基于Elman神經(jīng)網(wǎng)絡(luò)的衛(wèi)星群故障診斷方案。首先，通過對Elman神經(jīng)網(wǎng)絡(luò)的建立，研究單顆衛(wèi)星姿態(tài)控制系統(tǒng)的故障診斷問題。然后以三星為例，對基于虛擬結(jié)構(gòu)的衛(wèi)星群中的執(zhí)行器故障問題進(jìn)行仿真分析，驗(yàn)證所提出的衛(wèi)星群故障診斷方案的有效性和可行性。

1　衛(wèi)星姿態(tài)系統(tǒng)描述

衛(wèi)星姿態(tài)控制方法主要分為兩類，主動控制方法和被動控制方法。其中主動控制方法包括三軸姿態(tài)穩(wěn)定、動量偏移等，被動控制方法有重力梯度穩(wěn)定、氣動力矩穩(wěn)定以及自旋穩(wěn)定等。其中，三軸姿態(tài)穩(wěn)定的主動姿態(tài)控制方法精度最高，是衛(wèi)星姿態(tài)中最常用的方法，所以本文采用這種方法來進(jìn)行衛(wèi)星姿態(tài)的穩(wěn)定性控制。

1.1衛(wèi)星姿態(tài)系統(tǒng)模型

衛(wèi)星的姿態(tài)運(yùn)動是指其繞自身質(zhì)心的運(yùn)動，所以姿態(tài)控制問題可以抽象為剛體姿態(tài)的控制問題。在衛(wèi)星的本體坐標(biāo)系中，Ox,Oy,Oz軸為衛(wèi)星的主慣量軸。利用剛體的動量矩定理，得到衛(wèi)星姿態(tài)動力學(xué)方程：

(1)

式中：ω1、ω2、ω3為衛(wèi)星空間轉(zhuǎn)動角速度沿坐標(biāo)軸Ox、Oy、Oz方向上的分量(即衛(wèi)星的滾轉(zhuǎn)角速度、偏航角速度和俯仰角速度)；I1、I2、I3分別為衛(wèi)星繞坐標(biāo)軸Ox、Oy、Oz的轉(zhuǎn)動慣量；M1、M2、M3分別為作用在衛(wèi)星上相對于質(zhì)心O的控制扭矩在坐標(biāo)軸Ox、Oy、Oz方向上的分量。

定義θ1、θ2、θ3為衛(wèi)星本體坐標(biāo)系相對于質(zhì)心平動坐標(biāo)系的3個歐拉角，分別為滾轉(zhuǎn)角、偏航角和俯仰角，并按照3-1-3方式旋轉(zhuǎn)(即按照俯仰-滾轉(zhuǎn)-俯仰)。最終得到衛(wèi)星空間轉(zhuǎn)動角速度在本體坐標(biāo)系中的分量ω1、ω2、ω3，即將衛(wèi)星姿態(tài)從本體坐標(biāo)系變換到質(zhì)心平動坐標(biāo)系，這就是衛(wèi)星的姿態(tài)運(yùn)動學(xué)方程：

(2)

聯(lián)立式(1)和式(2)，整理后得到衛(wèi)星姿態(tài)系統(tǒng)的狀態(tài)方程：

(3)

由式(3)可知，衛(wèi)星姿態(tài)運(yùn)動學(xué)方程是一個

強(qiáng)非線性模型，共有6個狀態(tài)變量。

1.2反作用飛輪

在姿態(tài)控制系統(tǒng)中，執(zhí)行機(jī)構(gòu)主要是通過產(chǎn)生力或力矩來控制衛(wèi)星的姿態(tài)變化。其中，反作用飛輪由于其高精度而被普遍應(yīng)用于衛(wèi)星姿態(tài)主動控制系統(tǒng)中。在一般情況下，反作用飛輪是由直流無刷電機(jī)驅(qū)動的飛輪構(gòu)成。一個高精度的反作用飛輪的內(nèi)部結(jié)構(gòu)模型如圖1所示[20]。

該模型主要包括5個模塊：電機(jī)扭矩控制模塊、轉(zhuǎn)速限制模塊、電動勢扭矩限制模塊、電機(jī)擾動模塊及軸承的摩擦擾動模塊。反作用飛輪中母線電流Ibus和黏性扭矩τv表示如下：

(4)

(5)

式中：Vbus為母線電壓；Im為電機(jī)電流；ω為反作用飛輪角速度；T為工作溫度。反作用飛輪中其他參數(shù)值、對應(yīng)單位及其物理意義如表1[20]所示。

圖1　反作用飛輪模型結(jié)構(gòu)Fig.1　Block diagram of reaction wheel

參數(shù)物理意義單位數(shù)值J飛輪轉(zhuǎn)動慣量N·m·s20.0077ωd飛輪驅(qū)動頻率rad/s20kf電壓反饋增益10.5ks超速循環(huán)增益V/(rad·s-1)95ωs轉(zhuǎn)速限制rad/s690τc庫侖摩擦系數(shù)N·m0.002kt電機(jī)扭矩參數(shù)N·m/A0.029Gd飛輪驅(qū)動增益A/V0.19ωa高通濾波器頻率rad/s0.2N電機(jī)磁極數(shù)36ke電機(jī)電動勢反饋常數(shù)V/(rad·s-1)0.029RIN輸入阻抗Ω2B電機(jī)扭矩震蕩系數(shù)0.22RB電橋測量阻抗Ω2θa扭矩噪聲角偏差rad0.05Pq靜態(tài)功率W3

2　衛(wèi)星姿態(tài)控制系統(tǒng)故障診斷

2.1Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)是由J.L.Elman于1990年提出的一種動態(tài)反饋網(wǎng)絡(luò)，首先應(yīng)用于語音問題的處理上[21]。在系統(tǒng)辨識、預(yù)測和控制領(lǐng)域，已有很多學(xué)者對Elman神經(jīng)網(wǎng)絡(luò)或者改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行研究。Elman神經(jīng)網(wǎng)絡(luò)一般包含4層，分別是輸入層、隱含層、承接層和輸出層。該網(wǎng)絡(luò)相當(dāng)于一個從隱層輸出到隱層輸入進(jìn)行反饋連接的動態(tài)神經(jīng)網(wǎng)絡(luò)。其中，承接層用來記憶前一時刻的輸出值并返回給網(wǎng)絡(luò)的輸入。因此，隱含層具有映射外部輸入以及前一時刻期望輸出的特點(diǎn)。隱含層的傳遞函數(shù)一般采用非線性函數(shù)，取sigmoid函數(shù)。為了提高Elman神經(jīng)網(wǎng)絡(luò)的非線性處理能力，文獻(xiàn)[22]提出了基于Elman網(wǎng)絡(luò)的優(yōu)化算法。優(yōu)化后Elman神經(jīng)網(wǎng)絡(luò)的不同之處在于其具有固定增益的自反饋環(huán)節(jié)，使得網(wǎng)絡(luò)具有更好的動態(tài)記憶功能，圖2為優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)[23]。

圖2　優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2　Structure of modified Elman neural network

輸入層到輸出層的動態(tài)關(guān)系為：

Y(k)=WyX(k)=

(6)

式中：U(k)、Y(k)為網(wǎng)絡(luò)輸入和輸出向量；X(k)、Xc(k)為隱含層和承接層的輸入向量；Wc、Wu、Wy為承接層、輸入層和隱含層的連接權(quán)矩陣。Elman網(wǎng)絡(luò)的數(shù)學(xué)模型表達(dá)方法表示如下：

(7)

式中：Wyc是隱含層到承接層的連接權(quán)矩陣。與此同時，經(jīng)過改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型表示方法如下：

(8)

設(shè)Y(k)和Yd(k)為系統(tǒng)的實(shí)際輸出和期望輸出響應(yīng)，那么Elman網(wǎng)絡(luò)的目標(biāo)函數(shù)(誤差函數(shù))可以表示為：

(9)

由于優(yōu)化后的Elman神經(jīng)網(wǎng)絡(luò)還是通過BP算法來調(diào)節(jié)網(wǎng)絡(luò)的連接權(quán)值，所以無法避免BP網(wǎng)絡(luò)帶來的如收斂速度慢且易于陷入局部極小值等問題。因此，針對Elman神經(jīng)網(wǎng)絡(luò)的這些問題，本文利用遺傳算法(GA)對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)值的優(yōu)化。

遺傳算法是一種具有廣泛適用性的搜索算法[24]。在自然選擇和種群遺傳進(jìn)化學(xué)的基礎(chǔ)上，通過隨機(jī)迭代和進(jìn)化使得種群能夠適應(yīng)環(huán)境的變化。這是遺傳算法的基本原則，稱之為“適者生存”。GA將優(yōu)勝劣汰原則和信息隨機(jī)交換方法相結(jié)合，前者消除了種群中的非適應(yīng)因素，后者充分利用了種群中的現(xiàn)有信息共享機(jī)制，從而可以有效地加快搜索過程。并且基于多點(diǎn)并行搜索的特點(diǎn)，GA就能避免搜索系統(tǒng)陷入局部極值點(diǎn)的問題出現(xiàn)。所以，GA可以通過選擇、復(fù)制、交叉和變異操作，在大概率解空間中搜索全局中的最優(yōu)解或次優(yōu)解。

Elman神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是由輸入/輸出樣本參數(shù)的數(shù)量決定的，所以首先可以通過GA優(yōu)化參數(shù)值和個體編碼的長度來改進(jìn)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。另外，Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值都是通過隨機(jī)初始化得到的，這對網(wǎng)絡(luò)的訓(xùn)練有很大的影響。然而，這里無法通過計算直接獲得網(wǎng)絡(luò)權(quán)值和閾值的初始值。因此遺傳算法的引入可以幫助網(wǎng)絡(luò)尋找到最優(yōu)的初始權(quán)值和閾值。這樣，基于遺傳算法改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)可以更好地對輸入值進(jìn)行預(yù)測。并且遺傳算法具有并行搜索的特性，可以避免Elman神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)的問題，保證了神經(jīng)網(wǎng)絡(luò)算法的快速和穩(wěn)定的原則?；谶z傳算法改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)的算法流程如圖3所示。

圖3　改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)的算法流程Fig.3　Flow chart of Elman neural network improved by GA

2.2衛(wèi)星姿態(tài)控制系統(tǒng)

本文采用基于Elman網(wǎng)絡(luò)的動態(tài)神經(jīng)網(wǎng)絡(luò)來搭建衛(wèi)星三軸穩(wěn)定姿態(tài)系統(tǒng)的故障診斷方案，神經(jīng)網(wǎng)絡(luò)是衛(wèi)星姿態(tài)控制系統(tǒng)故障診斷的判斷依據(jù)。其中Vcomm和τz/est作為神經(jīng)網(wǎng)絡(luò)的輸入值和輸出值，分別表示實(shí)際系統(tǒng)的指令電壓值和控制力矩的估計值，τz/act是實(shí)際控制系統(tǒng)的控制力矩。通過扭矩傳感器測得的衛(wèi)星反作用飛輪實(shí)際輸出信號和通過神經(jīng)網(wǎng)絡(luò)得到的估計輸出信號的差就是我們需要獲取的殘差信號，該信號可以用于衛(wèi)星執(zhí)行機(jī)構(gòu)的健康狀態(tài)測定。所以，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可以通過殘差生成來進(jìn)行衛(wèi)星姿態(tài)控制系統(tǒng)中反作用飛輪的故障診斷，如圖4所示。

圖4　基于神經(jīng)網(wǎng)絡(luò)的衛(wèi)星姿態(tài)故障診斷系統(tǒng)Fig.4　Neural network based fault diagnosis system of satellite

(10)

2.3仿真分析

在試驗(yàn)仿真中，首先對衛(wèi)星姿態(tài)控制系統(tǒng)中執(zhí)行器機(jī)構(gòu)的反作用飛輪進(jìn)行建模，然后對衛(wèi)星每個軸上反作用飛輪的輸入輸出參數(shù)即指令電壓Vcomm和控制力矩τz進(jìn)行數(shù)據(jù)采集并利用改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練過程是從一個相對較小的網(wǎng)絡(luò)結(jié)構(gòu)開始，通過逐步增加神經(jīng)元個數(shù)和改進(jìn)網(wǎng)絡(luò)層數(shù)，直到達(dá)到誤差允許范圍內(nèi)的性能要求。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率設(shè)置為0.05，訓(xùn)練過程是在不同噪聲條件下通過蒙特卡洛方法進(jìn)行步長為0.01 s的3 000步仿真。通過500次的訓(xùn)練迭代后均方差的平均值為0.005 908，滿足性能指標(biāo)的要求。衛(wèi)星三軸姿態(tài)訓(xùn)練后的性能指標(biāo)如圖5所示。

圖5　神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的性能指標(biāo)Fig.5　The performance index curve of neural network training

對于衛(wèi)星姿態(tài)控制系統(tǒng)，在一般情況下，反作用飛輪有兩種情況容易發(fā)生故障，可能導(dǎo)致控制系統(tǒng)嚴(yán)重?fù)p壞甚至災(zāi)難性故障。下面將通過衛(wèi)星姿態(tài)控制系統(tǒng)的故障問題來驗(yàn)證所提出的故障診斷方案的可實(shí)行。

(1)電機(jī)電流故障

當(dāng)電機(jī)電流下降的時候，反作用飛輪提供不了足夠的控制扭矩，這將導(dǎo)致姿態(tài)控制回路的穩(wěn)定性下降，引起一系列姿態(tài)故障的發(fā)生。因?yàn)殡姍C(jī)扭矩變化會直接關(guān)系到電機(jī)電流的變化，當(dāng)電機(jī)電流意外下降時，電機(jī)扭矩也會相應(yīng)下降。所以本文用電機(jī)扭矩參數(shù)的變化來反映電機(jī)電流的變化。

對系統(tǒng)注入電機(jī)電流故障，衛(wèi)星x軸的電機(jī)電流在采樣時間為1 500時相對于正常值下降了50%，圖6顯示了衛(wèi)星姿態(tài)控制系統(tǒng)產(chǎn)生的殘差信號。

圖6　x軸電機(jī)電流故障時的三軸姿態(tài)殘差信號Fig.6　Residual signal of x-axis motor current fault

(2)黏性摩擦導(dǎo)致的溫度故障

衛(wèi)星反作用飛輪中的黏性摩擦一般與黏性扭矩有關(guān)，由式(5)可知摩擦扭矩主要取決于其工作環(huán)境溫度，因此任何的溫度變化都會對控制力矩產(chǎn)生影響。當(dāng)溫度很高時，會引起軸承的損壞，從而黏性摩擦?xí)M(jìn)一步變大。所以，溫度故障可能會導(dǎo)致衛(wèi)星處于非正常運(yùn)行的狀態(tài)。

對系統(tǒng)注入黏性摩擦導(dǎo)致的溫度故障，衛(wèi)星z軸的摩擦溫度在采樣時間為1 500時相對于正常值升高了30%，圖7顯示了衛(wèi)星三軸產(chǎn)生的殘差信號。

通過同樣的方法，分別對x軸、y軸和z軸注入30%～80%的6次電機(jī)電流故障和6次溫度故障，最終都能夠檢測出故障的存在，并且在無故障的情況下沒有出現(xiàn)虛報故障的情況。通過對提出的兩種故障類型進(jìn)行模擬仿真和檢測可以看出，本文所提出的基于Elman神經(jīng)網(wǎng)絡(luò)的故障檢測系統(tǒng)可以快速有效地檢測出單顆衛(wèi)星姿態(tài)控制系統(tǒng)中電機(jī)電流故障和黏性摩擦導(dǎo)致的溫度故障，并且沒有虛驚和漏警的情況出現(xiàn)，表明了提出的方案對于單顆衛(wèi)星故障檢測的精確性和可靠性。

圖7　z軸溫度故障時的三軸姿態(tài)殘差信號Fig.7　Residual signal of z-axis viscous temperature fault

3　衛(wèi)星群姿態(tài)控制系統(tǒng)故障診斷

對于衛(wèi)星群的飛行任務(wù)來說，每一顆衛(wèi)星的故障診斷系統(tǒng)都只能檢測到自身發(fā)生的故障問題，一旦自身的診斷系統(tǒng)出現(xiàn)故障，就不能繼續(xù)進(jìn)行故障診斷任務(wù)了。鑒于此，為了提高群飛行任務(wù)中故障診斷系統(tǒng)的可靠性，本文提出了分布式衛(wèi)星群故障診斷系統(tǒng)，采用3顆衛(wèi)星組成的衛(wèi)星群系統(tǒng)進(jìn)行仿真分析。

通過這種方法，一旦衛(wèi)星出現(xiàn)故障問題，衛(wèi)星群中的相鄰衛(wèi)星也會同時檢測到故障的存在，這樣就可以進(jìn)行下一步的故障容錯和衛(wèi)星群的姿態(tài)重構(gòu)任務(wù)。

圖8　衛(wèi)星群故障診斷系統(tǒng)的結(jié)構(gòu)Fig.8　Structure of the fault detection system in formation flying

4　仿真試驗(yàn)

本文采用基于虛擬結(jié)構(gòu)的群飛行控制技術(shù)[25]，3顆衛(wèi)星位于同一平面并等距離分布在直徑為0.5km的圓周上。假設(shè)3顆衛(wèi)星構(gòu)成的衛(wèi)星群為一個剛性結(jié)構(gòu)，同時群飛行構(gòu)型保持不變，并且在機(jī)動過程中衛(wèi)星都保持相對固定的運(yùn)動方向。通過對系統(tǒng)注入噪聲條件下的各種故障參數(shù)來判斷故障診斷系統(tǒng)的有效性。故障檢測過程中，任何偏離閾值范圍的殘差信號都將被判定為有故障發(fā)生。本文將通過對不同故障環(huán)境下衛(wèi)星群x軸姿態(tài)系統(tǒng)的仿真試驗(yàn)來證明所提出的故障診斷方法的可實(shí)行。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段，改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)在不同噪聲條件下通過蒙特卡洛方法進(jìn)行步長為0.01s的3 000步仿真。通過2 000次的訓(xùn)練迭代后均方差的平均值為0.007 12，滿足性能指標(biāo)的要求。

對于衛(wèi)星群姿態(tài)控制系統(tǒng)中執(zhí)行器可能發(fā)生的故障問題，通過以下幾個案例進(jìn)行仿真分析，驗(yàn)證所提出的基于虛擬結(jié)構(gòu)的分布式衛(wèi)星群故障診斷方案的可實(shí)性。

(1)電機(jī)電流故障

在衛(wèi)星群的姿態(tài)控制系統(tǒng)中，衛(wèi)星2在x軸中反作用飛輪的電機(jī)電流在采樣時間為1 500時相對于正常值下降了50%，圖9顯示了衛(wèi)星2和衛(wèi)星1的x軸姿態(tài)控制系統(tǒng)中的殘差信號。

圖9　衛(wèi)星群姿態(tài)控制系統(tǒng)中x軸的殘差信號Fig.9　Residual signal of x-axis in control system

(2)黏性摩擦導(dǎo)致的溫度故障

在衛(wèi)星群的姿態(tài)控制系統(tǒng)中，衛(wèi)星1中x軸的電機(jī)電流在采樣時間為2 500時相對于正常值上升了80%，圖10顯示了衛(wèi)星1和衛(wèi)星3姿態(tài)控制系統(tǒng)中x軸的殘差信號。

圖10　衛(wèi)星群姿態(tài)控制系統(tǒng)中x軸的殘差信號Fig.10　Residual signal of x-axis in control system

通過以上仿真試驗(yàn)可以看出，針對衛(wèi)星群系統(tǒng)執(zhí)行器可能發(fā)生的故障問題，本文所提出的分布式衛(wèi)星群的故障診斷方案的具有有效性和實(shí)時性。一旦第i顆衛(wèi)星出現(xiàn)故障問題，不僅衛(wèi)星i的故障診斷系統(tǒng)可以在發(fā)生故障后的18個仿真步數(shù)即0.18s內(nèi)檢測到故障的發(fā)生，衛(wèi)星i-1也能在發(fā)生故障后的73個仿真步數(shù)即0.73s內(nèi)診斷出故障的發(fā)生。通過同樣的方法，對x軸、y軸和z軸采用同樣的仿真試驗(yàn)，即分別注入30%～80%的電機(jī)電流故障和溫度故障各6次，同樣也能得到與上述相同的故障診斷結(jié)果，都能夠診斷出故障的發(fā)生，并且沒有無故障條件下謊報故障的情況出現(xiàn)。

5　結(jié)束語

本文提出了基于Elman神經(jīng)網(wǎng)絡(luò)的衛(wèi)星群姿態(tài)控制系統(tǒng)的故障診斷方案，并以反作用飛輪為研究對象進(jìn)行故障分析和仿真試驗(yàn)。分布式衛(wèi)星群故障診斷方案能有效地檢測出故障衛(wèi)星，并且臨近衛(wèi)星也能通過Elman神經(jīng)網(wǎng)絡(luò)方法檢測到故障的發(fā)生。試驗(yàn)結(jié)果表明，本文提出的故障診斷方案可以使故障衛(wèi)星在故障發(fā)生的第一時間就能被檢測出來，臨近衛(wèi)星也能在短時間內(nèi)檢測到該故障，沒有發(fā)生虛警和漏警的情況出現(xiàn)，基本達(dá)到了實(shí)時性和準(zhǔn)確性的要求。后續(xù)研究將針對檢測到的故障進(jìn)行進(jìn)一步的故障隔離、故障估計和衛(wèi)星群的姿態(tài)重構(gòu)任務(wù)。

References)

[1]LI Z, DUAN Z, XIE L, et al. Distributed robust control of linear multi-agent systems with parameter uncertainties[J]. International Journal of Control, 2011, 85(8):1039-1050.

[2]WANG X, CHENG L. Output-feedback consensus control of linear multi-agent systems: a fixed topology[J]. International Journal of Innovative Computing, Information and Control, 2011, 7(5A), 2063-2074.

[3]CHANG C W, CHEN C L, CHANG Y H, et al. Adaptive fuzzy sliding-mode formation control for second-order multi-agent systems[C]∥International Conference on System Science and Engineering. Taipei,2010:310-314.

[4]SCHARF D P, HADAEGH F Y, PLOEN S R. A survey of spacecraft formation flying guidance and control (part 1): guidance[C]∥American Control Conference, 2003. Denver: IEEE, 2003:1733-1739.

[5]SCHARF D P, HADAEGH F Y, PLOEN S R. A survey of spacecraft formation flying guidance and control (Part 2): control[C]∥American Control Conference, 2004.Boston: IEEE,2004:2976-2985.

[6]CHENG L, HOU Z G, TAN M, et al. Necessary and sufficient conditions for consensus of double-integrator multi-agent systems wth measurement noises[J]. IEEE Transactions on Automatic Control, 2011, 56(8):1958-1963.

[7]HU J, LIN Y S. Consensus control for multi-agent systems with double-integrator dynamics and time delays[J]. Control Theory & Applications,2010, 4(1):109-118.

[8]CHENG L, WANG Y, HOU Z G, et al. A sampled-data based average consensus protocol for double-integrator multi-agent systems with switching topologies and communication noises[C]∥Intelligent Control and Automation. Beijing: IEEE, 2012:886-891.

[9]BARUA A, KHORASANI K. Intelligent model-based hierarchical fault diagnosis for satellite formations[C]∥IEEE International Conference on Systems, Man and Cybernetics,2007.Montreal: IEEE, 2007:3191-3196.

[10]BARUA A, KHORASANI K. Multi-level fault diagnosis in satellite formations using fuzzy rule-based reasoning[C]∥2nd International Symposium on Systems and Control in Aerospace and Astronautics, 2008. Shenzhen: IEEE, 2009:1-6.

[11]MESKIN N, KHORASANI K. Fault detection and isolation of actuator faults in spacecraft formation flight[C]∥2006 45th IEEE Conference on Decision and Control. San Diego: IEEE, 2006:1159-1164.

[12]MESKIN N, KHORASANI K. Actuator fault detection and isolation for a network of unmanned vehicles[J]. IEEE Transactions on Automatic Control, 2009, 54(4):835-840.

[13]MESKIN N, KHORASANI K, RABBATH C A. A hybrid fault detection and isolation strategy for a network of unmanned vehicles in presence of large environmental disturbances[J]. IEEE Transactions on Control Systems Technology, 2010, 18(6):1422-1429.

[14]AZIZI S M, KHORASANI K. A distributed Kalman filter for actuator fault estimation of deep space formation flying satellites[C]∥Systems Conference, 2009 3rd Annual IEEE. Vancouver: IEEE, 2009:354-359.

[15]AZIZI S M, KHORASANI K. A hybrid and switching framework for cooperative actuator fault estimation of formation flying satellites in deep space[C]∥Asian Control Conference, ASCC 2009. Hong Kong: IEEE, 2009:1126-1131.

[16]SHAMES I, TEIXEIRA A M H, SANDBERG H, et al. Distributed fault detection for interconnected second-order systems[J]. Automatica, 2011, 47(12):2757-2764.

[17]SHAMES I, TEIXEIRA A M H, SANDBERG H, et al. Distributed fault detection and isolation with imprecise network models[C]∥American Control Conference (ACC), 2012. Montreal: IEEE, 2012:5906-5911.

[18]VALDES A, KHORASANI K. A pulsed plasma thruster fault detection and isolation strategy for formation flying of satellites[J]. Applied Soft Computing, 2010, 10(3):746-758.

[19]VALDES A, KHORASANI K, MA L. Dynamic neural network-based fault detection and isolation for thrusters in formation flying of satellites[C]∥Advances in Neural Networks-International Symposium on Neural Networks. Wuhan, 2009:780-793.

[20]BIALKE B. High fidelity mathematical modeling of reaction wheel performance[C]∥21st Annual American Astronautical Society Guidance and Control Conference. San Diego, Feb.,1998: 483-496.

[21]ELMAN J L, JEFFREY L. Finding structure in time[J]. Cognitiv Science, 1990, 14(90):179-211.

[22]PHAM D T, LIU X. Neural networks for identification, prediction and control[M].London: Springer London, 1995: 113-116.

[23]ZHANG L Y, GU J J, QIN Z M. Elamn network using simulated annealing algorithm and its application in thermal processes modeling[C]∥International Conference on Machine Learning and Cybernetics, 2007. Hong Kong: IEEE, 2007:929-933.

[24]劉雄峰, 李博, 李俊. 基于遺傳算法的 Elman 神經(jīng)網(wǎng)絡(luò)模型在大壩位移預(yù)測中的應(yīng)用[J]. 水資源與水工程學(xué)報, 2014(3):152-156.

LIU X F, LI B, LI J. Application of Elman neural network model in prediction of dam deformation based on genetic algorithms[J]. Journal of Water Resources and Water Engineering, 2014(3):152-156(in Chinese).

[25]JIANG T, KHORASANI K, TAFAZOLI S. Parameter estimation-based fault detection, isolation and recovery for nonlinear satellite models[J]. IEEE Transactions on Control Systems Technology, 2008, 16(4):799-808.

(編輯：高珍)

Fault diagnosis of reaction wheel in satellite formation

WANG Jiayi，WEN Xin*，ZHANG Wanyi

School of Astronautics, Nanjing University of Aeronautics and Astronautics，Nanjing 210016,China

The technology of satellite formation flying is a new technology in the field of space. Multiple low cost small satellites are able to complete more difficult space missions, but at the same time there are more fault diagnosis. Aiming at the problems that the satellite formation may occur in complex space environment，a distributed swarm system of satellites for fault diagnosis method based on Elman neural network was proposed. The experimental results show that the proposed scheme can detect the fault of the reaction wheels, and the adjacent satellite can also detect the faults, which is very good and real time and is effective and feasible in practical application.

satellite formation; neural network; fault diagnosis; attitude control; reaction wheel

10.16708/j.cnki.1000-758X.2016.0048

2016-01-07；

2016-06-04；錄用日期：2016-06-30；

時間：2016-08-0214:19:59

http:∥www.cnki.net/kcms/detail/11.1859.V.20160802.1419.002.html

王嘉軼(1992-)，男，碩士研究生，wangjiayi312@126.com

聞新(1961-)，男，教授， wen_xin2004@126.com，主要研究方向?yàn)榭臻g飛行器控制及人工智能應(yīng)用研究

V19

A

http:∥zgkj.cast.cn

引用格式：王嘉軼,聞新,張婉怡,等.衛(wèi)星群反作用飛輪的故障診斷方法研究[J].中國空間科學(xué)技術(shù), 2016,36(4)：24-32.

WANGJY,WENX,ZHANGWY,etal.Faultdiagnosisofreactionwheelinsatelliteformation[J].ChineseSpaceScienceandTechnology, 2016,36(4)：24-32(inChinese).