CN105825271A - 基于证据推理的卫星故障诊断与预测方法 - Google Patents

Abstract

本发明提供了一种基于证据推理的卫星故障诊断与预测方法，把解析ER方法应用于卫星故障的诊断，并把前p时刻的故障诊断结果和当前时刻的诊断结果分别作为神经网络的输入和输出对神经网络进行训练，找出前p时刻与当前时刻的关联，进而完成故障预测。本发明提供了一种多参数情况下的非线性复杂系统故障诊断和预测方法。用故障诊断输出的特征参数进行预测建模可以更直观、更有效的反映下一时刻惯性平台的健康状况。

Description

基于证据推理的卫星故障诊断与预测方法

技术领域

本发明涉及一种应用于卫星设备的基于证据推力的智能故障诊断与预测方法，本发明不仅可以用于卫星，同样可以转化应用于其他自动化程度较高便于信息采集的机械设备，属于卫星故障管理领域。

背景技术

故障诊断是为了确保指定系统的正常运行，利用仪器设备和计算机技术等手段，对该系统进行监测、检查和测试，并得出系统故障信息的一门技术。故障预测技术是在故障诊断技术基础上发展起来的一门学科技术，通过先进的仪器设备和计算机技术，监测并识别预示故障发生的征兆信息，以达到对故障预测的效果，从而避免故障发生。早期的故障诊断方法多为对卫星遥测信号的采集和判断，当判读为故障信息时，则按照故障手册进行相应维修。随着基于知识的故障诊断方法的出现和发展，诊断水平得到了很大提高。卫星预测的研究则是预测技术逐渐成熟的基础上被重视起来的，所以现有的故障预测技术主要是基于成熟智能算法的智能预测技术。良好的故障诊断方法应具较高的诊断正确率和较强有效性。卫星由于其运行环境的特殊性，用于卫星性能管理的遥测数据存在着严重的不确定性，包括噪声干扰以及帧丢失导致的数据缺失的问题。所以好的卫星故障诊断方法应该具有处理这种不确定性的能力。复杂系统的故障预测技术同样对模型处理不确定性的能力有较高的要求。

证据理论作为经典概率论的推广已经被广泛研究并已经成为一门相当成熟的理论，具有很强的不确定信息融合能力。ER(EvidentialReasoning，ER)方法是一种在证据理论基础上发展起来的决策方法，有较强的推理能力和处理不确定信息的能力。ER算法包括递归ER算法和解析ER算法，解析ER算法更加适用于敏感性强的实际应用。ER方法应用于卫星故障与诊断领域可以有效解决现有方法对不确定信息敏感的缺点。

神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。人工神经网络技术由于具有以任意精度逼近任何连续非线性函数的能力和从样本学习的能力,因而在航天器故障诊断中得到了广泛的应用。

发明内容

本发明提供了一种基于证据推理的卫星故障诊断与预测方法，把ER(本方案中算法使用解析ER算法)应用于卫星故障的诊断，并把前p时刻的故障诊断结果和当前时刻的诊断结果分别作为神经网络的输入和输出对神经网络进行训练，找出前p时刻与当前时刻的关联，进而完成故障预测。

本发明提供的基于证据推理的卫星故障诊断与预测方法，包括以下步骤：

步骤1：将故障诊断输入数据转换成信度分布形式，作为故障诊断的证据；

步骤2：应用解析ER算法对证据进行融合；

步骤3：引入平均效用，把故障诊断中证据融合的结果用平均效用数值化处理；

步骤4：把步骤3中数值化处理后的结果与对应参考基准进行比较，判断当前时刻或下一时刻是否出现故障，实现卫星故障诊断；

步骤5：建立预测模型，根据实际问题确定基本属性数目p，组建预测数据集，预测模型表示为：

y(t+1)＝f(x_t,x_t-1,...,x_t-p)

其中，y(t+1)是一个标量，表示预测模型t+1时刻的输出，(x_t,x_t-1,...x_t-p)是滞后的输入向量；

步骤6：构建神经网络模型，反复使用历史样本数据对其进行训练；

步骤7：把测试数组输入训练好的神经网络，求得下一时刻特征参数的值，并与对应参考基准比较，判断卫星是否故障。

优选地，所述步骤1中，输入数据的属性表示为信度分布形式为：

S(a_k)＝{(F_n,β_n,i(a_k)),n＝1,...,N；j＝1,2,...,L}

其中β_n,i(a_k)为初始信度，表示案例a_k诊断过程中属性x_i被评估为等级F_n的信度。

优选地，所述步骤2中，将初始信度β_n,i(a_k)代入解析ER算法得到故障诊断融合信度β_n(a_k),β_F(a_k)，β_n(a_k),β_F(a_k)分别代表故障诊断结果评估为F_n和F的融合信度；得到故障诊断结果信度分布形式O(y)＝{(F_n,β_n(a_k)),(F,β_F(a_k)),n＝1,2...,N}，诊断结果的信度分布描述了诊断结果的总体情况，以及系统故障类型的总体评估。

故障诊断融合信度β_n(a_k),β_F(a_k)的计算公式分别为：

${\mathrm{\β}}_n=\frac{\underset{i=1}{\overset{L}{\mathrm{\Π}}}\left(w_i{\mathrm{\β}}_{n,i}\right(x)+1-w_i\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{n,i}(x\left)\right)}{D}-\frac{\underset{i=1}{\overset{L}{\mathrm{\Π}}}(1-w_i\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{n,i}(x\left)\right)}{D},$

${\mathrm{\β}}_F=\frac{\underset{i=1}{\overset{L}{\mathrm{\Π}}}(1-w_i\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{n,i}(x\left)\right)-\underset{i=1}{\overset{L}{\mathrm{\Π}}}(1-w_i)}{D},$

其中，ω_i为权重系数，

$D=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Π}}}\left(w_i{\mathrm{\β}}_{n,i}\right(x)+1-w_i\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{n,i}(x\left)\right)-(N-1)\underset{i=1}{\overset{L}{\mathrm{\Π}}}(1-w_i\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{n,i}(x\left)\right)-\underset{i=1}{\overset{L}{\mathrm{\Π}}}(1-{\mathrm{\ω}}_i).$

优选地，所述步骤4中，将步骤3中得到的故障诊断融合信度即故障诊断结果信度分布分别代入平均效用公式，实现信度分布输出向数值输出的变换，平均效用公式为：其中，F₁和F_N分别具有最大偏好和最小偏好；u(F_n)表示故障等级F_n的效用，假设u(F_n),n＝1,...,N是故障等级F＝{F₁,.......,F_N}的效用，如果F_j与F_i相比，决策者偏好于评估等级F_j，那么u(F_j)<u(F_i)。

优选地，步骤3中数值化处理后的结果相对于参考基准在一定范围内变化，通过判断步骤3中数值化处理后的结果与参考基准之间的距离是否超过预先给定的阈值来判断有无故障。

优选地，本发明选用log-sigmoid函数作为神经网络的传递函数。

本发明把ER(本方案中算法使用解析ER算法)应用于卫星故障的诊断，并把前p时刻的故障诊断结果和当前时刻的诊断结果分别作为神经网络的输入和输出对神经网络进行训练，找出前p时刻与当前时刻的关联，进而完成故障预测。本发明提供了一种多参数情况下的非线性复杂系统故障诊断和预测方法，用故障诊断输出的特征参数进行预测建模可以更直观、更有效的反映下一时刻惯性平台的健康状况。把ER应用于卫星故障管理领域，可以很好的解决卫星遥测数据由环境、天气、电磁干扰等情况引起的不确定性，很好的弥补了其他卫星故障管理方法对不确定性数据处理能力的不足。另外，卫星由于其运行环境的特殊性，用于卫星性能管理的遥测数据存在着严重的不确定性，包括噪声干扰以及帧丢失导致的数据缺失的问题。而ER技术具有较强的不确定性推理能力，本方法同样适用于包括区间数和模糊数在内的复杂数据。同其他已有的方法相比，本方法可以有效解决数据的不确定性导致诊断和预测结果出现偏差的问题。

附图说明

图1为本发明流程图；

图2为卫星故障诊断与预测系统结构。

具体实施方式

本发明包括故障诊断与故障预测两个方面。

故障诊断：

本发明基于ER方法和效用理论对卫星故障诊断建模。模型首先根据现有卫星遥测数据求得各属性信度，把故障诊断输入转化为信度分布形式。当所有的输入变量都描述信度分布形式后，直接应用ER算法来组合所有属性,得到信度分布形式的故障诊断结果。最后，通过效用理论把证据融合结果数值化并与基准值比较判断被诊断的卫星器件是否故障。

故障预测：

对于预测问题，预测模型的输入是过去时刻的系统健康状况特征参数，滞后于当前时刻，而模型的输出是系统将来的输出值，预测模型可以表示为如下的形式：

y(t+1)＝f(x_t,x_t-1,...,x_t-p)(1)

其中y(t+1)是一个标量，表示预测模型t+1时刻的输出，(x_t,x_t-1,...x_t-p)是滞后的输入向量，p表示与预测值相关量的数目。由于系统下一时刻的健康状况在一定程度上依赖于之前时刻的健康状况特征参数，由此，如图1所示本方案中把前p时刻的诊断输出作为预测模型的输入。本发明用BP神经网络进行建模。

本发明采用的体系结构如图2所示，利用采集到的各种数据，通过ER方法和人工神经网络实现故障诊断与预测，为设备维护维修活动提供依据。

状态监测：包括数据的获取、预处理和监测，监测过程就是利用一些主要敏感数据的正常范围对设备的元部件的关键数据进行监视。

故障诊断：通过ER进行故障诊断建模，可以处理精确信息与模糊信息，实现故障诊断。

故障预测：由设备特征数据状态趋势预测和故障模式判别两大部分组成。实现故障预测功能，具有自适应性好、算法较优和实际应用可操作性强等特点。

数据库用于存放故障诊断和预测所需的卫星设备的各种数据、基本的故障模式信息、ER规则、系统运算的中间和结果数据、备用户查询的历史故障等信息。

优化算法用于卫星故障诊断和预测过程中参数的优化，以提高预测的精度和效率。

本发明使用的相关标记与定义如下：

·β_n,i(a_k)：案例a_k故障诊断中初始分配信度，即表示属性x_i被评估为故障等级F_n的可信程度。

·β_n,β_F：分别表示对于故障诊断结果评估为F_n和F的融合信度。

·ω_i：属性权重，反映了证据的重要程度或可靠程度用以克服证据冲突的存在。

·log-sigmoid函数：也称Sigmoid函数，常被用作神经网络的阈值函数，将变量映射到0,1之间。表示为：

·F满足证据理论中识别框架的要求(互斥的完备集):F＝{F₁,.......,F_N},F_n表示第n个评估等级，本文中指故障等级如轻度、中等、严重。

·u(F_n),n＝1,...,N：是故障等级F_n的效用，假设u(F_n),n＝1,...,N是故障等级F＝{F₁,.......,F_N}的效用，如果F_j与F_i相比，决策者偏好于评估等级F_j，那么u(F_j)<u(F_i)。

·解析ER算法：

ER算法是一种基于决策理论和D-S证据理论中的Dempster组合规则来处理多源信息融合的方法。解析ER由于其计算过程简便而被广泛使用。

${\mathrm{\&beta;}}_n=\frac{\underset{i=1}{\overset{L}{\mathrm{\&Pi;}}}\left(w_i{\mathrm{\&beta;}}_{n,i}\right(x)+1-w_i\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}(x\left)\right)}{D}-\frac{\underset{i=1}{\overset{L}{\mathrm{\&Pi;}}}(1-w_i\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}(x\left)\right)}{D}---\left(2\right)$

${\mathrm{\&beta;}}_F=\frac{\underset{i=1}{\overset{L}{\mathrm{\&Pi;}}}(1-w_i\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}(x\left)\right)-\underset{i=1}{\overset{L}{\mathrm{\&Pi;}}}(1-w_i)}{D}---\left(3\right)$

$D=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{L}{\mathrm{\&Pi;}}}\left(w_i{\mathrm{\&beta;}}_{n,i}\right(x)+1-w_i\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}(x\left)\right)-(N-1)\underset{i=1}{\overset{L}{\mathrm{\&Pi;}}}(1-w_i\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}(x\left)\right)-\underset{i=1}{\overset{L}{\mathrm{\&Pi;}}}(1-{\mathrm{\&omega;}}_i)---\left(4\right)$

本发明主要流程如下：

步骤1：将故障诊断输入数据转换成信度分布形式。ER算法在表达和处理不确定信息方面具有较大的优势，其需要利用置信度分布形式评估方案中的属性，然后运用证据融合规则集结各个属性。所以，需要将数据转换为信度分布形式。应用基于规则或基于效用的等价变换技术，将输入输出数据统一变换到信度分布的结构框架下。每个输入数据的属性表示为信度分布形式为：

S(a_k)＝{(F_n,β_n,i(a_k)),n＝1,...,N；j＝1,2,...,L}(5)

其中β_n,i(a_k)为初始信度(其分配原理是:距离平均值点越近，分配的信度越大)，表示案例a_k诊断过程中属性x_i被评估为等级F_n的信度。具有权重信息的ER一般输入模型如表1所示。

表1

步骤2：故障诊断信度融合。把步骤1中的初始信度代入上文中解析ER算法(公式(2)、(3))计算β_n(a_k),β_F(a_k)，即故障诊断融合信度，β_n(a_k),β_F(a_k)分别代表故障诊断结果评估为F_n和F的信度。得到故障诊断结果的信度分布形式：

O(y)＝{(F_n,β_n(a_k)),(F,β_F(a_k)),n＝1,2...,N}(6)

故障诊断结果的信度分布描述了诊断结果的总体情况，以及系统故障类型的总体评估。

步骤3：引入平均效用。在工程实际中，系统的输出往往是精确的数值，在这种输出为信度分布的情况下，就希望能够得到信度分布形式等价的数值型输出。通过引入平均效用,就可以实现信度分布输出向数值输出的变换。把以上故障诊断与预测的信度融合结果分别代入式(7)所示平均效用公式，实现信度分布输出向数值输出的变换。这里假设F₁和F_N分别具有最大偏好和最小偏好。

$y=u_{avg}\left(O\right(y\left)\right)=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_n\left(a_k\right)u\left(F_n\right)+\frac{u\left(F_1\right)+u\left(F_N\right)}{2}{\mathrm{\&beta;}}_F\left(a_k\right)---\left(7\right)$

步骤4：故障诊断结果输出。在故障诊断中,对于特征参数y，在系统正常的情况下，特征参数应该在一定的范围变化，即存在着系统正常状态的参考基准由此可以通过诊断或预测值与参考基准之间的距离是否超过预先给定的阈值来判断有无故障。

步骤5：建立如(1)式的预测模型，根据实际问题确定基本属性数目p，组建预测数据集(x_t,x_t-1,...,x_t-p；y(t+1))，其中(x_t,x_t-1,...x_t-p)是前p个时刻的公式(7)所得特征参数值，y(t+1)是下一时刻特征参数的值。

步骤6：神经网络建模。在本次设计中本发明为神经网络建立一个隐层，然后通过试凑法来确定隐节点的数目。选用log-sigmoid函数作为神经网络的传递函数。神经网络设计完成后，需要反复使用历史样本数据对其进行训练，对所有样本数据正向进行一轮并反向修改权值一次称为一次训练。通过训练找到过去p时刻故障诊断输出的特征参数与下一时刻特征参数之间的关系。

步骤7：故障预测结果输出。把测试数组输入训练好的神经网络，得到下一时刻的特征参数的值。并与步骤4中参考基准比较，判断下一时刻是否出现故障。

Claims (7)

1.一种基于证据推理的卫星故障诊断与预测方法，其特征在于，包括以下步骤：

步骤1：将故障诊断输入数据转换成信度分布形式，作为故障诊断的证据；

步骤2：应用解析ER算法对证据进行融合；

步骤3：引入平均效用，把故障诊断中证据融合的结果用平均效用数值化处理；

步骤4：把步骤3中数值化处理后的结果与对应参考基准进行比较，判断当前时刻或下一时刻是否出现故障，实现卫星故障诊断；

步骤5：建立预测模型，根据实际问题确定基本属性数目p，组建预测数据集，预测模型表示为：

y(t+1)＝f(x_t,x_t-1,...,x_t-p)

其中，y(t+1)是一个标量，表示预测模型t+1时刻的输出，(x_t,x_t-1,...x_t-p)是滞后的输入向量；

步骤6：构建神经网络模型，反复使用历史样本数据对其进行训练；

步骤7：把测试数组输入训练好的神经网络，求得下一时刻特征参数的值，并与对应参考基准比较，判断卫星是否故障。

2.如权利要求1所述的基于证据推理的卫星故障诊断与预测方法，其特征在于，所述步骤1中，输入数据的属性表示为信度分布形式为：

S(a_k)＝{(F_n,β_n,i(a_k)),n＝1,...,N；j＝1,2,...,L}

其中β_n,i(a_k)为初始信度，表示案例a_k诊断过程中属性x_i被评估为等级F_n的信度。

3.如权利要求2所述的基于证据推理的卫星故障诊断与预测方法，其特征在于，所述步骤2中，将初始信度β_n,i(a_k)代入解析ER算法得到故障诊断融合信度β_n(a_k),β_F(a_k)，β_n(a_k),β_F(a_k)分别代表故障诊断结果评估为F_n和F的融合信度；得到故障诊断结果信度分布形式O(y)＝{(F_n,β_n(a_k)),(F,β_F(a_k)),n＝1,2...,N}，诊断结果的信度分布描述了诊断结果的总体情况，以及系统故障类型的总体评估。

4.如权利要求3所述的基于证据推理的卫星故障诊断与预测方法，其特征在于，所述步骤4中，将步骤3中得到的故障诊断融合信度即故障诊断结果信度分布分别代入平均效用公式，实现信度分布输出向数值输出的变换，平均效用公式为：其中，F₁和F_N分别具有最大偏好和最小偏好；u(F_n)表示故障等级F_n的效用，假设u(F_n),n＝1,...,N是故障等级F＝{F₁，.......，F_N}的效用，如果F_j与F_i相比，决策者偏好于评估等级F_j，那么u(F_j)<u(F_i)。

5.如权利要求3或4所述的基于证据推理的卫星故障诊断与预测方法，其特征在于，故障诊断融合信度β_n(a_k),β_F(a_k)的计算公式分别为：

${\mathrm{\&beta;}}_n=\frac{\underset{i=1}{\overset{L}{\&Pi;}}\left(w_i{\mathrm{\&beta;}}_{n,i}\left(x\right)+1-w_i\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}\left(x\right)\right)}{D}-\frac{\underset{i=1}{\overset{L}{\&Pi;}}\left(1-w_i\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}\left(x\right)\right)}{D},$

${\mathrm{\&beta;}}_F=\frac{\underset{i=1}{\overset{L}{\&Pi;}}(1-w_i\underset{n=1}{\overset{N}{\&Sigma;}}{\mathrm{\&beta;}}_{n,i}(x\left)\right)-\underset{i=1}{\overset{L}{\&Pi;}}(1-w_i)}{D},$

其中，ω_i为权重系数，

$D=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{L}{\&Pi;}}\left(w_i{\mathrm{\&beta;}}_{n,i}\left(x\right)+1-w_i\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}\left(x\right)\right)-\left(N-1\right)\underset{i=1}{\overset{L}{\&Pi;}}\left(1-w_i\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_{n,i}\left(x\right)\right)-\underset{i=1}{\overset{L}{\&Pi;}}\left(1-{\mathrm{\&omega;}}_i\right).$

6.如权利要求1所述的基于证据推理的卫星故障诊断与预测方法，其特征在于，步骤3中数值化处理后的结果相对于参考基准在一定范围内变化，通过判断步骤3中数值化处理后的结果与参考基准之间的距离是否超过预先给定的阈值来判断有无故障。

7.如权利要求1所述的基于证据推理的卫星故障诊断与预测方法，其特征在于，所述步骤6中，选用log-sigmoid函数作为神经网络的传递函数。