(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111372043.9 (22)申请日 2021.11.18 (71)申请人 中国空间技 术研究院 地址 100094 北京市海淀区友谊路104 号 (72)发明人 陈子涵　张田青　 (74)专利代理 机构 北京理工大 学专利中心 11120 代理人 温子云　李爱英 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 基于深度学习的反作用轮故障检测和健康 评估系统及方法 (57)摘要 本发明公开了一种基于深度学习的反作用 轮故障检测和健康评估系统及方法， 能够解决反 作用轮故障检测难度大， 以及在反作用轮故障数 据较少时未能充分利用正常数据评估其健康状 态的问题。 所述反作用轮故障检测和健康评估系 统包括观测器、 检测器、 评估器； 所述观测器用于 跟踪反作用轮的动力学状态， 并生成实时残差； 所述检测器实时产生当前时间的自适应阈值， 比 较残差和阈值的关系， 检测所述反作用轮是否故 障； 所述评估器用于周期性评估 所述反作用轮的 健康状态； 所述评估器获取并记录残差， 将一段 时间的残差数据组成残差向量； 提取残差向量的 特征； 计算特征向量的空间拓扑结构， 并计算空 间偏离度， 最后将其转化为健康度(CV)， 从而实 现健康评估。 权利要求书3页 说明书11页 附图8页 CN 114254555 A 2022.03.29 CN 114254555 A 1.一种基于深度学习的反作用轮故障检测和健康评估系统， 其特征在于， 所述反作用 轮故障检测 和健康评估系统包括观测器、 检测器、 评估器； 所述观测器用于跟踪反作用轮的动力学状态， 所述观测器是由一个长短时记忆网络 (LSTM)构成的； 所述观测器获取所述反作用轮的输入 X和多阶延时输出的组合； 通过观测器 的LSTM深度神经网络模拟所述反作用轮的输入与输出的关系， 由所述LSTM深度神经网络输 出所述反作用轮的估计输出 基于所述反作用轮的实际输出Y 和估计输出 实时计算反作用轮的实际输出和估计输出残差R＝[r(1)， r(2)， . ..， r(N)]； 所述检测器用于检测所述反作用轮是否发生故障； 所述检测器由阈值产生模块和故障 判别模块组成， 阈值产生模块基于LSTM深度神经网络实现， 故障判别模块实时比较残差和 自适应阈值的大小关系； 所述检测器接收反作用轮的输入X、 观测器的估计输出 残差R， 输 出反作用轮的故障状态； 在t时刻， 由阈值产生模块 实时产生当前时间t的自适应阈值 ε(t)； 故障判别模块实时比较t时刻残差r(t)和自适应阈值 ε(t)， 若残差大于阈值， 则判定所述反 作用轮发生故障， 若残差小于或等于阈值， 则判定所述反作用轮 状态正常； 所述评估器用于周期性评估所述反作用轮的健康状态； 所述评估器包括特征提取模 块、 自组织映射(SOM)神经网络模块、 健康度计算模块； 所述特征提取模块获取并记录残差r (t)， 将一段时间T内的残差数据组成残差向量R(T)＝[r(1)， r(2)， ...， r(T)]； 提取残差向 量的特征； 将特征输入SOM神经网络模块， 之后将SOM神经网络模块的输出结果输入健康度 计算模块， 获得健康度(CV)结果； 健康度是表征反作用轮的健康状态的、 范围是0 ‑1的无量 纲标量； 最终根据健康度评估所述反作用轮的健康状态。 2.如权利要求1所述的系统， 所述自组织映射(SOM)神经网络模块使用所述反作用轮正 常状态时的残差 向量的时域特征训练SOM神经网络， 训练完成后即可输出所述反作用轮正 常状态时的残差向量的时域特征的空间拓扑结构， 记录该 空间拓扑结构中的最佳匹配单元 (BMU)位置， 该BMU对应的权 重矢量记为U0。 3.一种基于深度学习的反作用轮故障检测和健康评估方法， 所述方法基于如权利要求 1‑2中任一项 所述的基于深度学习的反作用轮故障检测和健康评估系统实现， 其特征在于， 所述方法包括： 步骤S1： 所述观测器实时获取反作用轮的输入和输出， 所述输入为反作用轮的输入力 矩指令信号， 所述输出为反作用轮的输出力矩信号； 基于所述反作用轮的输入力矩指令信 号和输出力矩信号， 所述观测器实时生成反作用轮的估计输出， 计算所述反作用轮的实际 输出和所述观测器的估计输出的差值， 将该差值定义 为残差； 步骤S2： 基于反作用轮的输入力矩指令信号和所述观测器产生的估计输出， 由所述检 测器的阈值产生模块生成与所述反作用轮工作状态对应、 且与时间相关的自适应阈值； 由 所述检测器的故障判别模块实时比较残差和自适应阈值： 若所述残差大于所述自适应阈 值， 则判定反作用轮故障； 若所述残差小于或等于所述自适应阈值， 则判定反作用轮无故 障； 步骤S3： 在故障检测的同时， 将所述残差输入评估器， 由评估器输出所述反作用轮的健 康度， 根据健康度分析 所述反作用轮的健康状态， 判断反作用轮是否性能退化。 4.如权利要求3所述的方法， 其特 征在于， 所述 步骤S1， 包括：权　利　要　求　书 1/3 页 2 CN 114254555 A 2利用反作用轮的输入力矩指令信号X和输出力矩信号Y， 使用基于LSTM深度神经网络的 观测器模拟反作用轮的动力学特征， 根据反作用轮的输入和多阶延时输出组合Y(‑2)， 实时 生成反作用轮的估计输出 计算反作用轮的实际输出和观测器的估计输出的差值， 该差值 定义为残差R； t时刻的残差r(t)的计算公式为 5.如权利要求 4所述的方法， 其特 征在于， 所述 步骤S2， 包括： 利用反作用轮t时刻的输入信号和观测器的输出信号， 使用检测器中基于LSTM深度神 经网络的阈值产生模块 生成反作用轮该时刻的自适应阈值； t时刻的自适应阈值由下式计算出： ε(t)＝r0(t)+β 其中， r0(t)表示反作用轮工作正常情况下的t时刻的残差， β 表示修正系数； 修正系数用 来弥补反作用轮随时间漂移的参数和扰动等因素造成的残差波动； 所述检测器的故障判别模块将该阈值ε(t)和残差r(t)比较： 若残差大于该阈值， 则认 为反作用轮故障， 反 之认为其处于正常状态。 6.如权利要求5所述的方法， 其特 征在于， 所述 步骤S3， 包括： 步骤S31： 根据所述残差， 评估器记录一段时间T内的残差， 组成残差向量R(T)＝[r(1)， r(2)， ...， r(T)]， 特征提取模块计算所述残差向量的时域特征， 并将其作为待健康评估的 残差向量的时域特 征； 步骤S32： 将所述待健康评估 的残差向量的时域特征输入评估器的SOM神经网络模块， 所述评估器中的SOM神经网络模块输出此时的残差向量的时域特征 的空间拓扑结构， 记录 该空间拓扑 结构中的BMU位置， 该BMU对应的权 重矢量记为U1； 计算U0和U1的空间距离， 将该空间距离记为最小量化误差(MQE)； MQE表示待评估的残差 向量和反作用轮工作正常时的残差向量间的偏离关系， 即反作用轮当前运行状态与正常状 态分别对应的特 征空间的偏移度； M＝||U1‑U0|| 其中， M表示MQE值； 评估器的健康度计算模块将MQE归一 化得到CV值： 其中， b是归一 化系数。 7.如权利要求6所述的方法， 其特征在于， 所述时域特征对应的特征值包括均方根值、 峰值、 平均绝对值， 计算方式为： 均方根值： 峰值： B＝max(|r(t)|) 平均绝对值： 权　利　要　求　书 2/3 页 3 CN 114254555 A 3