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

本发明涉及一种天文望远镜控制系统的故障诊断方法，具体涉及一种应用于南极大口径望远镜控制系统的故障诊断方法，该方法可以准确诊断出南极天文望远镜的故障，有利于后期解决方案的实施。

本发明是国家自然科学基金面上项目“南极大口径望远镜潜隐故障预警及无缝智能自愈策略的研究”的成果。

背景技术：

天文望远镜控制系统的故障诊断，其核心功能是实现故障的分类，有利于后期故障解决方案的实施。传统望远镜通常采用频谱分析的方法来实现控制系统的故障诊断，有效地提取信号的频率特征，但适用于频率较高的场合。

近年来，南极内陆正在成为开展天文科学研究的重要台址。其中海拔高达4093米的南极冰穹A(Dome A)是地球上进行天文观测的最佳站址之一。首先，南极的极夜现象提供了连续数月不间断观测的可能。其次，该地区大气稀薄，风速极低，视宁度极佳，有效降低了大气湍流造成的望远镜成像模糊、抖动等。此外，该地区几乎不受人工光源的影响，观测质量较高。中国在2011～2012年第28次南极科考期间，成功安装第一台全自动的南极巡天望远镜(AST3-1)，在2016～2017年第33次南极科考期间，完成了第二台南极巡天望远镜(AST3-2)和能源支撑平台PLATO-A的维护，更新了AST3运控数据系统和天文台址监测自动气象站。

虽然南极拥有极佳的观测条件，但在高寒、低气压的条件下，对电子元件、系统和器件的正常使用都是一种严峻的考验，导致南极望远镜会出现不同程度和不同类型的故障，如执行器故障、控制器故障、传感器故障等，导致望远镜不能正常工作。能够准确诊断出南极天文望远镜的故障，有利于后期解决方案的实施。

技术实现要素：

本发明的目的是针对频谱分析法诊断故障的不足，提供一种应用于南极大口径望远镜控制系统故障诊断的方法，该方法能够准确诊断出某类故障，有利于后期故障解决方案的实施，提高系统的可靠性。

完成上述发明任务的技术方案是：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。

其中，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。

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_{i max}，得到归一化处理后的样本数据为：

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：

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。

本发明是国家自然科学基金面上项目“南极大口径望远镜潜隐故障预警及无缝智能自愈策略的研究”的成果。现有技术中研究望远镜故障诊断的方法主要是频谱分析的方法，而本发明中是基于神经网络的诊断方法。其优点是不受高低频率的限制，能够准确诊断出南极望远镜的故障，为后期的故障解决的方案提供充足的依据，提高系统的稳定性，本方法实现简单，对南极大口径望远镜控制系统的故障诊断有较好的应用价值。

附图说明

图1望远镜控制系统Simulink仿真图；

图2望远镜执行器恒偏差设置仿真图；

图3望远镜执行器恒增益设置仿真图；

图4望远镜执行器卡死设置仿真图；

图5望远镜传感器恒偏差设置仿真图；

图6望远镜传感器恒增益设置仿真图；

图7望远镜传感器卡死设置仿真图；

图8训练网络层图；

图9 BP网络训练结果图；

图10测试样本的结果值和误差值的对比图。

具体实施方式

实施例1，南极大口径望远镜控制系统的故障诊断方法。

下面将结合附图和具体实施例对本发明做进一步的说明。

根据望远镜控制系统的参数，利用Simulink仿真工具建立数学模型，如图1所示。

对控制系统注入望远镜执行器恒偏差故障、恒增益故障、卡死故障，分别如图2、图3、图4所示。也对控制系统注入望远镜传感器恒偏差故障、恒增益故障、卡死故障，分别如图5、图6、图7所示。

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，如表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

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，经过约50000次学习误差平方和小于0.0001，得到如图8所示的训练网络层图，图9为BP网络训练结果图以及图10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。