【技术实现步骤摘要】
基于多源数据融合的装备系统健康管理及故障诊断方法
[0001]本专利技术属于航天器故障检测
，涉及多源数据融合技术以及基于深度学习的航天器故障检测技术，具体是一种基于多源数据融合的装备系统健康管理及故障诊断方法。
技术介绍
[0002]航天器作为航天任务的执行单位，是航天系统的重要组成部分。随着航天技术的进步，航天器变得更为复杂、精密，体现在其分系统内部及分系统间组成和交互变得更为复杂，航天任务量及单个任务累积的数据量大量增加。由于航天器是非常昂贵的器械，极度复杂且往往执行危险系数很大的任务，工作在人类缺乏了解的环境中，因此，系统故障带来的后果十分严重，及时发现并处理这些故障是航天器生命周期的重要一环。这对航天器故障检测的准确性和高效性提出了较高的要求。
[0003]传统的故障检测方法，譬如人工判读方法，对于操作人员相关领域知识有较高的要求，对故障的反应时间也会随着数据量的累积而增长。此外，人工检测技术在处理海量数据时会导致故障误判率增高。因此，航天器自主故障检测技术在近几十年间引发了国内外专家的重视，多种自动...
【技术保护点】
【技术特征摘要】
1.一种基于多源数据融合的装备系统健康管理及故障诊断方法，其特征在于，包括如下步骤：步骤1，对航天器多源数据进行预处理；预处理包括对缺失值的填充，分两种情况如下：(1.1)对于存在同类传感器数据的缺失值填充，是对同类传感器同一时间点的数据求平均值，作为缺失值，填充到缺失序列中；(1.2)对于不存在同类传感器数据的缺失值填充，使用时间序列分析ARIMAX模型进行缺失值预测；步骤2，对航天器多源数据进行融合，包括：(2.1)对同类传感器数据，采用基于动态支持度的最小二乘融合方法进行融合；所述动态支持度用于筛选要融合的同类传感器数据，将支持度低的同类传感器数据抛弃；(2.2)对异类传感器数据，先利用主成分分析PCA进行数据降维，再利用局部线性嵌入LLE进行特征融合，降低数据维度；步骤3，建立航天器多源数据故障检测模型，将步骤2融合后的数据输入该故障检测模型进行故障检测；所述航天器多源数据故障检测模型构建方式为：将变分自编码器VAE的解码器作为生成式对抗网络GAN的生成器，形成的故障检测模型包括编码器、生成器和判别器；编码器和解码器引入长短期记忆模型LSTM，利用LSTM预测下一时间窗口的输入数据；融合数据作为原始观测数据输入编码器进行编码后，输入生成器重建原始观测数据，生成器输出的生成数据输入判别器，判别器对输入数据进行真假判断；所述故障检测模型在每一轮训练中，依次更新编码器、生成器和判别器的模型参数，再训练LSTM；将融合后的时间序列数据输入所述故障检测模型进行检测时，计算每个数据点的故障得分，并与预先设置的故障阈值比较，若大于该阈值则标记为故障点，否则表示没有故障，最后根据时间序列长度与故障点总数来判断是否有故障发生。2.根据权利要求1所述的方法，其特征在于，所述的步骤2中，设同类传感器有n个，计算传感器i在t时刻的支持度Z
it
如下：其中，z
ij
为传感器i,j相互的支持度，z
ij
＝1
‑
d
ij
，d
ij
为传感器i、j在t时刻的距离，距离d
ij
＝|s
it
‑
s
jt
|，s
it
、s
jt
分别为传感器i、传感器j在t时刻的测量值；预先设置支持度阈值，对低于支持度阈值的同类传感器的数据抛弃，对大于等于支持度阈值的同类传感器数据采用基于最小二乘法加权融合。3.根据权利要求1所述的方法，其特征在于，所述的步骤2，采用的最近邻投影的增量式LLE算法如下：(1)将近邻点来源范围扩展到训练集和经增量式LLE算法映射的测试集，如下：对测试集中的样本x
i
，在训练集和经增量式LLE算法映射的测试集中寻找k个近邻点；i为样本编号；(2)求取近邻点的变换矩阵G；
设样本x
i
的k个近邻点的矩阵为X
k
，经增量式LLE算法投影降维后的得到矩阵Y
k
；设存在变换矩阵G，使得Y
k
＝GX
k
，经推到得到G＝Y
k
X
kT
(X
k
X
kT
)
‑1；(3)得到样本x
i
经增量式LLE算法...
【专利技术属性】
技术研发人员：吕江花，刘铭，刘鹤，张淳，刘泽玉，刘丽君，
申请(专利权)人：北京空间飞行器总体设计部，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。