[发明专利]卫星执行机构的故障检测深度学习网络处理方法及装置

权利要求书

1.一种卫星执行机构的故障检测深度学习网络处理方法，其特征在于，包括：

获取在预设坐标系的姿态数据及故障状态；

根据所述姿态数据及所述故障状态，构建训练集及测试集，其中，所述训练集包括：第一训练数据和第二训练数据；所述第一训练数据包括：姿态数据及根据对应的所述故障状态确定的数据标签；所述第二训练数据包括：未设置有数据标签的姿态数据；所述测试集包括：设置有数据标签的姿态数据；

利用所述训练集训练具有不同网络结构的多个前馈网络，获得所述前馈网络的网络参数；

将所述测试集中姿态数据输入到已获得网络参数的所述前馈网络中，获得检测标签；

对检测标签与所述测试集中数据标签进行处理，获得故障检测的正确率；

选择故障检测的正确率最高的所述前馈网络，作为卫星执行机构故障判断的应用网络。

2.根据权利要求1所述的方法，其特征在于，

所述方法还包括：

采用如下公式对所述姿态数据进行最大-最小标准化处理，获得标准化后的姿态数据；

x_i是需要标准化的原始数据，是标准化后的数据，x_min是原始数据的最小值，x_max是原始数据的最大值；

所述根据所述姿态数据及所述故障状态，构建训练集及测试集，包括：

对标准化的姿态数据及故障状态进行划分，获得所述训练集及测试集。

3.根据权利要求1或2所述的方法，其特征在于，

所述利用所述训练集训练具有不同网络结构的多个前馈网络，获得所述前馈网络的网络参数，包括：

根据深度信念网络配置所述前馈网络的网络结构，其中，所述网络结构包括：所述深度信念网络的层数、节点数、节点权重、隐层偏差、显层偏差、学习率、及所述深度信念网络的输出层的激活函数中的一个或多个；

利用所述训练集及对比散度算法逐层训练所述深度信念网络配置，获得所述深度信念网络配置的受限波尔兹曼机参数；

使用所述训练集中的第一训练数据集基于动量的随机梯度下降法，并采用交叉熵损失函数对初步获得所述受限波尔兹曼机参数进行调整，获得最终的受限波尔兹曼机参数。

4.根据权利要求3所述的方法，其特征在于，

所述激活函数为Softmax函数；所述Softmax函数为：

i为正整数，z_i为输出层第i个节点的输入，为输出层第i个节点的输出。

5.根据权利要求3所述的方法，其特征在于，

所述交叉熵损失函数为：

yⁱ是第i组姿态数据的数据标签，是第i组姿态数据通过已训练的前馈网络计算得到的检测标签。

6.根据权利要求1或2所述的方法，其特征在于，

所述根据所述姿态数据及所述故障状态，构建训练集及测试集，包括：

从所述姿态数据中剔除未满足预设条件的异常数据；

利用剔除未满足预设条件的所述姿态数据及故障状态，构建所述训练集及所述测试集。

7.根据权利要求1或2所述的方法，其特征在于，

所述姿态数据包括以下至少之一：

卫星的角速度ω_b＝[ω_x ω_y ω_z]^T；其中，ω_x为x轴上的角速度；ω_y为y轴上的角速度；ω_z为z轴上的角速度；

卫星与目标之间的相对姿态其中，为滚转角；θ为俯仰角；ψ为偏航角；

卫星执行机构的控制力矩指令

姿态控制器输出u；

卫星所跟踪的目标的姿态角速度ω_t。