[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

说明书

本发明实施例提供了一种卫星执行机构的故障检测深度学习网络处理方法及装置。卫星执行机构的故障检测深度学习网络处理方法，包括：获取在预设坐标系的姿态数据及故障状态；根据姿态数据及故障状态，构建训练集及测试集，其中，训练集包括：第一训练数据和第二训练数据；测试集包括：设置有数据标签的姿态数据；利用训练集训练具有不同网络结构的多个前馈网络，获得前馈网络的网络参数；将测试集中姿态数据输入到已获得网络参数的前馈网络中，获得检测标签；对检测标签与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前馈网络，作为卫星执行机构故障判断的应用网络。

技术领域

本发明涉及卫星技术领域，尤其涉及一种卫星执行机构的故障检测深度学习网络处理方法及装置。

背景技术

卫星执行机构主要包括喷气执行机构、飞轮、磁力矩器和重力杆等各种作为卫星提供飞行或运动的力矩机构。若卫星的执行机构发生故障，就会导致卫星偏离预定的运行轨道或丢失跟踪目标等等，故需要精确的监控卫星执行机构的状态，及时检测出卫星执行机构是否发生故障，若发生故障就需要解决故障，以确保卫星执行机构的正常运行。

在现有技术中，有各种检测卫星执行机构的方式，但是目前从实际效果来看检测卫星执行机构是否出现故障的方式，要不复杂度高，要不检测精度不够；故提出一种兼顾复杂度及精确度的方法，是亟待解决的问题。

发明内容

有鉴于此，本发明实施例期望提供一种卫星执行机构的故障检测深度学习网络处理方法及装置，至少部分解决上述问题。

为达到上述目的，本发明的技术方案是这样实现的：

第一方面，本发明实施例提供一种卫星执行机构的故障检测深度学习网络处理方法，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。

可选地，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。

可选地，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；