CN104408230A - 一种基于改进有向图的航天器综合性健康管理方法 - Google Patents

Abstract

一种基于改进有向图的航天器综合性健康管理方法，本发明涉及航天器综合性健康管理方法。本发明的目的是为了解决(1)现有航天器无法对航天器所有子系统建立精确的数学模型，无法对航天器整体进行健康管理的问题；(2)无法对其进行健康管理的问题；(3)需要对航天器子系统的健康管理模型进行大量修改甚至重新建立的问题；(4)健康管理效率降低的问题；(5)未提出针对航天器在轨飞行任务的健康管理，以评估航天器当前状态对完成飞行任务的影响的问题。步骤一、建立航天器系统有向图模型；步骤二、航天器在轨飞行时，利用上述有向图模型和航天器机载传感器的测量数据进行综合健康管理。本发明应用于航天器综合性健康管理领域。

Description

一种基于改进有向图的航天器综合性健康管理方法

技术领域

本发明涉及航天器综合性健康管理方法。

背景技术

随着航天领域的不断发展，太空技术应用日趋广泛，航天器使人类的活动范围从地球大气层内扩展到无限的宇宙空间，成为人类认识和探索宇宙空间的重要工具。同时，其推动着相关学科的发展，促进新技术的产生与应用，在经济、军事和科技的发展方面都产生了巨大的影响。在航天技术不断取得成就的同时，也面临着很大的难度，因为(1)航天器是一个大型、复杂的系统，无法对航天器所有子系统建立精确的数学模型，无法使用基于解析模型的方法对航天器整体进行健康管理；(2)每个航天器在轨运行的数据都会因为所用元器件的差别和运行环境的不同而产生很大的差别，也就无法在航天器发射之前利用历史数据对其进行健康管理；(3)当航天器子系统更换、添加某一个或几个元器件时，可能需要对航天器子系统的健康管理模型进行大量修改甚至重新建立；(4)已有的健康管理算法具有偏重性，或偏重故障诊断或故障预测或健康评估，若要对航天器进行综合健康管理，则可能要利用多种算法，而算法间的结合效果不好，使得健康管理效率降低；(5)已有的健康管理系统，大多只完成小型系统或分系统级别的健康管理，有少数能针对整个航天器进行健康管理，而未提出针对航天器在轨飞行任务的健康管理，以评估航天器当前状态对完成飞行任务的影响。

发明内容

本发明的目的是为了解决(1)现有航天器无法对航天器所有子系统建立精确的数学模型，无法使用基于解析模型的方法对航天器整体进行健康管理的问题；(2)现有航天器无法在航天器发射之前利用历史数据对其进行健康管理的问题；(3)现有航天器子系统需要对航天器子系统的健康管理模型进行大量修改甚至重新建立的问题；(4)现有方法健康管理效率降低的问题；(5)以及现有健康管理系统未提出针对航天器在轨飞行任务的健康管理，以评估航天器当前状态对完成飞行任务的影响的问题。而提出了一种基于改进有向图的航天器综合性健康管理方法。

上述的发明目的是通过以下技术方案实现的：

一种基于改进有向图的航天器综合性健康管理方法，其特征在于：一种基于改进有向图的航天器综合性健康管理方法具体是按照以下步骤进行的：

步骤一、建立航天器系统有向图模型；

1)建立航天器各分系统的符号有向图；

2)建立航天器各分系统的故障传播有向图；

3)建立整个航天器系统的分层分模块有向图；

步骤二、航天器在轨飞行时，利用上述有向图模型和航天器机载传感器的测量数据进行综合健康管理，具体步骤如下：

1)当航天器机载传感器的测量数据超出对应节点的正常范围时进行故障报警，并计算故障程度，每个节点的正常范围根据系统精度的要求给出，如控制姿态角的偏差不大于±1°；

2)当出现故障报警信号时，利用系统采集的测量数据自主进行故障诊断；

3)利用故障诊断所得的故障源信息自主进行故障修复和故障预测，如切换备用元件，并利用故障源信息自主进行故障预测；

4)根据故障诊断和故障预测的结果，自主进行健康评估。

发明效果：

采用本发明的一种基于改进有向图的航天器综合性健康管理方法，(1)本发明使用的方法为基于定性模型的方法，不需要建立航天器系统的精确数学模型；(2)本发明使用的方法不需要航天器系统的历史数据来建立模型，仅需要根据航天器系统中节点间的关系来建立系统模型；(3)本发明建立的系统模型为分层分模块有向图模型，对其中的每个模块或模块中的每个阶段都可以单独进行修改或扩展，而不会影响其他的模块或节点；所以当航天器中的某个元器件更换后，对应有向图也仅需要修改该元器件对应的节点或模块，无需对整个有向图进行修改；(4)本发明建立的系统模型结合了用于故障诊断的符号有向图，和用于故障预测的故障传递有向图；由于故障传递有向图可以通过符号有向图简化获得，且故障诊断时需要逆向推理，故障预测仅需正向推测，所以分层分模块有向图的存储不需要两倍于符号有向图模型的存储空间，故障诊断所得到的信息会100％被利用到故障预测及健康评估中；每个节点存储的信息中有50％同时用在故障诊断和故障预测中，信息的利用率提高了15％；(5)本发明建立的系统模型，能够根据航天器在轨飞行任务的不同，修改飞行任务与航天器各分系统模块之间的影响关系，从而能够根据各分系统的故障诊断、故障预测结果来评估航天器飞行任务的健康程度，即评估航天器当前状态对完成飞行任务的影响。

采用本发明的一种基于改进有向图的航天器综合性健康管理方法，如实施例三姿态控制分系统中，陀螺仪发生故障并开启冗余陀螺，系统正常运行一段时间后，陀螺仪再次发生漂移故障并开启第二个冗余设备。两次故障后的健康评估结果进行比较，可见陀螺仪发生第一次故障后，健康评估值为0.89，陀螺仪发生第二次故障后，健康评估值为0.66，其健康评估值明显下降。这是由于设备的冗余有限，故障发生次数越高能够采取的相应补救措施越少，该部件的健康值则越低，与实际情况相符。

附图说明

图1是具体实施方式一姿态控制系统的系统框图，表示加法器，+表示输入信号，－表示负反馈；

图2是具体实施方式一符号有向图，+表示节点间存在正影响，－表示负影响；

图3是具体实施方式一故障传播有向图；

图4是具体实施方式一整个航天器系统的分层分模块有向图；

图5是实施例一的未加入综合健康管理时得到的到的结果图；

图6是实施例一的加入综合健康管理系统后得到的结果图；

图7是实施例二的未加入综合健康管理时的到的结果图；

图8是实施例二的加入综合健康管理系统后得到的结果图。

具体实施方式

具体实施方式一：一种基于改进有向图的航天器综合性健康管理方法，其特征在于：一种基于改进有向图的航天器综合性健康管理方法具体是按照以下步骤进行的：

步骤一、建立航天器系统有向图模型：

1)建立航天器各分系统的符号有向图；

根据分系统中元器件之间的影响关系建立符号有向图；如根据专家经验，由专家给出；或根据各分系统的系统框图和框图与实际元器件的对应关系来建立。

符号有向图用节点代表实际系统中的元部件或状态测量值，用有向边表示节点间的逻辑影响关系，用正负符号表示；

根据各元器件之间的相互影响关系，建立航天器各分系统的符号有向图，如对姿态控制系统建立符号有向图：

姿态控制系统的系统框图如图1所示：

其中姿态控制方法采用PD控制，即将航天器的姿态角和姿态角速度作为负反馈信号输入控制器；系统中姿态角和姿态角速度的测量仪器分别为星敏感器和陀螺仪，执行器为飞轮；被控对象为航天器的姿态角速度和姿态角。则将实际使用的元器件带入系统框图中，可获得姿态控制系统的符号有向图如图2所示。

其中各节点对应的系统组件为：

由于故障只会沿着有向图的方向从子节点向父节点传播，即只会从下向上传播，所以可以对有向图进行分层，最高层节点为第1层节点，其次为第2层以此类推，这样故障只会在同层或向上层节点传播，可以减少故障诊断时的计算量；

2)建立航天器各分系统的故障传播有向图；由分系统的符号有向图进行化解得到；

故障传播有向图用节点代表实际系统中的元部件，用有向边表示故障在元部件中的传播方向；

根据对航天器各分系统的符号有向图，建立航天器各分系统的故障传播有向图；

以姿态控制系统为例，其简化步骤如下：

a.符号有向图中某些系统组件节点发生故障会影响其父节点输入输出量，但不会讲故障传递到该父节点，此时只需将该类节点的原位置用对应的输出量测量节点代替；

b.“或”节点的两条支路都可以影响其父节点，所以将“或”节点删除，直接将其子节点连向父节点；

c.去除故障传播中不关心的节点；

d.将节点间的正负逻辑影响关系删除，加入节点间的故障传播影响程度关系值,最终得到姿态控制系统的故障传播有向图，如图3；节点间的路径上包含表示子节点对父节点的影响关系值，前值为子节点对父节点的影响程度大小，后值为子节点故障会影响到父节点的概率大小，如[0.89 1]，0.89为子节点对父节点的影响程度，1为子节点故障会影响到父节点的概率；[0.85 1]，0.85为子节点对父节点的影响程度，1为子节点故障会影响到父节点的概率；[0.9 1]，0.9为子节点对父节点的影响程度，1为子节点故障会影响到父节点的概率；[0.89 1]，0.89为子节点对父节点的影响程度，1为子节点故障会影响到父节点的概率；[0.92 1]，0.92为子节点对父节点的影响程度，1为子节点故障会影响到父节点的概率；

3)建立整个航天器系统的分层分模块有向图；

模型中的节点按照所属航天器分系统的不同或功能的不同进行分模块，一个分系统即可视为一个模块；根据航天器在轨飞行任务的不同，确定各模块与飞行任务之间的影响关系，可得到整个航天器系统的分模块有向图。再对所有模块(各模块内所有节点)按照模块(节点)间影响关系进行分层：故障只会从下层模块(节点)传播到同层或上层模块(节点)，而不会从上层模块(节点)传播到下层模块(节点)。即得到了整个航天器系统的分层分模块有向图；

模型的节点包含符号有向图信息和故障传播有向图信息；各节点按照所属航天器分系统的不同或功能的不同进行分模块；所有模块(各模块内所有节点)按照模块(节点)间影响关系进行分层：故障只会从下层模块(节点)传播到同层或上层模块(节点)，而不会从上层模块(节点)传播到下层模块(节点)；

以航天器在轨飞行任务为对地航拍为例，建立整个航天器系统的分层分模块有向图，如图4；

其中各节点编号对应的系统组件如下：

其中每个节点都是一个子系统模块的最高层节点，可以进行扩展，如节点C₂是姿态控制子系统模块的最高层节点，对其扩展则可得到图2所示姿态控制子系统的符号有向图和图3所示姿态子控制系统的故障传播有向图，可以看到在图2和图3中节点C₂都是姿态控制系统这个子系统模块的最高层节点；而每个模块中的节点同样可以根据实际系统需要不断进行扩展，则构成了整个航天器系统的分层分模块有向图；

其优点在于，建立模型使每个模块不会相互干扰，一个模块或节点中元器件的更换不会影响其它模块或节点，所以该模型具有良好的可扩展性和复用性。

步骤二、航天器在轨飞行时，利用上述有向图模型和航天器机载传感器的测量数据进行综合健康管理，具体步骤如下：

1)当航天器机载传感器的测量数据超出对应节点的正常范围时进行故障报警，并计算故障程度，故障程度的计算公式如下：

$\mathrm{Val}=\frac{|V_i-V_0|}{|V_m-V_0|}=\frac{|V_i-V_0|}{V_c}$

其中Val表示故障程度，V_i表示节点实时测量值，V₀表示标准值，V_m表示正常范围临界值，每个节点的正常范围根据系统精度的要求给出，如控制姿态角的偏差不大于±1°；V_c表示阀值。

2)当出现故障报警信号时，利用系统采集的测量数据自主进行故障诊断；

3)利用故障诊断所得的故障源信息自主进行故障修复和故障预测；

4)根据故障诊断和故障预测的结果，自主进行健康评估，包括对航天器系统的各部件、各分系统，以及航天器飞行任务的健康评估，确认航天器系统是否还能继续正常运行。

故障诊断：故障诊断技术是利用系统的当前状态值，来检测系统当前的故障状态，包括故障的位置、类型和严重程度。

故障修复：故障修复是在系统发生故障时，对故障源进行修复使系统恢复正常运行。故障修复的方法包括使用备用元件，或对故障源进行隔离和重构。等本发明不研究具体的故障修复方法，都以将故障源切换到备用元件为例进行讨论。

故障预测：故障预测是根据系统数据及相关技术来准确预测故障源对系统中其它元部件的影响，以预测系统在将来一段时间内可能发生的故障、故障位置等。

健康评估：健康评估是对系统当前状态的评估，用于描绘系统的健康状态，包括系统是否发生估计，故障的严重程度，所发生的故障对故障元件所在的分系统、整个大系统即飞行任务的影响程度。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二1)中故障程度的计算公式如下：

$\mathrm{Val}=\frac{|V_i-V_0|}{|V_m-V_0|}=\frac{|V_i-V_0|}{V_c}$

其中Val表示故障程度，V_i表示节点实时测量值，V₀表示标准值，V_m表示正常范围临界值，每个节点的正常范围根据系统精度的要求给出，如控制姿态角的偏差不大于±1°；V_c表示阀值。

同时将报警节点的故障程度传递给健康管理芯片，进行故障诊断。

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：所述步骤二2)中当出现报警信号时，利用系统采集的测量数据自主进行故障诊断；

基于有向图的故障诊断算法包括三个要点：

a.确定推理起始点：

对于单故障源子系统，选取报警节点中层值最低的节点作为推理起始点；因为有向图中传播只能向同一层或更高层传播，所以故障源肯定来源于低层节点；

对于多故障源子系统，选取报警节点中层值最高的节点作为推理起始点，以保证能够寻找到所有的故障源；一般而言，多故障同时发生的概率低，选取报警节点中层值最低的节点作为推理起始点；

b.路径回溯：

路径回溯是从推理起始点开始寻找故障源的最重要步骤；路径回溯需从推理起始点开始进行逆向推理，向同一层或更低层节点寻找故障源；路径回溯的终点确定为已知状态的测量节点或最低层的系统组件节点。

c.故障源信息诊断：

通过路径回溯确定故障源候选集后，还需要确定故障源候选集中各故障源的排序、故障源的故障状态以及故障程度；

故障源的排序有两个考虑因素：定义Pr1为回溯支路不相容概率，当路径回溯不相容时Pr1＝1，当路径回溯的终点是最低层节点时Pr1＝0.8；

故障源与故障报警节点间的距离对故障源的影响为最终故障源确定为：

$\mathrm{Pr}=\mathrm{Pr}1\·\mathrm{Pr}2=\mathrm{Pr}1\·\frac{1}{\mathrm{Dis}}$

式中Pr为最终故障源；Pr1为回溯支路不相容概率；Pr2为故障源与故障报警节点间的距离对故障源的影响；Dis为故障源与回溯路径起点间的距离；

当有i条支路包含统一故障源时，该故障源将明显增加，其公式为：

$\mathrm{Pr}=n\·\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{Pr}}_i$

式中n为包含该故障源的支路总数，i为支路；Pr_i为第i条支路中故障源的概率；将故障源的故障状态和故障程度设定为回溯路径起点的故障源的故障状态和故障程度。

具体实施方式四：本实施方式与具体实施方式一、二或三不同的是：所述步骤二3)中故障预测的方法如下：

自主故障预测采用五步纵深法；

利用故障诊断所得的故障源信息进行自主故障修复和自主故障预测。其中故障修复是对故障源进行修复，使航天器系统恢复正常运行，本发明不对具体的故障修复方法进行研究，都以将故障源元件替换为备用元件进行讨论。在故障修复的同时需要研究故障源可能对其它系统元部件产生的影响，即进行故障预测，利用故障诊断所得的故障源信息进行故障预测的方法如下：

先利用五步纵深法进行同层故障传播，再向上一层进行一步故障传播，且在同层传播时不考虑耦合影响，而向上一层传播时考虑耦合影响；

五步纵深法具体故障预测步骤如下：

a.将故障源节点信息加入到故障传播节点集Prop0中；

b.从Prop0中任选一个节点为故障传播起始节点，并加入到Prop1中，用于同层故障传播预测；以及加入到Prop2中，用于对上一层进行故障传播预测；

c.同层五步纵深法故障预测：从Prop1中选取故障传播起始节点，并对其所有处于同一层的父节点进行五步纵深故障传播预测，利用公式(4)计算子节点对父节点的故障程度预测值。

当发现某节点已被预测过，则选择其中故障程度最大值进行保留；将故障预测值大于故障预警阀值Wa_pre的节点放入Prop2中，重复至Prop1为空；

该方法可以防止故障传播在反馈回路中进入死循环；

d.上层一步纵深法故障预测：

从Prop2中选取故障源，并对其所有处于上一层的父节点进行一步故障传播预测，利用公式(4)计算子节点对父节点的故障程度预测值。将故障预测值Wa_pre的节点放入Prop1和Prop3中，重复至Prop2为空；

e.令Prop2等于Prop3，若Prop1和Prop2两个集合都为空，则进入下一步，否则回到步骤c；

f.查看Prop0是否为空，若为空则停止故障预测，若不为空，则回到步骤b；

${\mathrm{Val}}_{\mathrm{fa}}={\mathrm{Wa}}_{\mathrm{pre}}\·\mathrm{Pro}+\frac{{\mathrm{Val}}_{\mathrm{son}}-{\mathrm{Wa}}_{\mathrm{pre}}}{{\mathrm{Wa}}_{\mathrm{pre}}}\·\mathrm{Deg}\·\mathrm{Pro}---\left(4\right)$

式中Val_fa为对父节点故障程度的预测值，Val_son为该节点当前的故障程度值，Wa_pre为故障预警阀值，一般取Wa_pre＝1，Deg为子节点对父节点的影响程度大小，Pro为子节点故障会影响到父节点的概率大小。Deg与Pro在建立故障传播有向图时由专家给出。

具体实施方式五：本实施方式与具体实施方式一、二、三或四不同的是：所述步骤二4)中根据故障诊断及故障预测的结果，自主进行健康评估，包括对系统各部件、各分系统，以及航天器飞行任务的健康评估，确认系统是否还能继续正常运行；

健康评估主要包括：

a)历史故障警报的次数：进行健康评价节点曾经发生过的历史故障警报的次数n_fau，历史故障警报的次数越高，健康状态值越低；

b)历史故障报警次数：进行健康评价节点曾发出过的历史故障报警次数n_warm，历史故障报警次数越高，健康状态值越低；

c)节点可靠性，节点可靠性可根据历史数据进行统计，一般服从威布尔分布函数，节点可靠性越高，节点健康状态值越高，健康评估函数为：

$f_{\mathrm{he}}\left(C_i\right)=\left\{\begin{array}{cc}{w}_1\·f_{\mathrm{fau}}\left(C_i\right)+w_2\·f_{\mathrm{res}}\left(C_i\right)-f_{\mathrm{warm}}\left(C_i\right)& f_{\mathrm{he}}>0\\ 0& f_{\mathrm{he}}\≤0\end{array}\right.---\left(5\right)$

式中f_he(C_i)为节点C_i的健康评估值，f_fau(C_i)为节点C_i发生历史故障的健康影响函数，f_warm(C_i)为节点C_i发生历史报警的健康影响函数，f_res(C_i)为节点C_i的可靠性函数，w₁为节点历史故障，w₂为节点健康评估函数的权值；

设定0＜f_he(C_i)＜100％，式(5)中各函数取值如下：

$f_{\mathrm{fau}}\left(C_i\right)=\left\{\begin{array}{cc}\frac{2}{n_{\mathrm{fau}}}\·e^{{-n}_{\mathrm{fau}}}& n_{\mathrm{fau}}>0\\ 1& n_{\mathrm{fau}}=0\end{array}\right.---\left(6\right)$

$f_{\mathrm{fes}}\left(C_i\right)=-e^{{-(t/\mathrm{\θ})}^{\mathrm{\β}}}--\left(7\right)$

$f_{\mathrm{warm}}\left(C_i\right)={\mathrm{\Σ}}_{j=1}^{n_{\mathrm{warm}}}W{\mathrm{va}}_j\left(C_i\right)---\left(8\right)$

${\mathrm{Wva}}_j\left(C_i\right)=\left\{\begin{array}{cc}{\mathrm{Val}}_j\left(C_i\right)/60& {\mathrm{Val}}_j\left(C_i\right)\≤6\\ 0.1& {\mathrm{Val}}_j\left(C_i\right)>6\end{array}\right.---\left(9\right)$

$w_1=\left\{\begin{array}{cc}{w}_1^0+(n_{\mathrm{fau}}-1)\·5\%& n_{\mathrm{fau}}\≥1\\ 0& n_{\mathrm{fau}}=0\end{array}\right.---\left(10\right)$

$w_2=\left\{\begin{array}{cc}{w}_2^0-(n_{\mathrm{fau}}-1)\·5\%& n_{\mathrm{fau}}\≥1\\ 1& n_{\mathrm{fau}}=0\end{array}\right.---\left(11\right)$

其中n_fau为节点历史故障警报的次数；n_warm为节点历史故障报警次数；Val_j(C_i)为节点C_i第j个故障预警时的故障程度；f_res(C_i)即为威布尔分布函数，β＞0为形状参数，θ＞0为比例参数，各节点β与θ的取值可利用历史数据曲线拟合获得；分别为w₁、w₂的初始值，随着节点发生故障次数的提高，历史故障次数对节点健康评估影响权值越大。

当系统处于预警状态但仍可以正常运行时，在上述公式的基础上减去故障预测影响程度值，即得到如下公式：

$f_{\mathrm{he}}\left(C_i\right)=w_1\·f_{\mathrm{fau}}\left(C_i\right)+w_2\·f_{\mathrm{res}}\left(C_i\right)-f_{\mathrm{warm}}\left(C_i\right)-\frac{{\mathrm{Val}}_{C_i}}{15}---\left(12\right)$

式中为故障预测影响程度值，用于评估系统当前所处故障预警状态对系统健康程度的影响值。

总体而言，可以设定当f_he(C_i)＜0.6时，系统处于危险状态，需要对故障补救后的系统进行进一步处理，或需对故障预警中的系统进行故障源的故障补救措施。

采用以下实施例验证本发明的有益效果：

本发明的一种基于改进有向图的航天器综合性健康管理方法，在Matlab中建立Simulink模型和GUI界面，嵌入C语言程序，对航天器姿态控制系统中的故障进行仿真，可以得到如下仿真结果：

实施例一：在姿态控制系统中加入陀螺仪故障，即在图2中的节点C₂₂₉发生故障；

步骤一：建立航天器系统有向图模型；由于本例以姿态控制系统故障为例，则在建立分系统模型时，只需给出姿态控制分系统模型；

1)建立航天器各分系统的符号有向图，如图2；

2)建立航天器各分系统的故障传播有向图，如图3；

3)建立整个航天器系统的分层分模块有向图，如图4；

步骤二：航天器在轨飞行时，利用上述有向图模型和航天器机载传感器的测量数据进行综合健康管理，具体步骤如下：

1)当航天器机载传感器的测量数据超出对应节点的正常范围时进行故障报警，并计算故障程度；

陀螺仪读数及星敏感器读数超出，即测量节点T₂₂₉、T₂₂₈测量值超出正常范围时，这两个节点发出报警信号。得到报警时的系统故障样本如下表所示：

2)当出现故障报警信号时，利用系统采集的测量数据自主进行故障诊断；

从节点T₂₂₉和T₂₂₈开始沿符号有向图进行逆向回溯，得到故障源的候选节点及候选节点为真正故障源的可能性，如下表所示：

则选取可能性最大的故障源候选节点为真正的故障源，即节点C₂₂₉为故障源，故障程度选取故障诊断时，诊断路径起始节点报警时的严重程度，则

3)利用故障诊断所得的故障源信息自主进行故障修复和故障预测；

本发明不研究具体的故障修复方法，以切换备用元件为例进行讨论，即将故障的陀螺仪切换为备用的陀螺仪；

故障预测：从故障源C₂₂₉开始，沿故障传播有向图进行正向故障预测，得到个节点的预测故障程度如下表所示：

4)根据故障诊断和故障预测的结果，自主进行健康评估；

根据各节点发生故障的次数及故障预警的次数对每个节点进行健康评估。本例中，故障源C₂₂₉发生过一次故障，在故障预测中发生故障预警的节点累计一次故障预警次数，其它节点一直正常运行，则不需要进行健康评估。利用公式(5)得到健康评估结果如下表所示：

进行仿真实验，未加入综合健康管理时的到的结果为图5；

加入综合健康管理系统后，得到的结果为图6。

实施例二：在姿态控制系统中加入执行器故障，即在图1中的节点C₂₂₃发生故障，未加入综合健康管理时的到的结果为图7；

加入综合健康管理系统后，得到的结果为图8；

可见，采用本发明中的航天器综合健康管理系统，能够快速准确的定位故障源，并能够预测系统中相关节点的故障情况，以及对航天器各分系统甚至航天器在轨飞行任务进行健康评估。

实施例三：

再以同一节点发生多次故障为例，如姿态控制分系统中，陀螺仪发生故障并开启冗余陀螺，系统正常运行一段时间后，陀螺仪再次发生漂移故障并开启第二个冗余设备。两次故障后的健康评估结果进行比较，如下表所示

可见陀螺仪发生第二次故障后，其健康评估值明显下降。这是由于设备的冗余有限，故障发生次数越高能够采取的相应补救措施越少，该部件的健康值则越低，与实际情况相符。

Claims (5)

1.一种基于改进有向图的航天器综合性健康管理方法，其特征在于：一种基于改进有向图的航天器综合性健康管理方法具体是按照以下步骤进行的：

步骤一、建立航天器系统有向图模型；

1)建立航天器各分系统的符号有向图；

2)建立航天器各分系统的故障传播有向图；

3)建立整个航天器系统的分层分模块有向图；

步骤二、航天器在轨飞行时，利用上述有向图模型和航天器机载传感器的测量数据进行综合健康管理，具体步骤如下：

1)当航天器机载传感器的测量数据超出对应节点的正常范围时进行故障报警，并计算故障程度；

2)当出现故障报警信号时，利用系统采集的测量数据自主进行故障诊断；

3)利用故障诊断所得的故障源信息自主进行故障修复和故障预测；

4)根据故障诊断和故障预测的结果，自主进行健康评估。

2.根据权利要求1所述一种基于改进有向图的航天器综合性健康管理方法，其特征在于：所述步骤二1)中故障程度的计算公式如下：

$\mathrm{Val}=\frac{|V_i-V_o|}{|V_m-V_o|}=\frac{|V_i-V_o|}{V_c}---\left(1\right)$

其中Val表示故障程度，V_i表示节点实时测量值，V_o表示标准值，V_m表示正常范围临界值，V_c表示阀值。

3.根据权利要求2所述一种基于改进有向图的航天器综合性健康管理方法，其特征在于：所述步骤二2)中当出现报警信号时，利用系统采集的测量数据自主进行故障诊断；基于有向图模型的故障诊断算法包括：

a.确定推理起始点

对于单故障源子系统，选取报警节点中层值最低的节点作为推理起始点；

对于多故障源子系统，选取报警节点中层值最高的节点作为推理起始点；多故障同时发生时选取报警节点中层值最低的节点作为推理起始点；

b.路径回溯

路径回溯需从推理起始点开始进行逆向推理，向同一层或低于该层节点寻找故障源；路径回溯的终点为已知状态的测量节点或最低层的系统组件节点；

c.故障源信息诊断

故障源的排序有两个考虑因素：定义Pr1为回溯支路不相容概率，当路径回溯不相容时Pr1＝1，当路径回溯的终点是最低层节点时Pr1＝0.8；

故障源与故障报警节点间的距离对故障源的影响为最终故障源确定为：

$\mathrm{Pr}=\mathrm{Pr}1\·\mathrm{Pr}2=\mathrm{Pr}1\·\frac{1}{\mathrm{Dis}}---\left(2\right)$

式中Pr为最终故障源；Pr1为回溯支路不相容概率最高值；Pr2为故障源与故障报警节点间的距离对故障源的影响；Dis为故障源与回溯路径起点间的距离；

当有i条支路包含统一故障源时，该故障源的公式为：

$\mathrm{Pr}=n\·{\mathrm{\Σ}}_{i=0}^n{\mathrm{Pr}}_i---\left(3\right)$

式中n为包含该故障源的支路总数；Pr_i为第i条支路中故障源的概率。

4.根据权利要求3所述一种基于改进有向图的航天器综合性健康管理方法，其特征在于：所述步骤二3)中故障预测的方法如下：

先利用五步纵深法进行同层故障传播，再向上一层进行一步纵深法故障传播，且在同层传播时不考虑耦合影响，而向上一层传播时考虑耦合影响；

五步纵深法具体故障预测步骤如下：

a.将故障源节点信息加入到故障传播节点集Prop0中；

b.从Prop0中选一个节点为故障传播起始节点，并加入到Prop1和Prop2中；

c.同层五步纵深法故障预测：

从Prop1中选取一节点作为故障传播起始节点，并对其所有处于同一层的父节点进行五步纵深故障传播预测，即从障传播起始节点开始，对其五步以内的父节点进行故障预测，利用公式(4)计算子节点对父节点的故障程度预测值；

当发现某节点已被预测过，则选择其中故障程度最大值进行保留；将故障预测值大于故障预警阀值Wa_pre的节点放入Prop2中，重复至Prop1为空；

d.上层一步纵深法故障预测：

从Prop2中选取一节点作为故障传播起始节点，并对其所有处于上一层的父节点进行一步纵深法故障传播预测，即仅对其一步内的父节点进行故障预测，父节点的故障程度的预测值利用公式(4)进行计算；将故障预测值大于Wa_pre的节点放入Prop1和Prop3中，重复至Prop2为空；

e.令Prop2等于Prop3，若Prop1和Prop2两个集合都为空，则进入下一步，否则回到步骤c；

f.查看Prop0是否为空，若为空则停止故障预测，若不为空，则回到步骤b；

${\mathrm{Val}}_{\mathrm{fa}}={\mathrm{Wa}}_{\mathrm{pre}}\·\mathrm{Pro}+\frac{{\mathrm{Val}}_{\mathrm{son}}-{\mathrm{Wa}}_{\mathrm{pre}}}{{\mathrm{Wa}}_{\mathrm{pre}}}\·\mathrm{Deg}\·\mathrm{Pro}---\left(4\right)$

式中Val_fa为对父节点故障程度的预测值，Val_son为该节点当前的故障程度值，Wa_pre为故障预警阀值，取Wa_pre＝1，Deg为子节点对父节点的影响程度，Pro为子节点故障影响父节点的概率。

5.根据权利要求4所述一种基于改进有向图的航天器综合性健康管理方法，其特征在于：所述步骤二4)中根据故障诊断和故障预测的结果，自主进行健康评估；

健康评估主要包括：

a)历史故障警报的次数；

b)历史故障报警次数；

c)节点可靠性，健康评估函数为：

$f_{\mathrm{he}}\left(C_i\right)=\left\{\begin{array}{cc}{w}_1\·f_{\mathrm{fau}}\left(C_i\right)+w_2\·f_{\mathrm{res}}\left(C_i\right)-f_{\mathrm{warm}}\left(C_i\right)& f_{\mathrm{he}}>0\\ 0& f_{\mathrm{he}}\≤0\end{array}\right.---\left(5\right)$

式中f_he(C_i)为节点C_i的健康评估值，f_fau(C_i)为节点C_i发生历史故障的健康影响函数，f_warm(C_i)为节点C_i发生历史报警的健康影响函数，f_res(C_i)为节点C_i的可靠性函数，w₁为节点历史故障，w₂为节点健康评估函数的权值；

设定0＜f_he(C_i)＜100％，式(5)中各函数取值如下：

$f_{\mathrm{fau}}\left(C_i\right)=\left\{\begin{array}{cc}\frac{2}{n_{\mathrm{fau}}}\·e^{-n_{\mathrm{fau}}}& n_{\mathrm{fau}}>0\\ 1& n_{\mathrm{fau}}=0\end{array}\right.---\left(6\right)$

f_res(C_i)＝e^-(t/θ)β  (7)

$f_{\mathrm{warm}}\left(C_i\right)={\mathrm{\Σ}}_{j=1}^{n_{\mathrm{warm}}}{\mathrm{Wva}}_j\left(C_i\right)---\left(8\right)$

${\mathrm{Wva}}_j\left(C_i\right)=\left\{\begin{array}{cc}{\mathrm{Val}}_j\left(C_i\right)/60& {\mathrm{Val}}_j\left(C_i\right)\≤6\\ 0.1& {\mathrm{Val}}_j\left(C_i\right)>6\end{array}\right.---\left(9\right)$

$w_1=\left\{\begin{array}{cc}{w}_1^0+(n_{\mathrm{fau}}-1)\·5\%& n_{\mathrm{fau}}\≥1\\ 0& n_{\mathrm{fau}}=0\end{array}\right.---\left(10\right)$

$w_2=\left\{\begin{array}{cc}{w}_2^0+(n_{\mathrm{fau}}-1)\·5\%& n_{\mathrm{fau}}\≥1\\ 1& n_{\mathrm{fau}}=0\end{array}\right.---\left(11\right)$

式中n_fau为节点历史故障警报的次数；n_warm为节点历史故障报警次数；Val_j(C_i)为节点C_i第j个故障报警时的故障程度；f_res(C_i)即为威布尔分布函数，β＞0为形状参数，θ＞0为比例参数，各节点β与θ的取值可利用历史数据曲线拟合获得；分别为w₁、w₂的初始值。