一种控制力矩陀螺仪故障检测方法、装置及相关存储介质

1.本发明涉及航天器故障检测技术领域，尤其是涉及基于迁移学习的控制力矩陀螺仪故障检测技术领域，特别涉及一种控制力矩陀螺仪故障检测方法、装置及相关存储介质。


背景技术：

2.控制力矩陀螺仪是航天器姿态调整的惯性执行部件，其稳定工作对航天器的在轨运行具有重要意义。控制力矩陀螺仪的异常检测是卫星在轨状态检测与健康管理技术的基础和重要环节，能够保障卫星在轨的安全运行，以及故障的及时排查，因此具有重大的研究价值。
3.随着航天技术的发展，航天器系统越来越复杂，数据规模也大幅度提升。对控制力矩陀螺仪等航天器部件来说,传统的依靠人工判别和专家系统判别的异常检测方式会消耗越来越多的人力，并且在海量数据规模下难以提升精度。因此，对于控制力矩陀螺仪的异常检测需要采用深度学习的方式来提升检测效率和精度。


技术实现要素：

4.本发明的目的在于提供一种控制力矩陀螺仪故障检测方法、装置及相关存储介质，解决了现有技术的人力检测精度低、效率低的问题。
5.为实现上述目的，本发明采取的技术方案为：
6.第一方面，本发明实施例提供一种控制力矩陀螺仪故障检测方法，包括以下步骤：
7.s10、搭建sinc-lstm网络，采用大规模ims轴承故障检测数据集和火星车数据集进行两阶段的预训练；
8.s20、获取在轨卫星的控制力矩陀螺仪遥测数据，并进行工况分类预处理；
9.s30、将经工况分类预处理后的控制力矩陀螺仪遥测数据，对所述sinc-lstm网络进行训练，得到能够实现控制力矩陀螺仪遥测数据拟合重建的模型；
10.s40、基于所述控制力矩陀螺仪遥测数据拟合重建的模型，对需要检测的控制力矩陀螺仪进行检测；将得到的重建数据与其对应的原始遥测数据作差，进行自适应的阈值判断完成故障检测。
11.进一步地，所述步骤s10包括：
12.s101、搭建sinc-lstm网络；
13.s102、采用大规模ims轴承故障检测数据集，输入所述sinc-lstm网络进行第一阶段预训练；
14.s103、将火星车数据集输入经过第一阶段预训练的sinc-lstm网络中，进行第二阶段预训练。
15.进一步地，所述步骤s20包括：
16.获取在轨卫星的控制力矩陀螺仪全周期时序数据进行工况分类，得到不同工况下的控制力矩陀螺仪运行数据。
17.进一步地，工况分类选用基于密度峰值的自动聚类算法。
18.进一步地，所述步骤s30中，sinc-lstm网络首层利用sinc函数滤波器作为一维卷积核进行特征提取。
19.进一步地，所述sinc-lstm网络中，采用sinc函数的滤波器对ltsm网络进行改进，增强lstm网络对一维时序数据的拟合重建能力。
20.进一步地，所述sinc-lstm网络中隐藏层的第一层由16
×
6个sincnet滤波器构成，lstm网络部分由两层96个单元的单向lstm网络组成，数据输入全连接层后连接输出层完成训练。
21.进一步地，所述步骤s40中，将得到的重建数据与其对应的原始遥测数据作差，在差值数据计算过程中，采用指数加权平均的方式对差值序列进行平滑处理；
22.所述步骤s40中，阈值的设置根据工况分段动态变化，各个工况分段的阈值设置由以下公式决定：
[0023][0024]
其中，表示第i个工况类别的异常判断阈值，表示该工况分段拟合重建数据与原始遥测数据差值的均值，和分别表示该工况分段差值的标准差和全寿命周期误差的标准差，和表示一对提前设置的常量。
[0025]
第二方面，本发明实施例还提供一种控制力矩陀螺仪异常检测装置，包括：
[0026]
遥测数据获取设备，用以采集在轨卫星控制力矩陀螺仪运行数据；
[0027]
存储器，该存储器中存储有计算机指令；
[0028]
处理器，与所述运行数据获取设备、存储器数据连接，其通过执行所述计算机指令，从而执行如上述实施例任一项所述的控制力矩陀螺仪异常检测方法，对控制力矩陀螺仪数据进行异常检测。
[0029]
第三方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令在被处理器执行时实现如上述实施例任一项所述的控制力矩陀螺仪异常检测方法。
[0030]
与现有技术相比，本发明具有如下有益效果：
[0031]
本发明实施例提供的一种控制力矩陀螺仪故障检测方法，包括：搭建sinc-lstm网络，采用大规模ims轴承故障检测数据集和火星车数据集进行两阶段的预训练；获取在轨卫星的控制力矩陀螺仪遥测数据，并进行工况分类预处理；将经工况分类预处理后的控制力矩陀螺仪遥测数据，对所述sinc-lstm网络进行训练，得到能够实现控制力矩陀螺仪遥测数据拟合重建的模型；基于所述控制力矩陀螺仪遥测数据拟合重建的模型，对需要检测的控制力矩陀螺仪进行检测；将得到的重建数据与其对应的原始遥测数据作差，进行自适应的阈值判断完成故障检测。该方法提高了控制力矩陀螺仪异常检测的精确度。
附图说明
[0032]
图1为本发明实施例提供的控制力矩陀螺仪故障检测方法的流程图；
[0033]
图2为本发明实施例提供的基于迁移学习和工况分类的sinc-lstm控制力矩陀螺仪异常检测网络模型示意图；
[0034]
图3为本发明实施例提供的一组sinc函数滤波器示意图；
[0035]
图4为本发明实施例提供的lstm单元模型示意图；
[0036]
图5a为本发明实施例提供的原始遥测数据y和预测数据y_hat的对比图；
[0037]
图5b为本发明实施例提供的差值序列的示意图；
[0038]
图6为本发明实施例提供的控制力矩陀螺仪异常检测装置结构示意图。
具体实施方式
[0039]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0040]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0041]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0042]
参照图1所示，本发明提供的一种控制力矩陀螺仪故障检测方法，基于迁移学习与工况分类的sinc-lstm控制力矩陀螺仪异常检测网络进行的检测，具体包括如下步骤：
[0043]
s10、搭建sinc-lstm网络，采用大规模ims轴承故障检测数据集和火星车数据集进行两阶段的预训练；
[0044]
s20、获取在轨卫星的控制力矩陀螺仪遥测数据，并进行工况分类预处理；
[0045]
s30、将经工况分类预处理后的控制力矩陀螺仪遥测数据，对所述sinc-lstm网络进行训练，得到能够实现控制力矩陀螺仪遥测数据拟合重建的模型；
[0046]
s40、基于所述控制力矩陀螺仪遥测数据拟合重建的模型，对需要检测的控制力矩陀螺仪进行检测；将得到的重建数据与其对应的原始遥测数据作差，进行自适应的阈值判断完成故障检测。
[0047]
本实施例中，基于搭建的sinc-lstm网络进行预训练，在大规模轴承故障检测数据集ims以及小规模同类型火星土壤水分主被动卫星及火星车故障数据集进行两阶段的预训练，完成对一维时序数据一般化特征和同类型卫星及火星车特征的学习；对获取的控制力矩陀螺仪全周期数据进行工况自适应聚类，完成对不同时期异常检测阈值的自动区分；利用sincnet网络的sinc函数滤波器提取控制力矩陀螺仪一维时序数据的特征，作为长短期记忆网络（long-short-term-memory netwrok，lstm）的第一层，增强lstm网络的拟合能力；得到能够实现控制力矩陀螺仪遥测数据拟合重建的模型，基于此，对需要检测的控制力矩陀螺仪进行检测；将得到的重建数据与其对应的原始遥测数据作差，进行自适应的阈值判
断完成故障检测，可有效提高控制力矩陀螺仪异常检测的精确度。
[0048]
下面分别对上述各个步骤进行详细的描述：
[0049]
步骤1、对网络模型进行两阶段预训练；
[0050]
对控制力矩陀螺仪异常检测模型分别采用大规模ims轴承故障检测数据集和同类型火星车（soil moisture active passive & the mars science laboratory rover, curiosity）smap&msl故障检测数据集进行两阶段的预训练，具体过程如下：
[0051]
首先，将来自辛辛那提大学的ims轴承故障检测数据集输入搭建好的sinc-lstm网络中。ims数据集一共包含三部分，分别是四组轴承在2003-2004年的三个时段做的全寿命周期震动实验数据。将三个数据集合并后输入网络，设置合适的超参数后进行训练。
[0052]
其次，将来自nasa的smap&msl土壤水分主被动卫星及火星科学实验室火星车数据输入经过第一阶段预训练的sinc-lstm网络中。经过第一阶段预训练的sinc函数滤波器和lstm单元内部参数作为训练的初始权重参数。
[0053]
该步骤中，通过预训练，可学习一维时序数据一般化故障和同类型卫星及火星车故障的特征，完成迁移学习的特征空间映射。
[0054]
步骤2、对控制力矩陀螺仪进行自适应工况分类的预处理；
[0055]
获取在轨卫星的控制力矩陀螺仪全周期时序数据进行聚类分段，得到不同工况下的控制力矩陀螺仪运行数据，以适应不同时期故障检测阈值变化。
[0056]
本实施例对控制力矩陀螺仪分段数据进行自动聚类选取的方法是基于密度峰值的自动聚类算法。
[0057]
基于密度峰值聚类算法是通过计算某个点周围点的密度，以及与周围点的距离来判断属于某一类。该算法认为，对于每个类的中心点，其周围点的密度应当比该类其他点的密度大。同时，本类中心点应该距离其他类中心点要足够远。局部密度的具体公式如下：
[0058]
假设数据点的局部密度为，数据点到局部密度比它大且距离最近的数据点的距离为，则有如下定义：
[0059][0060]
其中，表示和之间的距离；表示逻辑判断函数；如果，则，其他情况时，。同时，为截止距离。相当于与ｉ点的距离小于的点的数量。
[0061]
计算距离具体公式如下。
[0062][0063]
即，当某点的密度不为最大时，该点不是中心点，则将距离设定为它到离它最近点的距离，当某点的密度最大时，说明该点是中心点，则将该点所对应的距离设为它到离它最远的点的距离。
[0064]
以密度作为横轴，距离作为纵轴，绘制一幅点图，越靠近右上角的点则拥有最大的局部密度和最大的距离，可以认定为簇的中心点。该算法不需要迭代计算就可以将数据划分为合适的簇，同时也不需要预设中心点，具有较少的经验成分。
[0065]
本实施例中，使用基于密度峰值的自动聚类方法，得到不同工况阶段的分类结果。比如控制力矩陀螺仪的数据采集了控制力矩陀螺仪全寿命周期中均匀分布的155天的数据，将所有共16个通道的数据按小时分段分为3720个数据段，然后采用密度峰值聚类方法对各段数据进行工况分类，在训练过程中相同工况阶段的数据加载入同一个batch输入网络训练。在遥测数据拟合重建完成后根据不同的工况阶段分别进行阈值判断异常检测。
[0066]
步骤3、将步骤2经过工况分类预处理后的遥测数据输入sinc-lstm网络进行拟合重建：
[0067]
sinc-lstm网络结构如图2所示。其中，隐藏层的第一层由16
×
6 = 96个sinc函数滤波器组成，lstm网络部分由两层96个单元的单向lstm网络组成，数据输入全连接层后连接输出层完成训练。
[0068]
sinc函数滤波器从sincnet网络中获得。sinc函数滤波器的结构如图3所示。sincnet最初用于处理语音信号，sinc函数滤波器的形状类似于一维时序数据中的波峰波谷交替的形式，因此对于语音信号的一维时序数据有更好的拟合能力。sinc函数滤波器的控制参数主要是滤波器的截止频率，对于语音等信号的深度学习具有一定的可解释性，可以解决深度网络普遍存在的“黑盒子”问题。如图2所示，在隐藏层的sinc函数滤波器层对控制力矩陀螺仪的16个通道数据分别设置六个具有不同初始截止频率的sinc函数滤波器，以提取各个通道上不同频段的特征信息。即：sincnet网络首层利用sinc函数滤波器作为一维卷积核进行特征提取。
[0069]
lstm神经网络单元结构如图4所示。lstm长短期记忆网络属于rnn循环神经网络的一种，对于顺序输入的时序数据具有天生的优势。并且通过输入门输出门和遗忘门的设置，改进了rnn会遗忘长期信息的缺点，输入信息长期的特征进行保留，有利于一维时序数据的拟合重建。在两个lstm层设置了96个lstm单元，分别对来自sinc函数层各个通道和各个频段的参数进行长短期的特征提取。并在最后输入全连接层完成序列的拟合重建。
[0070]
拟合重建的方式是对控制力矩陀螺仪各个通道的数据单独建模分析。控制力矩陀螺仪遥测数据，被制作成为了16个数据文档，每个文档包含其余15个通道的数据作为训练集和单一通道的数据作为监督。sinc-lstm网络的训练过程中以其余15个通道的信息作为输入训练的数据。训练完成后16个通道的模型参数被分开存放在不同的文件中。
[0071]
本实施例中，采用sincnet滤波器提取一维时序数据的特征，采用lstm网络保持对时序的长期记忆能力；采用sinc函数的滤波器对ltsm网络进行改进，增强了lstm网络对一维时序数据的拟合重建能力，并能够在一定程度上提高信噪比。
[0072]
步骤4、重建数据与原始遥测数据作差，进行自适应的阈值判断完成故障检测；
[0073]
根据工况分类结果，不同工况阶段下的阈值设置不同，进行异常检测时需要根据本段数据所处的工况阶段来进行阈值判断。
[0074]
如图5a-5b所示，重建数据和原始数据作差的图像如图，作差结果超过阈值后，判定为出现异常。
[0075]
差值数据计算过程中，采用指数加权平均的方式对差值序列进行平滑处理，避免
差值计算过程中控制力矩陀螺仪遥测数据突变等因素产生的噪声被误认为异常，产生误报导致精度下降。
[0076]
同时工况分段阈值的设置是动态变化的，各个工况分段的阈值设置由以下公式决定：
[0077][0078]
其中，表示第i个工况类别的异常判断阈值，代表该工况分段拟合重建数据与原始遥测数据差值的均值，和分别代表该工况分段差值的标准差和全寿命周期误差的标准差，和是一对提前设置的常量，分别取5%和20%，分别代表能够接受最低的异常检测阈值和由当前工况分段数据波动性决定的异常检测阈值提升。
[0079]
以下再次通过举例方式对控制力矩陀螺仪sinc-lstm异常检测网络的训练及异常检测方法进行说明，该方法包括以下步骤：
[0080]
步骤（1）对sinc-lstm异常检测网络进行两阶段预训练。
[0081]
首先，将来自辛辛那提大学的ims轴承故障检测数据集输入搭建好的sinc-lstm网络中。ims数据集一共包含三部分，分别是四组轴承在2003-2004年的三个时段做的全寿命周期震动实验数据。将三个数据集合并后输入网络，设置合适的超参数后进行训练。
[0082]
其次，将来自nasa的smap&msl土壤水分主被动卫星及火星科学实验室火星车数据输入经过第一阶段预训练的sinc-lstm网络中，第一阶段预训练完成后的模型参数保持不变作为第二阶段预训练的初始权重参数。经过第二阶段预训练的sinc函数滤波器和lstm单元内部参数作为控制力矩陀螺仪数据训练的初始权重参数。
[0083]
步骤（2）、获取在轨卫星的控制力矩陀螺仪遥测数据。
[0084]
遥测数据为某型号卫星所采集的控制力矩陀螺仪运行数据，包括框架电流，电机电流，轴温，航天器姿态信息，框架角度，框架转动指令等，故障及异常信息由专家标注得到。
[0085]
步骤（3）、对获得的控制力矩陀螺仪遥测数据进行工况分类预处理。
[0086]
该工况分类预处理具体包括：
[0087]
首先，将获得的原始遥测数据按小时进行分段切片，然后进行自动聚类，区分控制力矩陀螺仪不同工况阶段的数据。并且将相同工况阶段的数据段合为同一个batch输入sinc-lstm网络进行训练。
[0088]
其中，自动聚类方法选取的是基于密度峰值的自动聚类算法。
[0089]
步骤（4）、使用完成预处理的控制力矩陀螺仪遥测数据对sinc-lstm网络模型进行训练，得到能够实现控制力矩陀螺仪遥测数据拟合重建的模型。
[0090]
将完成预处理的遥测数据输入到图2所示网络模型中。
[0091]
使用该模型对控制力矩遥测数据的16个通道完成单独的拟合重建模型的建立。
[0092]
通过对比重建序列结果与原始遥测数据之间的区别，得到重建误差loss值。
[0093]
最后，将重建误差loss值传回网络中，进行梯度反馈，修正网络中各个模块单元参数。
specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0109]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述实施例中的控制力矩陀螺仪异常检测方法对应的程序或指令。
[0110]
处理器通过运行存储在存储器中的非暂态软件程序或指令，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的控制力矩陀螺仪异常检测方法。
[0111]
存储器可以包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需要的应用程序；数据存储区可存储处理器所创建的数据等。
[0112]
此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。
[0113]
在一些方面中，存储器可选地包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。
[0114]
可选地，上述网络包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0115]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。