瞄准、捕获和跟踪(pointing， acquisition and tracking)技术是卫星光通信中的关键技术之一，对于PAT 子系统进行有效的状态监测与故障诊断具有十分重大的意义。本文针对PAT 子系统中粗瞄控制系统的故障诊断问题进行了研究，利用SVM 回归方法对系统进行在线建模，将模型预测输出与实际输出相比较形成残差，根据残差信息对故障进行检测，并根据全局检测模型与局部元件模型相结合的诊断策略，实现了故障的隔离与定位。卫星光通信是目前各个国家大力发展的新型卫星通信方式，具有带宽高、功耗小、保密性强等诸多优点，可以应用于低轨-低轨、高轨-高轨、高轨-低轨卫星间和卫星与地面站间的多种通信链路中，在民用和国防应用中都有着广阔的应用前景。在卫星光通信过程中，由于光束束散角小、传输距离长等原因，瞄准、捕获和跟踪(pointing, acquisition and tracking)技术成为一项关键性技术[1]。因此，对于PAT 子系统进行有效的状态监测与故障诊断具有十分重大的意义。在此方面，之前已经做了许多研究工作，其中，基于模型的故障诊断是比较常用的一种方法。在建模中，合适的模型结构是非常重要的，它对于模型的正确性和有效性都有很大的影响。传统的建模技术都是先验选择模型结构，不能对结构进行动态调整，因而影响了其适应性。而神经网络的局部极小点、过学习以及结构和类型的选择过分依赖于经验等固有的缺陷，又严重降低了其应用和发展的效果近年来出现的SVM(Support Vector Machine 支持向量机)方法是一种基于统计学理论的机器学习技术。它应用结构风险最小化原则和VC 维理论，可以自动对模型结构进行学习，能够根据有限的样本信息，在模型的复杂性(对特定样本的学习精度)和学习能力(无错误的识别任意样本的能力)之间寻求最佳折衷，以期获得最好的泛化能力。SVM 方法最初用于模式识别，目前已拓展到回归估计、算子逆问题等越来越多的领域，其诸多优点使其成为非线性系统建模中一种较为理想的方法[2]。本文中，笔者利用支持向量机对粗瞄控制系统进行回归在线建模，与实际输出相比较形成残差，以进行故障的检测诊断。并根据全局检测模型与局部元件模型相结合的诊断策略，实现了故障的隔离与定位。
京公网安备 11010802033920号
Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved
评论