应用于南极大口径望远镜控制系统的故障诊断方法与流程

技术特征：

1.一种应用于南极大口径望远镜控制系统的故障诊断方法，其特征在于，步骤如下：

(1).根据望远镜控制系统的参数，利用Matlab中的Simulink仿真工具建立简化数学模型；

(2).由于是仿真实验，因此需对控制系统分别注入不同类型的故障，为后期训练神经网络提供充足的不同类型故障的数据；

(3).在控制系统不同故障状态下，分别采集上述的执行器输出和传感器输出的数据；

(4).根据输入的样本特征和输出的样本特征选取输入层，隐含层，输出层的个数；对BP神经网络进行训练，并通过检验样本数据验证神经网络的检验结果。

2.根据权利要求1所述的应用于南极大口径望远镜控制系统的故障诊断方法，其特征在于，所述步骤(2)中给控制系统注入不同类型的故障，其中包括望远镜执行器恒偏差故障：即望远镜执行器的输出值与正常情况下的输出值存在固定的偏差；执行器恒偏差的表达式为：

u_iout(t)＝u_iin(t)+△_i (1)

其中，△_i为常数，i＝1,2,3…,m；

望远镜执行器恒增益故障：即望远镜执行器的输出以一定的速率偏离其正常的输出值；执行器恒增益的表达式为：

u_iout(t)＝△_iu_iin(t) (2)

其中，△_i为恒增益变化的系数；

望远镜执行器卡死故障：即执行器输出一直处于一个固定值；执行器卡死表达式为：

u_iout(t)＝γ_i (3)

其中，γ_i为常数；

望远镜传感器恒偏差故障：即望远镜传感器的输出信号与正常情况下的输出信号存在固定的偏差；传感器恒偏差的表达式为：

y_iout(t)＝y_iin(t)+△_i (4)

其中△_i为常数，i＝1,2,3…,n；

望远镜传感器恒增益故障：即望远镜传感器的输出信号以一定的速率偏离其正常的输出值；传感器恒增益的表达式为：

y_iout(t)＝△_iy_iin(t) (5)

其中，△_i为恒增益变化的系数；

望远镜传感器卡死故障：即望远镜传感器的输出信号一直处于一个固定值。传感器卡死的表达式为：

y_iout(t)＝γ_i (6)

其中，γ_i为常值。

3.根据权利要求1所述的应用于南极大口径望远镜控制系统的故障诊断方法，其特征在于，所述步骤(3)中，在控制系统不同故障状态下，分别采集上述的执行器输出和传感器输出的数据，由于神经元激励函数的饱和特性，因此输入样本值应保留在[0,1]之间，则对样本的输入、输出均进行最大值归一化处理，采用如下方法进行归一化处理；输入样本X_k，设原始训练样本的最大值为x_imax，得到归一化处理后的样本数据为：

$x_{ik}=\frac{x_{ik}}{x_{imax}},i=1,2,...n_i,x_{ik}\∈\[0,1\]---\left(7\right)$

输出样本Y_k，设原始输出样本的最大值为y_max，则归一化处理后的样本数据表达式为：

$y_k=\frac{y_k}{y_{max}},y_k\∈\[0,1\]---\left(8\right).$

4.根据权利要求1所述的应用于南极大口径望远镜控制系统的故障诊断方法，其特征在于，所述步骤(4)中，根据输入的样本特征和输出的样本特征选取输入层，隐含层，输出层的个数；对BP神经网络进行训练，并通过检验样本数据验证神经网络的检验结果。

5.根据权利要求1-4之一所述的应用于南极大口径望远镜控制系统的故障诊断方法，其特征在于，在数据采集过程中，人为地在t＝150s时刻给南极望远镜控制系统分别增加执行器故障和传感器故障，并在t＝150s,155s,160s,170s,180s,190s,200s时采集执行输出和传感器输出，得到如下表1、表2、表3、表4、表5、表6的数据；对数据进行归一化处理，得到如下表7、表8、表9、表10、表11、表12的数据；同时采集测试样本的数据，得到如下表13所示，对其进行归一化处理，得到表14的数据；

表1 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒偏差故障数据

表2 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒增益故障数据

表3 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒卡死故障数据

表4 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的传感器恒偏差故障数据

表5 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的传感器恒增益故障数据

表6 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的传感器卡死故障数据

表7 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒偏差归一化数据

表8 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的执行器恒增益归一化数据

表9 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的执行器卡死归一化数据

表10 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的传感器恒偏差归一化数据

表11 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的传感器恒增益归一化数据

表12 在t＝150s,155s,160s,170s,180s,190s,200s时刻采集的传感器卡死归一化数据

表13 在t＝150s,155s,160s,170s,180s,190s,200s时采集的检验样本数据

表14 在t＝150s,155s,160s,170s,180s,190s,200s时检验样本归一化处理后的数据

6.根据权利要求5所述的应用于南极大口径望远镜控制系统的故障诊断方法，其特征在于，所述步骤(2)-步骤(4)中，根据采集样本，选取神经网络的输入层节点为14，分别代表每个输入样本的14个特征量，输出节点为6，分别代表6种故障类型；选取训练次数为50000，训练目标为0.0001，学习速率为0.01，经过50000次学习误差平方和小于0.0001，得到训练网络层图、BP网络训练结果图以及测试样本的结果值和误差值的对比图，结果表明该BP神经网络能完成故障的分类。