[发明专利]一种控制力矩陀螺仪故障检测方法、装置及相关存储介质

说明书

本发明公开了一种控制力矩陀螺仪故障检测方法、装置及相关存储介质，该方法包括：搭建Sinc‑LSTM网络，采用大规模IMS轴承故障检测数据集和火星车数据集进行两阶段的预训练；获取在轨卫星的控制力矩陀螺仪遥测数据，并进行工况分类预处理；将经工况分类预处理后的控制力矩陀螺仪遥测数据，对所述Sinc‑LSTM网络进行训练，到能够实现控制力矩陀螺仪遥测数据拟合重建的模型；基于所述控制力矩陀螺仪遥测数据拟合重建的模型，对需要检测的控制力矩陀螺仪进行检测；将得到的重建数据与其对应的原始遥测数据作差，阈值判断完成故障检测。该方法提高了控制力矩陀螺仪异常检测的精确度。

技术领域

本发明涉及航天器故障检测技术领域，尤其是涉及基于迁移学习的控制力矩陀螺仪故障检测技术领域，特别涉及一种控制力矩陀螺仪故障检测方法、装置及相关存储介质。

背景技术

控制力矩陀螺仪是航天器姿态调整的惯性执行部件，其稳定工作对航天器的在轨运行具有重要意义。控制力矩陀螺仪的异常检测是卫星在轨状态检测与健康管理技术的基础和重要环节，能够保障卫星在轨的安全运行，以及故障的及时排查，因此具有重大的研究价值。

随着航天技术的发展，航天器系统越来越复杂，数据规模也大幅度提升。对控制力矩陀螺仪等航天器部件来说,传统的依靠人工判别和专家系统判别的异常检测方式会消耗越来越多的人力，并且在海量数据规模下难以提升精度。因此，对于控制力矩陀螺仪的异常检测需要采用深度学习的方式来提升检测效率和精度。

发明内容

本发明的目的在于提供一种控制力矩陀螺仪故障检测方法、装置及相关存储介质，解决了现有技术的人力检测精度低、效率低的问题。

为实现上述目的，本发明采取的技术方案为：

第一方面，本发明实施例提供一种控制力矩陀螺仪故障检测方法，包括以下步骤：

S10、搭建Sinc-LSTM网络，采用大规模IMS轴承故障检测数据集和火星车数据集进行两阶段的预训练；

S20、获取在轨卫星的控制力矩陀螺仪遥测数据，并进行工况分类预处理；

S30、将经工况分类预处理后的控制力矩陀螺仪遥测数据，对所述Sinc-LSTM网络进行训练，得到能够实现控制力矩陀螺仪遥测数据拟合重建的模型；

S40、基于所述控制力矩陀螺仪遥测数据拟合重建的模型，对需要检测的控制力矩陀螺仪进行检测；将得到的重建数据与其对应的原始遥测数据作差，进行自适应的阈值判断完成故障检测。

进一步地，所述步骤S10包括：

S101、搭建Sinc-LSTM网络；

S102、采用大规模IMS轴承故障检测数据集，输入所述Sinc-LSTM网络进行第一阶段预训练；

S103、将火星车数据集输入经过第一阶段预训练的Sinc-LSTM网络中，进行第二阶段预训练。

进一步地，所述步骤S20包括：

获取在轨卫星的控制力矩陀螺仪全周期时序数据进行工况分类，得到不同工况下的控制力矩陀螺仪运行数据。

进一步地，工况分类选用基于密度峰值的自动聚类算法。

进一步地，所述步骤S30中，Sinc-LSTM网络首层利用sinc函数滤波器作为一维卷积核进行特征提取。

进一步地，所述Sinc-LSTM网络中，采用sinc函数的滤波器对LTSM网络进行改进，增强LSTM网络对一维时序数据的拟合重建能力。

进一步地，所述Sinc-LSTM网络中隐藏层的第一层由16×6个SincNet滤波器构成，LSTM网络部分由两层96个单元的单向LSTM网络组成，数据输入全连接层后连接输出层完成训练。