衛(wèi)星是一種高復(fù)雜的系統(tǒng)。衛(wèi)星的造價昂貴,維修成本很高,但對于國家來說具有非常重要的戰(zhàn)略意義。衛(wèi)星因為其特殊的工作環(huán)境,容易受到各種因素的干擾。一旦衛(wèi)星發(fā)生故障,如果不能及時的處理,那么將可能引發(fā)衛(wèi)星事故,造成不可挽回的損失。衛(wèi)星發(fā)生故障時常常伴隨著參數(shù)的變化,因此對衛(wèi)星數(shù)據(jù)進行相關(guān)的故障診斷建模研究具有非常重要的意義,從而實現(xiàn)對衛(wèi)星狀態(tài)的監(jiān)測,減小衛(wèi)星故障發(fā)生的可能性。本論文的主要研究內(nèi)容與貢獻主要有:(1)本文的主要研究對象——本文采用的數(shù)據(jù)是基于衛(wèi)星的遙測數(shù)據(jù),由合作方提供。通過對遙測數(shù)據(jù)的特點進行簡要的分析,提出對數(shù)據(jù)的預(yù)處理流程,包括剔除野值、插值補償?shù)?并說明了模型精確度的量化指標;(2)本文采用了粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)對衛(wèi)星遙測數(shù)據(jù)進行故障診斷建模,該模型能夠較準確的對故障進行診斷。針對粒子群算法容易出現(xiàn)早熟的現(xiàn)象,提出了一種改進粒子群算法——骨干粒子群算法對小波神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,能夠?qū)崿F(xiàn)診斷的自適應(yīng),從而使模型更加準確;(3)本文采用了蟻群算法優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)對衛(wèi)星遙測數(shù)據(jù)進行故障診斷建模,該模型能較好的對故障進行診斷。針對蟻群算法,對螞蟻提出了一種新的狀態(tài)——調(diào)整... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【部分圖文】：

衛(wèi)星故障類型圖

據(jù)高斯分布函數(shù)，計算粒子所對應(yīng)的舒適度，根據(jù)結(jié)算結(jié)果best, ,,( ), ( ( )) ( ( ))( 1)( ), ( ( )) ( ( ))i d i d ididid i d idx n f x n f pbest npbest npbest n f x n f pbest n , 1 ,, arg min [ ( )]n g n i M i ngbest pbest g f pbest end fordo驗證基于建模方法的可行性，將神經(jīng)網(wǎng)絡(luò)進行擬合訓練，通過方法進行比較分析。測試與分析選取了數(shù)據(jù)提供方提供的代號名稱為RW1的一小段衛(wèi)星遙測合，圖 3-6 為粒子群算法-小波神經(jīng)網(wǎng)絡(luò)擬合結(jié)果，圖 3-7 為小波神經(jīng)網(wǎng)絡(luò)擬合的結(jié)果：

圖 3-7 改進粒子群算法優(yōu)化擬合效果圖，神經(jīng)網(wǎng)絡(luò)輸入層的個數(shù)為 2，隱含層的個數(shù)為 3，設(shè)置的最大習因子1c 的值為 2.8，學習因子2c 的值為 1.7，權(quán)重的值為 0.5 3-7 可以發(fā)現(xiàn)改進粒子群算法的擬合效果比沒有改進時更加準確群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的誤差圖，圖 3-9 為改進的粒子群算法的誤差圖。


本文編號：2904332