基于支持向量機(jī)回歸的衛(wèi)星光通信粗瞄控制系統(tǒng)故障診斷

瞄準(zhǔn)、捕獲和跟蹤(pointing， acquisition and tracking)技術(shù)是衛(wèi)星光通信中的關(guān)鍵技
術(shù)之一，對(duì)于PAT 子系統(tǒng)進(jìn)行有效的狀態(tài)監(jiān)測(cè)與故障診斷具有十分重大的意義。本文針對(duì)PAT 子系統(tǒng)中粗瞄控制系統(tǒng)的故障診斷問(wèn)題進(jìn)行了研究，利用SVM 回歸方法對(duì)系統(tǒng)進(jìn)行在線建模，將模型預(yù)測(cè)輸出與實(shí)際輸出相比較形成殘差，根據(jù)殘差信息對(duì)故障進(jìn)行檢測(cè)，并根據(jù)全局檢測(cè)模型與局部元件模型相結(jié)合的診斷策略，實(shí)現(xiàn)了故障的隔離與定位。
衛(wèi)星光通信是目前各個(gè)國(guó)家大力發(fā)展的新型衛(wèi)星通信方式，具有帶寬高、功耗小、保密性強(qiáng)等諸多優(yōu)點(diǎn)，可以應(yīng)用于低軌-低軌、高軌-高軌、高軌-低軌衛(wèi)星間和衛(wèi)星與地面站間的多種通信鏈路中，在民用和國(guó)防應(yīng)用中都有著廣闊的應(yīng)用前景。在衛(wèi)星光通信過(guò)程中，由于光束束散角小、傳輸距離長(zhǎng)等原因，瞄準(zhǔn)、捕獲和跟蹤(pointing, acquisition and tracking)技術(shù)成為一項(xiàng)關(guān)鍵性技術(shù)[1]。因此，對(duì)于PAT 子系統(tǒng)進(jìn)行有效的狀態(tài)監(jiān)測(cè)與故障診斷具有十分重大的意義。在此方面，之前已經(jīng)做了許多研究工作，其中，基于模型的故障診斷是比較常用的一種方法。在建模中，合適的模型結(jié)構(gòu)是非常重要的，它對(duì)于模型的正確性和有效性都有很大的影響。傳統(tǒng)的建模技術(shù)都是先驗(yàn)選擇模型結(jié)構(gòu)，不能對(duì)結(jié)構(gòu)進(jìn)行動(dòng)態(tài)調(diào)整，因而影響了其適應(yīng)性。而神經(jīng)網(wǎng)絡(luò)的局部極小點(diǎn)、過(guò)學(xué)習(xí)以及結(jié)構(gòu)和類(lèi)型的選擇過(guò)分依賴于經(jīng)驗(yàn)等固有的缺陷，又嚴(yán)重降低了其應(yīng)用和發(fā)展的效果近年來(lái)出現(xiàn)的SVM(Support Vector Machine 支持向量機(jī))方法是一種基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)技術(shù)。它應(yīng)用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則和VC 維理論，可以自動(dòng)對(duì)模型結(jié)構(gòu)進(jìn)行學(xué)習(xí)，能夠根據(jù)有限的樣本信息，在模型的復(fù)雜性(對(duì)特定樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(無(wú)錯(cuò)誤的識(shí)別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的泛化能力。SVM 方法最初用于模式識(shí)別，目前已拓展到回歸估計(jì)、算子逆問(wèn)題等越來(lái)越多的領(lǐng)域，其諸多優(yōu)點(diǎn)使其成為非線性系統(tǒng)建模中一種較為理想的方法[2]。本文中，筆者利用支持向量機(jī)對(duì)粗瞄控制系統(tǒng)進(jìn)行回歸在線建模，與實(shí)際輸出相比較形成殘差，以進(jìn)行故障的檢測(cè)診斷。并根據(jù)全局檢測(cè)模型與局部元件模型相結(jié)合的診斷策略，實(shí)現(xiàn)了故障的隔離與定位。