基于支持向量机的动量轮寿命预测方法研究

论文摘要

动量轮作为卫星姿态与轨道控制系统关键组件,其寿命决定整星寿命。由于卫星动量轮具有长寿命、无失效数据、小子样等特点,目前已经存在的动量轮寿命预测与可靠性评估方法大部分都是基于性能退化数据的预测研究方法。然而传统的基于性能退化的预测研究方法一般都是基于模型的方法,需要事先给定退化轨道的数学模型,由于各模型之间的差异性以及动量轮性能退化数据的复杂性,传统的基于性能退化数据的预测方法往往不能达到预测精度要求。基于此,本文以卫星动量轮为研究对象,将动量轮轴温在轨遥测数据作为其性能退化数据,提出了一种基于支持向量机的数据驱动预测算法,不再预先假设退化轨道的数学模型,而是利用支持向量机强大的学习能力从性能退化数据中寻找规律、建立模型,并在此基础上估计其寿命分布,评估其可靠性水平,为解决动量轮寿命预测问题提供了一条新的思路。论文主要工作如下:（1）引入时间序列分析中的相空间重构方法与遗传算法对文献[28]中SVR-AR方法进行改进,建立基于PSRT-SVR的时间序列预测模型,提高了预测精度,并为基于EMD-SVR的寿命预测模型的建立打下了坚实的基础。（2）将经验模式分解、多项式拟合、动量轮失效机理以及基于PSRT-SVR的时间序列预测建模方法结合起来提出基于EMD-SVR的寿命预测方法。（3）选取轴温为动量轮寿命特征值,利用轴温的在轨遥测数据进行建模,对卫星动量轮进行寿命预测与可靠性评估,校验基于EMD-SVR的动量轮寿命预测模型性能。结果表明,预测结果精度较高,此预测建模方法能够较好的解决动量轮寿命预测问题。论文最后对全文主要的工作进行了总结,并对进一步研究内容进行了展望。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 一般产品的寿命预测方法研究现状
• 1.2.2 长寿命产品的寿命预测方法研究现状
• 1.2.3 卫星动量轮寿命预测研究现状
• 1.3 论文的主要内容及结构安排
• 第二章 支持向量机基本原理
• 2.1 支持向量机的发展现状
• 2.2 支持向量机概述
• 2.3 支持向量分类机
• 2.3.1 线性支持向量分类机
• 2.3.2 非线性支持向量分类机
• 2.4 支持向量回归机
• 2.5 支持向量机参数及优化方法介绍
• 2.6 本章小结
• 第三章 基于PSRT-SVR的时间序列预测
• 3.1 相空间重构理论
• 3.2 基于PSRT-SVR的时间序列预测模型
• 3.3 基于遗传算法的预测模型参数联合优化
• 3.3.1 遗传算法简介
• 3.3.2 预测模型参数联合优化问题描述
• 3.3.3 遗传算法设计及参数联合优化算法的流程
• 3.4 时间序列预测应用示例
• 3.6 本章小结
• 第四章 基于EMD-SVR的卫星动量轮寿命预测
• 4.1 经验模态分解（EMD）方法介绍
• 4.2 基于EMD-SVR的寿命预测算法
• 4.3 基于动量轮轴温数据的卫星动量轮寿命预测
• 4.3.1 卫星动量轮失效机理分析
• 4.3.2 卫星动量轮轴温数据预测
• 4.3.3 卫星动量轮寿命预测
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 本文的主要贡献
• 5.2 进一步的研究展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果