衛(wèi)星電源系統(tǒng)故障診斷平臺的設(shè)計與研究
發(fā)布時間：2020-08-08 12:04
【摘要】：隨著衛(wèi)星的廣泛應(yīng)用及其功能的多樣化,對于保障衛(wèi)星正常工作具有重要意義的衛(wèi)星電源系統(tǒng)受到了更多的關(guān)注。鑒于衛(wèi)星電源系統(tǒng)所扮演的重要角色,其故障診斷的技術(shù)已經(jīng)成為當今國內(nèi)外相關(guān)領(lǐng)域的研究熱點。衛(wèi)星電源系統(tǒng)的故障診斷主要分為故障檢測和故障識別兩個方面,相關(guān)技術(shù)的研究是建立在大量的數(shù)據(jù)基礎(chǔ)之上的。然而,衛(wèi)星電源系統(tǒng)遙測數(shù)據(jù)量少且實時傳輸性差,研究人員能夠獲取到的故障樣本數(shù)量少,這給該領(lǐng)域的研究帶來諸多不利因素。對此,本文從系統(tǒng)建模與仿真、優(yōu)化診斷方法和搭建診斷平臺等三個方面進行研究,以對相關(guān)研究狀況進行改善。本文選用了地球同步衛(wèi)星的電源系統(tǒng)作為研究對象,分析了其各個組成部分的工作原理,建立了簡化的數(shù)學模型,并在Simulink仿真環(huán)境下構(gòu)建了衛(wèi)星電源系統(tǒng)的仿真模型。分析了衛(wèi)星電源系統(tǒng)的故障產(chǎn)生機理,選取了典型故障模式對仿真模型進行故障注入,獲取了可以近似反映真實故障樣本的仿真數(shù)據(jù)。分析了衛(wèi)星電源系統(tǒng)工作狀態(tài),劃分了其工作的不同時期,分析了不同時期的故障特征。根據(jù)衛(wèi)星電源系統(tǒng)的故障特征,采用了基于小波變換原理和基于主元分析原理的故障檢測方法對故障進行檢測;采用了概率神經(jīng)網(wǎng)絡(luò)和基于ID3算法的決策樹對故障進行識別,實現(xiàn)了神經(jīng)網(wǎng)絡(luò)的訓練和決策樹診斷規(guī)則的提取,闡述了故障特征與診斷算法的依存性。設(shè)計了基于MATLAB的衛(wèi)星電源系統(tǒng)故障仿真平臺及其用戶界面,介紹了診斷平臺的功能和工作流程,給出了用戶界面的使用說明,測試并分析了故障診斷平臺的性能。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：V467
【圖文】：
37.83 19.26 38.38 3.59 41.20 18.22.62 4.41 39.00 3.91 41.20 18.28.76 10.55 39.00 3.91 41.20 18.5.74 2.70 32.20 3.31 41.19 18.15.82 3.45 35.18 3.71 41.19 18.39.82 21.61 37.92 3.91 41.19 18.39.84 21.63 32.36 3.91 41.20 18.39.82 21.61 38.32 3.86 41.20 18.39.82 21.61 31.78 3.29 41.20 18.39.84 21.28 39.00 3.92 40.42 18.39.83 18.25 39.00 3.92 34.91 21.39.84 22.13 38.99 3.91 42.35 17.39.82 23.92 39.00 3.91 47.24 15.據(jù)該表，可以確定所要構(gòu)建的 PNN 的輸入層需要設(shè)置 6 個神經(jīng)元入的 6 維信號，隱藏層需要設(shè)置與樣本數(shù)量相同的 100 個神經(jīng)元要設(shè)置 7 個神經(jīng)元，用于輸出分類后的 7 個類別（1 種正常狀態(tài)態(tài)）。 MATLAB 下構(gòu)建對應(yīng)的 PNN 的結(jié)構(gòu)圖如圖 4-12 所示。
類別信息熵信→ 1 3 0.811 30.540 9 0↓ 0 2 0→ 1 1 1.000 00.333 3 0↓ 0 4 0→ 1 3 0.811 30.540 9 0↓ 0 2 0→ 1 2 0.918 30.459 2 0↓ 0 3 0→ 1 2 0.918 3↓ 0 1 00.459 2 0↑ 0 2 0→ 1 4 0.721 90.601 6 0↓ 0 1 0到這里蓄電池組電壓的的信息增益最大，數(shù)值池組電壓作為根節(jié)點，根據(jù)該屬性的兩種屬性得到劃分后的決策樹如圖 4-14 所示。
以占空比的屬性類別為依據(jù)對決策樹進行劃分。表 4-10 各個屬性的信息熵以及信息增益屬性屬性類別反例 正例 信息熵屬性信息熵屬性信息增益I ( p, n)分流電流→ 1 3 0.811 30.649 0 0.081 00.721 9↓ 0 1 0蓄電池單體壓力→ 1 2 0.918 30.551 0 0.170 9↓ 0 2 0蓄電池組電流→ 1 2 0.918 30.551 0 0.170 9↓ 0 3 0占空比→ 1 1 1.000 0↓ 0 1 00.400 0 0.321 9↑ 0 2 0母線電壓→ 1 3 0.811 30.649 0 0.081 0↓ 0 1 0將此方法反復利用，即可得到最終劃分完成的決策樹如圖 4-15 所示，該決策樹的葉 6 個葉節(jié)點分別對應(yīng)本例中的 1 種正常狀態(tài)和 6 種故障狀態(tài)。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：V467
【圖文】：
37.83 19.26 38.38 3.59 41.20 18.22.62 4.41 39.00 3.91 41.20 18.28.76 10.55 39.00 3.91 41.20 18.5.74 2.70 32.20 3.31 41.19 18.15.82 3.45 35.18 3.71 41.19 18.39.82 21.61 37.92 3.91 41.19 18.39.84 21.63 32.36 3.91 41.20 18.39.82 21.61 38.32 3.86 41.20 18.39.82 21.61 31.78 3.29 41.20 18.39.84 21.28 39.00 3.92 40.42 18.39.83 18.25 39.00 3.92 34.91 21.39.84 22.13 38.99 3.91 42.35 17.39.82 23.92 39.00 3.91 47.24 15.據(jù)該表，可以確定所要構(gòu)建的 PNN 的輸入層需要設(shè)置 6 個神經(jīng)元入的 6 維信號，隱藏層需要設(shè)置與樣本數(shù)量相同的 100 個神經(jīng)元要設(shè)置 7 個神經(jīng)元，用于輸出分類后的 7 個類別（1 種正常狀態(tài)態(tài)）。 MATLAB 下構(gòu)建對應(yīng)的 PNN 的結(jié)構(gòu)圖如圖 4-12 所示。
類別信息熵信→ 1 3 0.811 30.540 9 0↓ 0 2 0→ 1 1 1.000 00.333 3 0↓ 0 4 0→ 1 3 0.811 30.540 9 0↓ 0 2 0→ 1 2 0.918 30.459 2 0↓ 0 3 0→ 1 2 0.918 3↓ 0 1 00.459 2 0↑ 0 2 0→ 1 4 0.721 90.601 6 0↓ 0 1 0到這里蓄電池組電壓的的信息增益最大，數(shù)值池組電壓作為根節(jié)點，根據(jù)該屬性的兩種屬性得到劃分后的決策樹如圖 4-14 所示。
以占空比的屬性類別為依據(jù)對決策樹進行劃分。表 4-10 各個屬性的信息熵以及信息增益屬性屬性類別反例 正例 信息熵屬性信息熵屬性信息增益I ( p, n)分流電流→ 1 3 0.811 30.649 0 0.081 00.721 9↓ 0 1 0蓄電池單體壓力→ 1 2 0.918 30.551 0 0.170 9↓ 0 2 0蓄電池組電流→ 1 2 0.918 30.551 0 0.170 9↓ 0 3 0占空比→ 1 1 1.000 0↓ 0 1 00.400 0 0.321 9↑ 0 2 0母線電壓→ 1 3 0.811 30.649 0 0.081 0↓ 0 1 0將此方法反復利用，即可得到最終劃分完成的決策樹如圖 4-15 所示，該決策樹的葉 6 個葉節(jié)點分別對應(yīng)本例中的 1 種正常狀態(tài)和 6 種故障狀態(tài)。
【參考文獻】
相關(guān)期刊論文 前10條
1 郝順義;夏奇;黃國榮;劉世一;g傺
本文編號：2785537
本文鏈接：http://sikaile.net/kejilunwen/hangkongsky/2785537.html
最近更新
教材專著
