第1期 岑朝辉等：Maat小波快速变换与DRNN在卫星实时故障检测与识别中的应用 ·91· 的故障诊断和基于历史知识的故障诊断两类方法. 等)，其完整定量状态模型很难获得（即可视为盲系 模型方法在模型中模拟了卫星姿控系统的动力学特 统)，且对象系统只提供故障模式下及正常模式下 征及控制过程，因而可以实时生成故障残差，结合阈 的实时有限测量状态量（控制力矩输入、敏感器测 值判决以检测、隔离故障，但存在复杂系统建立精确 量输出)作为诊断依据，需要对常见故障模式进行 模型困难的问题0.基于历史知识的故障诊断方法 诊断.此外，还需考虑实际应用中故障诊断的时效 通过从系统过去的正常及故障状态中提取信息特 性和维护措施的针对性，要求至少能实现故障检测 征，采用模式匹配及分类方法实现故障的检测与识 与识别，并将故障检测与故障模式识别“分步”实 别，该类方法不需了解系统的内部机理，可适用于复 施，即先检测系统有否有故障（即正常与故障二分 杂系统的故障诊断，具有智能性、自适应性等优 类问题)，再实现识别故障模式（多个故障的多分类 点习.然而，由于其历史知识建立过程较复杂，实 问题)，一方面可以保证故障诊断“先易后难”的可 时性应用方面不及模型方法有效 操作性，另一方面可根据不同情形采取针对性措施 小波方法是一种进行时频域多分辨率分析的信 外干扰力矩 号处理手段面.区别于模型方法与历史方法，因其 1+ 只面向信号而不依赖系统机理且便于实现的优点， 参考态 反作用 是体姿态 控制器 飞轮模型 动力学模型 被大量应用于工业状态监测领域.基于小波变换 资态 姿态敏感 显体姿态 获得的能谱或者模极大值，采用模式匹配方法可实 确定模块 器模型 运动学模型 现信号模式分类及特征识别.然而，对于对信号处 图1卫星姿态控制系统构成 理有实时性要求的应用，如实时故障检测，小波变换 Fig.I Model of the satellite attitude control system 必须根据信号变化的趋势实时地进行反复多次的数 值处理，因而传统小波的时域全局依耐性及计算复 1.2 故障模式 杂性将不再能适应实时性处理，采取滑动加窗以及 红外地球敏感器是卫星姿控系统中以轨道坐标 快速小波变换计算策略提高计算效率变得十分必 系为参考的关键姿态测量敏感器，然而敏感器故障 要.若能实现故障检测（即正常与故障二分类问 也是最易发生又最难解决的控制理论及技术问题之 题)，如何进一步针对时变信号而不是传统的稳态 一.不失一般性，本文选取红外地球敏感器的常见 信号进行故障模式分类（多个故障的多分类问题）， 故障模式进行故障诊断方法验证.卫星姿控系统姿 也是一个颇具桃战性的故障诊断新问题. 态敏感器中通常包含滚动与偏航两个通道红外地球 针对复杂卫星姿控系统故障诊断的多故障实时 敏感器，分别测量卫星的滚动姿态角及偏航姿态角， 性诊断需求，本文研究一种基于小波信号处理与智 与惯性陀螺一起构成卫星姿态确定系统.红外地球 能模式分类相结合的卫星姿控系统实时故障诊断方 敏感器包含正常模式及两种基本故障模式，即输出 法.通过在Mallat小波快速变换算法基础上引入滑 封死、输出均值偏差 动时窗数据复用策略及模极大值概率匹配，改善小 2小波检测与神经网络识别 波对奇异故障信号的实时灵敏度及提高故障检测 率；利用动态循环神经网络的记忆特性并改进梯度 针对故障诊断的“分步”实施需求，引入小波方 更新方法，增强神经网络对时域信号样本的泛化性 法针对诊断依据信号进行故障检测，获取故障检测 及收敛性.最后，得到了一种将改进小波检测模块 结果后启用动态循环神经网络DRNN模块进行在 及动态神经网络故障隔离模块联合应用于卫星姿控 线故障模式识别.对于小波故障检测模块，首先基 系统故障诊断的实时多故障检测与识别新方法 于滑动加窗Mallat小波多孔快速变换算法获取小波 1问题描述 系数，针对小波系数采用模极大值概率匹配算法检 测故障是否发生.若发生，检测模块产生故障检测 1.1系统描述 指令信号给神经网络识别模块.对于故障识别模 考虑某型完整卫星姿控系统，组成结构如图1 块，在离线情形下先对正常及故障模式样本数据进 所示，其执行机构为反作用飞轮，姿态敏感器模块包 行预处理，采用改进梯度下降策略进行网络训练并 括速率积分陀螺、红外地球敏感仪及太阳敏感 获得收敛最优网络结构.将最优DRNN网络结构 器因.由于实际卫星姿控系统执行器和敏感器功能 与故障识别判决逻辑一起识别故障.完整小波检测 及结构的复杂性（如时滞、非线性和干扰不确定性 与神经网络识别流程图如图2所示.第 1 期 岑朝辉等: Mallat 小波快速变换与 IDRNN 在卫星实时故障检测与识别中的应用 的故障诊断和基于历史知识的故障诊断两类方法． 模型方法在模型中模拟了卫星姿控系统的动力学特 征及控制过程，因而可以实时生成故障残差，结合阈 值判决以检测、隔离故障，但存在复杂系统建立精确 模型困难的问题［1］． 基于历史知识的故障诊断方法 通过从系统过去的正常及故障状态中提取信息特 征，采用模式匹配及分类方法实现故障的检测与识 别，该类方法不需了解系统的内部机理，可适用于复 杂系统的故障诊断，具 有 智 能 性、自 适 应 性 等 优 点［2--3］． 然而，由于其历史知识建立过程较复杂，实 时性应用方面不及模型方法有效． 小波方法是一种进行时频域多分辨率分析的信 号处理手段［4］． 区别于模型方法与历史方法，因其 只面向信号而不依赖系统机理且便于实现的优点， 被大量应用于工业状态监测领域［5］． 基于小波变换 获得的能谱或者模极大值，采用模式匹配方法可实 现信号模式分类及特征识别． 然而，对于对信号处 理有实时性要求的应用，如实时故障检测，小波变换 必须根据信号变化的趋势实时地进行反复多次的数 值处理，因而传统小波的时域全局依耐性及计算复 杂性将不再能适应实时性处理，采取滑动加窗以及 快速小波变换计算策略提高计算效率变得十分必 要． 若能实现故障检测( 即正常与故障二分类问 题) ，如何进一步针对时变信号而不是传统的稳态 信号进行故障模式分类( 多个故障的多分类问题) ， 也是一个颇具挑战性的故障诊断新问题． 针对复杂卫星姿控系统故障诊断的多故障实时 性诊断需求，本文研究一种基于小波信号处理与智 能模式分类相结合的卫星姿控系统实时故障诊断方 法． 通过在 Mallat 小波快速变换算法基础上引入滑 动时窗数据复用策略及模极大值概率匹配，改善小 波对奇异故障信号的实时灵敏度及提高故障检测 率; 利用动态循环神经网络的记忆特性并改进梯度 更新方法，增强神经网络对时域信号样本的泛化性 及收敛性． 最后，得到了一种将改进小波检测模块 及动态神经网络故障隔离模块联合应用于卫星姿控 系统故障诊断的实时多故障检测与识别新方法． 1 问题描述 1. 1 系统描述 考虑某型完整卫星姿控系统，组成结构如图 1 所示，其执行机构为反作用飞轮，姿态敏感器模块包 括速 率 积 分 陀 螺、红外地球敏感仪及太阳敏感 器［6］． 由于实际卫星姿控系统执行器和敏感器功能 及结构的复杂性( 如时滞、非线性和干扰不确定性 等) ，其完整定量状态模型很难获得( 即可视为盲系 统) ，且对象系统只提供故障模式下及正常模式下 的实时有限测量状态量( 控制力矩输入、敏感器测 量输出) 作为诊断依据，需要对常见故障模式进行 诊断． 此外，还需考虑实际应用中故障诊断的时效 性和维护措施的针对性，要求至少能实现故障检测 与识别，并将故障检测与故障模式识别“分步”实 施，即先检测系统有否有故障( 即正常与故障二分 类问题) ，再实现识别故障模式( 多个故障的多分类 问题) ，一方面可以保证故障诊断“先易后难”的可 操作性，另一方面可根据不同情形采取针对性措施． 图 1 卫星姿态控制系统构成 Fig． 1 Model of the satellite attitude control system 1. 2 故障模式 红外地球敏感器是卫星姿控系统中以轨道坐标 系为参考的关键姿态测量敏感器，然而敏感器故障 也是最易发生又最难解决的控制理论及技术问题之 一． 不失一般性，本文选取红外地球敏感器的常见 故障模式进行故障诊断方法验证． 卫星姿控系统姿 态敏感器中通常包含滚动与偏航两个通道红外地球 敏感器，分别测量卫星的滚动姿态角及偏航姿态角， 与惯性陀螺一起构成卫星姿态确定系统． 红外地球 敏感器包含正常模式及两种基本故障模式，即输出 封死、输出均值偏差． 2 小波检测与神经网络识别 针对故障诊断的“分步”实施需求，引入小波方 法针对诊断依据信号进行故障检测，获取故障检测 结果后启用动态循环神经网络 DRNN 模块进行在 线故障模式识别． 对于小波故障检测模块，首先基 于滑动加窗 Mallat 小波多孔快速变换算法获取小波 系数，针对小波系数采用模极大值概率匹配算法检 测故障是否发生． 若发生，检测模块产生故障检测 指令信号给神经网络识别模块． 对于故障识别模 块，在离线情形下先对正常及故障模式样本数据进 行预处理，采用改进梯度下降策略进行网络训练并 获得收敛最优网络结构． 将最优 IDRNN 网络结构 与故障识别判决逻辑一起识别故障． 完整小波检测 与神经网络识别流程图如图 2 所示． ·91·