买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜中国空间技术研究院申请的专利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获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114254555B 。

龙图腾网通过国家知识产权局官网在2025-03-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111372043.9，技术领域涉及：G06F30/27；该发明授权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是由陈子涵;张田青设计研发完成，并于2021-11-18向国家知识产权局提交的专利申请。

本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在说明书摘要公布了：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。

本发明授权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在权利要求书中公布了：1.一种基于深度学习的反作用轮故障检测和健康评估方法，所述方法基于一种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＝[r1,r2,…,rN]；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εt；故障判别模块实时比较t时刻残差rt和自适应阈值εt，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rt，将一段时间T内的残差数据组成残差向量RT＝[r1,r2,…,rT]；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；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；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；所述步骤S1，包括：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rt的计算公式为所述步骤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：εt＝r0t+β其中，r0t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εt和残差rt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；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RT＝[r1,r2,…,rT]，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。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国空间技术研究院，其通讯地址为：100094 北京市海淀区友谊路104号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。