瞄準、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，對于PAT 子系統(tǒng)進行有效的狀態(tài)監(jiān)測與故障診斷具有十分重大的意義。本文針對PAT 子系統(tǒng)中粗瞄控制系統(tǒng)的故障診斷問題進行了研究，利用SVM 回歸方法對系統(tǒng)進行在線建模，將模型預測輸出與實際輸出相比較形成殘差，根據(jù)殘差信息對故障進行檢測，并根據(jù)全局檢測模型與局部元件模型相結(jié)合的診斷策略，實現(xiàn)了故障的隔離與定位。
衛(wèi)星光通信是目前各個國家大力發(fā)展的新型衛(wèi)星通信方式，具有帶寬高、功耗小、保密性強等諸多優(yōu)點，可以應用于低軌-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，在民用和國防應用中都有著廣闊的應用前景。在衛(wèi)星光通信過程中，由于光束束散角小、傳輸距離長等原因，瞄準、捕獲和跟蹤(pointing, acquisition and tracking)技術(shù)成為一項關(guān)鍵性技術(shù)[1]。因此，對于PAT 子系統(tǒng)進行有效的狀態(tài)監(jiān)測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)都是先驗選擇模型結(jié)構(gòu)，不能對結(jié)構(gòu)進行動態(tài)調(diào)整，因而影響了其適應性。而神經(jīng)網(wǎng)絡的局部極小點、過學習以及結(jié)構(gòu)和類型的選擇過分依賴于經(jīng)驗等固有的缺陷，又嚴重降低了其應用和發(fā)展的效果近年來出現(xiàn)的SVM(Support Vector Machine 支持向量機)方法是一種基于統(tǒng)計學理論的機器學習技術(shù)。它應用結(jié)構(gòu)風險最小化原則和VC 維理論，可以自動對模型結(jié)構(gòu)進行學習，能夠根據(jù)有限的樣本信息，在模型的復雜性(對特定樣本的學習精度)和學習能力(無錯誤的識別任意樣本的能力)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別，目前已拓展到回歸估計、算子逆問題等越來越多的領(lǐng)域，其諸多優(yōu)點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對粗瞄控制系統(tǒng)進行回歸在線建模，與實際輸出相比較形成殘差，以進行故障的檢測診斷。并根據(jù)全局檢測模型與局部元件模型相結(jié)合的診斷策略，實現(xiàn)了故障的隔離與定位。