● 摘要
卫星电源系统作为卫星的重要组成部分，负责星上全部负载的供电，该系统性能的好坏将直接影响其它系统的工作状态。因此，开展电源系统的故障预测研究，了解电源系统的状态具有非常重要的意义。但是，由于电源系统结构复杂、运行状态及空间环境因素多变等原因，小卫星电源系统的故障预测工作一直难以开展。本文提出一套基于遥测数据的故障预测方法来解决该问题。首先针对小卫星遥测数据中缓变和快变两类数据，分别建立基于ARMA和小波神经网络的时间序列预测模型，并基于预测数据的分析进行故障预警；然后利用预测区间技术降低不确定性因素对故障预警的影响，以提高预警的工程实用性；最后建立适合小卫星故障预测的基于DS证据融合的多信号融合诊断模型，解除故障隔离模糊组并给出未来将要发生的故障模式和故障发生概率。本论文的具体研究内容包括：（1）分析小卫星电源系统的工作状态、各关键部件的故障模式和遥测数据的特点，为研究基于遥测数据的故障预测方法打下基础。（2）针对小卫星电源系统快变和缓变两类遥测数据的特点，分别建立ARMA和小波神经网络预测模型进行趋势预测，并在此基础上进行故障预警。研究过程中，对小波神经网络的训练算法进行了改进，引入了动量因子加快其训练收敛速度，同时与BP神经网络的预测效果进行了对比，证明了小波神经网络预测的优点。（3）为了降低不确定因素对故障预警精度的影响，提高故障预警的工程实用价值，深入开展了预测区间技术的研究。针对构建预测区间过程中遇到的预测误差已知和预测误差未知两种常见类型，研究了基于数理统计和改进块状自助法的两种方法。（4）基于DS证据理论的多信号融合诊断模型研究。首先建立电源系统典型故障模式的多信号模型，然后利用DS证据理论融合专家经验来解决
相关内容
相关标签