專利名稱：：用于航天器實(shí)時(shí)信號(hào)處理的盲系統(tǒng)故障檢測(cè)與隔離方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及航天器故障診斷與容錯(cuò)控制領(lǐng)域，特別是一種面向盲系統(tǒng)時(shí)域信號(hào)進(jìn)行實(shí)時(shí)處理的故障檢測(cè)與隔離方法。
背景技術(shù)：
：實(shí)時(shí)狀態(tài)監(jiān)測(cè)及故障診斷是遠(yuǎn)程裝備可靠性保障必不可少的重要手段。尤其對(duì)于衛(wèi)星等空間飛行器裝備，其遠(yuǎn)程環(huán)境的特殊性及設(shè)備的關(guān)鍵性決定了衛(wèi)星故障診斷不僅要具備智能自主性，而且需同時(shí)具有實(shí)時(shí)性。紅外地球敏感器是以軌道坐標(biāo)系為參考測(cè)量衛(wèi)星姿態(tài)的重要部件之一，也是保障衛(wèi)星姿軌控子系統(tǒng)正常運(yùn)行的前提。然而，敏感器故障也是最易發(fā)生但又最難解決的控制理論及技術(shù)問(wèn)題之一。區(qū)別于控制系統(tǒng)中的執(zhí)行器故障，敏感器故障在控制回路中具有傳播性，一般可采取模型觀測(cè)器與神經(jīng)網(wǎng)絡(luò)兩種途徑進(jìn)行故障診斷。模型觀測(cè)器方法蘊(yùn)含了診斷對(duì)象系統(tǒng)的物理機(jī)理，可以對(duì)故障空間解耦生成觀測(cè)殘差，依據(jù)殘差進(jìn)行故障檢測(cè)與隔離，適合應(yīng)用于數(shù)學(xué)描述結(jié)構(gòu)簡(jiǎn)單、建模精確的控制系統(tǒng)實(shí)時(shí)監(jiān)測(cè)與故障診斷。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法因其具有函數(shù)擬合和分類特性而被應(yīng)用于解決系統(tǒng)無(wú)法建模或比較復(fù)雜時(shí)的系統(tǒng)辨識(shí)及模式分類?；谏窠?jīng)網(wǎng)絡(luò)的系統(tǒng)辨識(shí)可以擬合出對(duì)象系統(tǒng)的過(guò)程模型，估計(jì)出控制系統(tǒng)所需辨識(shí)變量，然而，在診斷輸出不規(guī)律的復(fù)雜故障模式時(shí)依據(jù)系統(tǒng)辨識(shí)變量可以檢測(cè)但不足以隔離故障；基于神經(jīng)網(wǎng)絡(luò)的模式分類一般處理的是時(shí)間上沒(méi)有相關(guān)性、孤立的數(shù)據(jù)樣本，而且需要豐富的樣本訓(xùn)練才能獲得穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)。對(duì)于衛(wèi)星姿態(tài)控制系統(tǒng)，由于存在復(fù)雜的不確定性影響，建立精確的模型較為困難，而且故障模式與系統(tǒng)輸出之間存在非線性關(guān)系。另外，遠(yuǎn)程環(huán)境決定了衛(wèi)星故障診斷必須具有較快的在線診斷能力。因而，研究一種既能充分利用神經(jīng)網(wǎng)絡(luò)的擬合及分類能力(不需對(duì)系統(tǒng)進(jìn)行建模)、但又能實(shí)現(xiàn)在線實(shí)時(shí)故障診斷的方法，對(duì)于提升衛(wèi)星可靠性及自主性，具有十分重要的理論與實(shí)踐意義。目前，衛(wèi)星敏感器實(shí)時(shí)故障診斷方法的研究主要集中在模型觀測(cè)器與神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)兩個(gè)方面。邢琰等人提出了一種利用特征結(jié)構(gòu)指定隔離衛(wèi)星滾動(dòng)偏航陀螺敏感器故障的觀測(cè)器方法，利用姿態(tài)運(yùn)動(dòng)學(xué)關(guān)系建立關(guān)聯(lián)衛(wèi)星各個(gè)敏感器輸出信息的系統(tǒng)，針對(duì)這個(gè)系統(tǒng)設(shè)計(jì)隔離觀測(cè)器，使不同陀螺的故障在殘差空間的不同方向定向，達(dá)到故障隔離的目的，然而該方法只針對(duì)簡(jiǎn)單的控制系統(tǒng)模型，其檢測(cè)隔離充分條件在工程中一般很難滿足。文獻(xiàn)《利用奉獻(xiàn)觀測(cè)器診斷紅外地球敏感器故障的新方法》提出了一種基于奉獻(xiàn)觀測(cè)器診斷紅外地球敏感器的方法，通過(guò)對(duì)不完全能觀子系統(tǒng)進(jìn)行能觀性分解，再對(duì)能觀子系統(tǒng)設(shè)計(jì)奉獻(xiàn)觀測(cè)器以克服能觀性條件限制，可以實(shí)現(xiàn)紅外地球敏感器的檢測(cè)與隔離，但該方法針對(duì)的系統(tǒng)輸出模型耦合了敏感器陀螺的測(cè)量輸出(即增加了診斷依據(jù)信息)，須通過(guò)解析冗余進(jìn)行殘差生成，因而當(dāng)陀螺測(cè)量輸出不可靠時(shí)，檢測(cè)隔離則失效。H.A.Taleb等人提出了基于系統(tǒng)辨識(shí)變量檢測(cè)隔離衛(wèi)星敏感器及執(zhí)行器故障的循環(huán)神經(jīng)網(wǎng)絡(luò)方法。該方法可診斷簡(jiǎn)單的衛(wèi)星磁控系統(tǒng)傳感器故障，由于敏感器輸出之間不存在耦合關(guān)系，因而依據(jù)相關(guān)辨識(shí)變量的殘差比較容易進(jìn)行故障隔離，但不適用于故障條件下敏感器輸出相關(guān)的情形(如完整衛(wèi)星姿態(tài)控制系統(tǒng)中的紅外地球敏感器故障)。北京控制工程研究所基于G2專家系統(tǒng)工具在嵌入式衛(wèi)星姿控故障模擬平臺(tái)上開(kāi)發(fā)了一套衛(wèi)星姿控系統(tǒng)故障實(shí)時(shí)仿真與診斷算法，通過(guò)對(duì)姿態(tài)觀測(cè)變量分析建立判決先驗(yàn)規(guī)則知識(shí)庫(kù)，對(duì)于指定故障可以有效檢測(cè)隔離。然而G2專家系統(tǒng)規(guī)則知識(shí)庫(kù)人工建立過(guò)程比較繁瑣，而且為了提高故障檢測(cè)隔離效果需參考大量的實(shí)時(shí)狀態(tài)信息，因而在智能性方面還存在不足。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種用于航天器實(shí)時(shí)信號(hào)處理的盲系統(tǒng)故障檢測(cè)與隔離方法，該方法具有較好的實(shí)時(shí)有效性、輸出耦合診斷性能、時(shí)域信號(hào)診斷泛化性和網(wǎng)絡(luò)收斂性。用于航天器實(shí)時(shí)信號(hào)處理的盲系統(tǒng)故障檢測(cè)與隔離方法，包括以下步驟(1)在線檢測(cè)(1.1)將第i=k-N，…，k檢測(cè)時(shí)刻的航天器診斷依據(jù)實(shí)時(shí)信號(hào)Pi輸入故障檢測(cè)神經(jīng)網(wǎng)絡(luò)a2(i)=f2(LW2,iai(i)+b2)，其中ai(i)=fJIWuPi+LWuA(i-l)+b》，IWia，LWu，lvLWu，b2為故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，fJ)為故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的隱含層傳輸函數(shù)，f20為故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的輸出層傳輸函數(shù)，a2(i)為一維向量，ai(i)為h維向量，h>(m*l)/2，m為診斷依據(jù)實(shí)時(shí)信號(hào)Pi的個(gè)數(shù)，k為當(dāng)前檢測(cè)時(shí)刻，N為數(shù)據(jù)窗長(zhǎng)度；(1.2)對(duì)i=k-N，…，k檢測(cè)時(shí)刻的故障檢測(cè)神經(jīng)網(wǎng)絡(luò)輸出a2(i)作濾波處理，得到濾波結(jié)果o⑨-^2"22(/);(1.3)若濾波結(jié)果0(k)小于等于檢測(cè)閾值e。，則系統(tǒng)正常，否則系統(tǒng)故障，進(jìn)入步驟(2);(2)在線隔離(2.1)將第i=k-N，…，k檢測(cè)時(shí)刻的航天器診斷依據(jù)實(shí)時(shí)信號(hào)Pi輸入故障隔離神經(jīng)網(wǎng)絡(luò)32(0=/2(Z『2,A(0+&),其中柳^(^,A+Z『u51("i)+S),/K,,,/^,,,5，ZPT2>1，&為故障隔離神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，義()為故障隔離神經(jīng)網(wǎng)絡(luò)的隱含層傳輸函數(shù)，/2()為故障隔離神經(jīng)網(wǎng)絡(luò)的輸出層傳輸函數(shù)，52(/)為/5維向量，巧》log2FW，F(xiàn)N為故障總數(shù)，^(/)為《維向量，《2(附*S)/2;(2.2)對(duì)i=k-N，…，k檢測(cè)時(shí)刻的故障隔離神經(jīng)網(wǎng)絡(luò)輸出.&(0作濾波處理，得r，7"1到濾波結(jié)果。("-[a...a]=77~71;522(!')"表示轉(zhuǎn)置；(2.3)將步驟(2.2)得到的濾波結(jié)果。(/t)中的每一維元素^...Ai分別與隔離閾值^作比較，若比較結(jié)果小于等于零，則該維元素對(duì)應(yīng)的邏輯輸出值為HO，否則，該維元素對(duì)應(yīng)的邏輯輸出值為Hl，從而得到濾波結(jié)果向量d("對(duì)應(yīng)的邏輯輸出序列；(2.4)依據(jù)邏輯輸出序列在故障模式匹配表中匹配故障模式。所述故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)IWia，LW2a，bpLW2a，b2按照如下方式確定Al、令X(t)=[IWu(t)LWu(t)bjt)LWu(t)b2(t)]T，初始化X(1)，X(2)，t=3;a2、計(jì)算竭=外-1)+崎-1),-1)=a崎-2)+ar/r^，其中，檢測(cè)神經(jīng)網(wǎng)絡(luò)性能perf與檢測(cè)權(quán)重及偏移參數(shù)X(t)的導(dǎo)數(shù)f上卿),)2>2(s)—Ms))""""—:K")r,y(s)為s時(shí)刻、時(shí)故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的期望輸出，G為正常和故障訓(xùn)練樣本的時(shí)間序列總長(zhǎng)度，lr表示故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，a表示故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的動(dòng)量項(xiàng)；a3、若檢測(cè)神經(jīng)網(wǎng)絡(luò)性能perfG，則故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)等值于X(t)，結(jié)束，否則t=t+l，返回步驟a2。所述故障隔離神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)/^，,，Z,w,5,&按照如下方式確定<formula>formulaseeoriginaldocumentpage6</formula>，初始化i(1)，》(2),tb2、計(jì)算勤)=義(卜1)+^(卜i)-1)=g(由—2))*-2)+減，其中，隔離網(wǎng)絡(luò)性能卿)河財(cái)與隔離權(quán)重及偏移參數(shù)_的導(dǎo)數(shù)^v"外o為s時(shí)刻時(shí)故障隔離神經(jīng)網(wǎng)絡(luò)的期望輸出，d為故障訓(xùn)練樣本的時(shí)間序列長(zhǎng)度，(表示故障隔離神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，5表示故障隔離神經(jīng)網(wǎng)絡(luò)的動(dòng)量項(xiàng)，g(由-2》-Af(卜2》.exp(-Al"2(f-2));b3、若隔離神經(jīng)網(wǎng)絡(luò)性能;^/efO，0.001]，則故障隔離神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)等值于je(f)，結(jié)束，否則t=t+l，返回步驟b2。所述傳輸函數(shù)fj)、f2()、義()、/2()采用tansig()、logsig()、purelin()函數(shù)中的任意一種。數(shù)據(jù)窗長(zhǎng)度n取值較小時(shí)，有助于對(duì)故障的快速檢測(cè)，然而將有可能增大誤報(bào)率；反之，當(dāng)n取值過(guò)大時(shí)，將不利于對(duì)故障的快速檢測(cè)，一般取值120。本發(fā)明的技術(shù)效果體現(xiàn)在本發(fā)明具有實(shí)質(zhì)性特點(diǎn)和顯著進(jìn)步，盲系統(tǒng)故障檢測(cè)與隔離方法是在動(dòng)態(tài)性能良好的故障檢測(cè)elman神經(jīng)網(wǎng)絡(luò)、故障隔離elman神經(jīng)網(wǎng)絡(luò)、改進(jìn)網(wǎng)絡(luò)訓(xùn)練算法、故障邏輯判決技術(shù)的基礎(chǔ)上研發(fā)的。與已有的技術(shù)相比，該技術(shù)具有較好的實(shí)時(shí)有效性、輸出耦合診斷性能、時(shí)域信號(hào)診斷泛化性和網(wǎng)絡(luò)收斂性，可避免航天器有效模型不易獲得、人工診斷方法實(shí)時(shí)性差、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法時(shí)域樣本泛化性和收斂性差的缺陷，對(duì)航天器等盲系統(tǒng)的自主故障診斷能力及可靠性進(jìn)行了提高與改善。圖1為本發(fā)明原理圖；圖2為本發(fā)明系統(tǒng)結(jié)構(gòu)示意圖3為ELMAN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；圖4為衛(wèi)星姿控系統(tǒng)對(duì)地定向完整模型示意圖；圖5為實(shí)時(shí)診斷模塊與對(duì)象系統(tǒng)的接口關(guān)系示意圖；圖6為滾動(dòng)通道輸出封死故障檢測(cè)隔離效果圖；圖7為滾動(dòng)通道輸出均值偏差故障檢測(cè)隔離效果圖；圖8為偏航通道輸出封死故障檢測(cè)隔離效果圖；圖9為偏航通道輸出均值偏差故障檢測(cè)隔離效果圖；圖10為故障紅外地球儀耦合輸出信號(hào)示意圖；圖11為故障隔離ELMAN神經(jīng)網(wǎng)絡(luò)診斷輸出效果圖；圖12為診斷實(shí)時(shí)信號(hào)示意圖；圖13為BPNN與本發(fā)明ELMANNN診斷輸出對(duì)比示意圖；圖14為未改進(jìn)ELMANNN訓(xùn)練收斂性能示意圖；圖15為本發(fā)明改進(jìn)ELMANNN訓(xùn)練收斂性能示意圖。具體實(shí)施例方式如圖1所示，本發(fā)明分為離線與在線兩個(gè)階段。離線階段第一步，根據(jù)對(duì)象系統(tǒng)可供參考的診斷依據(jù)信號(hào)數(shù)目(包含控制輸入及測(cè)量輸出兩種類型)及需要檢測(cè)隔離的故障數(shù)目確定故障檢測(cè)與故障隔離兩種ELMAN神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)；第二步，收集對(duì)象系統(tǒng)在正常及故障模式下的樣本數(shù)據(jù)及設(shè)定訓(xùn)練目標(biāo)，采用改進(jìn)的更新梯度策略進(jìn)行離線訓(xùn)練分別獲得兩種網(wǎng)絡(luò)的結(jié)構(gòu)及權(quán)重參數(shù)，進(jìn)而獲得最優(yōu)故障檢測(cè)神經(jīng)網(wǎng)絡(luò)和故障隔離神經(jīng)網(wǎng)絡(luò)模塊；第三步，在兩種神經(jīng)網(wǎng)絡(luò)模塊輸出之后設(shè)計(jì)對(duì)應(yīng)的故障邏輯判決模塊。在線階段將兩種網(wǎng)絡(luò)及對(duì)應(yīng)判決模塊嵌入對(duì)象系統(tǒng)進(jìn)行在線實(shí)時(shí)監(jiān)測(cè)，故障隔離神經(jīng)網(wǎng)絡(luò)在故障檢測(cè)神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)邏輯判決產(chǎn)生指令信號(hào)(檢測(cè)到故障發(fā)生)時(shí)啟動(dòng)，進(jìn)而獲得故障隔離對(duì)應(yīng)精確指令信號(hào)；結(jié)合故障檢測(cè)指令信號(hào)及故障隔離指令信號(hào)，即可實(shí)現(xiàn)實(shí)時(shí)故障診斷。本發(fā)明具有故障檢測(cè)隔離神經(jīng)網(wǎng)絡(luò)(包含離線訓(xùn)練算法)、故障檢測(cè)邏輯判決、故障隔離神經(jīng)網(wǎng)絡(luò)(包含離線訓(xùn)練算法)、故障隔離邏輯判決四個(gè)部分及功能(如圖2所示)。其中，故障檢測(cè)隔離神經(jīng)網(wǎng)絡(luò)模塊功能為依據(jù)對(duì)象系統(tǒng)診斷參考信號(hào)采用時(shí)域動(dòng)態(tài)模式匹配的方式實(shí)現(xiàn)信號(hào)奇異點(diǎn)的檢測(cè)，進(jìn)而實(shí)現(xiàn)系統(tǒng)正常狀態(tài)與非正常狀態(tài)的區(qū)分，其離線訓(xùn)練所針對(duì)的信號(hào)樣本是一個(gè)時(shí)間序列過(guò)程，訓(xùn)練目標(biāo)為正常與非正常兩種狀態(tài)。故障隔離神經(jīng)網(wǎng)絡(luò)模塊功能為依據(jù)故障發(fā)生時(shí)刻點(diǎn)之后的對(duì)象系統(tǒng)診斷參考信號(hào)采用時(shí)域動(dòng)態(tài)模式匹配的方式實(shí)現(xiàn)時(shí)域信號(hào)模式的匹配與分類，進(jìn)而實(shí)現(xiàn)系統(tǒng)故障模式之間的隔離，其離線訓(xùn)練所針對(duì)的信號(hào)樣本是一個(gè)時(shí)間序列過(guò)程，訓(xùn)練目標(biāo)為故障模式對(duì)應(yīng)的二進(jìn)制序號(hào)集。故障檢測(cè)與故障隔離邏輯判決模塊功能為采用閾值邏輯判決方法生成精確的指令信號(hào)。由于針對(duì)的是一類時(shí)域動(dòng)態(tài)信號(hào)進(jìn)行實(shí)時(shí)故障檢測(cè)與隔離，本發(fā)明的兩個(gè)神經(jīng)網(wǎng)絡(luò)均采用具有時(shí)延記憶特性的艾曼(ELMAN)神經(jīng)網(wǎng)絡(luò)作為結(jié)構(gòu)原型。ELMAN網(wǎng)絡(luò)具有與多層前向網(wǎng)絡(luò)相似的多層結(jié)構(gòu)，如圖3所示，它的主要結(jié)構(gòu)是前饋連接，包括輸入層(inputlayer)、隱含層(recurrentlayer)、輸出層(outputlayer)，六個(gè)結(jié)構(gòu)參數(shù)通過(guò)離線訓(xùn)練算法進(jìn)行學(xué)習(xí)修正；反饋連接由一組"結(jié)構(gòu)"單元構(gòu)成，用來(lái)記憶前一時(shí)刻的輸出值。7下面結(jié)合實(shí)施例和說(shuō)明書(shū)附圖對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明為了驗(yàn)證發(fā)明提出的ELMAN神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)故障診斷方法的有效性和優(yōu)越性，本文以某型高精度三軸穩(wěn)定近地衛(wèi)星姿控系統(tǒng)對(duì)地定向完整模型為實(shí)驗(yàn)對(duì)象，分別從實(shí)時(shí)有效性、輸出耦合診斷性能、時(shí)域信號(hào)診斷泛化性對(duì)比三個(gè)方面設(shè)計(jì)了實(shí)時(shí)仿真實(shí)驗(yàn)，該實(shí)驗(yàn)基于北京控制工程研究所嵌入式故障模擬平臺(tái)完成?！?duì)象系統(tǒng)描述1、完整衛(wèi)星姿態(tài)控制系統(tǒng)模型某型高精度三軸穩(wěn)定近地衛(wèi)星姿控系統(tǒng)對(duì)地定向完整模型構(gòu)成圖如圖4所示，其執(zhí)行機(jī)構(gòu)為反作用飛輪，其姿態(tài)敏感器包括速率積分陀螺與紅外地球敏感儀。整個(gè)衛(wèi)星姿控系統(tǒng)由控制器、執(zhí)行機(jī)構(gòu)、衛(wèi)星姿態(tài)動(dòng)力學(xué)模型、衛(wèi)星姿態(tài)運(yùn)動(dòng)學(xué)模型、姿態(tài)敏感器和姿態(tài)確定模塊組成。2、紅外地球儀故障衛(wèi)星姿控系統(tǒng)姿態(tài)敏感器中通常包含滾動(dòng)與偏航兩個(gè)通道紅外地球敏感器，分別測(cè)量衛(wèi)星的滾動(dòng)姿態(tài)角偏航姿態(tài)角，與慣性陀螺一起構(gòu)成衛(wèi)星姿態(tài)確定系統(tǒng)測(cè)量衛(wèi)星姿態(tài)。紅外地球儀包含正常模式及兩種基本故障模式，即輸出封死，輸出均值偏差。正常情況下，紅外地球敏感器的測(cè)量模型可以簡(jiǎn)寫(xiě)為其中(tg、9g為測(cè)量輸出，小、9為衛(wèi)星滾動(dòng)和俯仰姿態(tài)角，小e、9e為測(cè)量噪聲。當(dāng)紅外地球儀存在輸出封死故障時(shí)，其故障現(xiàn)象是紅外地球敏感器不敏感衛(wèi)星姿態(tài)變化，輸出保持一個(gè)固定常值或其他隨機(jī)變化量，對(duì)應(yīng)的故障模型數(shù)學(xué)描述為其中小f，ef是故障時(shí)的輸出值，一般為一常值。當(dāng)紅外地球儀存在輸出均值偏差時(shí)，其故障現(xiàn)象是紅外的測(cè)量輸出均值帶有偏差，偏離正常值，對(duì)應(yīng)的故障模型數(shù)學(xué)描述為二、操作例流程根據(jù)上述操作例實(shí)施對(duì)象，確定實(shí)施對(duì)象診斷依據(jù)實(shí)時(shí)信號(hào)為6路，即4路執(zhí)行器控制力矩輸入，紅外地球儀滾動(dòng)、偏航兩路敏感器測(cè)量輸出。實(shí)時(shí)診斷模塊與對(duì)象系統(tǒng)的接口關(guān)系如圖5所示。需要檢測(cè)與隔離的故障數(shù)目為4。操作例流程分為樣本數(shù)據(jù)獲取、網(wǎng)絡(luò)基本結(jié)構(gòu)確定、網(wǎng)絡(luò)訓(xùn)練及參數(shù)確定、在線故障檢測(cè)與隔離四個(gè)步驟。2.1、樣本數(shù)據(jù)獲取分別獲取故障及正常模式下的6路實(shí)時(shí)信號(hào)數(shù)據(jù)樣本，其中故障模式包括四種具體故障模式，為了得到合乎平穩(wěn)性與正態(tài)性、適合計(jì)算機(jī)處理的離散數(shù)據(jù)，需對(duì)信號(hào)數(shù)據(jù)樣本進(jìn)行離散預(yù)處理，可采用提取趨勢(shì)項(xiàng)，消除噪聲，剔除野點(diǎn)，歸一化處理等現(xiàn)有技術(shù)。這6路實(shí)時(shí)信號(hào)為紅外地球儀滾動(dòng)、偏航兩路敏感器測(cè)量輸出和4路執(zhí)行器控制力矩輸入、2.2、網(wǎng)絡(luò)基本結(jié)構(gòu)確定2.2.1故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)對(duì)于故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)，輸入為m=6路，由于只需對(duì)正常及非正常進(jìn)行區(qū)分，因而輸出為n=1路。因而可得故障檢測(cè)隱含層神經(jīng)元個(gè)數(shù)<formula>formulaseeoriginaldocumentpage9</formula>選擇h=10;其中輸入層到隱層的神經(jīng)元傳輸函數(shù)選擇為tansig函數(shù)，隱層到輸出層的神經(jīng)元傳輸函數(shù)選擇為purelin函數(shù)。訓(xùn)練目標(biāo)故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)可以表示為表1所示，正常模式下目標(biāo)輸出為O，故障模式下輸出為1。表1故障檢測(cè)ELMAN網(wǎng)絡(luò)訓(xùn)練輸入與輸出對(duì)應(yīng)表<table>tableseeoriginaldocumentpage9</column></row><table>2.2.2故障隔離ELMAN神經(jīng)網(wǎng)絡(luò)對(duì)于故障隔離ELMAN神經(jīng)網(wǎng)絡(luò)，同樣輸入為m=6路，由于需對(duì)兩個(gè)通道兩類故障一共4種故障進(jìn)行區(qū)分，因而輸出為》=log24=2路。因而可得故障隔離隱含層神經(jīng)元個(gè)數(shù)《-(/7^/i)/2-2x6/2-6，選擇《=10;其中輸入層到隱含層的神經(jīng)元傳輸函數(shù)選擇為tansig函數(shù)，隱含層到輸出層的神經(jīng)元傳輸函數(shù)選擇為tansig函數(shù)。訓(xùn)練目標(biāo)ELMAN神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)可以表示為表2所示。表2故障隔離ELMAN網(wǎng)絡(luò)訓(xùn)練輸入與輸出對(duì)應(yīng)表<table>tableseeoriginaldocumentpage9</column></row><table>2.3網(wǎng)絡(luò)訓(xùn)練及參數(shù)確定2.3.1故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)參數(shù)選定由于故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)只有l(wèi)路輸出且模式較簡(jiǎn)單，采用梯度下降算法(traingdx)算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，以所有正常和故障樣本作為訓(xùn)練樣本，其選擇學(xué)習(xí)速率lf=0.8，動(dòng)量項(xiàng)a=0.5，網(wǎng)絡(luò)權(quán)值及閾值參數(shù)IWia，LWia，1^，LW^，b2初值設(shè)置為0;數(shù)據(jù)窗長(zhǎng)度N=10。通過(guò)網(wǎng)絡(luò)訓(xùn)練獲得最優(yōu)網(wǎng)絡(luò)參數(shù)如下表所示IWu為6*15的矩陣，其值為-14.40883.9411363.46944.64590411.52946-22.284428.98437-18.013926.98045-12.181313.991825.6736-11.455831.69466136.128-2.241723.0498022.0525083.9096414.192213-3.461495.141702-4.981754.099-3.39223-8.18644-4.36636-2.2783815.8708644.29894-17.5488-12.0751.09839915.419167.644464-5.156136.00157914.28974-8.00611-8.35153-1.95198.511803-13.75945.049633-5.66265-19.525622.400517.40089-20.350910.98958-14.7693-21.0067-14.893527.18857-16.275121.9210314.9489422.91684-37.0329-43.8502-5.6343-4.11538-15.659320.70659-20.1969.599917-14.6369-21.78779.35052827.0623314.68206-23.4725-18.4324-21.6379-53.38535.168110.547195-12.12592.816964-8.30533—11.8289—3.39077-7.21369-0.30988-10.1559—14.0563—6.82597-10.13087.2129219.78369LWia為15*15的矩陣，其值為-0.164490.170522-0.14070.052302-0.372420.199613-0.0322-0.072280.506883-0.46780.2396-0.555620.103322-0.14302-0.181920.234050.2101140.3589460.099499-0.04655-0.38066-0.359910.443438-0.13074-0.105270.0004730.069311-0.093310.333803-0.10561-0.302160.1603310.524273-0.351250.304306-0.133510.0019820.485634-0.171490.167222-0.12225-0.405090.4631580.4423830.011738-0.292420.453838-0.364190.20104-0.030720.41907-0.51079-0.05712-0.14716-0.542430.5240620.585757-0.33298-0.145110.205949-0.2090.458059-0.379780.248813-0.41016-0.229630.312004-0.41771-0.33640.318894-0.246540.1738340.2867020.2392920.213027-0.16740.2626590.3390140.207499-0.32603-0.23852-0.200230.5853980.5185880.2399980.411141-0.169890.4167870.3031150.190125-0.504950.5303670.336873-0.20212-0.47333-0.046520.0784220.031973-0.444040.3707440.3136550.2634420.40584-0.18976-0.014760.5177660.472448-0.422860.5794370.131483-0.51133-0.05834-0.22786-0.0931-0.27253-0.321330.5776210.4301290.434330.5509610.487925-0.464480.4962410.431749-0.50618-0.316950.462823-0.04679-0.09482-0.512970.003581-0.15076-0.1907-0.560850.3482780.506721-0.14274-0.07930.434471-0.423810.5612760.025689-0.20241-0.016320.2504-0.380230.0790080.148771-0.395460.584359-0.312220.399599-0.32562-0.04840.418990.105791-0.49533-0.26154-0.45115-0.341380.2166930.067418-0.375730.552533-0.608850.162091-0.42763-0.14267-0.20578-0.42488-0.280540.4282210.207993-0.00327-0.046990.062469-0.21411-0.39629-0.437430.110906-0.14603-0.45088-0.206150.1102590.0019060.3441750.3480980.4666860.126259-0.550720.562840.50503-0.43950.18888-0.571120.3961960.072512-0.23004-0.46461-0.462560.575139-0.436820.18317-0.234410.0700130.4298530.3743480.2822320.080984-0.148320.4060140.261764—0.52618-0.537390.364050.1064210.1733080.103365—0.439810.2160830.486268-0.15031-0.23471—0.389020.220685h為15*1矩陣，其值為-7.05542-5.03347-10.9287-5.673544.4957543.8147514.752147-7.034636.911845-4.66504-4.425134.997596-4.65524.926692-2.83256LWu為15*1矩陣，其值為10<table>tableseeoriginaldocumentpage11</column></row><table>h為1*1矩陣，其值為7.93462.3.2故障隔離ELMAN神經(jīng)網(wǎng)絡(luò)參數(shù)選定以故障樣本作為訓(xùn)練樣本，選擇學(xué)習(xí)速率/^0.8，動(dòng)量項(xiàng)^^0,5，網(wǎng)絡(luò)權(quán)值及閾值參數(shù)^^,Z『W，S，&初值設(shè)置為0;數(shù)據(jù)窗長(zhǎng)度"=10。訓(xùn)練獲得最優(yōu)網(wǎng)絡(luò)參數(shù)如下表所示T^,為6*15的矩陣，其值為33.3475815.32701-6.41953-39.241836.8160847.79748-36.588834.8348648.91323-35.6004-2.9268235.333330.5719830.204347.0210553.759792-5.832461.495785-15.6778.5461998.2028579.150806-12.932115.5766-9.7546713.035731.022959-17.1703-9.878854.70595533.51339-39.448-26.603-20.476318.7153717.51826.38010826.80078-3.7106227.5587-22.175218.028018.367109-13.695-29.871363.7112960.90172-79.3172-22.792863.151867.6410975.75815-11.9603-12.8395-21.8333-9.4842659.9455150.1979770.63135-92.4378-44.216741.92115-64.4447-31.449265.2174-42.4983-26.3784-6.25366-29.0774-56.98691.1883-51.164213.58594-69.269936.10263-11.700712.26223-16.1732-16.2357-6.855593.354294-25.0714-25.2094-22.9134-21.6735-37.9796-30.925515.986112.7334772.98067ZFf^為15*15零矩陣。6為15*1矩陣，其值為-2.433670.710791-4.972231.5178382.158751-1.934582.55884-0.93891-3.50157-0.89673-2.002390.436933.9878312.474754-0.45203ZW^為15*2矩陣，其值為-0.274372.1087810.201598-7.10501-0.122670.8638990.1043981.711708-0.12821-3.95926-0.540182.8032490.301377-1.916770.6091-2.7550.009536-2.67891-0.03464-4.70647-0.31738-0.726850.733153.7133910.028693-0.57466-0.24881-2.042520.728226-2.43094&為1*2矩陣，其值為-0.74981-0.352022.4、在線實(shí)時(shí)故障診斷六路實(shí)時(shí)診斷信號(hào)同時(shí)輸入故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)及故障隔離ELMAN神經(jīng)網(wǎng)絡(luò)，鑒于神經(jīng)網(wǎng)絡(luò)輸出存在不確定性抖動(dòng)的影響，兩個(gè)神經(jīng)網(wǎng)絡(luò)算法模塊的輸出均通過(guò)故障判決模塊進(jìn)行處理。當(dāng)?shù)谝慌袥Q模塊檢測(cè)到有故障發(fā)生后，啟動(dòng)故障隔離ELMAN神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)時(shí)診斷信號(hào)進(jìn)行處理，同時(shí)停止故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)繼續(xù)進(jìn)行故障檢測(cè)，待第二判決模塊處理獲得故障隔離結(jié)果后，即可結(jié)合第一故障判決模塊的檢測(cè)信息產(chǎn)生精確故障診斷結(jié)果信號(hào)。對(duì)于第一判決模塊，若濾波結(jié)果O(k)小于等于檢測(cè)閾值e。，則HO成立，否則HI成立，其判決規(guī)則如下若HO成立，則無(wú)故障發(fā)生，則不做任何處理，判決無(wú)故障發(fā)生；若H1成立，則有故障發(fā)生，啟動(dòng)故障隔離模塊，停止故障檢測(cè)模塊；檢測(cè)閾值e。一般取值范圍為00.5，實(shí)例中取值0.15。對(duì)于第二判決模塊，其輸出為2維信號(hào)，將濾波結(jié)果d("中的兩維元素分別與隔離閾值&作比較，若比較結(jié)果小于等于零，則HO成立，否則HI成立，從而得到d(&)的邏輯輸出序列，依據(jù)邏輯輸出序列在故障模式匹配表中匹配故障模式，故障模式匹配表即為表2，具體如下若輸出[HOHO]成立，則判決滾動(dòng)通道輸出封死故障發(fā)生；若輸出[HOHI]成立，則判決滾動(dòng)通道輸出均值偏差故障發(fā)生；若輸出[HIHO]成立，則判決偏航通道輸出封死故障發(fā)生；若輸出[HIHI]成立，則判決偏航通道輸出均值偏差故障發(fā)生；否則判決無(wú)效。隔離閾值^一般取值范圍為00.5，實(shí)例中取值0.15。三、操作例效果A.實(shí)時(shí)有效性分別設(shè)定上述實(shí)施例中四種紅外地球儀故障均在時(shí)刻1500s發(fā)生，則四種故障模式的實(shí)時(shí)故障檢測(cè)與隔離曲線如圖69所示.其中，觀察故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)輸出曲線(NN10ut)不難看出，在1500s故障發(fā)生之后很短時(shí)間內(nèi)，故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)輸出曲線有原先的零均值逐漸偏離檢測(cè)閾值，故障檢測(cè)生效。檢測(cè)到故障發(fā)生之后，啟用故障隔離ELMAN神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷。繼續(xù)觀察故障隔離ELMAN神經(jīng)網(wǎng)絡(luò)輸出結(jié)果(NN20utl與NN20ut2)曲線不難看出，當(dāng)故障導(dǎo)致對(duì)應(yīng)輸出由原先0均值逐漸偏離跳變超越閾值時(shí)，神經(jīng)網(wǎng)絡(luò)輸出仍能穩(wěn)定在對(duì)應(yīng)閾值范圍，保持診斷結(jié)果的有效性。B.輸出耦合診斷性能為了證明ELMAN神經(jīng)網(wǎng)絡(luò)在輸出信號(hào)耦合條件下的有效性，本文選擇紅外地球儀滾動(dòng)通道輸出封死故障模式下的故障診斷結(jié)果進(jìn)行驗(yàn)證。觀察神經(jīng)網(wǎng)絡(luò)輸入信號(hào)曲線(圖10)與ELMAN神經(jīng)網(wǎng)絡(luò)診斷曲線(圖11)可知在滾動(dòng)通道故障影響下，偏航通道紅外地球儀敏感器輸出受影響逐漸偏離0。然而，ELMAN神經(jīng)網(wǎng)絡(luò)仍然能生成穩(wěn)定的對(duì)應(yīng)故障診斷結(jié)果信號(hào)，從而證明了ELMAN神經(jīng)網(wǎng)絡(luò)在輸出耦合情形下的有效性。13C.時(shí)域信號(hào)診斷泛化性對(duì)比為了驗(yàn)證ELMAN神經(jīng)網(wǎng)絡(luò)在實(shí)時(shí)信號(hào)診斷泛化性方面的優(yōu)越性，將本文ELMAN方法與傳統(tǒng)BPNN方法針對(duì)紅外地球儀滾動(dòng)通道輸出封死故障數(shù)據(jù)進(jìn)行了時(shí)域信號(hào)診斷性能對(duì)比。由圖12與圖13可以看出，在輸入信號(hào)比較平穩(wěn)15001515s(即信號(hào)只含穩(wěn)態(tài)特征)時(shí)，后向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)網(wǎng)絡(luò)與ELMAN網(wǎng)絡(luò)輸出均能保持穩(wěn)定。然而當(dāng)輸入信號(hào)出現(xiàn)小范圍波動(dòng)1520-1540s(信號(hào)出現(xiàn)時(shí)域特征)時(shí)，BPNN診斷輸出跳變范圍很大，惡劣條件下甚至超過(guò)了檢測(cè)閾值。而ELMAN神經(jīng)網(wǎng)絡(luò)仍然能維持在閾值范圍內(nèi)，從而證明了ELMAN神經(jīng)網(wǎng)絡(luò)在時(shí)域信號(hào)診斷泛化方面的優(yōu)越性。D.網(wǎng)絡(luò)收斂性對(duì)比為了對(duì)比本文采用改進(jìn)梯度學(xué)習(xí)算法在ELMAN神經(jīng)網(wǎng)絡(luò)收斂性指標(biāo)的優(yōu)越性，本文分別針對(duì)采用改進(jìn)梯度下降算法和未采用梯度下降算法的兩種ELMAN神經(jīng)網(wǎng)絡(luò)故障隔離模塊訓(xùn)練收斂性能(MSE均方差)進(jìn)行了對(duì)比，收斂曲線如圖14與圖15所示。未改進(jìn)ELMAN神經(jīng)網(wǎng)絡(luò)相比改進(jìn)ELMAN神經(jīng)網(wǎng)絡(luò)在收斂速率方面較慢(未改進(jìn)2500代才收斂，而改進(jìn)后2000代就收斂)，而且在收斂精度方面也不及改進(jìn)ELMAN神經(jīng)網(wǎng)絡(luò)(未改進(jìn)收斂均方差為0.00187，而改進(jìn)收斂均方差為0.00098)，從而驗(yàn)證了改進(jìn)ELMAN在網(wǎng)絡(luò)訓(xùn)練收斂方面的有效性。1權(quán)利要求用于航天器實(shí)時(shí)信號(hào)處理的盲系統(tǒng)故障檢測(cè)與隔離方法，包括以下步驟(1)在線檢測(cè)(1.1)將第i＝k-N，…，k檢測(cè)時(shí)刻的航天器診斷依據(jù)實(shí)時(shí)信號(hào)pi輸入故障檢測(cè)神經(jīng)網(wǎng)絡(luò)a2(i)＝f2(LW2，1a1(i)+b2)，其中a1(i)＝f1(IW1，1pi+LW1，1a1(i-1)+b1)，IW1，1，LW1，1，b1，LW2，1，b2為故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，f1()為故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的隱含層傳輸函數(shù)，f2()為故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的輸出層傳輸函數(shù)，a2(i)為一維向量，a1(i)為h維向量，h≥(m*1)/2，m為診斷依據(jù)實(shí)時(shí)信號(hào)pi的個(gè)數(shù)，k為當(dāng)前檢測(cè)時(shí)刻，N為數(shù)據(jù)窗長(zhǎng)度；(1.2)對(duì)i＝k-N，…，k檢測(cè)時(shí)刻的故障檢測(cè)神經(jīng)網(wǎng)絡(luò)輸出a2(i)作濾波處理，得到濾波結(jié)果(1.3)若濾波結(jié)果O(k)小于等于檢測(cè)閾值ε0，則系統(tǒng)正常，否則系統(tǒng)故障，進(jìn)入步驟(2)；(2)在線隔離(2.1)將第i＝k-N，…，k檢測(cè)時(shí)刻的航天器診斷依據(jù)實(shí)時(shí)信號(hào)pi輸入故障隔離神經(jīng)網(wǎng)絡(luò)其中為故障隔離神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，()為故障隔離神經(jīng)網(wǎng)絡(luò)的隱含層傳輸函數(shù)，()為故障隔離神經(jīng)網(wǎng)絡(luò)的輸出層傳輸函數(shù)，為維向量，F(xiàn)N為故障總數(shù)，為維向量，(2.2)對(duì)i＝k-N，…，k檢測(cè)時(shí)刻的故障隔離神經(jīng)網(wǎng)絡(luò)輸出作濾波處理，得到濾波結(jié)果T表示轉(zhuǎn)置；(2.3)將步驟(2.2)得到的濾波結(jié)果中的每一維元素分別與隔離閾值作比較，若比較結(jié)果小于等于零，則該維元素對(duì)應(yīng)的邏輯輸出值為H0，否則，該維元素對(duì)應(yīng)的邏輯輸出值為H1，從而得到濾波結(jié)果向量對(duì)應(yīng)的邏輯輸出序列；(2.4)依據(jù)邏輯輸出序列在故障模式匹配表中匹配故障模式。2.根據(jù)權(quán)利要求1所述的盲系統(tǒng)故障檢測(cè)與隔離方法，其特征在于，所述故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)IWu，LWu，bpLWu，b2按照如下方式確定Al、令X(t)=[IWu(t)LWu(t)bjt)LWu(t)b2(t)]T，初始化X(l)，X(2)，t=3;'外)-義(/-l)+AZ(卜l)A2、計(jì)算j—"......_.，其中，檢測(cè)神經(jīng)網(wǎng)絡(luò)性能perf與檢測(cè)權(quán)重及<formula>formulaseeoriginaldocumentpage2</formula>議偏移參數(shù)x(t)的導(dǎo)數(shù)^^^$>2("-><力)*("2("—:K"r，y(s)為s時(shí)刻時(shí)故議(O、=」障檢測(cè)神經(jīng)網(wǎng)絡(luò)的期望輸出，G為正常和故障訓(xùn)練樣本的時(shí)間序列總長(zhǎng)度，lr表示故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，a表示故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的動(dòng)量項(xiàng)；A3、若檢測(cè)神經(jīng)網(wǎng)絡(luò)性能perfG，則故障檢測(cè)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)等值于X(t)，結(jié)束，否則t=t+l，返回步驟A2。3.根據(jù)權(quán)利要求1所述的盲系統(tǒng)故障檢測(cè)與隔離方法，其特征在于，所述故障隔離神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)/『u，Z『w，SJ『w，&按照如下方式確定Bl、令X(0-[^.,(0￡『2，,(0￡『21(0&(O丫，初始化》(1)i(2),t=3;細(xì)-樸-l)+A^(卜l)B2、計(jì)算----rfw，其中，隔離網(wǎng)絡(luò)性能斷)聲/與隔離權(quán)重及偏移參數(shù)-的導(dǎo)數(shù):^-j^"邵)必(o斷o貝^)為^時(shí)刻時(shí)故障隔離神經(jīng)網(wǎng)絡(luò)的期望輸出，。為故障訓(xùn)練樣本的時(shí)間序列長(zhǎng)度，(表示故障隔離神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率，^表示故障隔離神經(jīng)網(wǎng)絡(luò)的動(dòng)量項(xiàng)，g(傘-2》=A^(f-2).exp(-A^2(卜2));B3、若隔離神經(jīng)網(wǎng)絡(luò)性能/^/e〖0，0.0(H]，則故障隔離神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)等值于，結(jié)束，否則t=t+l，返回步驟B2。4.根據(jù)權(quán)利要求1所述的盲系統(tǒng)故障檢測(cè)與隔離方法，其特征在于，所述傳輸函數(shù)仁()、f2()、^()、/2()采用tansig()、logsig()、purelin()函數(shù)中的任意一種。全文摘要本發(fā)明提供用于航天器實(shí)時(shí)信號(hào)處理的盲系統(tǒng)故障檢測(cè)與隔離方法，依據(jù)對(duì)象系統(tǒng)診斷參考信號(hào)采用時(shí)域動(dòng)態(tài)模式匹配的方式進(jìn)行信號(hào)奇異點(diǎn)的檢測(cè)，實(shí)現(xiàn)系統(tǒng)正常與非正常狀態(tài)的區(qū)分，進(jìn)而依據(jù)故障發(fā)生時(shí)刻點(diǎn)之后的對(duì)象系統(tǒng)診斷參考信號(hào)采用時(shí)域動(dòng)態(tài)模式匹配的方式對(duì)時(shí)域信號(hào)模式進(jìn)行匹配與分類，實(shí)現(xiàn)系統(tǒng)故障模式隔離。本發(fā)明建立在動(dòng)態(tài)性能良好的故障檢測(cè)ELMAN神經(jīng)網(wǎng)絡(luò)、故障隔離ELMAN神經(jīng)網(wǎng)絡(luò)、改進(jìn)網(wǎng)絡(luò)訓(xùn)練算法、故障邏輯判決技術(shù)的基礎(chǔ)上，具有較好的實(shí)時(shí)有效性、輸出耦合診斷性能、時(shí)域信號(hào)診斷泛化性和網(wǎng)絡(luò)收斂性，可有效避免航天器精確模型不易獲得、人工診斷方法實(shí)時(shí)性差、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法時(shí)域樣本泛化性和收斂性差的缺陷。文檔編號(hào)G05B23/02GK101697079SQ20091027226公開(kāi)日2010年4月21日申請(qǐng)日期2009年9月27日優(yōu)先權(quán)日2009年9月27日發(fā)明者岑朝輝,蔣睿,魏蛟龍申請(qǐng)人:華中科技大學(xué);