衛星群反作用飛輪的故障診斷方法研究

王嘉軼，聞新，張婉怡

南京航空航天大學 航天學院，南京 210016

?

衛星群反作用飛輪的故障診斷方法研究

王嘉軼，聞新*，張婉怡

南京航空航天大學 航天學院，南京 210016

衛星群飛行技術是航天領域的新興技術，多個低成本小衛星可以完成較為艱巨的太空任務，但與此同時也會帶來更多的故障問題。面對復雜的空間環境，針對衛星群可能發生的故障問題，提出了一種分布式衛星群系統故障診斷方案，通過基于Elman神經網絡的故障診斷方法完成對衛星群姿態控制系統的故障診斷。試驗結果表明，該方案能夠快速檢測出衛星群中反作用飛輪發生的故障，并且讓鄰近衛星通過神經網絡也能檢測到該故障的發生，表現出很好的準確性和實時性，在實際應用中有效可行。

衛星群；神經網絡；故障診斷；姿態控制；反作用飛輪

衛星群飛行技術是空間技術的新興領域，也是國內外航天領域的發展方向。傳統的太空飛行任務是利用昂貴的大衛星進行的。然而，與單顆大衛星相比，小衛星群在運行成本、魯棒性、靈活性和容錯能力方面都有明顯的優勢，并且可以完成更為艱巨的太空任務，所以越來越受到廣泛關注。近年來，國內外很多學者都致力于衛星群系統飛行技術的研究[1-3]。Scharf等人[4-5]提出了5種不同的編隊飛行控制方案。另外，基于單積分一致性理論和基于雙積分方法的多智能體(mlti-agent)系統也在文獻[6-8]中進行了有效性論證。

然而，這些衛星群的飛行方案都是建立在理想操作環境下的，一旦出現故障,會給衛星群飛行任務帶來嚴重的影響。傳統意義上，衛星的地面監控系統已經能夠完成航天器的故障診斷。但是，當衛星發生異常時，由于需要下載大量的遙測數據進行分析，人工故障檢測和恢復在實時性和有效性方面都會受到一定的影響。另一方面，由于衛星群系統的衛星數量較多，地面故障診斷系統需要耗費更多資源，這樣也會增加衛星飛行任務的成本。因此，衛星群系統需要具備自主故障檢測、隔離和故障恢復的能力。文獻[9]就這些問題提出了基于分層式自主故障檢測與隔離機制的航天器編隊飛行系統。為了能夠檢測出系統發生的故障，設計了分別為子系統部件級、子系統級、系統級和群系統級的4層式編隊飛行系統故障診斷算法，并利用模糊規則來對不同層級間的故障關系進行故障檢測和說明?；谏鲜鲅芯拷Y果，文獻[10]利用模糊推理算法完成了主從式編隊飛行任務中姿態控制子系統的部件級故障診斷。另外，分布式故障診斷方式也得到了廣泛的應用。文獻[11]利用了幾何方法來設計基于分布式故障檢測濾波器的航天器編隊。每個航天器不僅能夠檢測和隔離自身發生的故障，而且同樣可以診斷其他航天器故障。對于故障診斷算法方面，文獻[12-13]也同樣運用幾何方法實現了基于觀測器設計的故障診斷。除此之外，基于模型的故障診斷方法，如卡爾曼濾波法和基于觀測器方法也都被運用到衛星群的自主故障診斷上[14-17]。然而，要想建立精準的系統模型是非常困難的，這限制了基于模型的故障診斷方法的發展。所以，機器學習算法，如聚類分析算法和神經網絡算法，在近年得到了更多的關注。文獻[18-19]就是利用動態神經網絡模擬了衛星推進器的動力學特性，然后運用該模型進行衛星編隊系統的故障診斷。在擁有充分數據訓練的情況下，就可以建立系統的動態神經網絡系統。但是，當數據在實際過程中很難獲得的情況下，該方法將不再適用。

針對上述研究成果和群系統在故障診斷中存在的問題，本文提出了基于Elman神經網絡的衛星群故障診斷方案。首先，通過對Elman神經網絡的建立，研究單顆衛星姿態控制系統的故障診斷問題。然后以三星為例，對基于虛擬結構的衛星群中的執行器故障問題進行仿真分析，驗證所提出的衛星群故障診斷方案的有效性和可行性。

1　衛星姿態系統描述

衛星姿態控制方法主要分為兩類，主動控制方法和被動控制方法。其中主動控制方法包括三軸姿態穩定、動量偏移等，被動控制方法有重力梯度穩定、氣動力矩穩定以及自旋穩定等。其中，三軸姿態穩定的主動姿態控制方法精度最高，是衛星姿態中最常用的方法，所以本文采用這種方法來進行衛星姿態的穩定性控制。

1.1衛星姿態系統模型

衛星的姿態運動是指其繞自身質心的運動，所以姿態控制問題可以抽象為剛體姿態的控制問題。在衛星的本體坐標系中，Ox,Oy,Oz軸為衛星的主慣量軸。利用剛體的動量矩定理，得到衛星姿態動力學方程：

(1)

式中：ω1、ω2、ω3為衛星空間轉動角速度沿坐標軸Ox、Oy、Oz方向上的分量(即衛星的滾轉角速度、偏航角速度和俯仰角速度)；I1、I2、I3分別為衛星繞坐標軸Ox、Oy、Oz的轉動慣量；M1、M2、M3分別為作用在衛星上相對于質心O的控制扭矩在坐標軸Ox、Oy、Oz方向上的分量。

定義θ1、θ2、θ3為衛星本體坐標系相對于質心平動坐標系的3個歐拉角，分別為滾轉角、偏航角和俯仰角，并按照3-1-3方式旋轉(即按照俯仰-滾轉-俯仰)。最終得到衛星空間轉動角速度在本體坐標系中的分量ω1、ω2、ω3，即將衛星姿態從本體坐標系變換到質心平動坐標系，這就是衛星的姿態運動學方程：

(2)

聯立式(1)和式(2)，整理后得到衛星姿態系統的狀態方程：

(3)

由式(3)可知，衛星姿態運動學方程是一個

強非線性模型，共有6個狀態變量。

1.2反作用飛輪

在姿態控制系統中，執行機構主要是通過產生力或力矩來控制衛星的姿態變化。其中，反作用飛輪由于其高精度而被普遍應用于衛星姿態主動控制系統中。在一般情況下，反作用飛輪是由直流無刷電機驅動的飛輪構成。一個高精度的反作用飛輪的內部結構模型如圖1所示[20]。

該模型主要包括5個模塊：電機扭矩控制模塊、轉速限制模塊、電動勢扭矩限制模塊、電機擾動模塊及軸承的摩擦擾動模塊。反作用飛輪中母線電流Ibus和黏性扭矩τv表示如下：

(4)

(5)

式中：Vbus為母線電壓；Im為電機電流；ω為反作用飛輪角速度；T為工作溫度。反作用飛輪中其他參數值、對應單位及其物理意義如表1[20]所示。

圖1　反作用飛輪模型結構Fig.1　Block diagram of reaction wheel

參數物理意義單位數值J飛輪轉動慣量N·m·s20.0077ωd飛輪驅動頻率rad/s20kf電壓反饋增益10.5ks超速循環增益V/(rad·s-1)95ωs轉速限制rad/s690τc庫侖摩擦系數N·m0.002kt電機扭矩參數N·m/A0.029Gd飛輪驅動增益A/V0.19ωa高通濾波器頻率rad/s0.2N電機磁極數36ke電機電動勢反饋常數V/(rad·s-1)0.029RIN輸入阻抗Ω2B電機扭矩震蕩系數0.22RB電橋測量阻抗Ω2θa扭矩噪聲角偏差rad0.05Pq靜態功率W3

2　衛星姿態控制系統故障診斷

2.1Elman神經網絡

Elman神經網絡是由J.L.Elman于1990年提出的一種動態反饋網絡，首先應用于語音問題的處理上[21]。在系統辨識、預測和控制領域，已有很多學者對Elman神經網絡或者改進Elman神經網絡進行研究。Elman神經網絡一般包含4層，分別是輸入層、隱含層、承接層和輸出層。該網絡相當于一個從隱層輸出到隱層輸入進行反饋連接的動態神經網絡。其中，承接層用來記憶前一時刻的輸出值并返回給網絡的輸入。因此，隱含層具有映射外部輸入以及前一時刻期望輸出的特點。隱含層的傳遞函數一般采用非線性函數，取sigmoid函數。為了提高Elman神經網絡的非線性處理能力，文獻[22]提出了基于Elman網絡的優化算法。優化后Elman神經網絡的不同之處在于其具有固定增益的自反饋環節，使得網絡具有更好的動態記憶功能，圖2為優化的Elman神經網絡的結構[23]。

圖2　優化的Elman神經網絡結構Fig.2　Structure of modified Elman neural network

輸入層到輸出層的動態關系為：

Y(k)=WyX(k)=

(6)

式中：U(k)、Y(k)為網絡輸入和輸出向量；X(k)、Xc(k)為隱含層和承接層的輸入向量；Wc、Wu、Wy為承接層、輸入層和隱含層的連接權矩陣。Elman網絡的數學模型表達方法表示如下：

(7)

式中：Wyc是隱含層到承接層的連接權矩陣。與此同時，經過改進的Elman神經網絡的數學模型表示方法如下：

(8)

設Y(k)和Yd(k)為系統的實際輸出和期望輸出響應，那么Elman網絡的目標函數(誤差函數)可以表示為：

(9)

由于優化后的Elman神經網絡還是通過BP算法來調節網絡的連接權值，所以無法避免BP網絡帶來的如收斂速度慢且易于陷入局部極小值等問題。因此，針對Elman神經網絡的這些問題，本文利用遺傳算法(GA)對Elman神經網絡進行權值的優化。

遺傳算法是一種具有廣泛適用性的搜索算法[24]。在自然選擇和種群遺傳進化學的基礎上，通過隨機迭代和進化使得種群能夠適應環境的變化。這是遺傳算法的基本原則，稱之為“適者生存”。GA將優勝劣汰原則和信息隨機交換方法相結合，前者消除了種群中的非適應因素，后者充分利用了種群中的現有信息共享機制，從而可以有效地加快搜索過程。并且基于多點并行搜索的特點，GA就能避免搜索系統陷入局部極值點的問題出現。所以，GA可以通過選擇、復制、交叉和變異操作，在大概率解空間中搜索全局中的最優解或次優解。

Elman神經網絡的拓撲結構是由輸入/輸出樣本參數的數量決定的，所以首先可以通過GA優化參數值和個體編碼的長度來改進網絡的拓撲結構。另外，Elman神經網絡的權值和閾值都是通過隨機初始化得到的，這對網絡的訓練有很大的影響。然而，這里無法通過計算直接獲得網絡權值和閾值的初始值。因此遺傳算法的引入可以幫助網絡尋找到最優的初始權值和閾值。這樣，基于遺傳算法改進的Elman神經網絡可以更好地對輸入值進行預測。并且遺傳算法具有并行搜索的特性，可以避免Elman神經網絡陷入局部最優的問題，保證了神經網絡算法的快速和穩定的原則?；谶z傳算法改進的Elman神經網絡的算法流程如圖3所示。

圖3　改進的Elman神經網絡的算法流程Fig.3　Flow chart of Elman neural network improved by GA

2.2衛星姿態控制系統

本文采用基于Elman網絡的動態神經網絡來搭建衛星三軸穩定姿態系統的故障診斷方案，神經網絡是衛星姿態控制系統故障診斷的判斷依據。其中Vcomm和τz/est作為神經網絡的輸入值和輸出值，分別表示實際系統的指令電壓值和控制力矩的估計值，τz/act是實際控制系統的控制力矩。通過扭矩傳感器測得的衛星反作用飛輪實際輸出信號和通過神經網絡得到的估計輸出信號的差就是我們需要獲取的殘差信號，該信號可以用于衛星執行機構的健康狀態測定。所以，經過訓練的神經網絡可以通過殘差生成來進行衛星姿態控制系統中反作用飛輪的故障診斷，如圖4所示。

圖4　基于神經網絡的衛星姿態故障診斷系統Fig.4　Neural network based fault diagnosis system of satellite

(10)

2.3仿真分析

在試驗仿真中，首先對衛星姿態控制系統中執行器機構的反作用飛輪進行建模，然后對衛星每個軸上反作用飛輪的輸入輸出參數即指令電壓Vcomm和控制力矩τz進行數據采集并利用改進的Elman神經網絡進行訓練。訓練過程是從一個相對較小的網絡結構開始，通過逐步增加神經元個數和改進網絡層數，直到達到誤差允許范圍內的性能要求。神經網絡的學習速率設置為0.05，訓練過程是在不同噪聲條件下通過蒙特卡洛方法進行步長為0.01 s的3 000步仿真。通過500次的訓練迭代后均方差的平均值為0.005 908，滿足性能指標的要求。衛星三軸姿態訓練后的性能指標如圖5所示。

圖5　神經網絡訓練后的性能指標Fig.5　The performance index curve of neural network training

對于衛星姿態控制系統，在一般情況下，反作用飛輪有兩種情況容易發生故障，可能導致控制系統嚴重損壞甚至災難性故障。下面將通過衛星姿態控制系統的故障問題來驗證所提出的故障診斷方案的可實行。

(1)電機電流故障

當電機電流下降的時候，反作用飛輪提供不了足夠的控制扭矩，這將導致姿態控制回路的穩定性下降，引起一系列姿態故障的發生。因為電機扭矩變化會直接關系到電機電流的變化，當電機電流意外下降時，電機扭矩也會相應下降。所以本文用電機扭矩參數的變化來反映電機電流的變化。

對系統注入電機電流故障，衛星x軸的電機電流在采樣時間為1 500時相對于正常值下降了50%，圖6顯示了衛星姿態控制系統產生的殘差信號。

圖6　x軸電機電流故障時的三軸姿態殘差信號Fig.6　Residual signal of x-axis motor current fault

(2)黏性摩擦導致的溫度故障

衛星反作用飛輪中的黏性摩擦一般與黏性扭矩有關，由式(5)可知摩擦扭矩主要取決于其工作環境溫度，因此任何的溫度變化都會對控制力矩產生影響。當溫度很高時，會引起軸承的損壞，從而黏性摩擦會進一步變大。所以，溫度故障可能會導致衛星處于非正常運行的狀態。

對系統注入黏性摩擦導致的溫度故障，衛星z軸的摩擦溫度在采樣時間為1 500時相對于正常值升高了30%，圖7顯示了衛星三軸產生的殘差信號。

通過同樣的方法，分別對x軸、y軸和z軸注入30%～80%的6次電機電流故障和6次溫度故障，最終都能夠檢測出故障的存在，并且在無故障的情況下沒有出現虛報故障的情況。通過對提出的兩種故障類型進行模擬仿真和檢測可以看出，本文所提出的基于Elman神經網絡的故障檢測系統可以快速有效地檢測出單顆衛星姿態控制系統中電機電流故障和黏性摩擦導致的溫度故障，并且沒有虛驚和漏警的情況出現，表明了提出的方案對于單顆衛星故障檢測的精確性和可靠性。

圖7　z軸溫度故障時的三軸姿態殘差信號Fig.7　Residual signal of z-axis viscous temperature fault

3　衛星群姿態控制系統故障診斷

對于衛星群的飛行任務來說，每一顆衛星的故障診斷系統都只能檢測到自身發生的故障問題，一旦自身的診斷系統出現故障，就不能繼續進行故障診斷任務了。鑒于此，為了提高群飛行任務中故障診斷系統的可靠性，本文提出了分布式衛星群故障診斷系統，采用3顆衛星組成的衛星群系統進行仿真分析。

通過這種方法，一旦衛星出現故障問題，衛星群中的相鄰衛星也會同時檢測到故障的存在，這樣就可以進行下一步的故障容錯和衛星群的姿態重構任務。

圖8　衛星群故障診斷系統的結構Fig.8　Structure of the fault detection system in formation flying

4　仿真試驗

本文采用基于虛擬結構的群飛行控制技術[25]，3顆衛星位于同一平面并等距離分布在直徑為0.5km的圓周上。假設3顆衛星構成的衛星群為一個剛性結構，同時群飛行構型保持不變，并且在機動過程中衛星都保持相對固定的運動方向。通過對系統注入噪聲條件下的各種故障參數來判斷故障診斷系統的有效性。故障檢測過程中，任何偏離閾值范圍的殘差信號都將被判定為有故障發生。本文將通過對不同故障環境下衛星群x軸姿態系統的仿真試驗來證明所提出的故障診斷方法的可實行。

在神經網絡訓練階段，改進的Elman神經網絡在不同噪聲條件下通過蒙特卡洛方法進行步長為0.01s的3 000步仿真。通過2 000次的訓練迭代后均方差的平均值為0.007 12，滿足性能指標的要求。

對于衛星群姿態控制系統中執行器可能發生的故障問題，通過以下幾個案例進行仿真分析，驗證所提出的基于虛擬結構的分布式衛星群故障診斷方案的可實性。

(1)電機電流故障

在衛星群的姿態控制系統中，衛星2在x軸中反作用飛輪的電機電流在采樣時間為1 500時相對于正常值下降了50%，圖9顯示了衛星2和衛星1的x軸姿態控制系統中的殘差信號。

圖9　衛星群姿態控制系統中x軸的殘差信號Fig.9　Residual signal of x-axis in control system

(2)黏性摩擦導致的溫度故障

在衛星群的姿態控制系統中，衛星1中x軸的電機電流在采樣時間為2 500時相對于正常值上升了80%，圖10顯示了衛星1和衛星3姿態控制系統中x軸的殘差信號。

圖10　衛星群姿態控制系統中x軸的殘差信號Fig.10　Residual signal of x-axis in control system

通過以上仿真試驗可以看出，針對衛星群系統執行器可能發生的故障問題，本文所提出的分布式衛星群的故障診斷方案的具有有效性和實時性。一旦第i顆衛星出現故障問題，不僅衛星i的故障診斷系統可以在發生故障后的18個仿真步數即0.18s內檢測到故障的發生，衛星i-1也能在發生故障后的73個仿真步數即0.73s內診斷出故障的發生。通過同樣的方法，對x軸、y軸和z軸采用同樣的仿真試驗，即分別注入30%～80%的電機電流故障和溫度故障各6次，同樣也能得到與上述相同的故障診斷結果，都能夠診斷出故障的發生，并且沒有無故障條件下謊報故障的情況出現。

5　結束語

本文提出了基于Elman神經網絡的衛星群姿態控制系統的故障診斷方案，并以反作用飛輪為研究對象進行故障分析和仿真試驗。分布式衛星群故障診斷方案能有效地檢測出故障衛星，并且臨近衛星也能通過Elman神經網絡方法檢測到故障的發生。試驗結果表明，本文提出的故障診斷方案可以使故障衛星在故障發生的第一時間就能被檢測出來，臨近衛星也能在短時間內檢測到該故障，沒有發生虛警和漏警的情況出現，基本達到了實時性和準確性的要求。后續研究將針對檢測到的故障進行進一步的故障隔離、故障估計和衛星群的姿態重構任務。

References)

[1]LI Z, DUAN Z, XIE L, et al. Distributed robust control of linear multi-agent systems with parameter uncertainties[J]. International Journal of Control, 2011, 85(8):1039-1050.

[2]WANG X, CHENG L. Output-feedback consensus control of linear multi-agent systems: a fixed topology[J]. International Journal of Innovative Computing, Information and Control, 2011, 7(5A), 2063-2074.

[3]CHANG C W, CHEN C L, CHANG Y H, et al. Adaptive fuzzy sliding-mode formation control for second-order multi-agent systems[C]∥International Conference on System Science and Engineering. Taipei,2010:310-314.

[4]SCHARF D P, HADAEGH F Y, PLOEN S R. A survey of spacecraft formation flying guidance and control (part 1): guidance[C]∥American Control Conference, 2003. Denver: IEEE, 2003:1733-1739.

[5]SCHARF D P, HADAEGH F Y, PLOEN S R. A survey of spacecraft formation flying guidance and control (Part 2): control[C]∥American Control Conference, 2004.Boston: IEEE,2004:2976-2985.

[6]CHENG L, HOU Z G, TAN M, et al. Necessary and sufficient conditions for consensus of double-integrator multi-agent systems wth measurement noises[J]. IEEE Transactions on Automatic Control, 2011, 56(8):1958-1963.

[7]HU J, LIN Y S. Consensus control for multi-agent systems with double-integrator dynamics and time delays[J]. Control Theory & Applications,2010, 4(1):109-118.

[8]CHENG L, WANG Y, HOU Z G, et al. A sampled-data based average consensus protocol for double-integrator multi-agent systems with switching topologies and communication noises[C]∥Intelligent Control and Automation. Beijing: IEEE, 2012:886-891.

[9]BARUA A, KHORASANI K. Intelligent model-based hierarchical fault diagnosis for satellite formations[C]∥IEEE International Conference on Systems, Man and Cybernetics,2007.Montreal: IEEE, 2007:3191-3196.

[10]BARUA A, KHORASANI K. Multi-level fault diagnosis in satellite formations using fuzzy rule-based reasoning[C]∥2nd International Symposium on Systems and Control in Aerospace and Astronautics, 2008. Shenzhen: IEEE, 2009:1-6.

[11]MESKIN N, KHORASANI K. Fault detection and isolation of actuator faults in spacecraft formation flight[C]∥2006 45th IEEE Conference on Decision and Control. San Diego: IEEE, 2006:1159-1164.

[12]MESKIN N, KHORASANI K. Actuator fault detection and isolation for a network of unmanned vehicles[J]. IEEE Transactions on Automatic Control, 2009, 54(4):835-840.

[13]MESKIN N, KHORASANI K, RABBATH C A. A hybrid fault detection and isolation strategy for a network of unmanned vehicles in presence of large environmental disturbances[J]. IEEE Transactions on Control Systems Technology, 2010, 18(6):1422-1429.

[14]AZIZI S M, KHORASANI K. A distributed Kalman filter for actuator fault estimation of deep space formation flying satellites[C]∥Systems Conference, 2009 3rd Annual IEEE. Vancouver: IEEE, 2009:354-359.

[15]AZIZI S M, KHORASANI K. A hybrid and switching framework for cooperative actuator fault estimation of formation flying satellites in deep space[C]∥Asian Control Conference, ASCC 2009. Hong Kong: IEEE, 2009:1126-1131.

[16]SHAMES I, TEIXEIRA A M H, SANDBERG H, et al. Distributed fault detection for interconnected second-order systems[J]. Automatica, 2011, 47(12):2757-2764.

[17]SHAMES I, TEIXEIRA A M H, SANDBERG H, et al. Distributed fault detection and isolation with imprecise network models[C]∥American Control Conference (ACC), 2012. Montreal: IEEE, 2012:5906-5911.

[18]VALDES A, KHORASANI K. A pulsed plasma thruster fault detection and isolation strategy for formation flying of satellites[J]. Applied Soft Computing, 2010, 10(3):746-758.

[19]VALDES A, KHORASANI K, MA L. Dynamic neural network-based fault detection and isolation for thrusters in formation flying of satellites[C]∥Advances in Neural Networks-International Symposium on Neural Networks. Wuhan, 2009:780-793.

[20]BIALKE B. High fidelity mathematical modeling of reaction wheel performance[C]∥21st Annual American Astronautical Society Guidance and Control Conference. San Diego, Feb.,1998: 483-496.

[21]ELMAN J L, JEFFREY L. Finding structure in time[J]. Cognitiv Science, 1990, 14(90):179-211.

[22]PHAM D T, LIU X. Neural networks for identification, prediction and control[M].London: Springer London, 1995: 113-116.

[23]ZHANG L Y, GU J J, QIN Z M. Elamn network using simulated annealing algorithm and its application in thermal processes modeling[C]∥International Conference on Machine Learning and Cybernetics, 2007. Hong Kong: IEEE, 2007:929-933.

[24]劉雄峰, 李博, 李俊. 基于遺傳算法的 Elman 神經網絡模型在大壩位移預測中的應用[J]. 水資源與水工程學報, 2014(3):152-156.

LIU X F, LI B, LI J. Application of Elman neural network model in prediction of dam deformation based on genetic algorithms[J]. Journal of Water Resources and Water Engineering, 2014(3):152-156(in Chinese).

[25]JIANG T, KHORASANI K, TAFAZOLI S. Parameter estimation-based fault detection, isolation and recovery for nonlinear satellite models[J]. IEEE Transactions on Control Systems Technology, 2008, 16(4):799-808.

(編輯：高珍)

Fault diagnosis of reaction wheel in satellite formation

WANG Jiayi，WEN Xin*，ZHANG Wanyi

School of Astronautics, Nanjing University of Aeronautics and Astronautics，Nanjing 210016,China

The technology of satellite formation flying is a new technology in the field of space. Multiple low cost small satellites are able to complete more difficult space missions, but at the same time there are more fault diagnosis. Aiming at the problems that the satellite formation may occur in complex space environment，a distributed swarm system of satellites for fault diagnosis method based on Elman neural network was proposed. The experimental results show that the proposed scheme can detect the fault of the reaction wheels, and the adjacent satellite can also detect the faults, which is very good and real time and is effective and feasible in practical application.

satellite formation; neural network; fault diagnosis; attitude control; reaction wheel

10.16708/j.cnki.1000-758X.2016.0048

2016-01-07；

2016-06-04；錄用日期：2016-06-30；

時間：2016-08-0214:19:59

http:∥www.cnki.net/kcms/detail/11.1859.V.20160802.1419.002.html

王嘉軼(1992-)，男，碩士研究生，wangjiayi312@126.com

聞新(1961-)，男，教授， wen_xin2004@126.com，主要研究方向為空間飛行器控制及人工智能應用研究

V19

A

http:∥zgkj.cast.cn

引用格式：王嘉軼,聞新,張婉怡,等.衛星群反作用飛輪的故障診斷方法研究[J].中國空間科學技術, 2016,36(4)：24-32.

WANGJY,WENX,ZHANGWY,etal.Faultdiagnosisofreactionwheelinsatelliteformation[J].ChineseSpaceScienceandTechnology, 2016,36(4)：24-32(inChinese).