数据与模型驱动的航天器姿态控制系统故障诊断

doi:10.7527/S1000-6893.2025.32259

第二届空天前沿大会/第二十七届中国科协年会优秀论文

本期目录 | 过刊浏览 | 高级检索

前一篇 |

数据与模型驱动的航天器姿态控制系统故障诊断

寇容海¹, 李文博²^,³, 党庆庆¹(), 谢进进⁴

^1.西北工业大学民航学院，西安 710072
^2.南京航空航天大学自动化学院，南京 211106
^3.北京控制工程研究所，北京 100190
^4.东南大学仪器科学与工程学院，南京 210096

收稿日期:2025-05-19 修回日期:2025-05-30 接受日期:2025-06-10 出版日期:2025-07-21 发布日期:2025-06-27
通讯作者: 党庆庆 E-mail:dangqingqing@nwpu.edu.cn
基金资助:
国家重点研发计划(2021YFB1715000);国家自然科学基金(62022013);国家自然科学基金(62373046);国家自然科学基金(210096);国家自然科学基金(62273240);姑苏创新领军人才(ZXL2023177)

Fault diagnosis of spacecraft attitude control system driven by data and model

Ronghai KOU¹, Wenbo LI²^,³, Qingqing DANG¹(), Jinjin XIE⁴

^1.School of Civil Aviation，Northwestern Polytechnical University，Xi’an 　710072，China
^2.College of Automation Engineering，Nanjing University of Aeronautics & Astronautics，Nanjing 　211106，China
^3.Beijing Institute of Control Engineering，Beijing 　100190，China
^4.School of Instrument Science and Engineering，Southeast University，Nanjing 　210096，China

Received:2025-05-19 Revised:2025-05-30 Accepted:2025-06-10 Online:2025-07-21 Published:2025-06-27
Contact: Qingqing DANG E-mail:dangqingqing@nwpu.edu.cn
Supported by:
National Key R&D Program of China(2021YFB1715000);National Natural Science Foundation of China(62022013);Suzhou Municipal Science and Technology Bureau(ZXL2023177)

摘要/Abstract

摘要：

针对航天器姿态控制系统在复杂太空环境中易发生多重故障的问题，提出了一种融合鲁棒观测器与支持向量机（SVM）的故障检测与隔离策略。首先基于物理模型构造的鲁棒观测器与系统动力学比较产生残差，利用训练好的神经网络设计动态阈值与残差相比较进行故障检测。再结合观测器生成的残差信号和系统的输入输出，利用SVM对数据进行分类，检测出多重故障类型。通过物理模型与数据融合的双驱动策略，可以实现对典型单故障、双重故障及三重故障进行分类识别，提升航天器姿态控制系统故障检出精度与分类准确率。动态阈值对不同故障模式具有普适性，能够有效提升检测性能，通过仿真对比静态阈值和神经网络训练的动态阈值，表明动态阈值方法较传统静态阈值在故障响应速度和准确率上有所提升。通过对比BP神经网络、随机森林和SVM故障分类结果，实验表明SVM分类准确率达99.26%，优于随机森林（98.52%）和神经网络（97.04%），展现出较高性能。结论表明，所提方法通过观测器与SVM融合，有效解决了高耦合故障的检测与隔离难题，显著提升了系统故障检测能力。

关键词: 航天器姿态控制系统, 故障诊断, 数据与模型驱动, 鲁棒观测器, 神经网络, 支持向量机

Abstract:

To address the problem of multiple faults in spacecraft attitude control systems in complex space environments， this paper proposes a fault detection and isolation strategy that integrates robust observers and Support Vector Machines （SVM）. Firstly， a robust observer constructed based on a physical model is compared with system dynamics to generate residuals. These residuals are then compared with dynamic thresholds， designed using a trained neural network， for fault detection. Furthermore， combining the observer-generated residual signals with the system input-output data， SVM is used to classify and detect multiple fault types. Through the dual drive strategy of physical model and data fusion， typical single faults， dual faults， and triple faults can be classified and identified， improving the accuracy of fault detection and classification in spacecraft attitude control systems. The dynamic threshold has universality for different fault modes and can effectively improve detection performance. By comparing the static threshold and the dynamic threshold trained by neural networks through simulation， it is shown that the dynamic threshold method has improved the fault response speed and accuracy compared to the traditional static threshold method. By comparing the fault classification results of BP network， random forest and SVM， the experiment shows that the SVM classification accuracy reaches 99.26%， which is better than random forest （98.52%） and neural network （97.04%）， demonstrating superior performance. The conclusion shows that the proposed method effectively solves the problem of detecting and isolating high coupling faults through the fusion of observer and SVM， significantly improving the system’s fault detection capability.

Key words: spacecraft attitude control system, fault diagnosis, data and model driven, robust observer, neural network, support vector machine

中图分类号:

V448

寇容海, 李文博, 党庆庆, 谢进进. 数据与模型驱动的航天器姿态控制系统故障诊断[J]. 航空学报, 2025, 46(S1): 732259.

Ronghai KOU, Wenbo LI, Qingqing DANG, Jinjin XIE. Fault diagnosis of spacecraft attitude control system driven by data and model[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(S1): 732259.

图/表 22

图 1

图 2

图 3

图 4

表1

卫星姿态控制系统参数

参数	数值
转动惯量/（kg·m²）	$d i a g 12.5, 13.7, 15.9$
过程噪声	$d (k) ~ N 0 6 × 1, 2.25 × 10 - 10 I$
测量噪声	$v (k) ~ N 0 6 × 1, d i a g 8.7 × 10 - 6 I, 4.2 × 10 - 5 I$
控制器参数	$K P = - 35 I 3 × 3 30 I 3 × 3 K D = - I 3 × 3 I 3 × 3$
初始姿态/（°）	$θ = [- 5 35]$
初始角速率/（rad·s^-1）	$ω = [000]$
采样周期/s	$T s = 0.01$
轨道角速度/（rad·s^-1）	$ω 0 = 0.001 2$

表1

表2

观测器参数

参数	数值
过程噪声的加权矩阵	$Q (k) = 5 × 105 × 2.25 × 10 - 10 I$
测量噪声的加权矩阵	$W (k) = d i a g 7.8 × 10 - 9 I, 3.8 × 10 - 8 I$
残差评价函数窗口	$N = 20$
估计初始状态	$x = 000000 T$

表2

图 5

表3

不同故障标志位定义

单故障		双重故障		三重故障
类型	标志位	类型	标志位	类型	标志位
$f s 1$	1	$f s 2, f a 2$	4	$f s 1, f s 2, f s 3$	7
$f s 4$	2	$f s 5, f a 1$	5	$f s 6, f a 1, f a 2$	8
$f a 1$	3	$f s 2, f s 4$	6	$f s 1, f s 4, f a 1$	9

表3

表4

数据特征值

参数	计算方法	参数	计算方法
$c 1$	$1 N ∑ t = 1 N s (t)$	$c 9$	$1 N - 1 ∑ t = 1 N s (t) - c 1 2$
$c 2$	$1 N ∑ t = 1 N s (t)$	$c 10$	$1 N - 1 c 93 ∑ t = 1 N s (t) - c 1 3$
$c 3$	$m a x (s (t))$	$c 11$	$1 N - 1 c 94 ∑ t = 1 N s (t) - c 1 4$
$c 4$	$m i n (s (t))$	$c 12$	$c 6 / c 8$
$c 5$	$c 3 - c 4$	$c 13$	$c 6 / c 7$
$c 6$	$m a x (s (t))$	$c 14$	$N c 8 / ∑ t = 1 N s (t)$
$c 7$	$1 N ∑ t = 1 N s (t) 2$	$c 15$	$N c 6 / ∑ t = 1 N s (t)$
$c 8$	$1 N ∑ t = 1 N s 2 (t)$	$c 16$	$N c 6 / ∑ t = 1 N s 2 (t)$

表4

图 6

图 7

图 8

图 9

图 10

图 11

表5

图 12

图 13

图 14

图 15

图 16

表6

参考文献 25

[1]	YUAN Z G， SONG N F， PAN X， et al. Fault detection， isolation， and reconstruction for satellite attitude sensors using an adaptive hybrid method［J］. IEEE Transactions on Instrumentation and Measurement， 2021， 70： 3522112.
[2]	袁利，王淑一. 航天器控制系统智能健康管理技术发展综述［J］. 航空学报， 2021， 42（4）： 525044.
	YUAN L， WANG S Y. A review on development of intelligent health management technology for spacecraft control systems［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 525044 （in Chinese）.
[3]	沈毅，李利亮，王振华. 航天器故障诊断与容错控制技术研究综述［J］. 宇航学报， 2020， 41（6）： 647-656.
	SHEN Y， LI L L， WANG Z H. A review of fault diagnosis and fault-tolerant control techniques for spacecraft［J］. Journal of Astronautics， 2020， 41（6）： 647-656 （in Chinese）.
[4]	YANG R， ZHONG M. Machine learning-based fault diagnosis for industrial engineering systems ［M］. Boca Raton： CRC Press， 2022： 1-10.
[5]	LI A， DUAN G R， LIU M， et al. Fault-tolerant quantized sliding mode observers design for a class of Takagi-sugeno fuzzy system with unmeasurable premise variable［J］. IEEE Transactions on Fuzzy Systems， 2022， 30（7）： 2312-2324.
[6]	NASROLAHI S S， ABDOLLAHI F. Sensor fault detection and recovery in satellite attitude control［J］. Acta Astronautica， 2018， 145： 275-283.
[7]	HENRY D， BORNSCHLEGL E， OLIVE X， et al. A model-based solution for fault diagnosis of thruster faults： Application to the rendezvous phase of the Mars sample return mission［J］ Progress in Flight Dynamics， Guidance， Navigation， Control， Fault Detection， and Avionics， 2013，6： 423-442.
[8]	DAIGLE M， BREGON A， ROYCHOUDHURY I. Qualitative event-based diagnosis with possible conflicts applied to spacecraft power distribution systems［J］. IFAC Proceedings Volumes， 2012， 45（20）： 265-270.
[9]	金洋，王日新，徐敏强. 基于分离策略的航天器多故障模式诊断方法［J］. 宇航学报， 2012， 33（6）： 698-704.
	JIN Y， WANG R X， XU M Q. A spacecraft autonomous failure diagnosis approach for multiple failure-mode system based on qualitative models［J］. Journal of Astronautics， 2012， 33（6）： 698-704 （in Chinese）.
[10]	CHENG Y， WANG R X， XU M Q. A combined model-based and intelligent method for small fault detection and isolation of actuators［J］. IEEE Transactions on Industrial Electronics， 2016， 63（4）： 2403-2413.
[11]	王振华.航天器故障诊断中的动态阈值生成与快速故障估计方法研究［D］.哈尔滨：哈尔滨工业大学，2018.
	WANG Z H. Research on dynamic threshold generation and fast fault estimation method in spacecraft fault diagnosis［D］. Harbin： Harbin Institute of Technology，2018. （in Chinese）.
[12]	CHEN X H， YANG R， XUE Y H， et al. Deep transfer learning for bearing fault diagnosis： A systematic review since 2016［J］. IEEE Transactions on Instrumentation Measurement， 2023， 72： TIM.2023.
[13]	SHAKIBA F M， SHOJAEE M， AZIZI S M， et al. Real-time sensing and fault diagnosis for transmission lines［J］. International Journal of Network Dynamics and Intelligence， 2022： 36-47.
[14]	YAIRI T， KAWAHARA Y， FUJIMAKI R， et al. Telemetry-mining： A machine learning approach to anomaly detection and fault diagnosis for space systems［C］∥2nd IEEE International Conference on Space Mission Challenges for Information Technology （SMC-IT’06）. Piscataway： IEEE Press， 2006.
[15]	李维铮，孟桥. 基于遥测数据动态特征的卫星异常检测方法［J］. 空间科学学报， 2014， 34（2）： 201-207.
	LI W Z， MENG Q. Fault detection for in-orbit satellites using an adaptive prediction model［J］. Chinese Journal of Space Science， 2014， 34（2）： 201-207 （in Chinese）.
[16]	CHEN S Z， YANG R， ZHONG M Y. Graph-based semi-supervised random forest for rotating machinery gearbox fault diagnosis［J］. Control Engineering Practice， 2021， 117： 104952.
[17]	于牧野，初未萌，符方舟，等. 基于SCSO-BP神经网络的卫星姿态控制系统故障预测［J］. 飞控与探测， 2024， 7（1）： 37-46.
	YU M Y， CHU W M， FU F Z， et al. Satellite attitude control system fault prediction based on SCSO-BP neural network［J］. Flight Control & Detection， 2024， 7（1）： 37-46 （in Chinese）.
[18]	YIN S， DING S X， XIE X C， et al. A review on basic data-driven approaches for industrial process monitoring［J］. IEEE Transactions on Industrial Electronics， 2014， 61（11）： 6418-6428.
[19]	LI Z Q， MA L， KHORASANI K. Fault diagnosis of an actuator in the attitude control subsystem of a satellite using neural networks［C］∥2007 International Joint Conference on Neural Networks. Piscataway： IEEE Press， 2007： 2658-2663.
[20]	GUO D F， ZHONG M Y， JI H Q， et al. A hybrid feature model and deep learning based fault diagnosis for unmanned aerial vehicle sensors［J］. Neurocomputing， 2018， 319： 155-163.
[21]	CHEN S Z， YANG R， ZHONG M Y， et al. A random forest and model-based hybrid method of fault diagnosis for satellite attitude control systems［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 3518413.
[22]	XIONG Y， JIANG Z D， FANG H Z， et al. Research on health condition assessment method for spacecraft power control system based on SVM and cloud model［C］∥2019 Prognostics and System Health Management Conference （PHM-Paris）. Piscataway： IEEE Press， 2019： 143-149.
[23]	XIONG J， CHEONG J W， XIONG Z， et al. Adaptive hybrid robust filter for multi-sensor relative navigation system［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（8）： 11026-11040.
[24]	LI T F， ZHAO Z B， SUN C， et al. WaveletKernelNet： An interpretable deep neural network for industrial intelligent diagnosis［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2021， 52（4）： 2302-2312.
[25]	ZHONG M Y， LIU C R， ZHOU D H， et al. Probability analysis of fault diagnosis performance for satellite attitude control systems［J］. IEEE Transactions on Industrial Informatics， 2019， 15（11）： 5867-5876.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

故障类型	阈值方法	准确率/%	误检率/%	漏检率/%
单故障	静态阈值	87.71	6.82	5.70
单故障	动态阈值	93.73	3.32	2.37
双重故障	静态阈值	89.83	3.30	6.87
双重故障	动态阈值	94.23	3.05	2.88
三重故障	静态阈值	86.97	7.15	5.88
三重故障	动态阈值	95.23	3.73	1.37

数据与模型驱动的航天器姿态控制系统故障诊断

Fault diagnosis of spacecraft attitude control system driven by data and model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 25

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郑礼雄, 陈喆, 王鑫, 招启军. 融合数据自适应BPNN的倾转旋翼机回转颤振边界预测[J]. 航空学报, 2025, 46(S1): 732159-732159.
[2]	贺炅, 任斌武, 杜思亮, 徐尤松, 王博. 基于ADRC-RBF倾转四旋翼无人机姿态自适应控制[J]. 航空学报, 2025, 46(S1): 732189-732189.
[3]	章涛, 李攀, 王梓旭, 朱振华. 面向直升机姿态控制的强化学习奖励函数设计[J]. 航空学报, 2025, 46(S1): 732184-732184.
[4]	陈海鹏, 符文星, 闫杰. 基于AGABP神经网络的运载火箭推力偏移损失故障在线诊断[J]. 航空学报, 2025, 46(8): 231148-231148.
[5]	陈谋, 黄正国, 申耀华, 刘凡. 先进飞行器复合抗干扰控制技术综述[J]. 航空学报, 2025, 46(6): 531303-531303.
[6]	杨智春, 杨特. 动载荷识别物理嵌入式神经网络模型与方法[J]. 航空学报, 2025, 46(5): 531450-531450.
[7]	郭庆, 刘晓阳, 樊俊峰, 付宇, 左洪福. 融合先验信息的民航发动机自适应气路故障诊断方法[J]. 航空学报, 2025, 46(4): 230871-230871.
[8]	逯宇斌, 聂小华, 吴振. 基于可解释性机器学习算法的碳纤维增强复合材料剩余刚度预测方法[J]. 航空学报, 2025, 46(21): 532249-532249.
[9]	樊佳坤, 艾俊强, 董宁娟, 徐家宽, 乔磊, 白俊强. 基于卷积神经网络的超声速后掠翼横流驻波转捩预测方法[J]. 航空学报, 2025, 46(20): 532012-532012.
[10]	王雨桐, 罗骁, 刘红阳, 宋超, 赵莹, 周铸. 基于多保真深度神经网络的超声速客机声爆预测[J]. 航空学报, 2025, 46(20): 531936-531936.
[11]	赵辰豪, 吴德伟, 何晶, 吴倩. 一种无人机视觉位姿估计的语义特征匹配算法[J]. 航空学报, 2025, 46(2): 330406-330406.
[12]	施英杰, 刘斌超, 鲁嵩嵩, 陈亮, 尚海, 鲍蕊. 融合试验-仿真标定数据的机翼应变载荷关系神经网络模型[J]. 航空学报, 2025, 46(19): 530921-530921.
[13]	郭程洁, 徐典, 李进宝, 程超宇, 郭硕昌, 李锐. 基于数据融合-知识迁移方法的高温数字图像相关试验应力表征[J]. 航空学报, 2025, 46(19): 531574-531574.
[14]	张音旋, 张起, 许镇勇, 孟琳书. 基于残差神经网络的飞机力学响应预测方法[J]. 航空学报, 2025, 46(19): 531295-531295.
[15]	张玉刚, 杨哲, 何森朋, 杨文青. 基于物理信息神经网络的飞机姿态预测模型[J]. 航空学报, 2025, 46(19): 531850-531850.