CN110046376A - 一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法，所述方法贴近卫星姿态控制系统实际在轨工作情况，并且利用历史数据，挖掘卫星上设备相关参数间的概率，体现实际工况下的数据特点，突破仅考虑单一工作模式的传统健康评估方法，能够真实反映系统健康水平，通过储存典型工况网络快速确定实时的贝叶斯网络结构，提高评估效率。本发明能够较准确地实现卫星姿控系统不同工况下的健康状态评估，实现多指标遥测参数量化为统一健康评估等级，为卫星的自主健康管理提供了高效的方法。

Description

一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法

技术领域

本发明属于卫星自主健康管理，涉及一种卫星姿控系统的健康评估方法，尤 其涉及一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法。

技术背景

卫星健康评估是实现卫星在轨健康管理的关键技术之一，立足于运行系统当 前健康情况来进行评判，能够引导健康管理系统实现科学有效的健康管理决策并 实施，是提升卫星系统的安全性与可靠性、降低有效生命周期运行成本及全寿命 周期维修费用，进而保障任务得以顺利完成的有力工具。卫星遥测数据包含海量 信息，遥测数据是体现卫星实时运行状态正常与否的重要依据。基于数据和贝叶 斯网络的卫星健康状态确定方法，利用卫星遥测数据，结合卫星地面实验阶段可 获得的结构、参数配置信息，通过网络推理，给出评估对象的健康状态。

健康评估的基础是获得一个全面的健康评估指标集。目前尚没有产生一种公 认的、完善的系统健康评估指标集的构建方法；同时，虽然目前国内外对健康评 估方法本身的研究成果颇丰，但关注健康评估指标集构建方法的人员较少。研究 航天系统健康评估指标集的构建方法将对航天器健康评估的发展积极作用。

现有的多数健康状态评估研究并未考虑系统的多工作模式，卫星姿控系统处 于不同工作模式时，可能对其子系统、部件的状态要求不尽相同。卫星在实际工 作运行中，必然存在多种工作模式，现有以卫星为研究对象的健康评估研究中， 未有将卫星工作模式考虑为影响卫星健康状态的因素之一，在不同工作模式下， 卫星系统中各部件状态、退化模型等都存在差异，在健康评估过程中对卫星的多 种工作模式进行区分，有助于提高健康评估结果的精度与信度。

因此，需要找到一种解决方法，能够针对以上不完善之处，结合卫星遥测数 据与贝叶斯网络，将历史数据与当前数据进行综合推理，实时给出当前工况下的 卫星姿控系统健康水平。

发明内容

发明目的：针对上述现有技术的不足，本发明提供一种基于贝叶斯网络的卫 星姿控系统多工况健康评估方法。

技术方案：一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法，包括 如下步骤：

(1)建立卫星姿控系统健康评估指标集：按照层次分析法将卫星姿控系统 进行层次分级，得到各级系统的健康评估因子，并且根据卫星运行姿态的具体工 况对各级健康因子进行筛选，确定健康评估指标项；

(2)待评估指标集数据预处理：对步骤(1)筛选出的健康评估指标项对应 的遥测数据进行奇异点剔除、线性降噪和无量纲化处理，去除数据采集过程中的 背景噪声和各遥测数据中的不同的量纲；

(3)提取多工作模式训练样本数据：结合卫星在轨工作模式下的工作状态 数据，构建符合当前工作模式需求的健康评估贝叶斯网络，且对工作状态数据进 行降维处理，且训练样本数据中带有典型工作模式标签以进行识别；

(4)建立基于样本数据的贝叶斯健康评估网络：所述贝叶斯健康评估网络 的叶子节点为姿控系统健康状态，中间节点为姿控系统部件，根节点为部件对应 的数据特征；

(5)确定卫星姿控系统健康状态：将待评估卫星的遥测数据经过预处理和 特征提取，识别典型工况标签后，将数据特征输入所构建存储的典型工况贝叶斯 网络中，贝叶斯网络根据条件概率计算得到当前的健康状态。

进一步的，步骤(1)通过层次分析法建立卫星姿控系统健康评估指标集， 包括根据确定卫星姿控系统健康评估指标建立指标比较判断矩阵，通过计算矩阵 的最大特征值以及对应特征向量，得出不同因素的权重或优先级。

步骤(1)中建立卫星姿控系统健康评估指标集的方法为层次分析法，步骤 如下：

根据“一致性”、“敏感性”和“高信噪比”三个条件在可获取数据的卫星姿 控系统待选指标间进行对比、选取：“一致性”即具有能够刻画性能退化过程整 体变化的趋势，并且这种趋势能够至少分阶段地保持一致；“敏感性”即能够敏 锐地反映不同退化状态的转变；“高信噪比”即具备较高的抗干扰能力，否则淹 没在噪声中无法辨别。根据三项标准，剔除不符合要求的指标。确定表征卫星姿 控系统健康状态的指标项后，提取相关的遥测数据，再根据层次分析的原理对各 级健康指标予以保留、筛除，确定卫星姿控系统健康评估指标。运用层次分析法 对指标两两之间的重要程度作比较判断，建立指标比较判断矩阵，通过计算矩阵 的最大特征值以及对应特征向量，得出不同因素的权重或优先级。

应用层次分析法筛选健康评估指标时需要构造判断矩阵。对于判断矩阵的构 造是通过对因素进行两两比较建立成对比较矩阵的办法。设系统Z中有n个指标， 每次取两个因素x_i和x_j，x_i和x_j对Z的影响之比为a_ij。为能提供更多的信息，对 每对指标进行比较，共计进行n(n-1)/2次比较，比较结果用矩阵表示为 称A为Z-X之间的成对比较判断矩阵(简称判断矩阵)。成对比较矩 阵中a_ij的取值可按下表中的标度进行赋值。

表1.层次分析法赋值标准

判断矩阵的权重可通过求特征向量并进行正规化得到。有三种计算方法计算 判断矩阵权重：几何平均法、算术平均法和逐次逼近法，本发明采用算术平均法 来进行计算，其计算步骤如下：

Step1.将判断矩阵A的每一列正规化；

Step2.按行加总；

Step3.正规化加总后的得到特征向量w_i；

步骤(3)中降维处理的方法为局部保持投影法，包括通过自适应鉴别局部 保持投影实现数据降维。

步骤(3)所述的工作模式包括：

(a)消除初偏模式：消除星箭分离干扰和太阳帆板展开扰动，由姿态敏感 器提供角度和角速度信息，通过姿控系统执行器控制建立星体对地定向姿态；

(b)对地定向模式：通过姿态敏感器提供姿态信息，姿控系统执行器进行 星体姿态调整与控制，建立星体对地的三轴姿态；

(c)轮控启动模式：动量轮启动，将角动量控制到标称值附近，建立整星 零动量，消除动量轮启动产生的干扰，确定和控制星体姿态，同时对地定向；

(d)对地三轴稳定模式：卫星姿控系统控制星体在X、Y、Z三个方向上均 稳定，与地球保持一定的姿态关系，这一模式姿态确定精度最高。

(e)对地扫描模式：此模式下卫星长时间保持姿态机动及姿态偏置飞行状 态，具有机动过程复杂、姿态实时变化、姿态精度要求高的特点。

步骤(3)通过自适应鉴别局部保持投影对遥测数据进行降维具体步骤如下：

(31)提取原始数据，组成原始高维训练样本X＝{x₁,x₂,…,x_n}^T；

(32)构造邻域样本密度自适应调整近邻参数，输入近邻参数可能的最小值 k_min及最大值k_max，并选择一个初始近邻参数k∈[k_min,k_max]；

(33)计算自适应近邻参数，首先建立样本点的k近邻点集N_i，N_i由与x_j欧 几里得距离最小的k个点构成，每个样本点x_i的k近邻N_k(x_i)＝{x_i1,x_i2,…,x_ik}， 则x_i与其近邻点的平均距离为：

初始特征集整体流形结构的平均距离为：

则样本点x_i的自适应近邻参数为：

若ak(i)超出[k_min,k_max]，则相应地选为k_min或k_max；

(34)自适应调整近邻图，通过近邻点之间的关联程度决定近邻图的构造。 首先计算近邻点x_ij∈N_k(x_i)的局部集群系数：

其中B_ij表示x_ij与N_k(x_i)中其他近邻点互为近邻点的次数；

定义近邻集N_k(x_i)内x_ij的局部关联系数为：

其中d_ij为x_i与x_ij的距离，d_min和d_max分别表示x_i与N_k(x_i)中所有点的距离的 最小值和最大值，E_min和E_max分别表示N_k(x_i)中所有点的局部集群系数的最小值 和最大值。

(35)构造邻接图G对每个样本点x_i与其近邻点间连一条边，使用热核法为 边赋予权值，确定权值矩阵W，式中，x_j为任意样本点，参数λ>0为热核宽度，N_i为与 x_j欧几里得距离最小的k个点构成近邻点集，表达式如下：

(36)求解广义特征方程，广义特征方程的前d个，d为降维后的目标维数 最大特征值所对应特征向量组成的矩阵即为最优投影矩阵A。

(37)使用最优投影矩阵A计算低维特征向量Y＝A^TX＝{y₁,y₂,…y_n}。

步骤(4)包括提取典型工况下的训练样本数据来训练所构建的贝叶斯网络， 获得各典型工况下的网络节点条件概率，从而得到带有典型工况标签的贝叶斯网 络，并进行存储。

步骤(5)包括对网络拓扑结构完善和网络参数更新；

所述网络拓扑结构完善为更新贝叶斯网络的结构与参数，对当前贝叶斯网络 使用贝叶斯网络结构和参数学习方法进行修正；

所述网络参数更新为更新贝叶斯网络各节点的条件概率，其过程为：选取一 个概率分布p(θ)来表示θ的先验分布，所述参数θ的先验分布取Dirichlet分 布；然后将数据D对条件概率表的影响用似然函数L(θ|D)＝p(D|θ)归纳，最 后用贝叶斯公式将先验分布和似然函数结合，得到θ的后验分布P(θ|D)∝ p(θ)L(θ|D)。

经过网络拓扑结构完善和参数更新，获得实时工作模式下的贝叶斯健康评估 网络，输入卫星数据低维特征即可获得卫星姿控系统实时健康评估结果。

具体如下：

卫星在实际工作运行中必然存在多种工作模式，建模时的训练数据不能覆盖 所有的工作模式，本发明研究了出现未覆盖/未知情况下的贝叶斯健康评估网络 的更新方法。

(1)网络拓扑结构完善

由于数据包含工作模式标签，在实际研究中可以通过储存典型工作模式的贝 叶斯网络的方法，快速确定贝叶斯网络结构。典型工作模式的贝叶斯网络模型以 案例形式整体存储，在实时健康评估中直接调用符合当前工作模式的“典型网络”， 进行模型的复用；由于硬件冗余的存在，同工作模式下的硬件配置可能存在不完 全相同的情况，或又系统出现故障以及未涵盖的配置情况，则更新贝叶斯网络的 结构与参数：对当前贝叶斯网络使用贝叶斯网络结构和参数学习方法进行修正， 不需再次从头开始推导。

(2)网络参数更新

更新贝叶斯网络拓扑结构后，更新各节点的条件概率。使用贝叶斯参数学习 方法更新贝叶斯网络参数。其过程为：选取一个概率分布p(θ)来表示θ的先验分 布，在本发明中参数θ的先验分布取Dirichlet分布。然后将数据D对条件概 率表的影响用似然函数L(θ|D)＝p(D|θ)归纳，最后用贝叶斯公式将先验分布 和似然函数结合，得到θ的后验分布P(θ|D)∝p(θ)L(θ|D)。

经过网络拓扑结构完善和参数更新，获得实时工作模式下的贝叶斯健康评估 网络，输入卫星数据低维特征即可获得卫星姿控系统实时健康评估结果。

有益效果：本发明与现有技术相比，显著效果在于：本发明提供的基于数据 与贝叶斯网络的卫星姿控系统多工况下的健康状态评估方法，贴近卫星姿态控制 系统实际在轨工作情况，提供了卫星姿控系统健康评估指标集建立方法，同时结 合了数据与知识模型的优势，利用带有工况标签的历史样本数据训练贝叶斯网络， 体现实际工况下的数据特点，虑了卫星在轨存在多种工况，真实反映系统健康水 平，通过储存典型工况网络快速确定实时的贝叶斯网络结构提高评估效率。

附图说明

图1是卫星姿控系统多工况健康评估贝叶斯网络的方法框架图；

图2是卫星姿控系统健康评估流程图；

图3是结合数据的贝叶斯网络实时推理算法流程图；

图4a是实施例卫星姿控系统配置结构；

图4b是实施例卫星姿控系统对应的某时刻贝叶斯网络图；

图5a是实施例中模式A下的ACS性能退化模型图；

图5b是实施例中模式B下的ACS性能退化模型图；

图6是实施例中A、B工作模式下的健康评估结构变化曲线图。

具体实施方式

为了详细的说明本发明所公开的技术方案，下面结合说明书附图及具体实施 例做进一步的阐述，本发明未详细描述内容为本领域技术人员公知技术。

为解决现有技术存在的不完善之处，本发明提供一种基于数据与贝叶斯网络 的卫星姿控系统多工况下的健康状态评估方法。所述方法的核心思想是：由于卫 星在轨运行期间存在多种工作状态，卫星姿控系统处于不同工作模式时，可能对 其子系统、部件的状态要求不尽相同。对于需要进行样本训练的贝叶斯健康评估 算法，工作模式与训练样本、训练所得网络一一对应，将对后续的健康管理产生 积极的影响。将待评估系统、工况状态以及遥测参数建立相应贝叶斯确定网络， 利用典型工况数据进行网络训练后，实现利用实时数据确定卫星姿控系统的健康 状态。

本发明所述方法的原理是：针对利用卫星的历史遥测数据实现卫星异常状态 的检测和提取的问题，首先，借助于卫星领域地面阶段设计原理知识与地面测试 工程经验，设计用于卫星地面测试健康评估的贝叶斯网络拓扑结构；其次，分析 处理历史地面测试数据，结合卫星设计、配置信息及历史数据建立贝叶斯网络训 练样本；再次，根据训练样本计算贝叶斯网络各节点先验概率和条件概率，即训 练贝叶斯网络各层次节点之间的条件概率；最后，利用待评估当前测试数据计算 相应卫星姿控系统健康状态。

具体包括建立卫星姿控系统健康评估指标集、处理样本数据并确定典型工况 训练样本、提取多工作模式训练样本数据、得到典型工况下的贝叶斯网络、确定 卫星姿控系统健康状态。步骤如下：

(1)建立卫星姿控系统健康评估指标集：根据卫星姿控系统的层次结构及 可获取遥测数据，运用层次分析法对健康评估框架有一个整体的把握，明确各健 康评估指标间的结构层次。将卫星姿控系统进行分级，得到各级系统的健康评估 因子(此时还不能称为指标)；运用层次分析法权重的原理，并根据卫星的具体 工况对各级健康因子予以保留、筛除，确定健康风险评估指标。

(2)待评估指标集数据预处理：对上一步筛选出的指标项对应的遥测数据 进行奇异点剔除、线性降噪和无量纲化处理，以便实现数据的综合分析。

(3)提取多工作模式训练样本数据：对遥测数据进行降噪和无量纲化处理， 但数据中仍存在冗余或冲突，会影响健康评估的精度；同时维数太高可能引发维 数灾。LPP是一种简单实用的数据降维方法，能够完整地保留原始数据流形的结 构。该方法通过最优保持数据局部邻域结构实现降维，其本质是将输入数据的局 部关系扩展到嵌入的低维特征子空间。运用改进的LPP——自适应鉴别局部保持 投影(ADLPP)对遥测数据进行降维，获得更加稳定的效果。流程如下：

Step1.提取原始数据，组成原始高维训练样本X＝{x₁,x₂,…,x_n}^T；

Step2.构造邻域样本密度自适应调整近邻参数，输入近邻参数可能的最小值 k_min及最大值k_max。选择一个初始近邻参数k∈[k_min,k_max](一般可选为k_min> 降维后的目标维数d，k_max＝50。)。

Step3.计算自适应近邻参数，首先建立样本点的k近邻点集N_i，N_i由与x_j欧 几里得距离最小的k个点构成，每个样本点x_i的k近邻N_k(x_i)＝{x_i1,x_i2,…,x_ik}， 则x_i与其近邻点的平均距离为：

初始特征集整体流形结构的平均距离为：

则样本点x_i的自适应近邻参数为：

若ak(i)超出[k_min,k_max]，则相应地选为k_min或k_max。

Step4.自适应调整近邻图，通过近邻点之间的关联程度决定近邻图的构造。 首先计算近邻点x_ij∈N_k(x_i)的局部集群系数：

其中B_ij表示x_ij与N_k(x_i)中其他近邻点互为近邻点的次数。

定义近邻集N_k(x_i)内x_ij的局部关联系数为：

其中d_ij为x_i与x_ij的距离，d_min和d_max分别表示x_i与N_k(x_i)中所有点的距离的 最小值和最大值，E_min和E_max分别表示N_k(x_i)中所有点的局部集群系数的最小值 和最大值。

Step3.构造邻接图G对每个样本点x_i与其近邻点间连一条边，使用热核法为 边赋予权值，确定权值矩阵W，式中，x_j为任意样本点，参数λ>0为热核宽度，N_i为与 x_j欧几里得距离最小的k个点构成近邻点集，计算表达式如下：

Step4.求解广义特征方程，广义特征方程的前d个(d为降维后的目标维数) 最大特征值所对应特征向量组成的矩阵即为最优投影矩阵A。

Step5.使用最优投影矩阵A计算低维特征向量Y＝A^TX＝{y₁,y₂,…y_n}。

(4)建立基于样本数据的贝叶斯健康评估网络：贝叶斯网络的拓扑结构和条 件概率可以从数据中学得，由于贝叶斯网络表现因果关联关系，多数情况下可以 利用卫星地面实验阶段可获得的结构、参数配置信息确定部分节点之间的因果关 系：在建模的过程中首先利用这些先验知识确定节点之间的因果联系，去除无意 义的拓扑结构，缩小算法搜索空间，之后再利用样本数据来搜索最合适的网络结 构。建立卫星姿控系统多工况健康评估贝叶斯网络的方法框架如图1所示。

通过卫星地面实验阶段可获得的结构、参数配置信息不能得到最终的结果， 但利用这些知识可以决定部分变量之间的因果关系，如此就从搜索空间中去除了 一部分的网络拓扑。之后利用典型工作模式训练数据与基于预测能力的贝叶斯结 构学习方法确定各典型工作模式下节点间弧的存在性及方向，确定典型工作模式 的贝叶斯网络结构。该方法设贝叶斯网络有离散随机变量X₁,X₂,…,X_n； x₁,x₂,…,x_n为变量的值；D是变量X₁,X₂,…,X_n数据集。则有以下定义及定理：

定义1：记F(X_i→X_i)为变量X_i的自预测能力，

定义2：记为变量组对变量X_i的自预测能力，

定义3：记为变量对X_i的预测正确率

其中

定义4：如果成立，称在条件下变量X_i与X_j条件独立。

定义5：记为的估计值，

定理1：

定理2：

增加丢失的弧：设变量组为变量X_i与X_j的最小切割集，

且 添加弧X_j→X_i；

且 添加弧X_i→X_j。

删去多余的弧：设变量组为变量X_i与X_j的最小切割集，

且删除变量X_i与 X_j之间的弧.

调整弧的方向：设变量组为变量X_i与X_j的最小切割集，

定义为弧X_j→X_i；

定义为弧X_i→X_j。

删除无用节点：删除没有父结点和子结点的结点及与其相连接的弧，在剩下 的子图中再删除没有父结点和没有子结点的结点及与其相连接的弧。建立贝叶斯 网络的拓扑结构后，确定网络结构中的各参数值，即贝叶斯网络参数学习。参数 学习包括先验概率和条件概率两部分。

选取一个概率分布p(θ)来表示θ的先验分布，然后把数据D对条件概率表 的影响用似然函数L(θ|D)＝p(D|θ)归纳，最后用贝叶斯公式将先验分布和似 然函数结合，得到θ的后验分布P(θ|D)∝p(θ)L(θ|D)。一般情况选取共轭 Dirichlet分布为先验分布。

当节点无父节点时，假设参数θ的先验分布取Dirichlet分布：

式中为分布精度，区别于分布参数；α_i为超参数，是变量的每个取值 出现次数的先验知识。如果先验知识不确定。α_i的选取根据最大熵原则取均匀分 布α₁＝α₂＝…＝α_N。X_i为二元随机变量(即N＝2)时先验分布为Beta分布，X_i取 值为真(1)、假(0)，超参数用α_n(1)和α_f(1)表示，此时θ的分布如下式所示。

根据假设，各实例服从统一的概率分布，因此θ的后验分布表示为：

因此θ的后验分布也为β分布，其超参数为m_n+α_n和m_f+α_f，即：

则D的下一个样本案例发生的概率为：

可知p(x^m+1＝1,θ|D)也为θ，则待估计参数θ取值为：

当节点有多个父节点时，θ_ijk表示π(x_i)＝j时x_i＝k的条件概率，r_i表示x_i的 取值个数，q_i＝∑r_i(x_i∈π(x_i))表示所有父节点的状态总数。在假设下，每个变 量x_i和它的父节点状态π(x_i)＝j均服从Dirichlet分布，在数据D下的后验分布 也服从Dirichlet分布。

ζ表示先验知识，此时的条件概率计算为：

式中α_ijk和n_ijk是π(x_i)＝j时x_i＝k所对应的先验信息和数据观测值，p(θ_ijk) 符合Dirichlet分布，则：

(5)确定卫星姿控系统健康状态：实时遥测数据下传，获得当前工况标签和 配置信息，匹配典型工况贝叶斯网络，由于硬件冗余的存在，同工作模式下的硬 件配置可能存在不完全相同的情况，或又系统出现故障，出现“典型网络”未涵 盖的配置情况，则需更新贝叶斯网络的结构与参数：首先从“典型网络”库中检 索、选择工作模式标签相同的典型模型，之后使用贝叶斯网络结构学习方法对其 进行修正，不需再次从头开始推导，具体的网络结构学习方法与建立典型工作模 式贝叶斯网络相同；获得符合卫星实时工况的贝叶斯健康评估网络；对原始高维 数据进行降噪、无量纲化和降维，低维数据特征输入贝叶斯网络进行健康状态推 理，获得当前系统健康评估结果，过程如图2所示。

基于贝叶斯网络的卫星姿控系统多工况健康评估方法总体操作步骤如下：

Step1.利用ADLPP算法对样本数据进行降维；

Step2.运用专家意见和低维数据建立典型工作模式贝叶斯网络；

Step3.遥测数据实时下传，获得当前工作模式标签和配置信息；

Step4.匹配典型工作模式贝叶斯网络，若与已储存典型网络不能完全匹配， 在最相似工作模式网络的基础上，进行节点修正和网络条件概率更新；

Step5.获得符合卫星实时工作模式的贝叶斯健康评估网络；

Step6.输入低维数据特征进行健康状态推理；

Step7.获得当前系统健康评估结果。

结合数据的贝叶斯网络实时推理算法过程如图3所示。

实施例2

某卫星ACS系统部件典型配置方式：执行机构：飞轮4个(三正一斜)，磁 力矩器3个；敏感器：陀螺3个，三轴正交星敏感器1个，磁强计1个(三轴)。 其系统的配置及层次结构如图4a所示，对应的某时刻贝叶斯网络如图4b所示。 所建立的用于确定卫星ACS系统健康状态的贝叶斯网络，卫星ACS系统状态为贝 叶斯网络的叶子节点，其父节点为分系统姿态敏感器和和执行机构，姿态敏感器 的父节点为星敏感器、磁强计和陀螺的数据；执行机构的父节点为飞轮、磁力矩 器的数据。

通过数字仿真平台实现对在轨卫星运行的模拟，获取运行数据，开展卫星姿 态控制系统健康评估研究。令仿真平台分别处于周期为5400s、8100s的轨道为 对照组1进行健康评估实验。仿真参数设置如下表：

表2.仿真参数设置

设8100s工作轨道为模式A、5400s工作轨道为模式B，ACS的性能退化指标 I(t)表达为：

其中e(t)为第t天内出现的最大姿态角误差，C为常数。

模式A、B下的ACS性能退化模型如图5a和图5b所示。

分别采集模式A、B下的卫星ACS仿真平台运行数据，应用本文提出的方法 进行健康评估，得到卫星ACS仿真平台在两种工作模式下的健康评估值变化如图 6。从图中可以看出，本文提出的结合数据的基于贝叶斯网络的健康评估方法能 够反映卫星ACS系统健康状态的变化，且健康评估值的变化与ACS系统输出误差 的变化较为一致；同时上图反映出，位于8100s轨道工作的卫星ACS系统健康状 态衰退快于5400s轨道工作的卫星ACS系统，这是由于轨道差异导致两种工作模 式下的卫星受光照情况与温度不同，8100s轨道工作的卫星光照时长长，会使卫 星ACS系统部件长时间工作在较高温度，造成更快的性能衰退、系统健康水平的 下降。

Claims (7)

1.一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法，其特征在于：包括如下步骤：

(1)建立卫星姿控系统健康评估指标集：按照层次分析法将卫星姿控系统进行层次分级，得到各级系统的健康评估因子，并且根据卫星运行姿态的具体工况对各级健康因子进行筛选，确定健康评估指标项；

(2)待评估指标集数据预处理：对步骤(1)筛选出的健康评估指标项对应的遥测数据进行奇异点剔除、线性降噪和无量纲化处理，去除数据采集过程中的背景噪声和各遥测数据中的不同的量纲；

(3)提取多工作模式训练样本数据：根据卫星在轨工作模式下的工作状态数据，构建符合当前工作模式需求的健康评估贝叶斯网络，并对工作状态数据进行降维处理，且训练样本数据中带有典型工作模式标签以进行识别；

(4)建立基于样本数据的贝叶斯健康评估网络：所述贝叶斯健康评估网络的叶子节点为姿控系统健康状态，中间节点为姿控系统部件，根节点为部件对应的数据特征；

(5)确定卫星姿控系统健康状态：将待评估卫星的遥测数据经过预处理和特征提取，识别典型工况标签后，将数据特征输入所构建存储的典型工况贝叶斯网络中，贝叶斯网络根据条件概率计算得到当前的健康状态。

2.根据权利要求1所述的一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法，其特征在于：步骤(1)通过层次分析法建立卫星姿控系统健康评估指标集，包括根据确定卫星姿控系统健康评估指标建立指标比较判断矩阵，通过计算矩阵的最大特征值以及对应特征向量，得出不同因素的权重或优先级。

3.根据权利要求1所述的一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法，其特征在于：步骤(3)中降维处理的方法为局部保持投影法，通过自适应鉴别局部保持投影实现数据降维。

4.根据权利要求1所述的一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法，其特征在于：步骤(3)所述的工作模式包括：

(a)消除初偏模式：消除星箭分离干扰和太阳帆板展开扰动，由姿态敏感器提供角度和角速度信息，通过姿控系统执行器控制建立星体对地定向姿态；

(b)对地定向模式：通过姿态敏感器提供姿态信息，姿控系统执行器进行星体姿态调整与控制，建立星体对地的三轴姿态；

(c)轮控启动模式：动量轮启动，将角动量控制到标称值附近，建立整星零动量，消除动量轮启动产生的干扰，确定和控制星体姿态，同时对地定向；

(d)对地三轴稳定模式：卫星姿控系统控制星体在X、Y、Z三个方向上均稳定，与地球保持一定的姿态关系；

(e)对地扫描模式：此模式下卫星长时间保持姿态机动及姿态偏置飞行状态。

5.根据权利要求1所述的一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法，其特征在于：步骤(3)通过自适应鉴别局部保持投影对遥测数据进行降维具体步骤如下：

(31)提取原始数据，组成原始高维训练样本X＝{x₁，x₂，...，x_n}^T；

(32)构造邻域样本密度自适应调整近邻参数，输入近邻参数可能的最小值k_min及最大值k_max，并选择一个初始近邻参数k∈[k_min，k_max]；

(33)计算自适应近邻参数，首先建立样本点的k近邻点集N_i，N_i由与x_j欧几里得距离最小的k个点构成，每个样本点x_i的k近邻N_k(x_i)＝{x_i1，x_i2，...，x_ik}，则x_i与其近邻点的平均距离为：

初始特征集整体流形结构的平均距离为：

则样本点x_i的自适应近邻参数为：

若ak(i)超出[k_min，k_max]，则相应地选为k_min或k_max；

(34)自适应调整近邻图，通过近邻点之间的关联程度决定近邻图的构造。首先计算近邻点x_ij∈N_k(x_i)的局部集群系数：

其中B_ij表示x_ij与N_k(x_i)中其他近邻点互为近邻点的次数；

定义近邻集N_k(x_i)内x_ij的局部关联系数为：

其中d_ij为x_i与x_ij的距离，d_min和d_max分别表示x_i与N_k(x_i)中所有点的距离的最小值和最大值，E_min和E_max分别表示N_k(x_i)中所有点的局部集群系数的最小值和最大值；

(35)构造邻接图G对每个样本点x_i与其近邻点间连一条边，使用热核法为边赋予权值，确定权值矩阵W，式中，x_j为任意样本点，参数λ＞0为热核宽度，N_i为与x_j欧几里得距离最小的k个点构成近邻点集，表达式如下：

(36)求解广义特征方程，广义特征方程的前d个，d为降维后的目标维数最大特征值所对应特征向量组成的矩阵即为最优投影矩阵A；

(37)使用最优投影矩阵A计算低维特征向量Y＝A^TX＝{y₁，y₂，...y_n}。

6.根据权利要求1所述的一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法，其特征在于：步骤(4)包括提取典型工况下的训练样本数据来训练所构建的贝叶斯网络，获得各典型工况下的网络节点条件概率，从而得到带有典型工况标签的贝叶斯网络，并进行存储。

7.根据权利要求1所述的一种基于贝叶斯网络的卫星姿控系统多工况健康评估方法，其特征在于：步骤(5)包括对网络拓扑结构完善和网络参数更新，具体如下：

所述网络拓扑结构完善为更新贝叶斯网络的结构与参数，对当前贝叶斯网络使用贝叶斯网络结构和参数学习方法进行修正；

所述网络参数更新为更新贝叶斯网络各节点的条件概率，其过程为：选取一个概率分布p(θ)来表示θ的先验分布，所述参数θ的先验分布取Dirichlet分布；然后将数据D对条件概率表的影响用似然函数L(θD)＝p(D|θ)归纳，最后用贝叶斯公式将先验分布和似然函数结合，得到θ的后验分布P(θD)∝p(θ)L(θD)；

经过网络拓扑结构完善和参数更新，获得实时工作模式下的贝叶斯健康评估网络，输入卫星数据低维特征获取卫星姿控系统实时健康评估结果。