CN112526559B - 一种多工况条件下的系统关联性状态监测方法 - Google Patents
一种多工况条件下的系统关联性状态监测方法 Download PDFInfo
- Publication number
- CN112526559B CN112526559B CN202011404796.9A CN202011404796A CN112526559B CN 112526559 B CN112526559 B CN 112526559B CN 202011404796 A CN202011404796 A CN 202011404796A CN 112526559 B CN112526559 B CN 112526559B
- Authority
- CN
- China
- Prior art keywords
- sequence
- working condition
- value
- correlation
- telemetry
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000036541 health Effects 0.000 claims abstract description 52
- 230000001419 dependent effect Effects 0.000 claims abstract description 28
- 230000005856 abnormality Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 75
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 230000014509 gene expression Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 108010052322 limitin Proteins 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Selective Calling Equipment (AREA)
Abstract
本申请提出一种多工况条件下的系统关联性状态监测方法,其包括:第一步,多工况关联性健康基线配置;第二步,遥测参数获取;第三步,工况切割;第四步,关联性计算;第五步,异常判断。本申请的多工况条件下的系统关联性状态监测方法,准确划分卫星不同工况的前提下,针对每一段稳定的工况,从自变量遥参出发,结合配置输入的关联系数和阈值系数,计算得到因变量遥参的期望阈值区间,再用因变量遥参实际值与阈值进行比对,实现多工况条件下卫星的状态监测。
Description
技术领域
本申请涉及一种卫星健康监控技术,尤其涉及一种多工况条件下的系统关联性状态监测方法。
背景技术
卫星关键分系统中单机参数众多,且空间环境的变化、卫星工况的更替使遥测数据的繁杂度变高,从而使得准确获悉卫星关键分系统在轨运行的真实健康状态变得极为困难。现有关键分系统健康状态判断技术,一方面仅仅通过简单遥测数据接收,解析全部遥测数据后由人工实时进行监控和解析出的遥测数据是否正常,不仅效率低下且人为误差因素较大;另一方面,现行技术手段能利用到的数据仅为少量历史数据,通过人为简单判断参数来推测异常,造成准确率较低;同时已有的技术较少对异常状态进行预警等功能。
正常情况下,在工况稳定时,不同遥测参数之间由于结构、功能上的耦合和影响,其数值之间存在一定的关联关系。当卫星处于正常(或健康)状态下的时候,这种关联关系理论上应该保持相对稳定,受到运行情况、环境干扰、数据传输的影响而在小范围内随机波动;而在不同工况下,遥测参数关联关系呈现不同的形式。
发明内容
鉴于上述问题,本申请旨在提出一种多工况条件下的系统关联性状态监测方法。
本申请的多工况条件下的系统关联性状态监测方法,其包括:
第一步,多工况关联性健康基线配置;
第二步,遥测参数获取;
第三步,工况切割;根据工况敏感参数和配置的工况判别逻辑表达式,在遥测参数中识别切割出属于目标工况段的部分;
第四步,关联性计算;根据关联性健康基线配置,计算得到因变量遥测参数关联值、关联阈值下限序列和关联阈值上限序列;
第五步,异常判断;根据判异准则,判断因变量遥测参数实际值与关联阈值下限序列、关联阈值上限序列的关系,判断关联关系正常或异常。
优选地,在第一步中,对关联性计算所需的必要信息进行配置;配置项包括:关联计算遥测参数、工况敏感参数、工况判别逻辑表达式、关联性计算时间范围、关联性健康基线解析函数模型、关联性健康基线阈值和异常判定规则。
优选地,在第二步中,根据配置中指定的关联计算遥测参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值,得到关联计算遥测参数序列,分别记作自变量遥测参数序列和因变量遥测参数序列;
根据配置中指定的工况敏感参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值,记作多个工况敏感遥测参数序列。
优选地,在第三步中,将工况敏感遥测参数序列的时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中,获得布尔量序列;
在布尔量序列中,识别连续两个及两个以上值为真的子序列;每个子序列对应一个目标工况时刻区间;
在每个目标工况时刻区间对关联计算遥测参数序列进行切割,若关联计算遥测参数序列该目标工况时刻区间内有值,则关联计算遥测参数序列在该目标工况时刻区间内存在目标工况子序列;
将所有目标工况子序列按顺序排列,组成满足目标工况时刻的关联计算遥测参数序列。
优选地,在第四步中,根据配置的关联性健康基线解析方程、关联性健康基线阈值下限、关联性健康基线阈值上限,分别计算每个目标工况子序列中,对应于自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限,最终得到的完整关联值序列、关联阈值下限序列、关联阈值上限序列;
将所有的目标工况子序列进行拼接,组成完整工况因变量遥测值序列。
优选地,分别计算完整工况因变量遥测值序列中每个值与关联阈值下限和关联阈值上限之间的关系,对于每个遥测点,计算产生一个超限标志位,所有的超限标志位构成超限标志位序列;
根据异常判定规则对超限标志位序列进行判定,得到系统关联性状态。
优选地,所述异常判定准则为:计算整个超限标志位序列中超限点总数占序列总长度的比例值,如该比例值大于预定阈值,则判定结果为异常;如该比例值小于或等于预定阈值,则判定结果为正常。
优选地,所述异常判定准则为:
以预定的滑窗步长对超限标志位序列进行截取,形成多个子序列;
对于每个子序列,将子序列超限点总数占子序列总长度的比例值与预定的滑窗超限比例判异阈值进行比较:若该比例值大于该阈值,则该子序列判定结果为异常;若该比例值小于等于该阈值,则该子序列判定结果为正常;
若任何一个子序列的判定结果为异常,则整个超限标志位序列的判定结果为异常,即系统关联性状态为异常;
若所有子序列的判定结果为正常,则整个超限标志位序列的判定结果为正常,即系统关联性状态为正常。
优选地,所述异常判定规则为:
计算整个超限标志位序列的超限点总数占序列总长度的比例值;将比例值与预定的比例判异阈值进行比较,若比例值大于该阈值,记第一标志位为1;若比例值小于或等于该阈值,记第一标志位为0;
以预定的滑窗步长对超限标志位序列进行截取,形成多个子序列;对于每个子序列,将子序列超限点总数占子序列总长度的比例值与预定的滑窗超限比例判异阈值进行比较:若该比例值大于该阈值,则该子序列判定结果为异常;若该比例值小于等于该阈值,则该子序列判定结果为正常;若任何一个子序列的判定结果为异常,记第二标志位为1;若所有子序列的判定结果为正常,记第二标志位为0;
将第一标志位与第二标志位进行逻辑或运算,其结果即为整个超限标志位序列的结果;1为异常,即系统关联性状态为异常;0为正常,系统关联性状态为正常。
本发明的优点与积极效果在于:
本申请的多工况条件下的系统关联性状态监测方法,准确划分卫星不同工况的前提下,针对每一段稳定的工况,从自变量遥参出发,结合配置输入的关联系数和阈值系数,计算得到因变量遥参的期望阈值区间,再用因变量遥参实际值与阈值进行比对,实现多工况条件下卫星的状态监测。
相对于传统单参数阈值监测方法而言,基于关联性健康基线的监测方法将不同参数之间的定量相关关系同时纳入监测范围,能够从多参数的角度,系统化地进行卫星典型分系统健康状态监测;
基于关联性健康基线的监测,基线来源可以是基于专家知识的构建结果,也可以是数据驱动的挖掘结果,因此本方法能够将卫星运行机理与海量遥测参数中蕴含的模式有效结合,避免了对过多的专家知识依赖性,或单纯从数据角度出发的监测结果所缺乏的可解释性;
关联性状态监测是一种消耗计算资源较少的监测方法,对于卫星及其典型分系统这类需要长期稳定运行并持续监测的对象来说,本方法适合长时间范围的健康状态监测;
采用多种判异准则,针对不同特点的数据和对象,针对性地进行监测,使健康状态监测结果更加合理可靠。
针对多类分系统的各类型遥测参数可快速开展日关联性状态监测分析;
支持用户自主添加和扩展关联关系;
结合专家知识,将卫星遥测参数按工况进行切割,对于不同工况下的遥测数据分别进行关联性健康基线构建,对数据中蕴含的信息进行更加有效的利用;
将卫星不同的工况纳入关联性状态监测的考虑范围,可以处理卫星在不同工况下遥参之间关联关系发生变化的情况,提高了监测的合理性,提升监测精度,减少虚报和漏报。
附图说明
图1为本申请的多工况条件下的系统关联性状态监测方法的流程框图;
图2为实施例1的原始遥参示意图;
图3为实施例1的用于工况判断与识别的原始遥参示意图;
图4为实施例1的布尔量序列示意图;
图5为实施例1的经工况切割后的遥参序列示意图;
图6为实施例1的最终得到的完整关联值、关联阈值下限、关联阈值上限序列;
图7为实施例2的原始遥参示意图;
图8为实施例2的用于工况判断与识别的原始遥参示意图;
图9为实施例2的布尔量序列示意图;
图10为实施例2的经工况切割后的遥参序列示意图;
图11为实施例2的最终得到的完整关联值、关联阈值下限、关联阈值上限序列。
具体实施方式
如图1所示,为本申请的多工况条件下的系统关联性状态监测方法的流程框图,具体步骤如下:
步骤一:多工况关联性健康基线配置
首先,对关联性计算所需的必要信息进行配置。配置项包括:遥测参数名称及波道号、关联性计算时间范围、关联性健康基线解析函数模型、关联性健康基线阈值和异常判定规则。各个配置项含义如下:
(1)关联计算遥测参数:参与关联性状态监测计算的遥测参数。
(2)工况敏感参数:用于判断和识别目标工况的遥测参数。
(3)工况判别逻辑表达式:用加、减、乘、除、与、或、非等基础数学或逻辑运算组成的,对工况敏感参数值进行运算的布尔表达式,当工况判别表达式为真时,对应遥测参数值属于目标工况段,否则不属于。
(4)关联性计算时间范围:xx年xx月xx日。
(5)关联性健康基线解析函数模型:表征自变量遥测参数与因变量遥测参数之间映射关系的解析函数,可以统一表征为y=F(x),其中x表示自变量遥测参数,y表示因变量遥测参数。通常来讲,关联性健康基线解析模型一般包括线性型、积分型、二次函数型等,分别可以表示为:
y=F(x)=a+bx,其中a和b分别为线性函数常数项和一次项系数
其中C和k分别为常数项和积分项系数
y=F(x)=a+bx+cx2,其中a,b和c分别为二次函数的常数项、一次项系数和二次项系数。
(6)关联性健康基线阈值:以函数的方式限定关联性健康基线的关联上限和关联下限。分别记关联上限和关联下限函数为和y=F(x)。以这种方式指定关联性健康基线的阈值,既可表示在关联性健康基线的计算值上下浮动一定常数的阈值设定方式,也可对其他阈值设定方式进行灵活表征。
(7)异常判定规则:共有两种不同的异常判定规则A、B,分别代表超限点比例判异准则、滑窗超限点比例判异准则。具体判异方式在下述步骤中进行解释。若判定规则为A,则需配置超限比例判异阈值t;若判定规则为B,则需配置滑窗步长w和滑窗超限比例判异阈值。
步骤二:遥测参数获取
根据配置中指定的关联计算遥测参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值。分别记自变量遥测参数和因变量遥测参数序列为X和Y
X=(x1,x2,…,xn)
Y=(y1,y2,…,yn)
其中n代表关联计算遥测参数X和Y的遥测参数数据点个数。
根据配置中指定的工况敏感参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值。记c个工况敏感遥测参数序列分别为:
……
其中m表示工况敏感参数序列中包含的数据点个数。
步骤三:工况切割
工况切割以工况敏感遥测参数序列、关联性计算遥测参数序列,以及配置的工况判别逻辑表达式为输入。记工况判别逻辑表达式为Cond(W1,W2,…,Wc),表示以c个工况敏感参数为输入,输出值为布尔量真或假。
将工况敏感参数时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中,获得长度为m的布尔量序列;该序列中值为真的点,代表其对应的时刻满足目标工况,反之则不满足。记该布尔量序列为B=(f1,f2,…,fm)。
在布尔量序列B中,识别连续两个及两个以上值为真的子序列。设第j个子序列的首尾值对应的时刻区间为共z个子序列,则产生z个目标工况时刻区间,记为
使用所有目标工况区间对关联计算遥测参数进行切割。若关联计算遥测参数在第j个目标工况区间内有值,则关联计算遥测参数的第j个目标工况子序列存在,记为和/>其中,nj表示第j个目标工况子序列中包含的遥测参数点个数。
将关联计算遥测参数的所有目标工况子序列按顺序排列,组成满足目标工况时刻的关联计算遥测参数序列,简称为目标序列。目标序列记为:
步骤四:关联性计算
记参与关联性监测计算的两个遥测参数序列,分别为目标序列Xo和Yo。根据配置的关联性健康基线解析方程y=F(x)、关联性健康基线阈值下限y=F(x)和关联性健康基线阈值上限分别计算每个目标工况子序列中,对应于自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限,具体计算方式如下
y i=F(xi)
其中分别代表对应于xi的因变量遥测参数关联值、关联阈值下限和关联阈值上限。
特别地,若解析方程为非线性积分关系,而实际数据表现为离散值,则需要使用矩形法对离散值进行累加积分运算。以解析方程为例,累加积分计算值其中tj为第j个遥测参数对应的采样时刻,规定t0=t1。
根据上述方法,在第j个目标工况子序列中,针对所有遥测点计算得到因变量遥测参数的关联值序列、关联阈值下限序列和关联阈值上限序列如下
将k个目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列,按照子序列下标从小到大的顺序依次排列并首尾相接;并将各序列中的所有数值点按当前顺序进行重新标号,组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列:
Y=(y 1,y 2,…,y N)
其中,N表示所有目标工况子序列中包含的数据点个数之和,即
将因变量遥测参数k个目标工况子序列的遥测值按上述方法进行拼接、重新标号,组成最终得到的完整工况因变量遥测值序列:
Y′=(y1,y2,…,yN)
由于Y'是Y经过工况切割之后的输出,自然地,N<n。
步骤五:异常判断
分别计算完整工况因变量遥测值序列Y'中每个值与关联阈值下限Y和关联阈值上限之间的关系。对于每个遥测点,计算产生一个超限标志位εi,其中
计算每个遥测点的标志位,得到整个遥测参数序列的超限标志位序列
E=(ε1,ε2,…,εN)
(1)若异常判定准则为A,则按如下方式进行计算,并判定该段序列是否异常:
计算整个序列中超限点总数
计算整个序列超限点总数占序列总长度的比例
其中N是参与计算的遥测点总个数。
将整个序列超限点总数占序列总长度的比例与配置中确定的超限比例判异阈值t进行比较:若c>t,则判定结果为异常;若c≤t,则判定结果为正常。
(2)若异常判定准则为B,则按如下方式进行计算,并判定该段序列是否异常:
令start=1,end=w,截取超限标志位序列的子序列
EStart=(εstart,εstart+1,…,εend)
其中w是配置中确定的滑窗步长。
计算子序列中超限点总数
计算子序列超限点总数占子序列总长度的比例
其中w是子序列长度,等于配置中确定的滑窗步长
将子序列超限点总数占子序列总长度的比例与配置中确定的滑窗超限比例判异阈值tw进行比较:若sstart>tw,则子序列判定结果为异常,终止判定过程,并判定整个遥测参数序列为异常;若sstart≤tw,则子序列判定结果为正常,重置start=start+1,end=end+1,重复上述子序列判定过程,直至某子序列判定结果为异常。
若判定过程持续到w=N,仍未有子序列判定结果为异常,则判定整个遥测参数序列为正常。
实施例1
步骤一:多工况关联性健康基线配置
首先,对关联性计算所需的必要信息进行配置。配置项包括:遥测参数名称及波道号、关联性计算时间范围、关联性健康基线解析函数模型、关联性健康基线阈值和异常判定规则。详细配置如下:
(1)关联计算遥测参数:自变量遥测参数名称为“A组蓄电池1-9电压”;因变量遥测参数名称为“A组蓄电池电压”。
(2)工况敏感参数:“充电电流”和“放电电流”。
(3)工况判别逻辑表达式:“充电电流”>1and“放电电流”<4
(4)关联性计算时间范围:20xx年x月x日
(5)关联性健康基线解析函数模型:y=F(x)=a+bx=-1.644+4.132x
(6)关联性健康基线阈值:
阈值下限:y=F(x)=-2.212+4.087x
阈值上限:
(7)异常判定规则:异常判定规则A,超限比例判异阈值t=0.05。
步骤二:遥测参数获取
根据配置中指定的关联计算遥测参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值。
参与关联性计算的遥测参数“A组蓄电池1-9电压”和“A组蓄电池电压”原始遥参如图2所示。
根据配置中指定的工况敏感参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值。
用于工况判断与识别的遥测参数“充电电流”和“放电电流”原始遥参如图3所示。
步骤三:工况切割
工况切割以工况敏感遥测参数序列、关联性计算遥测参数序列,以及配置的工况判别逻辑表达式为输入。
根据配置的工况判别逻辑表达式:“充电电流”>1and“放电电流”<4,对每一个时间点对应的工况敏感遥测参数值进行判别,获得布尔量序列如图4所示:
可以看出,当处于充电工况时,布尔量序列值为1;当处于非充电工况时,布尔量序列值为0。
在布尔量序列B中,识别连续两个及两个以上值为真的子序列,并获得目标工况时刻区间。使用所有目标工况区间对时间标定后的关联计算遥测参数进行切割,获得目标工况子序列。经过工况切割后,满足工况判定逻辑表达式的充电工况内“A组蓄电池1-9电压”、“A组蓄电池电压”如图5所示。
步骤四:关联性计算
记参与关联性监测计算的两个遥测参数序列,分别为目标序列Xo和Yo。根据配置的关联性健康基线解析方程y=F(x)、关联性健康基线阈值下限y=F(x)和关联性健康基线阈值上限分别计算每个目标工况子序列中,对应于自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限。
将所有目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列,按照子序列下标从小到大的顺序依次排列并首尾相接;并将各序列中的所有数值点按当前顺序进行重新标号,组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列,结果如图6所示。
步骤五:异常判断
异常判定准则为A,则按如下方式进行计算:
计算整个序列中超限点总数
计算整个序列超限点总数占序列总长度的比例
其中N是参与计算的遥测点总个数
c≤t,判定结果为正常。
实施例2
步骤一:多工况关联性健康基线配置
首先,对关联性计算所需的必要信息进行配置。配置项包括:遥测参数名称及波道号、关联性计算时间范围、关联性健康基线解析函数模型、关联性健康基线阈值和异常判定规则。详细配置如下:
(1)关联计算遥测参数:自变量遥测参数名称为“充电电流”;因变量遥测参数名称为“蓄电池容量”。
(2)工况敏感参数:“充电电流”和“放电电流”。
(3)工况判别逻辑表达式:“充电电流”>1and“放电电流”<4
(4)关联性计算时间范围:20xx年x月x日
(5)关联性健康基线解析函数模型:
y=F(x)=y1+a+b∫xdt=0.01555823+0.00027196∫xdt
其中y1是目标工况子序列中,因变量遥测参数的第一个遥测值。
(6)关联性健康基线阈值:
阈值下限:y=F(x)=y1+0.01555823-0.4+0.00027196∫xdt
阈值上限:
其中y1是目标工况子序列中,因变量遥测参数的第一个遥测值。
(7)异常判定规则:异常判定规则B,滑窗步长w为100,滑窗超限比例判异阈值tw=0.05。
步骤二:遥测参数获取
根据配置中指定的关联计算遥测参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值。
参与关联性计算的遥测参数“充电电流”和“蓄电池容量”原始遥参如图7所示。
根据配置中指定的工况敏感参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值。
用于工况判断与识别的遥测参数“充电电流”和“放电电流”原始遥参如图8所示。
步骤三:工况切割
工况切割以工况敏感遥测参数序列、关联性计算遥测参数序列,以及配置的工况判别逻辑表达式为输入。
根据配置的工况判别逻辑表达式:“充电电流”>1and“放电电流”<4,对每一个时间点对应的工况敏感遥测参数值进行判别,获得布尔量序列如图9所示。
可以看出,当处于充电工况时,布尔量序列值为1;当处于非充电工况时,布尔量序列值为0。
在布尔量序列B中,识别连续两个及两个以上值为真的子序列,并获得目标工况时刻区间。使用所有目标工况区间对时间标定后的关联计算遥测参数进行切割,获得目标工况子序列。经过工况切割后,满足工况判定逻辑表达式的充电工况内“蓄电池容量”、“充电电流”如图10所示。
步骤四:关联性计算
记参与关联性监测计算的两个遥测参数序列,分别为目标序列Xo和Yo。根据配置的关联性健康基线解析方程y=F(x)、关联性健康基线阈值下限y=F(x)和关联性健康基线阈值上限分别计算对应于每一个自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限。
将所有目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列,按照子序列下标从小到大的顺序依次排列并首尾相接;并将各序列中的所有数值点按当前顺序进行重新标号,组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列,结果如图11所示。
步骤五:异常判断
异常判定准则为B,则按如下方式进行计算:
令start=1,end=100,截取超限标志位序列的子序列
Estart=(εstart,εstart+1,…,εend)
其中end=100是配置中确定的滑窗步长。
计算子序列中超限点总数
计算子序列超限点总数占子序列总长度的比例
将子序列超限点总数占子序列总长度的比例与配置中确定的滑窗超限比例判异阈值tw进行比较:0.03<0.05,本滑窗内异常点比例小于判异阈值。重置start=start+1,end=end+1,重复上述子序列判定过程。
当判定过程持续到end=244,即完整序列中所有滑窗均未有子序列判定结果为异常,因此判定整个遥测参数序列为正常。
除非另有定义,本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的,而非限制性的。
虽然已结合具体实施方式对本发明进行了描述,在本申请的发明主旨下,本领域的技术人员可以进行适当的替换、修改和变化,这种替换、修改和变化仍属于本申请的保护范围。
Claims (7)
1.一种多工况条件下的系统关联性状态监测方法,其包括:
第一步,多工况关联性健康基线配置;
第二步,遥测参数获取;
第三步,工况切割;根据工况敏感参数和配置的工况判别逻辑表达式,在遥测参数中识别切割出属于目标工况段的部分;
第四步,关联性计算;根据关联性健康基线配置,计算得到因变量遥测参数关联值、关联阈值下限序列和关联阈值上限序列,根据配置的关联性健康基线解析方程、关联性健康基线阈值下限、关联性健康基线阈值上限,分别计算每个目标工况子序列中,对应于自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限,最终得到的完整关联值序列、关联阈值下限序列、关联阈值上限序列;
将所有的目标工况子序列进行拼接,组成完整工况因变量遥测值序列;
第五步,异常判断;根据判异准则,判断因变量遥测参数实际值与关联阈值下限序列、关联阈值上限序列的关系,判断关联关系正常或异常,分别计算完整工况因变量遥测值序列中每个值与关联阈值下限和关联阈值上限之间的关系,对于每个遥测点,计算产生一个超限标志位,所有的超限标志位构成超限标志位序列;
根据异常判定规则对超限标志位序列进行判定,得到系统关联性状态。
2.如权利要求1所述的多工况条件下的系统关联性状态监测方法,其特征在于:
在第一步中,对关联性计算所需的必要信息进行配置;配置项包括:关联计算遥测参数、工况敏感参数、工况判别逻辑表达式、关联性计算时间范围、关联性健康基线解析函数模型、关联性健康基线阈值和异常判定规则。
3.如权利要求2所述的多工况条件下的系统关联性状态监测方法,其特征在于:
在第二步中,根据配置中指定的关联计算遥测参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值,得到关联计算遥测参数序列,分别记作自变量遥测参数序列和因变量遥测参数序列;
根据配置中指定的工况敏感参数名称,在遥测参数数据库中进行检索和查询;并根据配置中指定的关联性计算时间范围,在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值,记作多个工况敏感遥测参数序列。
4.如权利要求3所述的多工况条件下的系统关联性状态监测方法,其特征在于:
在第三步中,将工况敏感遥测参数序列的时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中,获得布尔量序列;
在布尔量序列中,识别连续两个及两个以上值为真的子序列;每个子序列对应一个目标工况时刻区间;
在每个目标工况时刻区间对关联计算遥测参数序列进行切割,若关联计算遥测参数序列该目标工况时刻区间内有值,则关联计算遥测参数序列在该目标工况时刻区间内存在目标工况子序列;
将所有目标工况子序列按顺序排列,组成满足目标工况时刻的关联计算遥测参数序列。
5.如权利要求1所述的多工况条件下的系统关联性状态监测方法,其特征在于:
所述异常判定准则为:计算整个超限标志位序列中超限点总数占序列总长度的比例值,如该比例值大于预定阈值,则判定结果为异常;如该比例值小于或等于预定阈值,则判定结果为正常。
6.如权利要求1所述的多工况条件下的系统关联性状态监测方法,其特征在于:
所述异常判定准则为:
以预定的滑窗步长对超限标志位序列进行截取,形成多个子序列;
对于每个子序列,将子序列超限点总数占子序列总长度的比例值与预定的滑窗超限比例判异阈值进行比较:若该比例值大于该阈值,则该子序列判定结果为异常;若该比例值小于等于该阈值,则该子序列判定结果为正常;
若任何一个子序列的判定结果为异常,则整个超限标志位序列的判定结果为异常,即系统关联性状态为异常;
若所有子序列的判定结果为正常,则整个超限标志位序列的判定结果为正常,即系统关联性状态为正常。
7.如权利要求1所述的多工况条件下的系统关联性状态监测方法,其特征在于:
所述异常判定规则为:
计算整个超限标志位序列的超限点总数占序列总长度的比例值;将比例值与预定的比例判异阈值进行比较,若比例值大于该阈值,记第一标志位为1;若比例值小于或等于该阈值,记第一标志位为0;
以预定的滑窗步长对超限标志位序列进行截取,形成多个子序列;对于每个子序列,将子序列超限点总数占子序列总长度的比例值与预定的滑窗超限比例判异阈值进行比较:若该比例值大于该阈值,则该子序列判定结果为异常;若该比例值小于等于该阈值,则该子序列判定结果为正常;若任何一个子序列的判定结果为异常,记第二标志位为1;若所有子序列的判定结果为正常,记第二标志位为0;
将第一标志位与第二标志位进行逻辑或运算,其结果即为整个超限标志位序列的结果;1为异常,即系统关联性状态为异常;0为正常,系统关联性状态为正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404796.9A CN112526559B (zh) | 2020-12-03 | 2020-12-03 | 一种多工况条件下的系统关联性状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404796.9A CN112526559B (zh) | 2020-12-03 | 2020-12-03 | 一种多工况条件下的系统关联性状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112526559A CN112526559A (zh) | 2021-03-19 |
CN112526559B true CN112526559B (zh) | 2024-05-10 |
Family
ID=74996831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011404796.9A Active CN112526559B (zh) | 2020-12-03 | 2020-12-03 | 一种多工况条件下的系统关联性状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112526559B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722014B (zh) * | 2022-06-09 | 2022-09-02 | 杭银消费金融股份有限公司 | 基于数据库日志文件的批量数据时间序列传输方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6987820B1 (en) * | 2000-10-18 | 2006-01-17 | Honeywell International, Inc. | Apparatus for navigation satellite signal quality monitoring |
CN105205288A (zh) * | 2015-10-28 | 2015-12-30 | 中国人民解放军国防科学技术大学 | 基于模式演化的卫星长期在轨运行状态的预测方法 |
CN106709509A (zh) * | 2016-11-30 | 2017-05-24 | 哈尔滨工业大学 | 一种基于时间序列特殊点的卫星遥测数据聚类方法 |
CN107192411A (zh) * | 2017-05-15 | 2017-09-22 | 中国西安卫星测控中心 | 一种航天器多遥测参数分析窗口划分方法 |
CN107807371A (zh) * | 2017-09-14 | 2018-03-16 | 北京航空航天大学 | 基于北斗卫星观测数据的数据相关性处理方法 |
CN108761497A (zh) * | 2018-03-06 | 2018-11-06 | 北京交通大学 | 一种列车卫星定位局域完好性监测方法及系统 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
US10215863B1 (en) * | 2018-08-30 | 2019-02-26 | Beihang University | Beidou ground-based augmentation system integrity risk monitoring system |
CN110795510A (zh) * | 2019-10-22 | 2020-02-14 | 北京空间技术研制试验中心 | 基于高维数据关联挖掘的航天器系统健康状态评估方法 |
CN111274544A (zh) * | 2020-01-19 | 2020-06-12 | 中铁大桥(南京)桥隧诊治有限公司 | 一种基于移动区间关联性趋势的预警阈值设置方法 |
CN111612050A (zh) * | 2020-04-30 | 2020-09-01 | 中国西安卫星测控中心 | 遥测数据异常检测的方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2284769B1 (en) * | 2009-07-16 | 2013-01-02 | European Space Agency | Method and apparatus for analyzing time series data |
JP5424338B2 (ja) * | 2010-03-18 | 2014-02-26 | 日本電気株式会社 | 衛星測位システムの異常値検出装置、異常値検出方法及び異常値検出プログラム |
WO2013010569A1 (en) * | 2011-07-15 | 2013-01-24 | European Space Agency | Method and apparatus for monitoring an operational state of a system on the basis of telemetry data |
US20150127595A1 (en) * | 2013-11-01 | 2015-05-07 | Numenta, Inc. | Modeling and detection of anomaly based on prediction |
CN105894027B (zh) * | 2016-03-31 | 2019-06-14 | 华北电力科学研究院有限责任公司 | 基于密度聚类的主元关联度传感器故障检测方法及装置 |
CN106599367A (zh) * | 2016-11-14 | 2017-04-26 | 中国西安卫星测控中心 | 一种航天器状态异常检测方法 |
CN107644148B (zh) * | 2017-09-19 | 2020-09-22 | 中国人民解放军国防科技大学 | 一种基于多参数关联的在轨卫星异常状态监测方法及系统 |
CN109034191B (zh) * | 2018-06-19 | 2021-06-01 | 哈尔滨工业大学 | 基于elm的单维遥测数据异常判读方法 |
CN110348150B (zh) * | 2019-07-17 | 2023-05-16 | 上海微小卫星工程中心 | 一种基于相关概率模型的故障检测方法 |
CN111241158B (zh) * | 2020-01-07 | 2020-09-18 | 清华大学 | 一种飞行器遥测数据的异常检测方法和装置 |
-
2020
- 2020-12-03 CN CN202011404796.9A patent/CN112526559B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6987820B1 (en) * | 2000-10-18 | 2006-01-17 | Honeywell International, Inc. | Apparatus for navigation satellite signal quality monitoring |
CN105205288A (zh) * | 2015-10-28 | 2015-12-30 | 中国人民解放军国防科学技术大学 | 基于模式演化的卫星长期在轨运行状态的预测方法 |
CN106709509A (zh) * | 2016-11-30 | 2017-05-24 | 哈尔滨工业大学 | 一种基于时间序列特殊点的卫星遥测数据聚类方法 |
CN107192411A (zh) * | 2017-05-15 | 2017-09-22 | 中国西安卫星测控中心 | 一种航天器多遥测参数分析窗口划分方法 |
CN107807371A (zh) * | 2017-09-14 | 2018-03-16 | 北京航空航天大学 | 基于北斗卫星观测数据的数据相关性处理方法 |
CN108761497A (zh) * | 2018-03-06 | 2018-11-06 | 北京交通大学 | 一种列车卫星定位局域完好性监测方法及系统 |
CN108897954A (zh) * | 2018-06-29 | 2018-11-27 | 龙源(北京)风电工程技术有限公司 | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 |
US10215863B1 (en) * | 2018-08-30 | 2019-02-26 | Beihang University | Beidou ground-based augmentation system integrity risk monitoring system |
CN110795510A (zh) * | 2019-10-22 | 2020-02-14 | 北京空间技术研制试验中心 | 基于高维数据关联挖掘的航天器系统健康状态评估方法 |
CN111274544A (zh) * | 2020-01-19 | 2020-06-12 | 中铁大桥(南京)桥隧诊治有限公司 | 一种基于移动区间关联性趋势的预警阈值设置方法 |
CN111612050A (zh) * | 2020-04-30 | 2020-09-01 | 中国西安卫星测控中心 | 遥测数据异常检测的方法 |
Non-Patent Citations (5)
Title |
---|
Mining Satellite Telemetry Data: Comparison of Rule-Induction and Association Mining Techniques;S.A.Kannan;T. Devi;2016 IEEE International Conference on Advances in Computer Applications (ICACA);259-264 * |
基于GRNN观测器的液压作动器系统自适应故障检测;周博等;南京理工大学学报;20160430;第40卷(第02期);149-155 * |
基于遥测数据动态特征的卫星异常检测方法;李维铮;孟桥;;空间科学学报(第02期);201-207 * |
基于遥测时序数据的航天器异常检测技术应用研究;宁顺成;工程科技Ⅱ辑(第第02期期);C031-1830 * |
航天器遥测数据异常检测综述;彭喜元;庞景月;彭宇;刘大同;;仪器仪表学报(第09期);1929-1944 * |
Also Published As
Publication number | Publication date |
---|---|
CN112526559A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Javed et al. | A new multivariate approach for prognostics based on extreme learning machine and fuzzy clustering | |
Saxena et al. | Evaluating prognostics performance for algorithms incorporating uncertainty estimates | |
Li et al. | Mining the optimal class association rule set | |
CN112526559B (zh) | 一种多工况条件下的系统关联性状态监测方法 | |
CN112363896A (zh) | 日志异常检测系统 | |
Zhang et al. | Partially observable multi-sensor sequential change detection: A combinatorial multi-armed bandit approach | |
CN113657814A (zh) | 一种航空网络风险预测方法及风险等级评估方法 | |
Zakaria et al. | Software project estimation with machine learning | |
Jafari et al. | Optimizing battery RUL prediction of lithium-ion batteries based on Harris hawk optimization approach using random forest and LightGBM | |
CN113203953B (zh) | 基于改进型极限学习机的锂电池剩余使用寿命预测方法 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN112596081B (zh) | 一种基于关联性健康基线的健康状态监测的方法 | |
CN112507455B (zh) | 一种卫星遥测参数长周期数据的趋势分析方法 | |
CN117196185A (zh) | 一种军事体系需求生成方法及系统 | |
CN112526560A (zh) | 一种基于关联性健康基线的卫星关键分系统健康状态监测方法 | |
Dong et al. | An effective method for mining quantitative association rules with clustering partition in satellite telemetry data | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN114336792A (zh) | 一种电网运行状态预测方法与系统 | |
Al-Wajih et al. | Binary grey wolf optimizer with K-nearest neighbor classifier for feature selection | |
Nong | Construction and Simulation of Financial Risk Prediction Model Based on LSTM | |
Jabeen et al. | Application of Grey-Markov Chain model in software reliability prediction | |
Chen et al. | Remaining Useful Life Prognostics and Uncertainty Quantification for Aircraft Engines Based on Convolutional Bayesian Long Short-Term Memory Neural Network | |
CN112537461A (zh) | 一种基于星载关联性健康基线卫星在轨实时监测方法 | |
CN118137492B (zh) | 一种短期电力负荷预测方法及系统 | |
CN112465044B (zh) | 基于敏感参数多证据融合的卫星工况识别与分割方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |