CN103699118A - 一种航天器运行异常状态的分析方法及装置 - Google Patents

Abstract

本发明公开了一种航天器运行异常状态的分析方法及装置，其中，该方法包括：将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定遥测数据的异常情况；在遥测数据存在异常的情况下，根据上述两组数据对应序列的相关系数，确定遥测数据对应参数的异常程度信息；根据航天器设计数据建立遥测数据对应参数与单机设备的关联矩阵；根据关联矩阵对应的关联数据及异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性。本发明利用了遥测数据，以对其异常情况进行分析，解决了缺少一种对航天器运行时的异常状态进行分析的方法，导致航天器在运行出现异常时，无法对出现问题的部件进行确定的问题。

Description

一种航天器运行异常状态的分析方法及装置

技术领域

本发明涉及故障预测与检测领域，特别是涉及一种航天器运行异常状态的分析方法及装置。

背景技术

在轨航天器长期运行在空间环境中，受复杂环境、工作状态及载荷等多因素影响，其功能和性能可能会发生异常变化，而这些异常变化通常可以通过遥测参数反映出来，但是并没有对上述信息进行充分利用。

现有技术中，缺少一种对航天器运行时的异常状态进行分析的方法，导致航天器在运行出现异常时，无法对出现问题的部件进行确定。

发明内容

本发明提供一种航天器运行异常状态的分析方法及装置，用以解决现有技术中，缺少一种对航天器运行时的异常状态进行分析的方法，导致航天器在运行出现异常时，无法对出现问题的部件进行确定的问题。

为解决上述技术问题，一方面，本发明提供一种航天器运行异常状态的分析方法，包括：将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定所述遥测数据的异常情况；在所述遥测数据存在异常的情况下，根据上述两组数据对应序列的相关系数，确定所述遥测数据对应参数的异常程度信息；根据航天器设计数据建立所述遥测数据对应参数与单机设备的关联矩阵；根据所述关联矩阵对应的关联数据及所述异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性。

进一步，将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定所述遥测数据的异常情况包括：计算所述两组数据对应序列的相关系数，并将所述相关系数与预设系数阈值比较；在所述相关系数小于所述预设系数阈值的情况下，确定所述遥测数据存在异常情况。

进一步，计算所述两组数据对应序列的相关系数，并将所述相关系数与预设系数阈值比较包括：预设x、y分别为某一参数的遥测数据的工程值序列，Cov为相关系数，则两序列x和y的相关系数计算公式如下：

$\mathrm{Cov}=\frac{\mathrm{\Σ}(x-\stackrel{\‾}{x})(y-\stackrel{\‾}{y})}{\sqrt{\mathrm{\Σ}{(x-\stackrel{\‾}{x})}^2}\sqrt{\mathrm{\Σ}{(y-\stackrel{\‾}{y})}^2}},$

其中，

分别为序列x、y平均值，Cov取值范围[-1,1]，如果Cov小于预设系数阈值，则确认两组序列的相关度较低，参数存在异常。

进一步，根据上述两组数据对应序列的相关系数，确定所述遥测数据对应参数的异常程度信息包括：预设异常程度信息为Yi，则Y_i＝1-|Cov|，其中，Yi取值范围为[0,1]。

进一步，根据所述关联矩阵对应的关联数据及所述异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性包括：取所述关联矩阵中所有异常参数所在的行对应的列进行与运算，以得到单机设备与故障的关联矩阵；如果所述单机设备与故障的关联矩阵中存在为1的列，则对应单机设备确定为故障关联单机，对所述单机设备与故障的关联矩阵进行归一化，以得出对应单机设备的故障概率；如果所述单机设备与故障的关联矩阵中存在的所有列均为0，则对异常参数所在行进行归一化，以使其概率和为1；再根据所有异常参数中每个异常参数的异常程度信息分配所述异常参数的权重，以使其权重总和为1；再对加权后的异常参数相应的单机设备对应列进行求和运算，以得到单机设备与故障的关联矩阵，以得出对应单机设备的故障概率。

另一方面，本发明还提供了一种航天器运行异常状态的分析装置，包括：异常参数检测模块，用于将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定所述遥测数据的异常情况；在所述遥测数据存在异常的情况下，根据上述两组数据对应序列的相关系数，确定所述遥测数据对应参数的异常程度信息；关联矩阵建立模块，用于根据航天器设计数据建立所述遥测数据对应参数与单机设备的关联矩阵；单机异常概率确定模块，用于根据所述关联矩阵对应的关联数据及所述异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性。

进一步，所述异常参数检测模块包括：比较单元，用于计算所述两组数据对应序列的相关系数，并将所述相关系数与预设系数阈值比较；确定单元，用于在所述相关系数小于所述预设系数阈值的情况下，确定所述遥测数据存在异常情况。

进一步，所述比较单元，还用于在预设x、y分别为某一参数的遥测数据的工程值序列，Cov为相关系数的情况下，按照如下的计算公式计算两序列x和y的相关系数：

$\mathrm{Cov}=\frac{\mathrm{\Σ}(x-\stackrel{\‾}{x})(y-\stackrel{\‾}{y})}{\sqrt{\mathrm{\Σ}{(x-\stackrel{\‾}{x})}^2}\sqrt{\mathrm{\Σ}{(y-\stackrel{\‾}{y})}^2}},$

其中，分别为序列x、y平均值，Cov取值范围[-1,1]，如果Cov小于预设系数阈值，则确认两组序列的相关度较低，参数存在异常。

进一步，所述关联矩阵建立模块，还用于在预设异常程度信息为Yi的情况下，确定Y_i＝1-|Cov|，其中，Yi取值范围为[0,1]。

进一步，所述单机异常概率确定模块，还用于取所述关联矩阵中所有异常参数所在的行对应的列进行与运算，以得到单机设备与故障的关联矩阵；在所述单机设备与故障的关联矩阵中存在为1的列的情况下，对应单机设备确定为故障关联单机，对所述单机设备与故障的关联矩阵进行归一化，以得出对应单机设备的故障概率；在所述单机设备与故障的关联矩阵中存在的所有列均为0的情况下，对异常参数所在行进行归一化，以使其概率和为1；再根据所有异常参数中每个异常参数的异常程度信息分配所述异常参数的权重，以使其权重总和为1；再对加权后的异常参数相应的单机设备对应列进行求和运算，以得到单机设备与故障的关联矩阵，以得出对应单机设备的故障概率。

本发明利用了遥测数据，通过将遥测数据确定异常程度信息，再结合遥测数据对应参数与单机设备的关联矩阵确定哪一个单机设备最可能发生故障，给出分析依据，以对其异常情况进行分析，解决了现有技术中缺少一种对航天器运行时的异常状态进行分析的方法，导致航天器在运行出现异常时，无法对出现问题的部件进行确定的问题。

附图说明

图1是本发明实施例中航天器运行异常状态的分析方法的流程图；

图2是本发明实施例中航天器运行异常状态的分析装置的结构示意图；

图3是本发明实施例中航天器运行异常状态的分析装置异常参数检测模块的结构示意图；

图4是本发明优选实施例中航天器运行异常状态的分析方法的流程图；

图5是本发明优选实施例中故障关联矩阵计算方法的流程图。

具体实施方式

为了解决现有技术中，缺少一种对航天器运行时的异常状态进行分析的方法，导致航天器在运行出现异常时，无法对出现问题的部件进行确定的问题，本发明提供了一种航天器运行异常状态的分析方法及装置，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不限定本发明。

本发明实施例提供了一种航天器运行异常状态的分析方法，该方法需要研究航天器正常运行状态下的参数特征，利用当前遥测数据与历史正常状态的遥测数据进行比较，找出存在异常的参数，利用异常参数信息结合航天器设计知识，实现航天器异常工作状态的综合分析。本发明实施例克服了航天器系统在轨遥测数据维度高、变化复杂，设备关联复杂、诊断困难的问题，对于辅助进行航天器在轨异常状态捕获和排除决策具有较为重要的意义。下面对本实施例提供的方法进行说明。

本实施例提供的航天器运行异常状态的分析方法的流程如图1所示，包括步骤S102至步骤S108：

S102，将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定遥测数据的异常情况；

S104，在遥测数据存在异常的情况下，根据上述两组数据对应序列的相关系数，确定遥测数据对应参数的异常程度信息；

S106，根据航天器设计数据建立遥测数据对应参数与单机设备的关联矩阵；

S108，根据关联矩阵对应的关联数据及异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性。

本发明实施例利用了遥测数据，通过将遥测数据确定异常程度信息，再结合遥测数据对应参数与单机设备的关联矩阵确定哪一个单机设备最可能发生故障，给出分析依据，以对其异常情况进行分析，解决了现有技术中缺少一种对航天器运行时的异常状态进行分析的方法，导致航天器在运行出现异常时，无法对出现问题的部件进行确定的问题。

在实施过程中，将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定遥测数据的异常情况的过程如下，包括：计算两组数据对应序列的相关系数，并将相关系数与预设系数阈值比较；在相关系数小于预设系数阈值的情况下，确定遥测数据存在异常情况。如果相关系数并未小于预设系数阈值，则确定遥测数据正常。

其中，计算两组数据对应序列的相关系数，并将相关系数与预设系数阈值比较的过程可以包括：预设x、y分别为某一参数的遥测数据的工程值序列，Cov为相关系数，则两序列x和y的相关系数计算公式如下：

$\mathrm{Cov}=\frac{\mathrm{\Σ}(x-\stackrel{\‾}{x})(y-\stackrel{\‾}{y})}{\sqrt{\mathrm{\Σ}{(x-\stackrel{\‾}{x})}^2}\sqrt{\mathrm{\Σ}{(y-\stackrel{\‾}{y})}^2}},$

其中，

分别为序列x、y平均值，Cov取值范围[-1,1]，如果Cov小于预设系数阈值，则确认两组序列的相关度较低，参数存在异常。

在通过上述确定了相关系数后，则预设异常程度信息为Yi，则

其中，Yi取值范围为[0,1]。

具体实现时，根据关联矩阵对应的关联数据及异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性包括：

取关联矩阵中所有异常参数所在的行对应的列进行与运算，以得到单机设备与故障的关联矩阵；如果单机设备与故障的关联矩阵中存在为1的列，则对应单机设备确定为故障关联单机，对单机设备与故障的关联矩阵进行归一化，以得出对应单机设备的故障概率；如果单机设备与故障的关联矩阵中存在的所有列均为0，则对异常参数所在行进行归一化，以使其概率和为1；再根据所有异常参数中每个异常参数的异常程度信息分配异常参数的权重，以使其权重总和为1；再对加权后的异常参数相应的单机设备对应列进行求和运算，以得到单机设备与故障的关联矩阵，以得出对应单机设备的故障概率。

本发明实施例还提供了一种航天器运行异常状态的分析装置，该装置的结构示意如图2所示，包括：

异常参数检测模块10，用于将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定遥测数据的异常情况；在遥测数据存在异常的情况下，根据上述两组数据对应序列的相关系数，确定遥测数据对应参数的异常程度信息；关联矩阵建立模块20，与异常参数检测模块10耦合，用于根据航天器设计数据建立遥测数据对应参数与单机设备的关联矩阵；单机异常概率确定模块30，与建立模块20耦合，用于根据关联矩阵对应的关联数据及异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性。

图3示出了上述异常参数检测模块10的结构示意图，异常参数检测模块10包括：比较单元102，用于计算两组数据对应序列的相关系数，并将相关系数与预设系数阈值比较；确定单元104，与比较单元102耦合，用于在相关系数小于预设系数阈值的情况下，确定遥测数据存在异常情况。

其中，比较单元102，还用于在预设x、y分别为某一参数的遥测数据的工程值序列，Cov为相关系数的情况下，按照如下的计算公式计算两序列x和y的相关系数：

$\mathrm{Cov}=\frac{\mathrm{\Σ}(x-\stackrel{\‾}{x})(y-\stackrel{\‾}{y})}{\sqrt{\mathrm{\Σ}{(x-\stackrel{\‾}{x})}^2}\sqrt{\mathrm{\Σ}{(y-\stackrel{\‾}{y})}^2}},$

其中，

分别为序列x、y平均值，Cov取值范围[-1,1]，如果Cov小于预设系数阈值，则确认两组序列的相关度较低，参数存在异常。

实施过程中，关联矩阵建立模块20，还用于在预设异常程度信息为Yi的情况下，确定Y_i＝1-|Cov|，其中，Yi取值范围为[0,1]。

单机异常概率确定模块30，还用于取关联矩阵中所有异常参数所在的行对应的列进行与运算，以得到单机设备与故障的关联矩阵；在单机设备与故障的关联矩阵中存在为1的列的情况下，对应单机设备确定为故障关联单机，对单机设备与故障的关联矩阵进行归一化，以得出对应单机设备的故障概率；在单机设备与故障的关联矩阵中存在的所有列均为0的情况下，对异常参数所在行进行归一化，以使其概率和为1；再根据所有异常参数中每个异常参数的异常程度信息分配异常参数的权重，以使其权重总和为1；再对加权后的异常参数相应的单机设备对应列进行求和运算，以得到单机设备与故障的关联矩阵，以得出对应单机设备的故障概率。

优选实施例

本发明优选实施例提供了一种航天器运行异常状态的分析方法，该方法包括如下过程：

步骤1、对遥测数据变化特征进行分析，建立参数正常状态样本。

实施过程中，可以通过对不同遥测数据变化特征进行分析，找出在一定时间内具有变化规律的关键参数，建立参数正常状态样本。

步骤2、通过将待检测时间段的遥测数据与历史正常状态的对应数据进行比较，提取出存在异常的遥测参数，并计算得到参数异常程度信息。

通过将参数待检测时间段数据与历史正常状态数据进行比较，如计算两序列的相关系数，并与设定的相关度阈值进行比较，得到存在异常的遥测参数。利用两序列的相似度，计算得到参数异常程度信息。

步骤3、根据航天器设计知识（航天器设计数据），建立遥测参数与单机设备的关联矩阵。其中，根据航天器系统设计知识，如参数与哪些设备相关联，建立遥测参数与单机设备的关联矩阵。

步骤4、根据参数单机关联知识（即关联矩阵）及参数异常程度计算各单机故障概率，最后对各相关设备的异常概率进行排序，给出最可能导致异常的单机设备。

其中，利用参数单机关联知识建立的关联矩阵和参数异常程度信息，计算各单机故障概率，最后对各相关设备的异常概率进行排序，给出最可能导致异常的单机设备。

本发明还提供一种航天器运行异常状态的分析装置，包括：

异常参数检测模块，用于根据待检测序列与正常样本的相似度判断参数是否存在异常以及得到参数异常程度信息。

关联矩阵建立模块，用于设置与参数相关联的设备信息，并建立关联。

单机异常概率确定模块，利用参数单机关联知识建立的关联矩阵和参数异常程度信息，计算各单机故障概率，最后对各相关设备的异常概率进行排序，给出最可能导致异常的单机设备。

优选的，上述装置还可以包括通常都具备的卫星正常状态参数样本选取单元，用于对卫星正常状态下的参数样本进行选取，包括参数及参数时间段。

与现有技术相比，本发明实施例提供的分析方法及装置，克服了现有的异常状态检测方法对专家经验知识的依赖性问题，通过将待检测参数数据与正常状态下的历史遥测参数样本比较，得到异常参数及参数异常程度信息；结合航天器系统设计知识，利用关联矩阵运算得到可能导致异常的单机设备及其异常概率。本发明对于辅助进行航天器在轨异常状态捕获和排除决策具有较为重要的意义。

下面，结合具体实例对上述过程进行具体说明。

如图4所示，本发明实施例的方法针对利用航天器的历史遥测数据结合设计知识实现航天器状态综合分析的问题，首先对遥测数据变化特征进行分析，建立参数正常状态样本；其次，通过将待检测时间段数据与历史正常状态数据进行比较，提取出存在异常的遥测参数，并计算得到参数异常程度信息；再次，根据航天器设计知识，建立遥测参数与单机设备的关联矩阵；随后，根据参数单机关联知识及参数异常程度计算各单机故障概率，最后，对各相关设备的异常概率进行排序，给出最可能导致异常的单机设备。

上面的具体实施方式包括：

1）步骤S1：通过对不同遥测数据变化特征进行分析，找出在一定时间内具有变化规律的关键参数，建立参数正常状态样本。

由于卫星在固定轨道上周期运行，卫星遥测参数在正常状态下具有一定的变化规律，如部分温度参数以天为周期规律变化，故可以以天为周期进行正常样本采样。

2）步骤S2：通过将参数待检测时间段数据与历史正常状态的样本数据进行比较，如计算两序列的相关系数，并与设定的相关度阈值进行比较，得到存在异常的遥测参数。利用两序列的相似度，计算得到参数异常程度信息。

设x、y分别为某参数的遥测工程值序列，Cov为相关系数，两序列x、y的相关系数计算公式如下：

$\mathrm{Cov}=\frac{\mathrm{\Σ}(x-\stackrel{\‾}{x})(y-\stackrel{\‾}{y})}{\sqrt{\mathrm{\Σ}{(x-\stackrel{\‾}{x})}^2}\sqrt{\mathrm{\Σ}{(y-\stackrel{\‾}{y})}^2}},$

其中

分别为序列x、y均值，Cov取值范围[-1,1]，如果Cov小于设定阈值，则认为两个序列的相关度较低，参数存在异常。

设参数异常程度为Y_i，则Y_i＝1-|Cov|。Y_i取值范围为[0,1]。

3）步骤S3：根据航天器系统设计知识，如参数与哪些设备相关联，建立遥测参数与单机设备的关联矩阵。

航天器遥测参数可能和一个或几个设备相关联，建立遥测参数与单机设备的关联矩阵。关联矩阵形式如下：

参数与单机关联矩阵构造原则为：若参数与某单机有关联关系，则此参数所在行对应的单机列置1，否则置0。

4）步骤S4：利用参数单机关联知识建立的关联矩阵和参数异常程度信息，计算各单机故障概率，最后对各相关设备的异常概率进行排序，给出最可能导致异常的单机设备。

故障关联矩阵计算方法如图5所示，具体步骤如下：

（1）首先取矩阵中所有异常参数所在行进行对应列的“与”运算，得到单机与故障的关联矩阵；

（2）若该矩阵中存在为“1”的列，则对应单机即为故障关联单机，对矩阵进行归一化（矩阵中所有列和为1）得出对应单机的故障概率；

（3）若（1）中得到的单机与故障的关联矩阵所有列均为“0”，则首先对异常参数所在行进行归一化，使其概率和为1；之后根据每个参数的异常程度，分配异常参数的权重，使其权重总和为1；最后对加权后的异常参数相应的单机列进行求“和”运算，得到单机与故障的关联矩阵，得出单机故障概率。

具体的，以某卫星故障“北太阳翼输出功率下降”为例进行状态综合分析。

1）利用步骤S1、S2所述的异变检测方法，得出该故障现象存在异常的参数为：北主母线电压、北主母线误差电压、北主母线负载电流、北蓄电池充电电流和南分流器电流。

2）如步骤S3所述，根据设计知识建立该故障涉及的参数与单机的故障关联矩阵如下：

3）根据步骤S4所述的故障关联矩阵计算方法，首先取上述参数与单机关联矩阵中异常参数所在行进行对应列的“与”运算，即取北主母线电压[110000]、北主母线误差电压[110000]、北主母线负载电流[100000]、北蓄电池充电电流[101000]和南分流器电流[000101]进行“与”运算，容易计算得出：该卫星电源系统单机的故障关联矩阵为[000000]。

4）由于没有得到为“1”的列，即没有得到一致的故障单机结论，进一步根据参数异常程度对关联矩阵进行“加权求和”计算。

（1）由异变检测结果可知，各异常参数相关度为：北主母线电压：0.256；北主母线误差电压：0.617；北主母线负载电流：0.799；北蓄电池充电电流：0.013；南分流器电流：0.449。

（2）由于相关度为1表示无异常，相关度为0表示异常程度最大，得到各参数异常程度为：北主母线电压：0.744；北主母线误差电压：0.383；北主母线负载电流：0.201；北蓄电池充电电流：0.987；南分流器电流：0.551。

（3）进一步对参数异常程度进行归一化，得到各参数的异常程度系数为：北主母线电压：0.2596；北主母线误差电压：0.1339；北主母线负载电流：0.0701；北蓄电池充电电流：0.3451；南分流器电流：0.1923。

（4）利用各参数的异常程度系数对参数单机关联矩阵中归一化的异常参数行进行加权，得到加权后的参数与单机的关联矩阵：

北主母线电压：0.2596*[1/21/20000]=[0.12980.12980000]；

北主母线误差电压：0.1339*[1/21/20000]=[0.066950.066950000]；

北主母线负载电流：0.0701*[100000]=[0.070100000]；

北蓄电池充电电流：0.3451*[100000]=[0.345100000]；

南分流器电流：0.1923*[0001/201/2]=[0000.0961500.09615]。

（5）最后对对应列进行求和，得到该案例中电源系统单机的故障关联矩阵为[0.619550.1967500.0961500.09615]。

5）对单机故障概率排序可得出结论：北太阳翼故障概率最高，为0.61955；其次为北分流器，故障概率为0.19675。

尽管为示例目的，已经公开了本发明的优选实施例，本领域的技术人员将意识到各种改进、增加和取代也是可能的，因此，本发明的范围应当不限于上述实施例。

Claims (10)

1.一种航天器运行异常状态的分析方法，其特征在于，包括：

将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定所述遥测数据的异常情况；

在所述遥测数据存在异常的情况下，根据上述两组数据对应序列的相关系数，确定所述遥测数据对应参数的异常程度信息；

根据航天器设计数据建立所述遥测数据对应参数与单机设备的关联矩阵；

根据所述关联矩阵对应的关联数据及所述异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性。

2.如权利要求1所述的方法，其特征在于，将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定所述遥测数据的异常情况包括：

计算所述两组数据对应序列的相关系数，并将所述相关系数与预设系数阈值比较；

在所述相关系数小于所述预设系数阈值的情况下，确定所述遥测数据存在异常情况。

3.如权利要求2所述的方法，其特征在于，计算所述两组数据对应序列的相关系数，并将所述相关系数与预设系数阈值比较包括：

预设x、y分别为某一参数的遥测数据的工程值序列，Cov为相关系数，则两序列x和y的相关系数计算公式如下：

$\mathrm{Cov}=\frac{\mathrm{\Σ}(x-\stackrel{\‾}{x})(y-\stackrel{\‾}{y})}{\sqrt{\mathrm{\Σ}{(x-\stackrel{\‾}{x})}^2}\sqrt{\mathrm{\Σ}{(y-\stackrel{\‾}{y})}^2}},$

其中，分别为序列x、y平均值，Cov取值范围[-1,1]，如果Cov小于预设系数阈值，则确认两组序列的相关度较低，参数存在异常。

4.如权利要求3所述的方法，其特征在于，根据上述两组数据对应序列的相关系数，确定所述遥测数据对应参数的异常程度信息包括：

预设异常程度信息为Yi，则Y_i＝1-|Cov|，其中，Yi取值范围为[0,1]。

5.如权利要求1至4中任一项所述的方法，其特征在于，根据所述关联矩阵对应的关联数据及所述异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性包括：

取所述关联矩阵中所有异常参数所在的行对应的列进行与运算，以得到单机设备与故障的关联矩阵；

如果所述单机设备与故障的关联矩阵中存在为1的列，则对应单机设备确定为故障关联单机，对所述单机设备与故障的关联矩阵进行归一化，以得出对应单机设备的故障概率；

如果所述单机设备与故障的关联矩阵中存在的所有列均为0，则对异常参数所在行进行归一化，以使其概率和为1；再根据所有异常参数中每个异常参数的异常程度信息分配所述异常参数的权重，以使其权重总和为1；再对加权后的异常参数相应的单机设备对应列进行求和运算，以得到单机设备与故障的关联矩阵，以得出对应单机设备的故障概率。

6.一种航天器运行异常状态的分析装置，其特征在于，包括：

异常参数检测模块，用于将待检测时间段内的遥测数据与正常状态下的历史数据进行比较，以确定所述遥测数据的异常情况；在所述遥测数据存在异常的情况下，根据上述两组数据对应序列的相关系数，确定所述遥测数据对应参数的异常程度信息；

关联矩阵建立模块，用于根据航天器设计数据建立所述遥测数据对应参数与单机设备的关联矩阵；

单机异常概率确定模块，用于根据所述关联矩阵对应的关联数据及所述异常程度信息，确定各单机设备的故障概率，以分析各单机设备发生异常情况的可能性。

7.如权利要求6所述的装置，其特征在于，所述异常参数检测模块包括：

比较单元，用于计算所述两组数据对应序列的相关系数，并将所述相关系数与预设系数阈值比较；

确定单元，用于在所述相关系数小于所述预设系数阈值的情况下，确定所述遥测数据存在异常情况。

8.如权利要求7所述的装置，其特征在于，

所述比较单元，还用于在预设x、y分别为某一参数的遥测数据的工程值序列，Cov为相关系数的情况下，按照如下的计算公式计算两序列x和y的相关系数：

$\mathrm{Cov}=\frac{\mathrm{\Σ}(x-\stackrel{\‾}{x})(y-\stackrel{\‾}{y})}{\sqrt{\mathrm{\Σ}{(x-\stackrel{\‾}{x})}^2}\sqrt{\mathrm{\Σ}{(y-\stackrel{\‾}{y})}^2}},$

其中，

分别为序列x、y平均值，Cov取值范围[-1,1]，如果Cov小于预设系数阈值，则确认两组序列的相关度较低，参数存在异常。

9.如权利要求8所述的装置，其特征在于，

所述关联矩阵建立模块，还用于在预设异常程度信息为Yi的情况下，确定Y_i＝1-|Cov|，其中，Yi取值范围为[0,1]。

10.如权利要求6至9中任一项所述的装置，其特征在于，

所述单机异常概率确定模块，还用于取所述关联矩阵中所有异常参数所在的行对应的列进行与运算，以得到单机设备与故障的关联矩阵；

在所述单机设备与故障的关联矩阵中存在为1的列的情况下，对应单机设备确定为故障关联单机，对所述单机设备与故障的关联矩阵进行归一化，以得出对应单机设备的故障概率；

在所述单机设备与故障的关联矩阵中存在的所有列均为0的情况下，对异常参数所在行进行归一化，以使其概率和为1；再根据所有异常参数中每个异常参数的异常程度信息分配所述异常参数的权重，以使其权重总和为1；再对加权后的异常参数相应的单机设备对应列进行求和运算，以得到单机设备与故障的关联矩阵，以得出对应单机设备的故障概率。

Images