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 ·95 阈值（ε=0.5）.动态循环神经网络输出仍然能维持 据复用方法，提高小波变换的实时快速计算效率，并 在阈值范围内，从而证明了动态循环神经网络在故 采用模极大值匹配方法保证对检测故障集的敏感 障识别时域泛化方面的优越性 性，使之适用于盲系统的故障快速检测.针对诊断 3.2.2复合故障诊断 依据信号在故障发生之后的时域动态性，采用动态 为了验证本文方法在盲系统故障诊断方面的优 循环神经网络进行故障识别并采用改进的梯度更新 越性，本文针对红外地球仪复合故障“偏航通道输 方法保证网络训练快速收敛到最优结构，实现时变 出封死+滚动通道输出均值偏差”进行了故障诊断 故障信号的模式分类及复合故障识别.最后，在中 有效性验证.设定期望诊断结果为D,0],复合故障 国空间技术研究院空间智能控制技术国家级实验室 的诊断结果如图7所示.观察故障隔离神经网络输 故障诊断与容错控制通用系统平台上试验验证了本 出结果曲线不难看出，当故障发生时，神经网络输出 文方法的有效性及优越性 仍能稳定在对应阈值0.5范围内，验证了针对卫星 姿控系统这一盲系统进行复合故障诊断的有效性及 参考文献 优越性. [1]Jiang T,Khorasani K,Tafazoli S.Parameter estimation-based fault detection,isolation and recovery for nonlinear satellite mod- L.0 els.IEEE Trans Control Syst Technol,2008,16(4):799 2]Li L,Ma L,Khorasani K.A dynamic recurrent neural network 0.8 fault diagnosis and isolation architecture for satellite's actuator/ thruster failures /Proceedings of International Symposium on Neu- ral Networks.Berlin,2005:574 0.4 B]Talebi H A,Khorasani K,Tafazoli S.A recurrent neural-network- 一BPNN网络输出 一一动态循环神经网络输出 based sensor and actuator fault detection and isolation for nonlinear 0.2 园值 systems with application to the satellite's attitude control subsys- tem.IEEE Trans Neural Netcorks,2009,20(1):45 480 1500 1520 1540 1560 Zhang E D,Huang W H.Speech enhancement method based on 时间/s wavelet transfomm and Kalman filters.Pattern Recognit Artif Intell, 图6BPNN与IDRNN诊断输出对比 2009,22(1):28 Fig.6 Diagnosis comparison of BPNN and IDRNN (张恩东，黄文浩.基于小波变换和Kalman滤波的语音增强 方法.模式识别与人工智能，2009,22(1)：28) 1.2 [5] Jiang L X,Li H W,Yang G Q,et al.A survey of spacecraft auton- 1.0 一故障隔离神经网络输出1 omous fault diagnosis research.J Astronaut,2009,30(4):1320 一一·故瞳隔离神经网络输出2 一一…值 (姜连样，李华旺，杨根庆，等.航天器自主故障诊断技术研究 日0.8 进展.宇航学报，2009,30(4)：1320) 0.6 [6]Jiang R,Wei J L,Cen Z H.Simulation modeling of satellite atti- 0.4 tude control system based on quaternion feedback.Syst Simul, 2009,21(19):6260 0.2 (蒋容，魏蛟龙，岑朝辉.基于四元数反馈的卫星姿态控制系 统仿真模型建立.系统仿真学报，2009,21(19)：6260) ] Chen S,Su H,Zhang R,et al.Fusing remote sensing images 1480 1500 1520 15401560 时间/s using a trous wavelet transform and empirical mode decomposition. Pattern Recognit Lett,2008.29(3):330 图7复合故障诊断结果 [8]Zhou D H,Ye YZ.Modern Fault Diagnosis and Tolerant Control. Fig.7 Diagnosis result for multiple faults Beijing:Tsinghua University Press,2000 (周东华，叶银忠.现代故障诊断与容错控制.北京：清华大学 4结论 出版社，2000) Ayaz E,Oztirk A,Seker S,et al.Fault detection based on con- 本文研究了一种盲系统实时故障诊断方法.通 tinuous wavelet transform and sensor fusion in electric motors.Int 过在Mallat小波多孔变换方法基础上引入加窗及数 J Comput Math Electr Electron Eng,2009,28 (2):454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 阈值( ε = 0. 5) ． 动态循环神经网络输出仍然能维持 在阈值范围内，从而证明了动态循环神经网络在故 障识别时域泛化方面的优越性． 3. 2. 2 复合故障诊断 为了验证本文方法在盲系统故障诊断方面的优 越性，本文针对红外地球仪复合故障“偏航通道输 出封死 + 滚动通道输出均值偏差”进行了故障诊断 有效性验证． 设定期望诊断结果为［0，0］，复合故障 的诊断结果如图 7 所示． 观察故障隔离神经网络输 出结果曲线不难看出，当故障发生时，神经网络输出 仍能稳定在对应阈值 0. 5 范围内，验证了针对卫星 姿控系统这一盲系统进行复合故障诊断的有效性及 优越性． 图 6 BPNN 与 IDRNN 诊断输出对比 Fig． 6 Diagnosis comparison of BPNN and IDRNN 图 7 复合故障诊断结果 Fig． 7 Diagnosis result for multiple faults 4 结论 本文研究了一种盲系统实时故障诊断方法． 通 过在 Mallat 小波多孔变换方法基础上引入加窗及数 据复用方法，提高小波变换的实时快速计算效率，并 采用模极大值匹配方法保证对检测故障集的敏感 性，使之适用于盲系统的故障快速检测． 针对诊断 依据信号在故障发生之后的时域动态性，采用动态 循环神经网络进行故障识别并采用改进的梯度更新 方法保证网络训练快速收敛到最优结构，实现时变 故障信号的模式分类及复合故障识别． 最后，在中 国空间技术研究院空间智能控制技术国家级实验室 故障诊断与容错控制通用系统平台上试验验证了本 文方法的有效性及优越性． 参 考 文 献 ［1］ Jiang T，Khorasani K，Tafazoli S． Parameter estimation-based fault detection，isolation and recovery for nonlinear satellite mod￾els． IEEE Trans Control Syst Technol，2008，16( 4) : 799 ［2］ Li L，Ma L，Khorasani K． A dynamic recurrent neural network fault diagnosis and isolation architecture for satellite's actuator/ thruster failures / / Proceedings of International Symposium on Neu￾ral Networks． Berlin，2005: 574 ［3］ Talebi H A，Khorasani K，Tafazoli S． A recurrent neural-network￾based sensor and actuator fault detection and isolation for nonlinear systems with application to the satellite's attitude control subsys￾tem． IEEE Trans Neural Networks，2009，20( 1) : 45 ［4］ Zhang E D，Huang W H． Speech enhancement method based on wavelet transform and Kalman filters． Pattern Recognit Artif Intell， 2009，22( 1) : 28 ( 张恩东，黄文浩． 基于小波变换和 Kalman 滤波的语音增强 方法． 模式识别与人工智能，2009，22( 1) : 28) ［5］ Jiang L X，Li H W，Yang G Q，et al． A survey of spacecraft auton￾omous fault diagnosis research． J Astronaut，2009，30( 4) : 1320 ( 姜连祥，李华旺，杨根庆，等． 航天器自主故障诊断技术研究 进展． 宇航学报，2009，30( 4) : 1320) ［6］ Jiang R，Wei J L，Cen Z H． Simulation modeling of satellite atti￾tude control system based on quaternion feedback． J Syst Simul， 2009，21( 19) : 6260 ( 蒋睿，魏蛟龙，岑朝辉． 基于四元数反馈的卫星姿态控制系 统仿真模型建立． 系统仿真学报，2009，21( 19) : 6260) ［7］ Chen S，Su H，Zhang R，et al． Fusing remote sensing images using à trous wavelet transform and empirical mode decomposition． Pattern Recognit Lett，2008，29( 3) : 330 ［8］ Zhou D H，Ye Y Z． Modern Fault Diagnosis and Tolerant Control． Beijing: Tsinghua University Press，2000 ( 周东华，叶银忠． 现代故障诊断与容错控制． 北京: 清华大学 出版社，2000) ［9］ Ayaz E，ztürk A，Seker S，et al． Fault detection based on con￾tinuous wavelet transform and sensor fusion in electric motors． Int J Comput Math Electr Electron Eng，2009，28( 2) : 454 ·95·