CN104134010A - 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 - Google Patents

Abstract

一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法，属于卫星故障诊断技术领域。解决了现有的故障与非故障状态样本不平衡，致使卫星故障诊断准确率低，稳定性不高，故障分类效率低的问题。技术要点为：卫星事件型状态监测数据的统计及预处理；事件特征的后验概率确定，并且根据事件特征的后验概率计算卫星每种状态的后验概率，将统计矩阵转化为概率矩阵；卫星状态的后验概率确定；故障的先验概率的确定；调整各故障类型的先验概率，至故障诊断方法的误检率与漏检率达到合理平衡；故障的后验概率确定，其中后验概率最大的故障类型则为该状态被诊断出的故障类型。本发明面向离散型数据，适用于卫星等复杂系统的故障诊断。

Description

一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法

技术领域

本发明涉及一种卫星故障诊断方法，属于卫星故障诊断技术领域。

背景技术

随着现今航天科技的不断进步，人类在空间的技术活动日益增加。近年，我国在轨卫星的数目显著增加，广泛应用于气象监测、图像采集及军事侦察等领域。但是卫星功能的扩展使其复杂程度不断提高，在轨事故率明显增加。因此，面对庞大复杂和投资巨大的卫星系统，其可靠性和安全性尤为重要。判断卫星的工作状态、失效征兆，或者在失效状态下，进行快速的故障隔离和定位，从而为在轨管理人员提供卫星远程遥控、故障抢修的决策参考信息，已成为卫星测试、在轨管理、维护等领域的重要内容和核心技术。

航天器系统的状态监测数据多样性、复杂性、高维性和不平衡性等特点，及相关数据特性为故障诊断带来的挑战，针对不同类型的状态监测数据研究适用于航天器的故障诊断方法，为航天器的可靠运行与系统的维护优化提供必要的参考信息，进而提升航天器的系统性能，是现阶段研究的主要方向。

状态监测数据中有一类事件型状态监测数据。事件型状态监测数据代表系统出现异常的类型或所在部件，通常呈离散型。现阶段故障诊断方法主要分为以下三种方法：基于分析模型的故障诊断方法、基于定性经验的故障诊断方法以及基于数据驱动的故障诊断方法。卫星结构复杂，运行环境独特，故障诱因多，且样本数量十分有限，很难建立高效的数学和物理模型对其分析。同时，卫星传输至地面监控站的状态监测数据是工作人员进行卫星健康状态判别的主要依据，因此，面向事件型的状态监测数据的故障诊断方法建立在基于数据驱动的故障诊断技术基础之上，主要应用卫星等复杂系统的离散型状态监测数据实现故障诊断。

发明内容

本发明的目的是提出一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法，以解决针对现有的故障诊断方法由于数据关系复杂，故障与非故障状态样本不平衡，致使卫星故障诊断准确率低，稳定性不高，故障分类效率低的问题。

本发明为解决上述技术问题所采用的技术方案是：

本发明所述的一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法，包括以下步骤：步骤一、卫星数据的统计及预处理，具体为：将卫星所提供的信息进行统计，构建每种故障类型与每个不同类型的事件特征出现的次数的对应矩阵，用于构建故障诊断模型；事件型状态监测数据是指当系统出现异常时，状态监测系统提供的系统异常类型或异常发生部件的信息，并不包括具体的特征参数数值，通常用字符代号表示。事件特征就是事件型状态监测数据的具体表现形式。

步骤二、事件特征的后验概率确定，并且根据事件特征的后验概率计算卫星每种状态的后验概率，将步骤一中的统计矩阵转化为概率矩阵；

步骤三、卫星状态的后验概率确定，根据条件独立假设(朴素贝叶斯模型假定各分量独立地作用于决策变量，这一假设降低了贝叶斯网络结构的复杂性)，每个状态的不同类型的事件特征互相独立，故利用全部类型的事件特征的后验概率的乘积确定卫星每个状态的后验概率；为避免出现0概率的情况，若出现训练集中未包括的事件型状态监测数据，则用接近0的数值代替其后验概率；

步骤四、故障的先验概率的确定；综合考虑全部状态的故障类型的统计与数据的不平衡性，先验概率，是指各故障类型发生的概率，依据卫星状态监测数据中故障类型的分布估算各故障类型的先验概率；调整各故障类型的先验概率，至故障诊断方法的误检率与漏检率达到合理平衡；

步骤五、故障的后验概率确定，根据贝叶斯定理，应用步骤三和步骤四中得出的状态的后验概率与故障的先验概率求得某一状态在不同故障类型中的后验概率，其中后验概率最大的故障类型则为该状态被诊断出的故障类型。

本发明的有益效果是：

一、本发明不需要进行特征提取和选择，计算量小，分类效率高，有效应用了朴素贝叶斯算法对离散数据的适应性。

二、本发明依据卫星数据类型设计面向事件型状态监测数据故障诊断模型，应用朴素贝叶斯方法进行故障诊断。利用与卫星数据有相同特点的PHM 2013，即故障预测与系统健康管理(Prognostics and System Health Mangement，PHM)协会和美国国家航空航天局(National Aeronautics and Space Administration,NASA)在PHM 2013年年会上提出的飞行器的状态监测数据开展数据驱动的故障诊断数据集进行实验验证，检验故障诊断方案的合理性与适用性。对比分析验证后的故障诊断效果，根据算法的特点以及对实际问题的适应性，改进已有算法，提高了故障诊断方法的准确率及稳定性。以此为航天器的故障诊断方法研究和应用开发提供可行的技术支撑和借鉴。

三、本发明对系统的故障诊断具有较好的适应性。

四、本发明面向航天器系统的状态监测数据多样性、复杂性、高维性和不平衡性等特点，及相关数据特性为故障诊断带来的挑战，面向事件型状态监测数据研究适用于航天器系统的故障诊断方法，为航天器的可靠运行与系统的维护优化提供必要的参考信息，进而提升航天器的系统性能。

附图说明

图1为PHM 2013数据关系示意图。

具体实施方式

具体实施方式一：本实施方式所述的一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法，包括以下步骤：步骤一、卫星数据的统计及预处理，具体为：将卫星所提供的信息进行统计，构建每种故障类型与每个不同类型的事件特征出现次数的对应矩阵，用于建立故障诊断模型；

步骤二、事件特征的后验概率确定，并且根据事件特征的后验概率计算卫星每种状态的后验概率，将步骤一中统计的出现次数矩阵转化为概率矩阵；

步骤三、卫星状态的后验概率确定，利用全部类型的事件特征的后验概率的乘积确定卫星每个状态的后验概率；为避免出现0概率的情况，若出现训练集中未包括的时间特征，则用接近0的数值代替其后验概率；

步骤四、故障的先验概率的确定，依据卫星状态监测数据中故障类型的分布估算各故障类型的先验概率；调整各故障类型的先验概率，至故障诊断方法的误检率与漏检率达到合理平衡；

步骤五、故障的后验概率确定，根据贝叶斯定理，应用步骤三和步骤四中得出的状态的后验概率与故障的先验概率求得某一状态在不同故障类型中的后验概率，其中后验概率最大的故障类型则为该状态被诊断出的故障类型。

具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一的具体过程为：

卫星的状态与事件特征及状态与故障类型之间的数据关系分别如式(1)和式(2)；式(2)中，0表示未发生该类型故障，1则表示发生该类型故障；

式中，E_i——第i类事件特征，i＝1,2,…N；

K——卫星状态总数；

C_j——卫星的第j个状态，j＝1,2,…K；

e_ij——第i个事件型状态监测数据在第j个状态中出现的次数；

式中，P_k——第k类故障，k＝1,2,…M；

依据状态与事件特征和状态与故障类型之间的关系，将状态与事件特征的数据对应关系及状态与故障类型对应关系进行统计，建立故障类型与事件特征对应矩阵，如式(3)；

式中，n_ij——第i个事件特征在故障P_j中的次数。其它步骤与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤二的具体过程为：

计算每个类型事件特征在每种故障类型中出现的后验概率，用接近0的数代替0概率；

计算每个事件特征的后验概率P[E_i|P_j]，如式(4)；

$P\left[E_i\right|P_j]=\frac{n_{\mathrm{ij}}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{n}_{\mathrm{ij}}}---\left(4\right)$

利用式(4)的计算结果，构建事件特征与故障类型的对应概率矩阵，如式(5)；

式中，p_ij——第i个事件特征出现在故障P_j中的概率。其它步骤与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤三的具体过程为：

根据条件独立假设，每个状态的不同类型的事件特征互相独立，确定每种状态的后验概率，如式(6)；

P(C|P_j)＝P(E₁|P_j)P(E₂|P_j)…P(E_i|P_j)…P(E_m|P_j)   (6)

式中，C——卫星的某个状态；

E_i——状态C中第i个事件特征，i＝1,2…m；

P_j——卫星发生的第j类故障，j＝1,2…M。其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：步骤五的具体过程为：

根据贝叶斯定理获得每个状态对应不同故障类型的后验概率，如式(7)；最终，后验概率最大的故障类型则为该状态被诊断出的故障类型，P[C]指各状态发生的概率，为常量，

$P\left[P_j\right|C]=\frac{P\left[C\right|P_j]\·P[P_j]}{P\left[C\right]}---\left(7\right).$

其它步骤与具体实施方式一至四之一相同。

本发明的实验验证如下：

通过PHM2013数据集对本发明进行验证，

一，介绍PHM2013数据集

PHM 2013挑战问题是由NASA和PHM Society在2013 PHM Data Challenge上提出的。它是来源于航空航天领域的基于状态监测数据的故障诊断问题。该问题的数据集具有数据多样性，多参数，大尺度，数据不平衡等特点，与卫星的状态监测数据类似。所以使用此数据集来进行实验设计与验证，实现基于状态监测数据的故障诊断方法研究。

对该问题的相关内容进行介绍：该问题包含五个特殊概念——Problem、Nuisance、Parameter、Event和Case，用以指代复杂系统的相关信息，各概念间数据关系如表2-1所示。

(1)Problem代表系统出现故障，用“P####”形式表示，如P2651、P0898等。本问题共提供13种类型故障，用P后不同数字加以区分。每种故障都有与之相对应的维护优化策略。

(2)Nuisance代表扰动项，代表一种由系统自动检测到异常而提出的，但经由工程师判断无需采取维修措施的状态。Nuisance与Problem是相互独立的两种状态。

(3)Parameter代表当系统发生异常情况时，测试系统测试一次获得的参数，属于数值型状态监测数据。本问题中包含30种数据参数。但是在某些状态中，存在部分Parameter缺失的情况。

(4)Event代表当系统发生异常情况时，控制系统自动生成的事件编码，属于事件型状态监测数据。每个Event由生成该编码时测试得到的30个参数组成。本问题共提供了289种类型的Event。

(5)Case代表系统的某一状态。每个Case由一个或多个Event及其对应的Parameter组成。每个Case也对应某种类型的Problem或者Nuisance状态。本问题中共提供了10676个Case，及其对应的Problem或Nuisance状态。其中需要维修的Case仅164个，其余均被判别为Nuisance类型。

表2-1 数据关系简表

注：NaN表示数据缺失

如图1所示，解决PHM 2013问题的方法是建立基于状态监测数据的故障诊断模型，即本发明，实现当系统生成新的Case及其对应的Event与Parameter时，本发明可诊断系统是否出现故障，并诊断其故障类型，以便为工程师提供指定维护优化策略的信息。

二、PHM 2013数据集验证

将现有数据集以70％和30％比例划分为训练集和测试集，划分时确保训练集与测试集中各类别样本比例相同，划分结果如表2-2。本发明全部故障诊断系统均使用此划分设定测试集与训练集。

表2-2 数据集划分

(1)针对故障模式的实验验证

在仅考虑故障类型为Problem的样本的情况下，依据朴素贝叶斯算法建立故障诊断系统。其中假设每个Case为各类型Problem的概率均相同，即先验概率相同。为避免出现概率为0的情况出现。在现有训练数据中，若某种事件型状态监测数据Event未出现，其概率用ε代替。在本实验中，ε分别取值10^-3和10^-5，实验结果如表2-3。

表2-3 训练集与测试集分类结果比较

通过实验结果可以看出，朴素贝叶斯算法对系统的故障诊断具有较好的适应性。通过对比表格中的准确率可以看出，概率设为10^-5时，分类准确率更高，故障诊断性能更好。即是根据故障模式与事件型特征矩阵，适当地设置参数，以增强训练集中未出现的Event类型对分类结果的影响，可以有效地改善分类效果。

测试集的分类准确率相对低，由于复杂系统导致故障原因复杂，很难利用单个分类器实现对故障的高效诊断。训练集故障类型与非故障类型数据不均衡，故障数据信息不充足，也是导致测试集分类准确率下降的主要原因。但是，故障诊断系统的主要功能不仅包括故障类型的准确诊断，还包括故障类型与非故障类型的判别，所以需要综合考虑Nuisance的分类结果，以实现对该故障诊断系统的合理评价。

(2)综合考虑Nuisance样本和Problem样本

航天器的故障诊断系统应判断其工作状态、失效征兆，或者在失效状态下，进行快速的故障隔离和定位，从而为工作人员提供卫星远程遥控、故障抢修的决策参考信息。加入PHM 2013数据集中的Nuisance样本，重新训练分类器，该故障诊断系统可同时判断其工作及故障状态。根据样本中Nuisance样本和Problem类型样本，在先验概率比例为1:1，及将二者先验概率比例设定为9:1和10:1条件下进行实验验证。其中，Problem中给类型样本先验概率相同，新的故障诊断系统验证结果如表2-4至2-6所示。

表2-4 Problem与Nuisance先验概率比例1:1的验证结果

表2-5 Problem与Nuisance先验概率比例1:9的验证结果

表2-6Problem与Nuisance先验概率比例1:10的验证结果

正如卫星等航天器的运行状态中，出现故障的状态监测数据大量少于正常或异常状态的监测数据。PHM 2013数据集中，Nuisance类型样本与Problem类型样本严重不平衡。如结果所示，分类器在对Nuisance样本的分类效果明显优于对Problem样本的分类效果。在未加入先验概率时，将大量Nuisance样本误判为Problem类型，测试集准确率仅为54.29％。随着Nuisance样本与Problem样本的先验概率比例增加，被判别为Nuisance类型的样本逐渐增多，当Nuisance与Problem样本比例设置为9:1和10:1时，测试集准确率高于80％。

由于对故障诊断系统的评判标准包括整体准确率和故障准确率两部分，所以在设计故障诊断系统时应综合考虑两种标准设置先验概率。如表2-4至2-6所示，当Nuisance样本与Problem样本的比例设置为9:1时，两种标准相对均衡。实验证明，当比例再降低时，被判别为Nuisance的样本数目有大幅下滑；而当比例再升高时，对Problem类型样本的判别准确率则过低。

朴素贝叶斯算法原理

朴素贝叶斯模型将训练实例I分解成特征向量X和决策类别变量C，即分类结果(在本发明中，训练实例I对应于设备的状态，特征向量X对应于每个状态包含的事件型状态监测数据，类别C则对应于正常状态与故障状态等)。朴素贝叶斯模型假定各分量独立地作用于决策变量，这一假设降低了贝叶斯网络结构的复杂性。

贝叶斯定理利用给定的训练集预测测试样本的类别，其预测依据是取后验概率最大的类别，如式(2-1)。

$P\left(C_i\right|A)=\frac{P\left(C_i\right)P\left(A\right|C_i)}{P\left(A\right)}---(2-1)$

式中，A——测试样本；

C——样本类别；

P(Y|X)——在给定X的情况下Y的条件概率。

等式右侧的概率都是从样本数据中估计得到的。设样本表示成属性向量，如果属性(数据特征)对于给定的类别独立，则

P(A|C_i)＝P(a₁|C_i)P(a₂|C_i)…P(a_m|C_i)   (2-2)

式中，a_j——样本A的第j个属性，1≤j≤m,m为整数。

从而后验概率的计算公式为：

$P\left(C_i\right|A)=\frac{P\left(C_i\right)}{P\left(A\right)}\underset{j=1}{\overset{m}{\mathrm{\Π}}}P\left(a_j\right|C_i)---(2-3)$

式(2-3)中的概率可以采用样本的最大似然估计：

式中，c_i——训练集中类别为C_i的样本；

count(x)——满足条件x的样本数目。

通常，选择后验概率最大的类别作为输出，这个过程称之为朴素贝叶斯分类。一般认为，只有在独立性假定成立的时候，朴素贝叶斯分类才能获得精度最优的分类效果。而实际结果表明，在某些属性具有明显依赖性的数据集中，朴素贝叶斯分类也能获得比较好的分类效果。

Claims (5)

1.一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法，其特征在于所述方法包括以下步骤：

步骤一、卫星数据的统计及预处理，具体为：将卫星所提供的信息进行统计，构建每种故障类型与每个不同类型的事件特征出现次数的对应矩阵，用于建立故障诊断模型；

步骤二、事件特征的后验概率确定，并且根据事件特征的后验概率计算卫星每种状态的后验概率，将步骤一中统计的出现次数矩阵转化为概率矩阵；

步骤三、卫星状态的后验概率确定，利用全部类型的事件特征的后验概率的乘积确定卫星每个状态的后验概率；为避免出现0概率的情况，若出现训练集中未包括的时间特征，则用接近0的数值代替其后验概率；

步骤四、故障的先验概率的确定，依据卫星状态监测数据中故障类型的分布估算各故障类型的先验概率；调整各故障类型的先验概率，至故障诊断方法的误检率与漏检率达到合理平衡；

步骤五、故障的后验概率确定，根据贝叶斯定理，应用步骤三和步骤四中得出的状态的后验概率与故障的先验概率求得某一状态在不同故障类型中的后验概率，其中后验概率最大的故障类型则为该状态被诊断出的故障类型。

2.根据权利要求1所述的一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法，其特征在于步骤一所述的建立故障诊断模型的具体过程为：

卫星的状态与事件特征及状态与故障类型之间的数据关系分别如式(1)和式(2)；式(2)中，0表示未发生该类型故障，1则表示发生该类型故障；

式中，E_i——第i类事件特征，i＝1,2,…N；

K——卫星状态总数；

C_j——卫星的第j个状态，j＝1,2,…K；

e_ij——第i个事件型状态监测数据在第j个状态中出现的次数；

式中，P_k——第k类故障，k＝1,2,…M；

依据状态与事件特征和状态与故障类型之间的关系，将状态与事件特征的数据对应关系及状态与故障类型对应关系进行统计，建立的故障诊断模型，如式(3)；

式中，n_ij——第i个事件特征在故障P_j中的次数。

3.根据权利要求2所述的一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法，其特征在于步骤二的具体过程为：

计算每个类型事件特征在每种故障类型中出现的后验概率，用接近0的数代替0概率；

计算每个事件特征的后验概率P[E_i|P_j]，如式(4)；

$P\left[E_i\right|P_j]=\frac{n_{\mathrm{ij}}}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{n}_{\mathrm{ij}}}---\left(4\right)$

利用式(4)的计算结果，构建事件特征与故障类型的对应概率矩阵，如式(5)；

式中，p_ij——第i个事件特征出现在故障P_j中的概率。

4.根据权利要求3所述的一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法，其特征在于步骤三的具体过程为：

根据条件独立假设，每个状态的不同类型的事件特征互相独立，确定每种状态的后验概率，如式(6)；

P(C|P_j)＝P(E₁|P_j)P(E₂|P_j)…P(E_i|P_j)…P(E_m|P_j)   (6)

式中，C——卫星的某个状态，E_i——状态C中第i个事件特征，i＝1,2…m，P_j——卫星发生的第j类故障，j＝1,2…M。

5.根据权利要求4所述的一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法，其特征在于步骤五的具体过程为：

根据贝叶斯定理获得每个状态对应不同故障类型的后验概率，如式(7)，最终，后验概率最大的故障类型则为该状态被诊断出的故障类型，P[C]指各状态发生的概率，为常量，

$P\left[P_j\right|C]=\frac{P\left[C\right|P_j]\·P[P_j]}{P\left[C\right]}---\left(7\right).$