CN103995237A - 一种卫星电源系统在线故障诊断方法 - Google Patents

Abstract

本发明公布了一种基于改进聚态经验模态分解(Ensemble Empirical Mode Decomposition，简称EEMD)和纠错码-支持向量机(Error Correcting Output Codes-Support Vector Machines，简称ECOC-SVM)的卫星电源系统在线故障诊断方法，属于电路故障诊断领域。该发明方法包括以下步骤：1)对待测的卫星电源电路进行可测性分析，确定可测点、故障层次、类型及数目；2)离线训练。在卫星电源电路的可测点处采集待测电路的输出信号。采用改进的EEMD方法对采集的电路故障信号进行故障特征提取以形成样本，用于训练模式分类器SVM和改进的ECOC；3)在线诊断。通过训练好的模式分类器SVM判断电路的状态，健康则重新监测，若出现故障，则通过改进的ECOC进行诊断，最后实现故障的识别和定位。

Description

一种卫星电源系统在线故障诊断方法

技术领域

本发明涉及一种基于改进EEMD和ECOC-SVM卫星电源系统在线故障诊断方法，属于复杂系统电子电路在线故障诊断领域。 

背景技术

卫星作为一类由机械、电子、能源、通讯等多尖端成果协同工作的大型复杂系统，在深空探测、国防军事、通信等领域起着不可或缺的作用。卫星电源系统作为卫星的重要组成部分，是卫星上产生、存储、交换、调节和分配电能的系统，为卫星各个分系统设备提供安全可靠的能源供给，是卫星必不可少的安全保障系统之一，若发生故障却不能及时得到诊断和恢复，则将会影响整个卫星的正常运行。因此，实现卫星电源系统故障在线测试诊断具有十分重要的意义。 

目前，对卫星电源系统在线故障诊断方法主要包括：专家系统、信号处理、建模以及人工智能等。专家系统需要依靠经验获取知识，使得诊断过程存在若干不确定因素，较少单独应用于复杂系统的在线故障诊断技术中；信号处理方法也难以单独应用至故障诊断中。系统建模和估计是一种比较好的方法，但是，卫星电源是一种复杂的非线性系统，建模难度很大，且参数估计计算量也很大，应用于卫星电源的在线故障诊断有较大难度。基于人工智能的方法，是一种基于知识模型的信息处理技术，集信号处理、机器学习与模式识别于一体，克服了单一方法的不足，在故障诊断领域应用中具有较大优势。 

为了能够对卫星电源系统的故障进行诊断，需要充分利用信号时频域的有用信号成分，例如经验模态分解技术，可以有效提取系统的故障特征，提高后续故障诊断的分辨率。在故障诊断和分类方面，可以借助于SVM等智能分类方法，例如ECOC-SVM。ECOC算法具有学习、纠错能力，可以在一定程度上克服已知样本数量有限等缺陷。该算法作为一个解决多类分类问题的框架，其核心部分即为编码和解码，传统的汉明距离解码方法可能会出现同时与多个类别码距离最小的情况，因此，采用其他解码方式可能会更好解决此类问题。 

发明内容

为了解决上述问题，本发明提出基于改进EEMD和ECOC-SVM卫星电源系统在线故障诊断方法，一方面解决故障信号的特征提取问题，另一方面克服了传统ECOC方法距离解码策略的缺陷，提高了卫星电源系统故障诊断准确率。 

本发明为实现上述目的，采用如下技术方案： 

一种基于改进EEMD和ECOC-SVM的卫星电源系统在线故障诊断方法，包括如下步骤： 

1)对卫星电源电路进行可测性分析，确定故障层次、类型和数目，并采用软件进行仿真； 

2)离线操作包括数据采集、故障特征提取和分类器训练。所述故障特征提取方法，采用改进的EEMD技术，所述分类器为ECOC-SVM，其中SVM是一种模式分类器，用于将采集到的健康数据和所有类别故障数据进行分类，ECOC分类器是一种多类分类器，当故障发生后，用于故障识别和定位。 

3)在进行实际卫星电源电路的在线故障诊断时，利用可测点采样的故障信息，并利用步骤2)中同样的特征提取方法实现故障特征的压缩和提取，并利用步骤2)中训练好的模式分类器进行卫星电源系统健康状态的监测，若发现故障的存在，则进一步分析以实现故障定位，确定故障模式。 

步骤2)中改进EEMD信号特征提取方法，该方法适用于非平稳信号。具体实现方法如下： 

首先将采集到的原始信号加上白噪声，形成目标信号，将目标信号通过EEMD分解得到多个特征模式函数(Intrinsic Mode Functions，简称IMF)分量，为了消除白噪声的影响，对目标信号进行多次EEMD分解，并且每次加入不同的白噪声。把分解得到的各个IMF分量的均值作为EEMD分解的最终结果，根据卫星电源电路的实际要求，选择合适的IMF分量作为初始特征信号。 

将选择好的初始特征信号经过小波包分解成L层，此处可以选择L＝3，经过小波包分解后得到小波包分解系数，计算小波包分解后各个节点的小波包熵，形成初始特征信号对应的小波包熵特征向量。 

为了充分提取信号中的有效信息，对已经获取的小波包熵特征向量进行加权平均，并进行数据归一化处理，形成最终的特征向量。 

步骤2)中基于ECOC支持向量多类分类器解码策略，具体实现方法如下： 

首先根据给定的故障层次、类型和数目构建BP神经网络的拓扑结构。BP神经网络模型是一个三层网络，其拓扑结构可以划分为输入层、隐含层、输出层，该网络是一个基于神经网络中的多层前馈网络的网络结构，需要根据具体的电路情况确定BP网络层数、输入层和输出层的节点数目。例如，针对某个卫星电源电路，可选择采用三层BP网络结构，选定输入层神经元为9个。此处，假定卫星电源系统故障可分为充电阵故障(输出电压偏大、偏小)、蓄电池电压(偏大、偏小)、充、放电调节器输出故障(输出电压偏大、偏小)、供电阵故障 等九种故障，输出节点数目根据故障种类设定，可设定为9个输出神经元。 

1、获取BP神经网络的训练样本。 

首先根据卫星电源电路的结构，可选择设置故障类型数为9，每类故障样本特征数目为8，每类故障利用蒙特卡洛分析获得50个样本，其中30个样本用于训练二类分类器SVM1-SVM9，剩余的20个样本用于测试。 

采用一对多的编码方式，形成ECOC编码矩阵，利用编码矩阵和已知样本数据对ECOC框架中的9个二类分类器完成离线训练后，获得9个分类函数f₁(x)，f₂(x)，...，f₉(x)。然后将所有训练样本分别通过二类分类器SVM1-SVM9进行计算，假设样本x_i输入9个SVM分类器之后，获得一个9维的向量[f₁(x_i)，f₂(x_i)，...，f₉(x_i)]。所有故障模式包含30*9个训练样本，通过上述方法，可以产生30*9个9维的特征向量，作为BP神经网络的训练输入，此处，神经网络的输出编码为1-of-K，表示在输出的编码中，对应输入故障类别的样本应在其位置赋予1，其余的位置0。 

2、BP神经网络的初始化参数的选取。 

BP网络神经元的连接权系数会影响目标函数的收敛性和收敛速度，初始值若选择的太大，会使加权求和后的输入值落在激活函数(此处可以选取Sigmoid函数)的饱和区，使得网络调节功能停滞，因此网络初始权值先取较小的数值，一般选择[-1，1]或者[0，2]之间的随机数。为了确保网络的稳定性，一般初始学习速率范围在0.01-0.8之间。期望误差函数选择均方误差函数，公式如下： 

$\mathrm{MSE}=\frac{1}{\mathrm{mp}}\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\hat{y}}_{\mathrm{ij}}-y_{\mathrm{ij}})}^2---\left(1\right)$

其中，m为输出端节点数，p训练样本集总体，i、j为下标变量，为网络期望输出，y_ij为网络实际输出。利用向后反馈机制修正神经元的权重值和阈值，直到均方误差值满足要求。 

本发明有益效果如下： 

通过采用改进EEMD等多分辨率分析方法，可以更有效的提取故障特征样本，并有利于后续分类器的分类。通过BP神经网络对ECOC解码策略进行改进，可以提高卫星电源的故障诊断准确率。 

附图说明

图1故障诊断流程图 

图2EEMD改进框图 

图3ECOC解码策略框图 

具体实施方式

下面结合附图说明1，2，3对本发明的技术方案进行详细说明。 

本发明设计了一种基于改进EEMD和ECOC-SVM的卫星电源系统故障诊断方法，该方法主要包括故障模式设计、电路可测性分析、离线操作以及在线操作部分。所采用的步骤流程图如图1所示，具体操作包括如下步骤： 

(一)故障模式设计和电路可测性分析 

在采用本方法之前，首先要对电源电路结构及故障模式进行分析，确定故障层次(器件级、模块级和子系统级等层次)、类型(单软故障、多软故障、单硬故障、多硬故障、软硬故障并存等类型)和数目(即有多少器件是潜在的故障源)。一般地，卫星电源系统故障可分为充电阵故障(输出电压偏大、偏小)、蓄电池电压(偏大、偏小)、充电、放电调节器输出故障(输出电压偏大、偏小)、供电阵故障等。另外，电路的可测点选择也很重要，其选择依据可以参考电路的具体结构，利用Pspice、Saber、Matlab等仿真工具分辨出哪些节点和信息类型有利于进行故障信息采集并在能够分辨所有故障模式的前提下，确保所利用的可测节点数和故障信息类型数最少。例如，一个卫星电源系统中，可以选择充电阵电流、蓄电池电压、放电调节器输出电流、供电阵电压和母线电压等参数作为原始信号，然后进行后续的卫星电源故障诊断工作。 

(二)离线操作 

1)数据采集 

因为本发明采用基于机器学习的方法实现在线智能故障诊断，所以需要提前预知故障样本，进行分类器的训练。一般情况下，故障样本来源有两种：仿真样本和实际样本。由于卫星电源系统比较特殊，通常很难获取实际样本数据，因此，往往采用仿真的样本进行训练。在仿真时，可选用蒙特卡洛分析，模拟实际电路中元器件的容差。在数据采集时，需要考虑数据采集的精度、采样率和采集的数据长度等，例如A/D转换器精度为14位，采样率为500KHz。 

2)故障特征提取 

采用改进的EEMD对原始信号进行特征提取。首先在原始信号x(t)上加上白噪声序列， 形成目标信号S(t)，其中，t为离散采样序列标号，t＝0，1，2，...，T(T为截取的信号采样点总数)。对于任意一个S(t)，用三次样条曲线连接所有极大值点，形成上包络线；类似的，形成下包络线，信号x(t)与上下包络线均值m(t)的差记作h(t)，则可以得到： 

h(t)＝x(t)-m(t)       (1) 

将h(t)作为新的x(t)，重复上述步骤，直到h(t)满足IMF分量的两个条件： 

(1)整个时间历程内，穿越零点的次数与极值点数相等，或至多相差1。 

(2)信号上任意一点，由局部极大值定义的上包络线和由局部极小值定义的下包络线的均值为0。 

满足以上两个条件之后，该h(t)即为从目标信号中筛选出的第一阶IMF分量，通常，第一阶IMF分量包含信号的最高频成分。按照上述的步骤，则可以将目标信号分解成若干个IMF分量，直到满足0.2＜SD＜0.3即可结束。其中，SD为标准偏差，定义为： 

$\mathrm{SD}=\underset{t=0}{\overset{T}{\mathrm{\Σ}}}\frac{{|h_k\left(t\right)-h_{k-1}\left(t\right)|}^2}{{\left|h_{k-1}\left(t\right)\right|}^2}---\left(2\right)$

h_k(t)，h_k-1(t)分别是指第k次得到的IMF分量和k-1次得到的IMF分量，T为截取的信号采样点总数，“|g|”为绝对值符号。为了消除白噪声的影响，可以采取多次测试的方法，每次加入不同的白噪声序列，重复以上分解过程。选择合适的IMF分量作为初始特征信号，例如，可选择第一、二、三阶IMF分量，分别记作x₁(t)，x₂(t)，x₃(t)作为初始特征信号。 

为了能够充分利用信号中的有效成分，提高分类器的分类准确性，将选择好的初始特征信号经过小波包分解，如下： 

$x_{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_k{x}_n(2t-k)---\left(3\right)$

$x_{2n+1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_k{x}_n(2t-k)---\left(4\right)$

由上式递推得到的函数x_n(t)，即为小波包函数，k为正整数，n＝0，1，2…，h(k)、g(k)为多分辨率分析中的滤波器系数。 

将信号初始特征分解为L层，此处设定L＝3。经小波包分解后得到信号的小波包分解系数X_i，j，其中，i为分解层数，j为该层节点数，对应该节点的单支重构系数为S_i，j(k)，其中k＝0，1，…，N(N为初始特征信号的采样长度)，该节点对应的熵定义为： 

E(S_i，j)＝-∑S² _i，j(k)ln(S² _i，j(k))      (5) 

其中定义0ln(0)＝0，初始特征信号x₁(t)，x₂(t)，x₃(t)对应的小波包熵特征向量F_g为： 

F_g＝[E_g(S_3，0)，E_g(S_3，1)，...，E_g(S_3，7)]        (6) 

其中，g取值为1，2，3。根据前述公式(3)、(4)、(5)、(6)分别计算出初始特征信号x₁(t)，x₂(t)，x₃(t)相对应的小波包熵特征向量F₁，F₂，F₃。为了充分提取信号中的有效信息，将F₁，F₂，F₃中对应的E(S_i，j)进行加权平均，权值系数的选择可以由具体电路模式来拟定，假设F₁，F₂，F₃对应的加权系数为q₁，q₂，q₃，那么，通过加权平均，得到最后的特征向量F′如下： 

$E^{\′}\left(S_{3,j}\right)=\frac{q_1{\mathrm{gE}}_1\left(S_{3,j}\right)+q_2{\mathrm{gE}}_2\left(S_{3,j}\right)+q_3{\mathrm{gE}}_3\left(S_{3,j}\right)}{q_1+q_2+q_3}---\left(7\right)$

F′＝[E′(S_3，0)，E′(S_3，1)，...，E′(S_3，7)]          (8) 

其中j＝0，1，...，7。特征向量F′即为小波包熵加权平均后的向量，为了防止样本数据在训练时波动过大影响分类效果，需对其进行数据归一化处理，特征向量F′进行归一化处理的公式如下： 

$F^{\′}=\frac{F^{\′}-\min \left(F^{\′}\right)}{\max \left(F^{\′}\right)-\min \left(F^{\′}\right)}---\left(9\right)$

其中，min(g)、max(g)依次指取最小值、取最大值函数。经过数据归一化处理之后，F′的特征数据归一化至[0，1]区间。 

3)分类器训练 

首先对模式分类器SVM进行训练，即找出一个合适的目标函数将健康样本和所有的故障样本分开。此处假设该问题为线性不可分问题，则映射至高维空间，设高维空间可分超平面为：w·x+b＝0。w为超平面的法向量，x为分类样本，b为超平面的方程偏差。 

为求解最优超平面，需要使每两类样本中离超平面最近的向量与超平面之间的距离最大，即求解： 

$\max \underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i-\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{a}_j{y}_i{y}_{j}K(x_i,y_i)---\left(10\right)$

0≤a_i≤C，i＝1，2，…n     (11) 

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i{a}_i=0---\left(12\right)$

其中，a_i和a_j为第i和j个训练样本的Lagrange乘子，C为惩罚参数，n为训练样本数目，x_i和x_j表示第i和j个训练样本，y_i和y_j为第i和j个训练样本所对应的样本标签。K(g)为核函数，此处选择高斯核函数，表达式如下： 

$k(x,x^{\′})=\exp (-\frac{{\left|\right|x-x^{\′}\left|\right|}^2}{{\mathrm{\σ}}^2})---\left(13\right)$

其中，x、x′分别表示两个训练样本，exp(g)为高斯核函数，σ为高斯核函数参数，“||g||”是欧式距离范数。训练完成后，将分类函数，惩罚系数C，高斯核参数g等参数存储，通过训练样本完成模式分类器SVM的离线训练。 

根据具体卫星电源电路分析，设置电路故障数为9，每类故障样本特征数为8，每类故障利用蒙特卡洛分析获得50个样本，其中30个样本用于训练二类分类器SVM1-SVM9，剩余的20个样本用于测试。采用一对多的编码方式构建ECOC编码矩阵，利用编码矩阵和已知样本数据对ECOC框架中的9个二类分类器完成离线训练后，获得9个分类函数f₁(x)，f₂(x)，...，f₉(x)，并且将已经训练好的9个二类分类器SVM的参数进行存储。将所有故障的样本分别通过二类分类器SVM1-SVM9进行计算，获得一个向量[f₁(x)，f₂(x)，...，f₉(x)]，并将其作为BP神经网络的输入，将9种故障类型作为BP网络的输出。此处，神经网络的输出编码为“1-of-K”(K代表故障类型数目)，表示在输出的编码中，对应输入故障类别的样本应在其位置赋予1，其余的位置0。 

BP神经网络的初始化参数的选取。BP网络神经元的连接权系数会影响目标函数的收敛性和收敛速度，初始值若选择的太大，会使加权求和后的输入值落在激活函数(选取Sigmoid函数)的饱和区，使得网络调节功能停滞，因此网络初始权值先取较小的数值，一般选择[-1，1]或者[0，2]之间的随机数。为了确保网络的稳定性，一般初始学习速率范围在0.01-0.8之间。期望误差函数选择均方误差函数，如下： 

$\mathrm{MSE}=\frac{1}{\mathrm{mp}}\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{({\hat{y}}_{\mathrm{ij}}-y_{\mathrm{ij}})}^2---\left(14\right)$

其中，m为输出端节点数，p训练样本集总体，i、j为下标变量，为网络期望输出，y_ij为 网络实际输出。为满足均方误差值的要求，利用向后反馈机制不断修正神经元的各个权重值和阈值，并将最终结果保存，实现BP神经网络参数的存储，完成BP神经网络的训练。 

(三)在线操作 

在线操作需要对卫星电源系统进行实时监测，系统实时采集数据、特征提取(在线操作中的数据采集和特征提取的方法和离线模式下的方法保持一致)，经过离线训练好的SVM二类分类器进行分类。假设在某个时刻电路中的可测点采集到了故障数据，经过EEMD和小波变换分解之后提取故障特征，输入至二类分类器(SVM)，检测是否产生故障；如果产生故障，则需要进行下一步的分析，即采用改进的ECOC-SVM算法实现故障的定位与诊断，确定故障的模式，具体方法如下： 

1)将已获取的特征样本输入到建立好的ECOC框架，即分别作为9个SVM分类器的输入。 

2)计算9个SVM的输出，并借助于二值化函数sign(g)实现对SVM输出的二值化，sign(g)的表达式为： 

因而得到一个9维的二值化输出向量送入BP神经网络，并按照预先训练时的网络激活函数类型进行计算，得到一个9维的输出向量，根据向量中的最大值原则判定属于何种故障模式，因而可以十分简洁的实现卫星电源的故障定位与诊断。 

Claims (3)

1.一种基于改进EEMD和ECOC-SVM的卫星电源系统在线故障诊断方法，其特征在于，包括如下步骤：

1)对卫星电源电路进行可测性分析，确定故障层次、类型和数目，并采用软件进行仿真；

2)离线操作包括数据采集、故障特征提取和分类器训练。所述故障特征提取方法，采用改进的EEMD技术，所述分类器为ECOC-SVM，其中SVM是一种模式分类器，用于将采集到的健康数据和所有类别的故障数据进行分类，ECOC分类器是一种多类分类器，当故障发生后，用于故障识别和定位。

3)在进行实际卫星电源电路的在线故障诊断时，利用可测点采样的故障信息，并利用步骤2)中同样的特征提取方法实现故障特征的压缩和提取，并利用步骤2)中训练好的模式分类器进行卫星电源系统健康状态的检测，若发现故障的存在，则进一步分析以实现故障定位，确定故障模式。

2.根据权利要求1中步骤2)所述的改进EEMD信号特征提取方法，是一种适用于非平稳信号的分析技术，其特征在于，与普通的EEMD分析不同，本发明利用EEMD的输出做小波包分解，得到初始特征信号对应的小波包熵特征向量，并进行加权平均和归一化之后得到最终的特征向量。

3.根据权利要求书1所述的基于改进EEMD和ECOC-SVM的卫星电源系统在线故障诊断方法，其特征在于所述步骤2)中的基于ECOC支持向量多类分类器解码策略采用反向传播误差(Back Propagation，简称BP)神经网络实现，神经网络的层数、神经元个数等均由具体电路故障模式等因素确定。