張秀云, 冷嘉俊*, 劉文靜, 劉達(dá), 宗群

1. 天津大學(xué),電氣自動(dòng)化與信息工程學(xué)院, 天津 300072

2. 北京控制工程研究所,北京 100094

3. 空間智能控制技術(shù)全國(guó)重點(diǎn)實(shí)驗(yàn)室, 北京 100094

0 引 言

小衛(wèi)星群以靈活性高、成本低和體積小的優(yōu)勢(shì),能夠保持一定隊(duì)形,協(xié)同完成任務(wù),可以更好地提高工作效率[1]. 但由于衛(wèi)星長(zhǎng)時(shí)間處于環(huán)境惡劣的太空中,導(dǎo)致衛(wèi)星元器件可靠性降低,從而產(chǎn)生故障,而有效的在軌故障診斷系統(tǒng)可以實(shí)時(shí)檢測(cè)運(yùn)行狀況,避免意外發(fā)生[2-5]. 然而,考慮到星群參與衛(wèi)星較多,傳感器數(shù)量和故障種類(lèi)越來(lái)越多[6-8],對(duì)星群的故障診斷更具難度. 此外,單顆衛(wèi)星故障數(shù)據(jù)較少,如何在不增加通信壓力的情況下,整合整個(gè)星群的故障特征、實(shí)現(xiàn)星群協(xié)同建模,提高星群對(duì)不同故障類(lèi)型的診斷能力,對(duì)提高航天器在軌運(yùn)行的可靠性、安全性和有效性具有十分重要的意義[9-10].

針對(duì)衛(wèi)星智能編隊(duì)故障診斷問(wèn)題,近幾年國(guó)內(nèi)外均展開(kāi)了相關(guān)研究. 文獻(xiàn)[11]提出一種基于生成對(duì)抗網(wǎng)絡(luò)的衛(wèi)星異常檢測(cè)框架,實(shí)現(xiàn)了時(shí)間序列重構(gòu)和異常檢測(cè). 文獻(xiàn)[12]采用基于深度遷移學(xué)習(xí)的智能故障診斷方法,通過(guò)重構(gòu)代價(jià)函數(shù),實(shí)現(xiàn)殘差網(wǎng)絡(luò)重調(diào),完成航天器故障診斷. 文獻(xiàn)[13]提出一種基于知識(shí)推理的航天器自主故障診斷的智能方法,適用于航天器硬件處理能力和存儲(chǔ)容量受限的應(yīng)用環(huán)境. 文獻(xiàn)[14]利用Lure微分包含線(xiàn)性狀態(tài)觀測(cè)器(DILSOs)和模糊小波神經(jīng)網(wǎng)絡(luò)(FWNN)進(jìn)行故障檢測(cè)和診斷. 文獻(xiàn)[15]使用回歸支持向量機(jī)來(lái)分析衛(wèi)星性能,使用所提出的方法鏈“K-means-LAD-FTA”具有系統(tǒng)能夠自主發(fā)現(xiàn)和分配所有可能的故障模式的優(yōu)勢(shì),從而有效提高了故障診斷的準(zhǔn)確性. 文獻(xiàn)[16]提出了一種基于生長(zhǎng)神經(jīng)網(wǎng)絡(luò)(GNN)和變序列LSTM (VarLSTM)兩種新型神經(jīng)網(wǎng)絡(luò)模型的人工智能技術(shù). 文獻(xiàn)[17]使用長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)(LSTM),利用可測(cè)量數(shù)據(jù)來(lái)估計(jì)編隊(duì)衛(wèi)星電機(jī)扭矩,對(duì)衛(wèi)星反作用輪進(jìn)行故障診斷. 以上文獻(xiàn)實(shí)現(xiàn)了衛(wèi)星的故障診斷,但現(xiàn)有的故障診斷算法大多未考慮編隊(duì)中單個(gè)小衛(wèi)星在欠配置、測(cè)量信息不全等情況下的故障診斷問(wèn)題,在此種情形下如何借鑒鄰居衛(wèi)星信息實(shí)現(xiàn)診斷成為亟需解決的重點(diǎn)問(wèn)題.

此外,考慮編隊(duì)中單顆衛(wèi)星出現(xiàn)的故障類(lèi)型及數(shù)據(jù)有限,如何提高故障診斷算法對(duì)可診斷故障類(lèi)型的適用性也成為衛(wèi)星編隊(duì)故障診斷的難點(diǎn).基于聯(lián)邦學(xué)習(xí)框架[18]的故障診斷成為當(dāng)前發(fā)展的重點(diǎn).文獻(xiàn)[19]提出基于動(dòng)態(tài)加權(quán)平均的聯(lián)邦學(xué)習(xí)算法,考慮了分布式數(shù)據(jù)的不平衡,實(shí)現(xiàn)了在不良局部數(shù)據(jù)的影響下,建立動(dòng)態(tài)加權(quán)局部模型進(jìn)而建立全局模型. 文獻(xiàn)[20]提出了一種利用相似性協(xié)作(FedSC)進(jìn)行機(jī)械故障診斷的聯(lián)邦學(xué)習(xí)方法,解決每個(gè)客戶(hù)的數(shù)據(jù)隱私、樣本稀缺和數(shù)據(jù)異構(gòu)性問(wèn)題. 文獻(xiàn)[21]提出異步分散聯(lián)邦學(xué)習(xí)方法,通過(guò)分開(kāi)訓(xùn)練全局模型和本地模型,提高了模型的多樣性,從而提高了泛化能力,同時(shí)保持了精度,減少通信開(kāi)銷(xiāo)和訓(xùn)練時(shí)間. 文獻(xiàn)[22]提出了一種結(jié)合多尺度卷積、注意力機(jī)制和多階段殘差連接的深度學(xué)習(xí)網(wǎng)絡(luò)用于本地訓(xùn)練,能夠在保護(hù)數(shù)據(jù)隱私的前提下,實(shí)現(xiàn)高精度的故障診斷和較強(qiáng)的泛化性. 然而,目前在基于聯(lián)邦學(xué)習(xí)的衛(wèi)星故障診斷方面,相關(guān)研究尚處于空白階段.

基于此,本文提出一種基于聯(lián)邦學(xué)習(xí)的星群智能故障診斷方法. 面向衛(wèi)星編隊(duì)故障診斷的功能需求,使用聯(lián)邦學(xué)習(xí)算法框架,結(jié)合深度強(qiáng)化學(xué)習(xí)算法,設(shè)計(jì)了衛(wèi)星編隊(duì)故障診斷模型訓(xùn)練流程,解決了單顆衛(wèi)星故障數(shù)據(jù)不足的問(wèn)題,且在不增加通信壓力的情況下,實(shí)現(xiàn)衛(wèi)星編隊(duì)的故障診斷,提高星群對(duì)不同故障類(lèi)型的診斷能力. 本文主要?jiǎng)?chuàng)新點(diǎn)總結(jié)如下:

1)考慮單星欠配置、測(cè)量信息不全等問(wèn)題,提出基于BicNet網(wǎng)絡(luò)的本地衛(wèi)星故障診斷方法,利用鄰居衛(wèi)星“遠(yuǎn)端”敏感器信息,實(shí)現(xiàn)對(duì)衛(wèi)星自身故障的有效診斷,且編隊(duì)衛(wèi)星數(shù)量變化也無(wú)需重新訓(xùn)練網(wǎng)絡(luò),滿(mǎn)足“即插即用”的工程需求;

2)考慮編隊(duì)中單顆衛(wèi)星運(yùn)行時(shí)產(chǎn)生的故障種類(lèi)有限,故障數(shù)據(jù)較少,為提高星群衛(wèi)星診斷故障類(lèi)型的全面性,提出基于聯(lián)邦學(xué)習(xí)的星群故障診斷方法,在不增加通信壓力的情況下,整合整個(gè)星群的故障特征,實(shí)現(xiàn)星群協(xié)同建模,提高星群對(duì)不同故障類(lèi)型的診斷能力;

3)基于Unity3D引擎搭建虛擬仿真環(huán)境,嵌入衛(wèi)星真實(shí)動(dòng)力學(xué)模型,展開(kāi)衛(wèi)星編隊(duì)故障診斷仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明所提方法具有較高的準(zhǔn)確率,能夠?qū)崿F(xiàn)更加全面的故障診斷.

1 飛輪故障影響下的衛(wèi)星模型建立

本文重點(diǎn)考慮飛輪故障對(duì)衛(wèi)星姿態(tài)的影響,進(jìn)行衛(wèi)星故障診斷.衛(wèi)星姿態(tài)動(dòng)力學(xué)及運(yùn)動(dòng)學(xué)方程如式(1)所示

(1)

(2)

飛輪故障:考慮衛(wèi)星執(zhí)行機(jī)構(gòu)由三正交一斜裝的反作用飛輪組成,則在飛輪故障影響下的執(zhí)行機(jī)構(gòu)輸出表示為

(3)

其中,uai(t)(i=1,…,4)為第i個(gè)飛輪的測(cè)量值,fai(t)(i=1,…,4)為第i個(gè)飛輪發(fā)生的故障,H為陀螺組件的安裝矩陣,表示為

(4)

不失一般性,選取α1=α2=α3=54.73°,則此時(shí)H的值為

(5)

基于以上建立的衛(wèi)星故障模型,在Unity中搭建衛(wèi)星真實(shí)動(dòng)力學(xué)模型,整體診斷架構(gòu)如圖1所示,主要包括Python和Unity兩個(gè)部分. 其中Unity中包含3個(gè)模塊:主控模塊、視景模塊和衛(wèi)星的物理模型.主控從物理模型中獲得信息并顯示,同時(shí),把故障信號(hào)傳遞給模型,模型根據(jù)信號(hào)進(jìn)行偏差的注入,模型同時(shí)根據(jù)Python的數(shù)據(jù)進(jìn)行運(yùn)算,對(duì)視景進(jìn)行驅(qū)動(dòng),通過(guò)ML-Agent插件,把Unity中的數(shù)據(jù)傳遞給Python,控制器接受狀態(tài)產(chǎn)生控制量,故障診斷網(wǎng)絡(luò)根據(jù)衛(wèi)星的狀態(tài)信息,判斷故障類(lèi)型,并把故障信息及控制量傳遞給Unity,完成了星群的一次智能故障診斷.

圖1 整體診斷架構(gòu)Fig.1 overall diagnostic architecture

2 基于聯(lián)邦學(xué)習(xí)的衛(wèi)星編隊(duì)故障診斷

基于聯(lián)邦學(xué)習(xí)的衛(wèi)星編隊(duì)故障診斷的結(jié)構(gòu)圖如圖2所示,整個(gè)訓(xùn)練過(guò)程包括本地訓(xùn)練和中心聯(lián)邦聚合兩部分. 在本地訓(xùn)練階段,使用Unity引擎建立仿真平臺(tái),完成故障選擇和注入. 每個(gè)衛(wèi)星的本地診斷網(wǎng)絡(luò)基于集中式多智能體強(qiáng)化學(xué)習(xí)任務(wù)決策算法(BicNet)展開(kāi).該網(wǎng)絡(luò)由全連接層和Bi-LSTM層構(gòu)成,Bi-LSTM神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)衛(wèi)星數(shù)據(jù)之間的信息交流,并利用鄰居衛(wèi)星遠(yuǎn)端敏感器信息進(jìn)行診斷,能夠有效解決單顆衛(wèi)星測(cè)量信息不全的問(wèn)題,且編隊(duì)中衛(wèi)星數(shù)量變化時(shí)無(wú)需重新更改或?qū)W習(xí)故障診斷網(wǎng)絡(luò),滿(mǎn)足“即插即用”的工程需求. 完成各自本地訓(xùn)練后,為整合編隊(duì)故障信息、提高診斷類(lèi)型的全面性,編隊(duì)中每個(gè)衛(wèi)星作為聯(lián)邦中心的參與者,將訓(xùn)練出的本地診斷模型上傳至聯(lián)邦中心,進(jìn)行中心聯(lián)邦聚合. 中心服務(wù)器會(huì)獲取各個(gè)衛(wèi)星的本地模型參數(shù),并利用聯(lián)邦平均算法對(duì)這些參數(shù)進(jìn)行聚合和更新.更新后的模型能夠?qū)W習(xí)到多個(gè)本地衛(wèi)星的故障數(shù)據(jù),生成相對(duì)更全面的故障診斷模型,從而可以識(shí)別更多類(lèi)型的故障,且整個(gè)過(guò)程無(wú)需進(jìn)行星間通訊,減小了通信壓力. 在完成一次聯(lián)邦聚合后,更新后的故障診斷模型參數(shù)會(huì)被下發(fā)至星群每個(gè)衛(wèi)星,進(jìn)行新一輪的本地故障診斷訓(xùn)練. 上述過(guò)程經(jīng)多次循環(huán)迭代可獲得最優(yōu)全局模型,使得每顆衛(wèi)星的本地?cái)?shù)據(jù)都能得到較好的診斷結(jié)果,從而實(shí)現(xiàn)全面有效的衛(wèi)星故障診斷.

2.1 本地衛(wèi)星診斷網(wǎng)絡(luò)

考慮鄰居衛(wèi)星對(duì)自身的觀測(cè)信息,解決單星測(cè)量信息不足的問(wèn)題,首先展開(kāi)編隊(duì)中各個(gè)衛(wèi)星本地診斷網(wǎng)絡(luò)的搭建及訓(xùn)練,實(shí)現(xiàn)各個(gè)衛(wèi)星的本地故障診斷.

2.1.1 面向故障診斷的隨機(jī)博弈模型建立

將衛(wèi)星的故障診斷問(wèn)題,總結(jié)為隨機(jī)博弈模型,各個(gè)符號(hào)的含義如下:

(1)狀態(tài)集S

對(duì)于第i顆衛(wèi)星,i∈[1,N],將t時(shí)刻自身的姿態(tài)角θi,角速度wi,飛輪的執(zhí)行機(jī)構(gòu)的輸出信息fi,以及鄰居衛(wèi)星的姿態(tài)角、角速度和飛輪的執(zhí)行機(jī)構(gòu)的輸出信息xi作為狀態(tài)量s,即

s=(θi,wi,fi,xi)∈S.

(6)

(2)動(dòng)作集A

診斷衛(wèi)星i是否有故障作為動(dòng)作ai,即

(7)

以衛(wèi)星故障診斷結(jié)果準(zhǔn)確為最終目標(biāo),建立獎(jiǎng)懲機(jī)制,確定單步診斷獲得的收益值.

(8)

(4)折扣因子γ

γ表示未來(lái)收益值相對(duì)于當(dāng)前收益值的重要程度. 當(dāng)γ=0時(shí),相當(dāng)于只考慮當(dāng)前收益不考慮未來(lái)收益;γ=1時(shí),將未來(lái)收益和當(dāng)前收益看得同等重要.

2.1.2 本地診斷網(wǎng)絡(luò)的搭建及訓(xùn)練

編隊(duì)各個(gè)衛(wèi)星的本地診斷網(wǎng)絡(luò)架構(gòu)如圖3所示,該網(wǎng)絡(luò)基于決策-評(píng)判框架,由全連接網(wǎng)絡(luò)與 Bi-LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)成. Bi-LSTM網(wǎng)絡(luò)可以有效融合多個(gè)衛(wèi)星的信息,允許N顆衛(wèi)星的數(shù)據(jù)進(jìn)行信息交流,從而實(shí)現(xiàn)星群衛(wèi)星之間的信息共享及基于全局信息的決策診斷. 此外,編隊(duì)中衛(wèi)星數(shù)量變化時(shí)也無(wú)需重新更改和學(xué)習(xí)故障診斷網(wǎng)絡(luò),仍然可以正常運(yùn)行. 衛(wèi)星本地診斷網(wǎng)絡(luò)中的決策網(wǎng)絡(luò)輸入包括衛(wèi)星的姿態(tài)角、角速度和飛輪的執(zhí)行機(jī)構(gòu)的輸出信息以及鄰居衛(wèi)星的相應(yīng)觀測(cè)值等信息;評(píng)判網(wǎng)絡(luò)輸入為衛(wèi)星所有的故障信息,輸出為整體評(píng)判的Q值,用于評(píng)估所有衛(wèi)星的故障診斷結(jié)果的好壞,并指導(dǎo)決策網(wǎng)絡(luò)進(jìn)行梯度更新,以朝著最大收益的方向進(jìn)行決策.

圖3 基于BicNet架構(gòu)的本地訓(xùn)練網(wǎng)絡(luò)Fig.3 Local training network based on BicNet architecture

故障診斷網(wǎng)絡(luò)完整的訓(xùn)練過(guò)程包括數(shù)據(jù)采集過(guò)程和參數(shù)訓(xùn)練過(guò)程. 下面將對(duì)兩個(gè)訓(xùn)練過(guò)程進(jìn)行介紹.

(1)數(shù)據(jù)采集過(guò)程

(9)

此過(guò)程需要進(jìn)行大量的回合以獲取足夠多的經(jīng)驗(yàn)向量,將其全部存在經(jīng)驗(yàn)池中. 本節(jié)采用邊采集邊訓(xùn)練網(wǎng)絡(luò)的方法,用更新的決策網(wǎng)絡(luò)去采集數(shù)據(jù),確保采集數(shù)據(jù)的獨(dú)立性.

(2)參數(shù)訓(xùn)練過(guò)程

考慮N顆衛(wèi)星的數(shù)據(jù),用θ=[θ1,…,θN]表示衛(wèi)星決策網(wǎng)絡(luò)參數(shù)的集合,用μ=[μ1,…μN(yùn)]表示衛(wèi)星決策網(wǎng)絡(luò)的集合. 在評(píng)價(jià)網(wǎng)絡(luò)訓(xùn)練的過(guò)程中,采用均方差函數(shù)使評(píng)判網(wǎng)絡(luò)的輸出近似真實(shí)值,定義損失函數(shù)為

(10)

(11)

(12)

采用Adam優(yōu)化器進(jìn)行決策網(wǎng)絡(luò)權(quán)值的更新

(13)

基于以上訓(xùn)練過(guò)程,即完成了編隊(duì)各個(gè)衛(wèi)星本地的故障診斷網(wǎng)絡(luò)訓(xùn)練,獲得了本地診斷網(wǎng)絡(luò)模型,為后續(xù)聯(lián)邦中心聚合奠定基礎(chǔ).

2.2 中心聯(lián)邦聚合

考慮到各個(gè)衛(wèi)星在本地訓(xùn)練過(guò)程中出現(xiàn)的故障類(lèi)型及數(shù)據(jù)有限,只能解決某個(gè)方向飛輪故障,難以全面實(shí)現(xiàn)對(duì)4個(gè)方向飛輪故障的診斷. 因此,為提高編隊(duì)衛(wèi)星故障診斷的全面性和準(zhǔn)確性,利用聯(lián)邦中心聚合手段展開(kāi)本地衛(wèi)星診斷模型的協(xié)同訓(xùn)練,完成模型間的聚合和更新.

在每個(gè)衛(wèi)星的本地診斷模型完成一定訓(xùn)練次數(shù)后,將本地模型參數(shù)上傳至聯(lián)邦中心,聯(lián)邦中心利用聯(lián)邦平均算法對(duì)本地模型參數(shù)進(jìn)行聚合和更新. 在完成一次中央聯(lián)邦聚合后,更新后的模型參數(shù)會(huì)被下發(fā)至各衛(wèi)星進(jìn)行新一輪的本地診斷模型訓(xùn)練. 經(jīng)過(guò)多次循環(huán)迭代可獲得最優(yōu)全局模型,使得對(duì)每顆衛(wèi)星的本地?cái)?shù)據(jù)都有較好的診斷結(jié)果.

(14)

fj(w)=l(uj,vj;w)

(15)

fj(w)表示模型參數(shù)w對(duì)第j個(gè)樣本的損失預(yù)測(cè),則全局模型的總損失函數(shù)表示為

(16)

對(duì)于參與者k而言,學(xué)習(xí)率為R,本地模型參數(shù)更新方式為

(17)

本地模型經(jīng)過(guò)n次迭代之后將模型參數(shù)wk上傳到聯(lián)邦中心,進(jìn)行參數(shù)聚合,更新方式為

(18)

然后聯(lián)邦中心將聚合后的參數(shù)發(fā)放到各參與者wt+1,k=wt,使用總損失評(píng)估全局模型直至收斂. 最終得到的全局模型可以識(shí)別衛(wèi)星出現(xiàn)的所有故障類(lèi)型,有效提高故障診斷的全面性,且無(wú)需星間通信,減少通信壓力.

3 實(shí)驗(yàn)仿真

本節(jié)在Windows11操作系統(tǒng)下,基于Python語(yǔ)言和Unity軟件,進(jìn)行基于聯(lián)邦學(xué)習(xí)的故障診斷.

3.1 仿真參數(shù)設(shè)置

以4顆從星、一顆主星為實(shí)驗(yàn)對(duì)象,其中主星飛行的橢圓軌道半長(zhǎng)軸ac=7 162 977 m,軌道偏心率ec=0.000 426 2,真近點(diǎn)角θ=0.35.每顆衛(wèi)星的質(zhì)量為50 kg. 通過(guò)Unity虛擬環(huán)境給衛(wèi)星注入故障,對(duì)從星1-4,依次注入飛輪1-4故障,并且每顆衛(wèi)星只注入一種故障,通過(guò)Unity與Python的信息交互進(jìn)行故障診斷,并且把診斷結(jié)果反饋到UI面板.其中,聯(lián)邦中心聚合的輪數(shù)設(shè)置為50,每顆衛(wèi)星本地訓(xùn)練20輪,當(dāng)經(jīng)驗(yàn)池故障數(shù)據(jù)存儲(chǔ)滿(mǎn)后,開(kāi)始迭代學(xué)習(xí),每輪學(xué)習(xí)1 000次,學(xué)習(xí)率lr=0.01,batch_size=256,greedy policyε=0.85.

3.2 仿真結(jié)果

為更好的體現(xiàn)聯(lián)邦學(xué)習(xí)的有效性,仿真測(cè)試實(shí)驗(yàn)分為兩部分:

仿真1:僅僅使用單顆衛(wèi)星進(jìn)行本地診斷網(wǎng)絡(luò)訓(xùn)練,不使用聯(lián)邦學(xué)習(xí)的結(jié)構(gòu),訓(xùn)練完畢后注入另一種故障類(lèi)型,查看診斷結(jié)果.

仿真2:在本地診斷網(wǎng)絡(luò)訓(xùn)練完畢后,使用聯(lián)邦強(qiáng)化學(xué)習(xí)訓(xùn)練共享模型,同樣訓(xùn)練完畢后注入另一種故障類(lèi)型,查看診斷結(jié)果.

(1)仿真1測(cè)試結(jié)果

1-4號(hào)衛(wèi)星分別在本地完成1-4 方向的飛輪故障診斷訓(xùn)練. 在仿真1的過(guò)程中,以1號(hào)衛(wèi)星為例,由Unity中選擇1號(hào)衛(wèi)星依次注入1-4個(gè)方向的飛輪故障,診斷結(jié)果如圖4～7所示.

圖4 仿真1中1號(hào)衛(wèi)星對(duì)飛輪1診斷結(jié)果Fig.4 Diagnosis results of flywheel 1 of satellite 1 in Simulation 1

圖5 仿真1中1號(hào)衛(wèi)星對(duì)飛輪2診斷結(jié)果Fig.5 Diagnosis results of flywheel 2 of satellite 1 in Simulation 1

圖6 仿真1中1號(hào)衛(wèi)星對(duì)飛輪3診斷結(jié)果Fig.6 Diagnosis results of flywheel 3 of satellite 1 in Simulation 1

圖7 仿真1中1號(hào)衛(wèi)星對(duì)飛輪4診斷結(jié)果Fig.7 Diagnosis results of flywheel 4 of satellite 1 in Simulation 1

圖4～7的仿真結(jié)果表示,每個(gè)衛(wèi)星本地訓(xùn)練過(guò)程中僅針對(duì)一種故障進(jìn)行訓(xùn)練,故單顆衛(wèi)星進(jìn)行故障診斷只能診斷出一種故障. 即給衛(wèi)星1注入飛輪1故障可以識(shí)別,但是飛輪2-4故障就無(wú)法識(shí)別出來(lái),診斷算法的輸出是0,也就是無(wú)故障. 這表明單個(gè)衛(wèi)星由于本地?cái)?shù)據(jù)量有限,訓(xùn)練后的診斷模型準(zhǔn)確率低,不能全面覆蓋多種故障類(lèi)型,無(wú)法滿(mǎn)足要求.

(2)仿真2測(cè)試結(jié)果

同仿真1,加入聯(lián)邦強(qiáng)化學(xué)習(xí)訓(xùn)練全局模型,實(shí)驗(yàn)步驟與第一部分相同,診斷結(jié)果如圖8～11所示.

圖8 仿真2中1號(hào)衛(wèi)星對(duì)飛輪1診斷結(jié)果Fig.8 Diagnosis results of flywheel 1 of satellite 1 in Simulation 2

圖9 仿真2中1號(hào)衛(wèi)星對(duì)飛輪2診斷結(jié)果Fig.9 Diagnosis results of flywheel 2 of satellite 1 in Simulation 2

圖10 仿真2中1號(hào)衛(wèi)星對(duì)飛輪3診斷結(jié)果Fig.10 Diagnosis results of flywheel 3 of satellite 1 in Simulation 2

圖11 仿真2中1號(hào)衛(wèi)星對(duì)飛輪4診斷結(jié)果Fig.11 Diagnosis results of flywheel 14 of satellite 1 in Simulation 2

由圖8～11可以看出,雖然本地訓(xùn)練過(guò)程中僅僅針對(duì)一種故障進(jìn)行訓(xùn)練,但是由于加入了聯(lián)邦中心對(duì)所有本地診斷模型進(jìn)行了聚合,實(shí)現(xiàn)了模型參數(shù)共享,從而可以保證衛(wèi)星對(duì)所有方向飛輪故障實(shí)現(xiàn)診斷,驗(yàn)證了聯(lián)邦學(xué)習(xí)策略的有效性.

圖12為訓(xùn)練時(shí)的診斷準(zhǔn)確率,從圖中可以看出,聯(lián)邦學(xué)習(xí)算法在模型聚合40輪左右時(shí),達(dá)到一個(gè)比較平穩(wěn)準(zhǔn)確率,大概在87%,因?yàn)樵趯W(xué)習(xí)過(guò)程中使用了greedy policy,有85%的概率選擇最優(yōu)動(dòng)作,剩余15%選擇隨機(jī)動(dòng)作. 圖13是在測(cè)試時(shí)的診斷準(zhǔn)確率,可以看出,故障診斷的準(zhǔn)確率達(dá)到99%,驗(yàn)證了本文所提診斷方法的有效性. 圖14為編隊(duì)衛(wèi)星數(shù)量變化時(shí)診斷網(wǎng)絡(luò)的準(zhǔn)確率,從圖中可以看出,當(dāng)星群中衛(wèi)星數(shù)量發(fā)生變化(增加4顆)時(shí),使用原先訓(xùn)練好的故障診斷網(wǎng)絡(luò)進(jìn)行診斷,仍可保持較高診斷準(zhǔn)確率,在99.7%左右浮動(dòng),從而驗(yàn)證了當(dāng)星群衛(wèi)星數(shù)目發(fā)生變化時(shí),所提星群級(jí)智能故障診斷方法無(wú)需重新訓(xùn)練網(wǎng)絡(luò),滿(mǎn)足即插即用的需求.

圖12 訓(xùn)練診斷準(zhǔn)確率Fig.12 Training diagnostic accuracy

圖14 星群衛(wèi)星數(shù)量變化時(shí)診斷準(zhǔn)確率Fig.14 Diagnostic accuracy when the number of cluster satellites changes

4 結(jié) 論

本文提出了一種基于聯(lián)邦學(xué)習(xí)的衛(wèi)星編隊(duì)故障診斷方法,首先建立基于雙向協(xié)調(diào)網(wǎng)絡(luò)(BicNet)的本地診斷訓(xùn)練模型,利用編隊(duì)中其他衛(wèi)星的傳感器信息進(jìn)行協(xié)同診斷,解決單顆衛(wèi)星測(cè)量數(shù)據(jù)不足的問(wèn)題. 其次,考慮單顆衛(wèi)星故障類(lèi)型少、故障數(shù)據(jù)稀疏的問(wèn)題,利用聯(lián)邦學(xué)習(xí)算法對(duì)各衛(wèi)星模型參數(shù)進(jìn)行協(xié)同訓(xùn)練及聚合,改善了模型的泛化能力,有效提高故障診斷能力. 實(shí)驗(yàn)結(jié)果表明,本文設(shè)計(jì)的衛(wèi)星編隊(duì)故障診斷算法能夠有效的實(shí)現(xiàn)衛(wèi)星的故障診斷.