发明内容
本发明的目的在于提出一种探测器嵌入式自主故障监测与异常数据记录装置,作为空间、海洋探测器的载荷,该装置将完成探测器运行环境与自身故障的监测,以及特异数据高速、准确、长时、大容量记录任务,以解决目前空间、海洋探测器尚无法完成自主监测与记录异常状况同时实现的问题。
一种探测器嵌入式自主故障监测与异常数据记录装置包括嵌入式控制器、外部标准总线接口和存储器;
嵌入式控制器包括数据预处理函数模块、典型探测器系统模型模块、信号处理与特征提取算法模块和外围设备接口模块;
数据预处理函数模块,用于在所获得的测量数据进行识别与分析之前,先进行测量数据的集成数据预处理,所述的集成数据预处理是对所获得的测量数据进行提取、整理和变换,从而生成供典型探测器系统模型模块使用的预处理数据;
典型探测器系统模型模块,用于根据不同的子系统或者部件选取参考模型,及时有效地甄别和测试出预处理数据中的异常数据是否发生、以及异常数据发生的具体时刻和停止的具体时刻,以得到反映异常现象的征兆信号,进而通过征兆信号触发信号处理与特征提取算法模块;
信号处理与特征提取算法模块,用于在典型探测器系统模型模块的触发下开始对征兆信号进行特征提取,选择对应征兆信号的征兆评价函数判断是否出现异常状态,并对异常状态进行归类;
外围设备接口模块,用于与外围设备连接;嵌入式控制器的外围设备接口模块的外围设备接口的输入输出端同时与外部标准总线接口的输入输出端和存储器的输入输出端连接;
存储器,用于进行异常数据记录。
本发明与现有技术相比具有如下优点:
1)本发明提出了一种适用于空间、海洋探测器的嵌入式自主故障监测与异常数据记录的装置,具有自主异常数据甄别、异常数据特征提取与高速、大容量数据记录等功能,解决了探测器异常数据难于获得的问题。
2)本发明的软硬件体系通过模块化架构实现,通过选用不同的库函数,可以实现不同的功能。系统的功能易于更改和扩展,能够灵活满足高度自定义的功能需求。
3)对于不同的子系统或部件,只需选择相应的软件算法来实现故障监测与异常数据记录,因此该方法能够适应部件众多、结构复杂的航天器系统。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式包括嵌入式控制器1、外部标准总线接口2和存储器3;
嵌入式控制器1包括数据预处理函数模块11、典型探测器系统模型模块12、信号处理与特征提取算法模块13和外围设备接口模块14;
数据预处理函数模块11,用于在所获得的测量数据进行识别与分析之前,先进行测量数据的集成数据预处理,所述的集成数据预处理是对所获得的测量数据进行提取、整理和变换,从而生成供典型探测器系统模型模块12使用的预处理数据;
其中,数据预处理函数模块11中的集成数据预处理所采用的算法包括有线性插值算法、样条插值算法、径向基函数神经网络算法、灰色模型预测算法和2-抽样算法;所述的集成数据预处理是采用插值算法对小范围空缺或丢失的数据进行填补;或通过插值算法或抽样算法对不同采样率的数据进行时间同步;或根据预先给定的数据格式对来自于不同信息源的测量数据进行数据统一。
对于不同的子系统或者部件,所采用的数据预处理算法可能不相同,具体算法由设计者从数据预处理函数模块11中选择。本模块解决了空间、海洋探测器中的传感器数量庞大,分布在空间、海洋探测器系统的各个部分,数据量大、数据类型和格式都不统一,这给空间、海洋探测器异常状态的分析和记录带来了很大的困难。
典型探测器系统模型模块12,用于根据不同的子系统或者部件选取参考模型,及时有效地甄别和测试出预处理数据中的异常数据是否发生、以及异常数据发生的具体时刻和停止的具体时刻,以得到反映异常现象的征兆信号,进而通过征兆信号触发信号处理与特征提取算法模块13;
其中,典型探测器系统模型模块12中的参考模型包括了不同子系统或部件的解析模型和基于数据的数据模型;所述的数据模型是对于难于根据物理关系建立解析模型的部件,采用神经网络或支持向量机基于数据的学习方法建立其数据模型。
空间、海洋探测器结构复杂和部件众多,为了准确识别空间、海洋探测器运行环境恶化与部件故障等异常状况的出现、发生与停止时刻,需要针对不同的子系统或部件,建立输入输出映射关系的模型作为参考进行监测和诊断。
信号处理与特征提取算法模块13,用于在典型探测器系统模型模块12的触发下开始对征兆信号进行特征提取,选择对应征兆信号的征兆评价函数判断是否出现异常状态,并对异常状态进行归类;
其中,信号处理与特征提取算法模块13的征兆评价函数包括阈值评价算法、2-范数评价算法、快速傅里叶变换、小波变换、经验模态分解、相关性分析和聚类算法。
信号处理与特征提取算法模块13中选取征兆评价函数对征兆信号进行变换,把在维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式。特征提取的目标是对异常状态进行准确地归类,以避免因重复存储而造成的存储器浪费和信息冗余。为了有效地分析异常数据的特性,需要对异常数据进行变换,得到最能反映数据本质的特征。
外围设备接口模块14,用于与外围设备连接;嵌入式控制器1的外围设备接口模块14的外围设备接口的输入输出端同时与外部标准总线接口2的输入输出端和存储器3的输入输出端连接;
存储器3,用于进行异常数据记录;存储器3采用是大容量高速存储器;在得到异常数据的特征并完成有效归类之后,数据记录模块调用接口函数存储异常数据相关的信息。为了实现本嵌入式系统能够对异常工作条件下的状态记录,系统需要具备高速、超大容量数据存储的功能。在本发明中采用FPGA配合NAND Flash阵列来实现。
嵌入式控制器1采用以ARM Cortex-A8为核心的处理器,配以大容量的存储器3作为平台的核心模块,同时一方面充分利用所述处理器直接提供的外围接口,如UART、I2C、USB、GPIO和McSPI;另一方面,通过选择与所需外围接口对应的控制芯片(如1553B总线外围接口可选择DDC公司的BU-61580或与之兼容的接口芯片等)和硬件接口,即外围设备接口模块14是种类丰富、接口标准的外围模块。在通用存储器方面,系统对SDRAM、DDRAM、NOR FLASH、NAND FLASH、SRAM、MMC和SD存储器接口提供无缝支持,充分满足信号处理与特征提取应用对系统内存和程序数据存储器的各种需求。其中典型探测器系统模型模块12和信号处理与特征提取算法模块13中的算法可以根据数据类型进行人为选定。
本发明利用软硬件平台具有的强大的处理能力、丰富的异常识别和特征提取算法,以及海量的存储能力实现对航天器异常的快速甄别、特征提取和数据记录等功能。
下面结合实施实例和附图说明本发明的具体实施方式:
执行步骤一:从数据预处理函数模块11中选取滑动数据窗的方式进行数据集成数据预处理;将采集到的信号以先入先出的方式集成当包含N=64个数据点的数据窗中,数据窗中的数据随着时间的推移依次更新,但其数据长度保持不变;
执行步骤二:从典型探测器系统模型模块12中选取蒙特卡罗模型,采用基于模型的诊断算法进行异常识别;
考虑该信号具有如下的数学模型:
x(k+1)=Ax(k)+Bu(k)+v(k)+f(k) (1)
其中系数矩阵A,B已知,u(k)为已知控制信号,v(k)为零均值白噪声信号,f(k)是未知故障信号。信号的初值x(0)已知;可以从典型探测器模型库中选用蒙特卡罗模型作为该信号的参考模型。
x(k+1)=Ax(k)+Bu(k)+∑vi(k)/M (2)
其中vi(k)为与v(k)概率密度分布相同的随机信号,i=1,2,…,M。然后从信号处理与特征提取算法库中选取2-范数算法并设置检测阈值,对蒙特卡罗模型参考输出与实际信号的差别进行评价,以判断异常是否发生。
执行步骤三:从信号处理与特征提取算法模块13中选取小波变换算法进行特征提取并归类;
由于信号在小波变换域中主要集中在少数系数上,可以减少数据量。因此,本步骤选取信号处理与特征提取算法模块13中的小波变换算法进行特征提取,其具体算法步骤为:
1)选取小波基函数;
2)用小波基函数对步骤二中得到的偏差信号进行小波变换,提取不同尺度下的小波系数作为特征信息;
得到小波系数后,采用信号处理与特征提取算法模块13中的相关性分析函数判断本次异常状态与已知状态的相关性,以识别此次异常状态是否已出现过,若本次异常状态已经出现过,则只记录其类别与发生时间等信息;若本次异常现象为新的异常状态,则还需存储其特征信息(在本实例中即为小波系数),
执行步骤四:存储异常特征数据。
为了使本嵌入式系统能够实现在异常工作状态下的高速大容量数据记录,系统需要具备超大容量数据存储的功能。本步骤中,处理器通过FPGA控制Flash阵列的地址译码和数据读写控制,实现高速的超大容量数据存储功能。