買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜中國空間技術(shù)研究院申請的專利基于深度學習的反作用輪故障檢測和健康評估系統(tǒng)及方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114254555B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-21發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202111372043.9，技術(shù)領(lǐng)域涉及：G06F30/27；該發(fā)明授權(quán)基于深度學習的反作用輪故障檢測和健康評估系統(tǒng)及方法是由陳子涵;張?zhí)锴嘣O(shè)計研發(fā)完成，并于2021-11-18向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于深度學習的反作用輪故障檢測和健康評估系統(tǒng)及方法在說明書摘要公布了：本發(fā)明公開了一種基于深度學習的反作用輪故障檢測和健康評估系統(tǒng)及方法，能夠解決反作用輪故障檢測難度大，以及在反作用輪故障數(shù)據(jù)較少時未能充分利用正常數(shù)據(jù)評估其健康狀態(tài)的問題。所述反作用輪故障檢測和健康評估系統(tǒng)包括觀測器、檢測器、評估器；所述觀測器用于跟蹤反作用輪的動力學狀態(tài)，并生成實時殘差；所述檢測器實時產(chǎn)生當前時間的自適應(yīng)閾值，比較殘差和閾值的關(guān)系，檢測所述反作用輪是否故障；所述評估器用于周期性評估所述反作用輪的健康狀態(tài)；所述評估器獲取并記錄殘差，將一段時間的殘差數(shù)據(jù)組成殘差向量；提取殘差向量的特征；計算特征向量的空間拓撲結(jié)構(gòu)，并計算空間偏離度，最后將其轉(zhuǎn)化為健康度CV，從而實現(xiàn)健康評估。

本發(fā)明授權(quán)基于深度學習的反作用輪故障檢測和健康評估系統(tǒng)及方法在權(quán)利要求書中公布了：1.一種基于深度學習的反作用輪故障檢測和健康評估方法，所述方法基于一種基于深度學習的反作用輪故障檢測和健康評估系統(tǒng)實現(xiàn)，其特征在于，所述反作用輪故障檢測和健康評估系統(tǒng)包括觀測器、檢測器、評估器；所述觀測器用于跟蹤反作用輪的動力學狀態(tài)，所述觀測器是由一個長短時記憶網(wǎng)絡(luò)LSTM構(gòu)成的；所述觀測器獲取所述反作用輪的輸入X和多階延時輸出的組合；通過觀測器的LSTM深度神經(jīng)網(wǎng)絡(luò)模擬所述反作用輪的輸入與輸出的關(guān)系，由所述LSTM深度神經(jīng)網(wǎng)絡(luò)輸出所述反作用輪的估計輸出基于所述反作用輪的實際輸出Y和估計輸出實時計算反作用輪的實際輸出和估計輸出殘差R＝[r1,r2,…,rN]；所述檢測器用于檢測所述反作用輪是否發(fā)生故障；所述檢測器由閾值產(chǎn)生模塊和故障判別模塊組成，閾值產(chǎn)生模塊基于LSTM深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)，故障判別模塊實時比較殘差和自適應(yīng)閾值的大小關(guān)系；所述檢測器接收反作用輪的輸入X、觀測器的估計輸出殘差R，輸出反作用輪的故障狀態(tài)；在t時刻，由閾值產(chǎn)生模塊實時產(chǎn)生當前時間t的自適應(yīng)閾值εt；故障判別模塊實時比較t時刻殘差rt和自適應(yīng)閾值εt，若殘差大于閾值，則判定所述反作用輪發(fā)生故障，若殘差小于或等于閾值，則判定所述反作用輪狀態(tài)正常；所述評估器用于周期性評估所述反作用輪的健康狀態(tài)；所述評估器包括特征提取模塊、自組織映射SOM神經(jīng)網(wǎng)絡(luò)模塊、健康度計算模塊；所述特征提取模塊獲取并記錄殘差rt，將一段時間T內(nèi)的殘差數(shù)據(jù)組成殘差向量RT＝[r1,r2,…,rT]；提取殘差向量的特征；將特征輸入SOM神經(jīng)網(wǎng)絡(luò)模塊，之后將SOM神經(jīng)網(wǎng)絡(luò)模塊的輸出結(jié)果輸入健康度計算模塊，獲得健康度CV結(jié)果；健康度是表征反作用輪的健康狀態(tài)的、范圍是0-1的無量綱標量；最終根據(jù)健康度評估所述反作用輪的健康狀態(tài)；所述自組織映射SOM神經(jīng)網(wǎng)絡(luò)模塊使用所述反作用輪正常狀態(tài)時的殘差向量的時域特征訓(xùn)練SOM神經(jīng)網(wǎng)絡(luò)，訓(xùn)練完成后即可輸出所述反作用輪正常狀態(tài)時的殘差向量的時域特征的空間拓撲結(jié)構(gòu)，記錄該空間拓撲結(jié)構(gòu)中的最佳匹配單元BMU位置，該BMU對應(yīng)的權(quán)重矢量記為U0；所述方法包括：步驟S1：所述觀測器實時獲取反作用輪的輸入和輸出，所述輸入為反作用輪的輸入力矩指令信號，所述輸出為反作用輪的輸出力矩信號；基于所述反作用輪的輸入力矩指令信號和輸出力矩信號，所述觀測器實時生成反作用輪的估計輸出，計算所述反作用輪的實際輸出和所述觀測器的估計輸出的差值，將該差值定義為殘差；步驟S2：基于反作用輪的輸入力矩指令信號和所述觀測器產(chǎn)生的估計輸出，由所述檢測器的閾值產(chǎn)生模塊生成與所述反作用輪工作狀態(tài)對應(yīng)、且與時間相關(guān)的自適應(yīng)閾值；由所述檢測器的故障判別模塊實時比較殘差和自適應(yīng)閾值：若所述殘差大于所述自適應(yīng)閾值，則判定反作用輪故障；若所述殘差小于或等于所述自適應(yīng)閾值，則判定反作用輪無故障；步驟S3：在故障檢測的同時，將所述殘差輸入評估器，由評估器輸出所述反作用輪的健康度，根據(jù)健康度分析所述反作用輪的健康狀態(tài)，判斷反作用輪是否性能退化；所述步驟S1，包括：利用反作用輪的輸入力矩指令信號X和輸出力矩信號Y，使用基于LSTM深度神經(jīng)網(wǎng)絡(luò)的觀測器模擬反作用輪的動力學特征，根據(jù)反作用輪的輸入和多階延時輸出組合Y-2，實時生成反作用輪的估計輸出計算反作用輪的實際輸出和觀測器的估計輸出的差值，該差值定義為殘差R；t時刻的殘差rt的計算公式為所述步驟S2，包括：利用反作用輪t時刻的輸入信號和觀測器的輸出信號，使用檢測器中基于LSTM深度神經(jīng)網(wǎng)絡(luò)的閾值產(chǎn)生模塊生成反作用輪該時刻的自適應(yīng)閾值；t時刻的自適應(yīng)閾值由下式計算出：εt＝r0t+β其中，r0t表示反作用輪工作正常情況下的t時刻的殘差，β表示修正系數(shù)；修正系數(shù)用來彌補反作用輪隨時間漂移的參數(shù)和擾動等因素造成的殘差波動；所述檢測器的故障判別模塊將該閾值εt和殘差rt比較：若殘差大于該閾值，則認為反作用輪故障，反之認為其處于正常狀態(tài)；所述步驟S3，包括：步驟S31：根據(jù)所述殘差，評估器記錄一段時間T內(nèi)的殘差，組成殘差向量RT＝[r1,r2,…,rT]，特征提取模塊計算所述殘差向量的時域特征，并將其作為待健康評估的殘差向量的時域特征；步驟S32：將所述待健康評估的殘差向量的時域特征輸入評估器的SOM神經(jīng)網(wǎng)絡(luò)模塊，所述評估器中的SOM神經(jīng)網(wǎng)絡(luò)模塊輸出此時的殘差向量的時域特征的空間拓撲結(jié)構(gòu)，記錄該空間拓撲結(jié)構(gòu)中的BMU位置，該BMU對應(yīng)的權(quán)重矢量記為U1；計算U0和U1的空間距離，將該空間距離記為最小量化誤差MQE；MQE表示待評估的殘差向量和反作用輪工作正常時的殘差向量間的偏離關(guān)系，即反作用輪當前運行狀態(tài)與正常狀態(tài)分別對應(yīng)的特征空間的偏移度；M＝||U1-U0||其中，M表示MQE值；評估器的健康度計算模塊將MQE歸一化得到CV值： 其中，b是歸一化系數(shù)。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人中國空間技術(shù)研究院，其通訊地址為：100094 北京市海淀區(qū)友誼路104號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。