CN110795510B - 基于高维数据关联挖掘的航天器系统健康状态评估方法 - Google Patents

Abstract

本发明涉及一种基于高维数据关联挖掘的航天器系统健康状态评估方法，包括步骤：a.对航天器下行遥测参数进行选取，形成数据集；b.对选取的参数进行关联性挖掘，获取参数间的关联性；c.对具有关联性的参数进行聚类以挖掘出模式信息；d.提取聚类模式的特征值；e.根据特征值评估航天器系统健康状态。根据本发明的基于高维数据关联挖掘的航天器系统健康状态评估方法，可以充分利用航天器下行遥测参数多、数据量大的特点，通过提取具有关联性的多重遥测数据模式特征，挖掘出存在于数据中的深层次信息，用以反映系统的健康状态，使得评估结果更为全面，且有效地降低对专家知识的依赖性，延展判读的时间窗口。

Description

基于高维数据关联挖掘的航天器系统健康状态评估方法

技术领域

本发明涉及系统预测及健康管理(Prognostics and Health Management,PHM)领域，涉及一种用于评估航天器系统运行健康状态的数据分析方法，尤其涉及一种基于高维数据关联挖掘的航天器系统健康状态评估方法。

背景技术

预测与健康管理(PHM)是围绕系统健康状态开展研究的一个学科领域，是从传统的可靠性分析及故障模式分析等基础概念衍变扩充而来，通过传感器采集得到系统的各种监测数据，借助智能算法(如失效物理、专家系统、人工智能、数据融合等)来评估系统的健康状态，在系统发生故障前能够进行预测，当检测到故障发生时，可以根据可获取的资源进行诊断，以期实现系统的智能化自主管理。

其中，系统健康状态评估是实现PHM的基础，也是最为重要的环节。只有在有效评估出系统健康状态的基础上，才能完成诊断、预测等其他各项功能，可以说系统的健康状态评估是PHM技术的核心环节。

目前，针对航天器系统的健康状态评估主要通过相关领域的专家对遥测数据进行判读实现的，这种模式存在以下问题：

1)判读时间窗口小

通过专家对某一时刻的航天器系统健康状态进行评估时，人工判读遥测参数的方法在数据处理窗口长度上存在缺陷，即，难以建立当前时刻数据与历史数据的关联性，只能判读出遥测数据在当前时刻点上表征出的健康状态，若航天器系统健康状态变化在遥测参数上的表象较弱，则难以准确获得评估结果。

在实际工程中，常会遇到在航天器系统发生故障之前，系统的遥测数据均在正常范围内变化，而当系统发生故障时，遥测数据瞬时跃过正常值范围内，使得地面难以及时做出评估。

2)判读参数相对独立

航天器系统属于典型的多学科耦合的复杂系统，由多个分系统组成，每个分系统涉及的学科领域也均不相同。在判读系统运行健康状态上，不同领域的专家仅局限于所属分系统的相关参数，判读的数据相对独立，无法建立起多领域不同分系统间数据的关联性。由于航天器系统各个分系统存在相互作用关系，例如GNC分系统控制整器姿态情况将影响到能源分系统的电量产生，能源分系统为所有用电设备提供所需电能等。忽略了各分系统间的耦合作用，则难以把握系统的总体特性。通过挖掘不同分系统遥测参数的关联性，可以从中反映出系统更为深层次的总体状态。

3)判读效率低

不同领域的专家借助自身的工程经验建立起专家知识库，用以判读相关分系统的遥测数据，但是人工处理数据的效率低，且结果易受主观因素影响。采用数据驱动的参数判读方法，可以使得处理的数据量大、处理速度更快。已有的专家知识库可以用来指导数据驱动参数判读方法的建立，从而融入已有的宝贵工程经验。

发明内容

本发明的目的在于解决上述问题，提供一种基于高维数据关联挖掘的航天器系统健康状态评估方法。

为实现上述发明目的，本发明提供一种基于高维数据关联挖掘的航天器系统健康状态评估方法，包括以下步骤：

a.对航天器下行遥测参数进行筛选，形成待处理数据集；

b.对选取的参数数据进行关联性分析，计算参数间的关联系数；

c.对具有不同关联性的参数数据进行聚类挖掘，获取数据模式信息；

d.提取聚类模式的特征值；

e.根据特征值评估航天器系统的健康状态。

根据本发明的一个方面，在所述a步骤中，整合航天器下行遥测参数，然后剔除其中的冗余参数，形成数据集。

根据本发明的一个方面，在所述b步骤中，将所述数据集中的具有连接关系、被同时激励或变化率时刻相近的多项数据作为强关联数据。

根据本发明的一个方面，在获取数据间的关联性后，以矩阵的形式表示所处理的数据集，计算参数数据间的关联系数C_ij，计算公式如下两式：

其中C_ij为遥测数据Data_i(t)与Data_j(t)的关联系数；

为Data_i(t)的均值；σ_i为Data_i(t)的均方差；

可以通过调节时间窗口，建立短程遥测数据关联矩阵及长程遥测数据关联矩阵；

这里，将时间窗口选为航天器运行的轨道周期；

对于关联矩阵中的元素C_ij，C_ij值趋近于1表示Data_i(t)与Data_j(t)趋近于正相关；C_ij值趋近于-1表示Data_i(t)与Data_j(t)趋近于负相关；C_ij值趋近于0表示Data_i(t)与Data_j(t)不相关；这样可形成待处理的正相关关联性数据集T_positivecorr及负相关关联性数据集T_negativecorr。

根据本发明的一个方面，在所述c步骤中，对具有正相关关联性的数据集T_positivecorr，以及具有负相关关联性的数据集T_negativecorr分别进行聚类挖掘，并且采用以下步骤进行聚类挖掘处理：

1)量化样本数据空间，形成多维度网格；

2)使用小波变换处理样本数据；

3)在变换后的特征空间中寻找密集区域，完成聚类挖掘分析。

根据本发明的一个方面，在所述d步骤中，以航天器运行的轨道周期为判读窗口，针对当前时间窗口内数据的聚类结果，选择其统计量作为该时间窗口的特征量。

根据本发明的一个方面，选择当前时间窗口内数据的均值、均方差作为两项特征值，以及选用信息熵来表征当前时间窗口数据的信息量程度，作为第三项特征值，信息熵如以下公式表示：

其中p_i代表聚类结果中Mode_i的数据，N为Mode_i的数据集大小。

根据本发明的一个方面，在所述e步骤中，在获取每个时间窗口的三项特征值后，建立特征值随时间变化的曲线。

根据本发明的一个方面，使用距离函数度量特征值间的变化程度，采用特征向量间相似性度量的余弦距离，公式如下：

其中，f_i为聚类出的第i项结果。

根据本发明的一个方面，通过积累各时间窗口计算出的距离值，分析出当前时刻状态与不同历史时刻状态的偏离程度，通过建立健康状态基准，以偏离健康状态基准的程度来评估航天器系统当前时刻的健康状态。

根据本发明的基于高维数据关联挖掘的航天器系统健康状态评估方法，因为对于在轨运行的航天器复杂系统，下行的遥测数据是判断系统运行状态是否健康的唯一依据，因此本发明充分利用航天器下行遥测参数多、数据量大的特点，充分考虑到复杂系统中多学科领域的分系统相互作用因素，使得评估结果更能反映出整个航天器系统的总体状态。

根据本发明的基于高维数据关联挖掘的航天器系统健康状态评估方法，还具有以下有益效果：

1)判读时间窗口

本发明选用了航天器运行轨道周期为时间窗口长度，是以航天器完成一次阳照区及阴影区交替、能源系统(以典型的光伏系统为例)完成一次充放电、环境温度完成一次冷热循环为依据，这样可以使评估的结果更符合航天器系统的特性。将判读时间窗口延长，建立起遥测数据的发展趋势，则有可能在航天器系统故障发生前识别出数据的异常走势，为决策制定赢得宝贵时间。

2)对专家依赖度低

本发明采用数据驱动的思想建立评估系统健康状态方法，这样可以降低对专家的依赖，使得评估结果更加客观，且数据处理的效率更高。

3)挖掘更深层数据信息

本发明的核心思想在于挖掘出多参数间的关联关系，并提取其特征，用特征的度量值来反映系统健康状态，相比于对单一遥测参数独立进行判读的方法，本发明可以挖掘出更为丰富的数据信息，放大系统健康状态在多层次上的变化细节，从而使系统在发生重大故障前可能提前发现状态的细微变化，具有实际工程价值。

附图说明

图1示意性表示根据本发明的基于高维数据关联挖掘的航天器系统健康状态评估方法的流程图；

图2示意性表示根据本发明的基于高维数据关联挖掘的航天器系统健康状态评估方法的工作原理图；

图3示意性表示航天器系统架构图；

图4示意性表示参数数据聚类图。

具体实施方式

为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。

下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。

本发明首先以航天器运行的轨道周期为时间窗口，从系统层的角度选取遥测参数集合，挖掘数据关联性，对具有强关联的数据集进行聚类分析，以新观测时间窗内数据集与上一时间窗口(或建立的健康状态基准)数据聚类的偏离度作为评估系统健康状态的指标。

图1示意性表示根据本发明的基于高维数据关联挖掘的航天器系统健康状态评估方法的流程图；图2示意性表示根据本发明的基于高维数据关联挖掘的航天器系统健康状态评估方法的工作原理图。

结合图1和图2所示，根据本发明的基于高维数据关联挖掘的航天器系统健康状态评估方法包括以下步骤：

a.对航天器下行遥测参数进行选取，形成数据集；

b.对选取的参数进行关联性挖掘，获取参数间的关联性；

c.对具有关联性的参数进行聚类挖掘以划分类别；

d.选取聚类参数中的特征值；

e.根据特征值评估航天器系统健康状态。

实际上，航天器作为一种典型的复杂系统，是由多个分系统组成，每个分系统又包含有多种单机设备，这些单机设备配备了各类传感器采集特定的监测量，用以表征单机设备的健康状态。航天器系统的健康状态应为其所有组成部分健康状态的融合。传统判断航天器系统健康状态的方法是由各个分系统的专家对下传的遥测参数进行分析，这种人工的判读方法分析数据的时间窗口小，难以进一步分析出发展趋势，且专家领域的划分也使得判读参数相对独立，忽略了各个分系统、各领域相互的作用关系。

根据本发明的一种实施方式，在上述a步骤中，首先将航天器各分系统、各领域的遥测参数整合在一起，剔除其中的冗余参量，之后得到的数据集作为处理对象，这样可以从数据的角度充分考虑到复杂系统中各个组成部分相互的作用关系。

根据本发明的一种实施方式，在上述b步骤中，在得到数据集处理对象后，对整个数据集进行数据关联性挖掘，当多项数据具有连接关系、或被同时激励、或变化率时刻将近时，即认为该数据是强关联数据。在获取数据间关联性后，以矩阵的形式来表示所处理的数据集，计算每一个元素的关联系数C_ij，如以下两计算公式：

其中C_ij为遥测数据Data_i(t)与Data_j(t)的关联系数；

为Data_i(t)的均值；σ_i为Data_i(t)的均方差；

通过调节时间窗口，可以建立短程遥测数据关联矩阵及长程遥测数据关联矩阵；

对于关联矩阵中的元素C_ij，C_ij值趋近于1表示Data_i(t)与Data_j(t)趋近于正相关；C_ij值趋近于-1表示Data_i(t)与Data_j(t)趋近于负相关；C_ij值趋近于0表示Data_i(t)与Data_j(t)不相关；这样可将具有关联性的数据整合，形成待处理正相关关联性数据集T_positivecorr及负相关关联性数据集T_negativecorr。

根据本发明的一种实施方式，在上述c步骤中，对于具有正相关关联性的数据集T_positivecorr，以及具有负相关关联性的数据集T_negativecorr分别进行聚类挖掘。

聚类挖掘指的是根据样本数据不同特性划分为若干类别，使得同一类别中的样本数据具有高相似度，类间具有低相似度。

实际上，目前，聚类挖掘领域已经产生了多种有效的算法，从算法实现的途径可以分为划分聚类、层次聚类、密度聚类、网格聚类等。

本发明考虑到遥测数据在多尺度空间中可展现出不同特性，低频分量可体现趋势的变化，而高频分量可以体现出数据波动程度，更符合对遥测数据的处理需求，因此本发明选择WaveCluster算法进行聚类挖掘处理。

该算法主要处理步骤为：

1)量化样本数据空间，形成多维度网格；

2)使用小波变化处理原始的样本数据空间；

3)在变换后的特征空间中寻找密集区域，完成聚类挖掘分析。

根据本发明的一种实施方式，在上述d步骤中，在上述小波聚类挖掘处理之后，得到了聚类结果：Mode₁、Mode₂、Mode₃...，本发明以航天器运行的轨道周期为判读窗口，针对当前时间窗口内数据的聚类结果，选择其统计量作为该时间窗口的特征量。结合传统专家知识库的工程经验，选择数据的均值、均方差作为两项特征值。此外，本发明选用信息熵来表征数据的信息量程度，作为第三项特征量。信息熵如以下公式计算：

其中p_i代表聚类结果中Mode_i的数据，N为Mode_i的数据集大小。

根据本发明的一种实施方式，在上述e步骤中，在获取每个时间窗口的三项特征值后，便可以建立起随时间变化的特征值曲线。本发明使用距离函数来度量特征值间的变化程度，这里选用了主要用于特征向量间相似性度量的余弦距离(Cosine Distance)，如以下计算公式：

其中，f_i为聚类出的第i项结果。

通过积累各时间窗口计算出的距离值，可以快速分析出当前时刻状态与不同历史时刻状态的偏离程度。以航天器在轨完成自检后的状态为健康状态基准值，便可评估出当前时刻的系统健康状态。

这里，以一种典型的采用光伏供电方式的航天器为例，为了方便叙述，仅考虑航天器系统中的能源分系统、GNC分系统、热控分系统对整个系统健康状态的影响，航天器架构如图3所示。其中能源分系统中包括：太阳电池翼设备、分流调节器设备、充放电控制器设备、电池、一次电源控制器设备、配电器设备；GNC分系统仅考虑转动机构及转动机构控制器设备；热控分系统设备仅考虑控制航天器舱内设备工作温度功能。

本发明首先对航天器下行遥测参数进行整理，梳理出具有硬件连接性、数据同极性变化的参数数据，去除具有冗余关系的参数数据，形成待处理数据集。其中，能源分系统数据集记为：Data_energy，GNC分系统数据集记为：Data_gnc，热控分系统数据集记为：Data_thermal。

Data_energy＝{V1,I1,V2,I2,V3,I3}

Data_gnc＝{α1,β1,α2,β2}

Data_thermal＝{T}

在得到待处理数据集后，对整个数据集的参数数据进行关联性挖掘，由结构图可知，能源分系统中的各项电压、电流参数是相关联的；GNC分系统中转动机构控制量α1,β1,α2,β2将影响太阳电池翼的发电量，从而与能源分系统的参数V1,I1具有关联性；热控分系统控制的舱内温度将影响GNC分系统设备的工作状态，因此温度参数T与α1,β1,α2,β2具有相关联性。

进一步计算具有关联性的参数之间的相关系数，得到关联系数矩阵：

/>

这里以C_ij∈[-1,-0.5]为负相关阈值、C_ij∈[0.5,1]为正相关阈值，可以得到具有正相关关联性的数据集T_positivecorr以及具有负相关关联性的数据集T_negativecorr：

T_positivecorr＝{V1,I1,V2,I2,V3,I3,β1,β2}

T_negativecorr＝{T,β1,β2}

对T_positivecorr及T_negativecorr分别进行聚类挖掘，得到数据中的模式信息，这些模式可以反映系统运行的不同状态，如图4聚类示意图所示。

航天器单个轨道周期包含阳照区和阴影区，太阳电池翼把阳照区内接收到的光能直接转化为电能，在轨道阴影区内，由于光电转换器件因无光不能发电，此时由蓄电池为航天器提供电能，蓄电池在接下来的阳照区内利用太阳电池翼发电进行能量补充，航天器在轨运行的过程中将不断重复上述工作状态，因此本发明以航天器单个轨道周期为判读窗口，针对当前判读窗口内数据的聚类结果，提取其均值、方差和熵值，形成1×3的特征向量f_t＝[f₁,f₂,f₃]。

基于上述工作，可以建立起航天器在轨运行过程中特征向量随时间变化的曲线。以航天器初期入轨的状态为健康基准，采用特征向量间相似性度量的余弦距离来评估航天器系统的健康状态，即当前时刻航天器的健康状态与健康基准状态的偏离程度。余弦距离公式如下：

上述内容仅为本发明的具体方案的例子，对于其中未详尽描述的设备和结构，应当理解为采取本领域已有的通用设备及通用方法来予以实施。

以上所述仅为本发明的一个方案而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于高维数据关联挖掘的航天器系统健康状态评估方法，包括以下步骤：

a.对航天器下行遥测参数进行筛选，形成待处理数据集；

b.对选取的参数数据进行关联性分析，计算参数间的关联系数；

在获取数据间的关联性后，以矩阵的形式表示所处理的数据集，计算参数数据间的关联系数C_ij，计算公式如下两式：

其中C_ij为遥测数据Data_i(t)与Data_j(t)的关联系数；

为Data_i(t)的均值；σ_i为Data_i(t)的均方差；

通过调节判读时间窗口长度，可以建立短程遥测数据关联矩阵及长程遥测数据关联矩阵；

这里，判读时间窗口选为航天器运行的单轨道周期；

对于关联矩阵中的元素C_ij，C_ij值趋近于1表示Data_i(t)与Data_j(t)趋近于正相关；C_ij值趋近于-1表示Data_i(t)与Data_j(t)趋近于负相关；C_ij值趋近于0表示Data_i(t)与Data_j(t)不相关；这样可形成待处理的正相关关联性数据集T_positivecorr及负相关关联性数据集T_negativecorr；

c.对具有不同关联性的参数数据进行聚类挖掘，获取数据模式信息；

在所述c步骤中，对具有正相关关联性的数据集T_positivecorr，以及具有负相关关联性的数据集T_negativecorr分别进行聚类挖掘，并且采用以下步骤进行聚类挖掘处理：

1)量化样本数据空间，形成多维度网格；

2)使用小波变换处理样本数据；

3)在变换后的特征空间中寻找密集区域，完成聚类挖掘分析；

d.提取聚类模式的特征值；

在所述d步骤中，以航天器运行的轨道周期为判读窗口，针对当前时间窗口内数据的聚类结果，选择其统计量作为该时间窗口的特征量；选择当前时间窗口内数据的均值、均方差作为两项特征值，以及选用信息熵来表征当前时间窗口数据的信息量程度，作为第三项特征值；

e.根据特征值评估航天器系统的健康状态；

在所述e步骤中，在获取每个时间窗口的三项特征值后，建立1×3的特征值向量随时间变化的曲线。

2.根据权利要求1所述的评估方法，其特征在于，在所述a步骤中，整合航天器下行遥测参数，然后剔除其中的冗余参数，形成待处理数据集。

3.根据权利要求1所述的评估方法，其特征在于，在所述b步骤中，将所述数据集中的具有连接关系、被同时激励或变化率时刻相近的多项数据作为强关联数据。

4.根据权利要求1所述的评估方法，其特征在于，信息熵如以下公式表示：

其中p_i代表聚类结果中Mode_i的数据，N为Mode_i的数据集大小。

5.根据权利要求1所述的评估方法，其特征在于，使用距离函数度量特征值间的变化程度，本发明采用特征向量间相似性度量的余弦距离，公式如下：

其中，f_i为聚类出的第i项结果。

6.根据权利要求5所述的评估方法，其特征在于，通过积累各时间窗口计算出的距离值，分析出当前时刻状态与不同历史时刻状态的偏离程度，通过建立健康状态基准，以偏离健康状态基准的程度来评估航天器系统当前时刻的健康状态。

Images