CN112526560A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112526560A
CN112526560A CN202011404846.3A CN202011404846A CN112526560A CN 112526560 A CN112526560 A CN 112526560A CN 202011404846 A CN202011404846 A CN 202011404846A CN 112526560 A CN112526560 A CN 112526560A
Authority
CN
China
Prior art keywords
sequence
value
parameter
telemetering
health
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.)
Pending
Application number
CN202011404846.3A
Other languages
English (en)
Inventor
王自力
马梁
王超
陶来发
吕琛
马剑
程玉杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202011404846.3A priority Critical patent/CN112526560A/zh
Publication of CN112526560A publication Critical patent/CN112526560A/zh
Pending legal-status Critical Current

Links

Images

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

本申请公开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，其包括：第一步，关联性健康基线配置；第二步，遥测参数获取；第三步，时间标定；第四步，关联计算；第五步，异常判断；通过异常判断后，得到卫星关键分系统健康状态。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。

Description

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
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.
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。现行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，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。
发明内容
鉴于上述问题，本申请旨在提出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，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，实现卫星的状态监测。
本申请的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，其包括：
第一步，关联性健康基线配置；
第二步，遥测参数获取；
第三步，时间标定；将所有遥测参数时间轴统一；
第四步，关联计算；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；
通过异常判断后，得到卫星关键分系统健康状态。
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：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。
优选地，在第二步中，根据配置中指定的遥测参数名称及遥测参数波道号，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；分别记为自变量遥测参数序列和因变量遥测参数序列。
优选地，在第三步中，对自变量和因变量遥测参数的时间轴进行差分处理，得到自变量遥测参数时间差分值序列和因变量遥测参数时间差分值序列；比较自变量遥测参数时间差分值序列和因变量遥测参数时间差分值序列的众数，以众数大的一个作为基准遥测参数序列，另一个为待标定遥测参数序列；以基准遥测参数序列的各遥测参数值点对应的时间标签组成基准时间轴；在基准时间轴的每个时间点对待标定遥测参数序列以预定的关联范围进行搜索，如果在该关联范围内有待标定遥测参数值，则该时间点为有效时间点；自变量遥测参数序列和因变量遥测参数序列在有效时间点处的遥测参数值分别构成经标定的自变量遥测参数序列和经标定的因变量遥测参数序列。
优选地，在第四步中，根据所述关联性健康基线解析函数模型、关联性健康基线阈值，对经标定的自变量遥测参数序列和经标定的因变量遥测参数序列的所示数值点进行计算，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。
优选地，在第五步中，根据经标定的因变量遥测参数序列、关联阈值下限序列和关联阈值上限序列，分别计算每个因变量遥测参数实际值与关联阈值下限和关联阈值上限之间的关系，得到该经标定的因变量遥测参数序列的超限标志位序列；根据异常判定规则，对超限标志位序列进行判定，得到卫星关键分系统健康状态结果。
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，则判定结果为异常，即卫星关键分系统健康状态为异常；若比例值小于或等于该阈值，则判定结果为正常，即卫星关键分系统健康状态为正常。
优选地，所述异常判定规则为：
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，即卫星关键分系统健康状态为异常；
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，即卫星关键分系统健康状态为正常。
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，则第一标志位为1；若比例值小于或等于该阈值，则第一标志位为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，则第二标志位为1；若所有子序列的判定结果为正常，则第二标志位为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，即卫星关键分系统健康状态为异常；0为正常，卫星关键分系统健康状态为正常。
本发明的优点与积极效果在于：
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。
附图说明
图1为本申请的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的流程框图；
图2为实施例1的原始遥测参数情况图；
图3为实施例1的差分值序列图；
图4为实施例1的标定后的遥测参数序列图；
图5为实施例1的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示意图；
图6为实施例2的原始遥测参数情况图；
图7为实施例2的差分值序列图；
图8为实施例2的标定后的遥测参数序列图；
图9为实施例2的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示意图；
图10为实施例3的原始遥测参数情况图；
图11为实施例3的差分值序列图；
图12为实施例3的标定后的遥测参数序列图
图13为实施例3的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示意图。
具体实施方式
如图1所示，本申请的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步骤如下。
步骤一、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：
遥测参数名称及波道号：参与关联性状态监测计算的遥测参数名称，以及作为数据读取时唯一标识符的遥参波道代号。
关联性计算时间范围：限定参与关联性计算的遥测参数时间范围，记为(Ts,Te)
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；
Figure BDA0002813687340000051
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。
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。分别及关联上限和关联下限函数为
Figure BDA0002813687340000052
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。
异常判定规则：共有三种不同的异常判定规则A,B,C，分别代表超限点比例判异准则、滑窗超限点比例判异准则和组合判异准则。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tw；若判定规则为C，则需配置超限比例判异阈值t、滑窗步长w和滑窗超限比例判异阈值tw。
步骤二、遥测参数获取
根据配置中指定的遥测参数名称及遥测参数波道号，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,L,xn)
Y＝(y1,y2,L,ym)
其中n和m分别代表遥测参数X和Y的遥测参数数据点个数。
步骤三、时间标定
对自变量和因变量遥测参数的时间轴进行差分处理，得到每个遥测参数的时间差分值序列。对遥测参数X＝(x1,x2,L,xn)，进行一阶时间差分处理，得到差分值序列
Figure BDA0002813687340000061
对遥测参数Y＝(y1,y2,L,ym)，进行一阶时间差分处理，得到差分值序列
Figure BDA0002813687340000062
分别对每个遥测参数进行时间差分处理之后得到的时间差分值序列取众数，得到所有遥测参数时间差分值众数的集合
M＝{m(Dx),m(Dy)}
其中m(·)表示取某数值序列的众数。若m(Dx)＞m(Dy)，则取自变量遥测参数X为基准遥测参数，反之取因变量遥测参数Y为基准遥测参数，开展时间标定处理。
假设m(Dx)＞m(Dy)，即基准遥参为自变量遥测参数X，取基准遥测参数序列各遥测参数数值点对应的时间标签组成基准时间轴，记为T＝(t1,t2,L,tn)。
取时间轴中第一个时间点t1，搜索待标定遥测参数序列在t1的关联范围内的遥测参数值。待标定遥测参数在t1处的关联范围如下：
Figure BDA0002813687340000071
计算其他时间点的关联范围方式类似，在此不做赘述。
若待标定遥测参数在该关联范围内有遥测值对应，则将t1记为有效时间点。在关联范围内的遥测值记为待标定遥测参数序列在t1处的标定值，记为y'1。
针对基准遥测参数时间轴T＝(t1,t2,L,tn)的每一个时间点重复搜索操作，获得所有的有效时间点
Figure BDA0002813687340000072
其中p代表有效时间点个数，以及对应所有有效时间点的待标定遥测参数的标定值，记为
Figure BDA0002813687340000073
对于基准遥测参数序列X，经过标定之后的序列中包含的均为原始遥测参数值，记为
Figure BDA0002813687340000074
至此，经过标定之后的自变量和因变量遥测参数时间序列在有效时间轴
Figure BDA0002813687340000075
的每个时间点处均有且只有一个遥测参数值与之对应，及以每个遥测参数序列为一行，可组成形状为2×p的矩阵。
步骤四、关联计算
记参与关联性监测计算的两个遥测参数序列，经过时间标定预处理之后分别为X＝(x1,x2,L,xp)和Y＝(y1,y2,L,yp)。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
Figure BDA0002813687340000076
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，具体计算方式如下
Figure BDA0002813687340000077
y i＝F(xi)
Figure BDA0002813687340000078
其中
Figure BDA0002813687340000079
y i、
Figure BDA00028136873400000713
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。
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
Figure BDA00028136873400000711
Y＝(y 1,y 2,L,y p)
Figure BDA00028136873400000712
步骤五、异常判断
分别计算每个因变量遥测参数实际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εi，其中
Figure BDA0002813687340000081
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,L,εp)
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
Figure BDA0002813687340000082
计算整个序列超限点总数占序列总长度的比例
Figure BDA0002813687340000083
其中p是参与计算的经过时间标定的遥测参数序列的遥测点总个数
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,L,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
Figure BDA0002813687340000084
计算子序列超限点总数占子序列总长度的比例
Figure BDA0002813687340000091
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cstart＞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cstart≤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＝p，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。
3)若异常判定准则为C，则按如下方式进行计算，并判定该段序列是否异常：
首先按照异常判定准则A对整个序列进行异常判定，得到异常标志位fA，标志位为1代表异常，0代表正常；然后按照异常判定准则B对整个序列进行异常判定，得到异常标志位fB，标志位为1代表异常，0代表正常。将两个异常标志位进行逻辑或运算，得到整个序列的C准则异常标志位
fC＝fA|fB
若fC＝1则判定遥测参数序列为异常；若fC＝0则判定遥测参数序列为正常。
实施例1
以“A组蓄电池1-9电压”和“A组蓄电池电压”两路遥测参数为例，对关联性状态监测的实施方式展开描述。
步骤一：关联性健康基线配置
指定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”。
关联性计算时间范围：(2017年9月1日00:00:00，2017年9月2日00:00:00)。
关联性健康基线解析模型为
y＝F(x)＝a+bx＝-1.644+4.132x
关联下限函数为
y＝F(x)＝-2.212+4.087x
关联上限函数为
Figure BDA0002813687340000101
其中，解析方程中各参数通过历史遥测参数数据通过区间估计得到。
设定异常判定规则为A，超限比例判异阈值为0.05。
步骤二：遥测参数获取
根据配置的遥测参数名称和遥测参数波道号进行查询，提取符合时间范围要求的遥测参数值序列。原始遥测参数情况如图2所示。
步骤三：时间标定
并进行时间标定预处理。
对自变量和因变量遥测参数进行差分处理，得到每个遥测参数的差分值序列。差分值序列如图3所示。可见两参数同步采样，未发生错位、缺失等现象。
分别对每个遥测参数进行差分处理之后得到的差分值序列取众数，得到所有遥测参数差分值众数的集合。其中“A组蓄电池电压”时间差分值众数为216，“A组蓄电池1-9电压”时间差分值众数为216。二者相等，因此可任意选择基准遥参。选取“A组蓄电池电压”各遥测参数数值点对应的时间标签组成基准时间轴，计算“A组蓄电池1-9电压”在每个时刻处对应的标定值，组成标定后的时间序列。
标定后的遥测参数序列如图4所示。
步骤四：关联计算
根据配置的关联性健康基线、关联阈值下限和关联阈值上限，计算因变量遥测参数“A组蓄电池电压”的关联值、阈值下限和阈值上限序列。
其中，关联值函数y＝F(x)＝a+bx＝-1.644+4.132x
关联下限函数为y＝F(x)＝-2.212+4.087x
关联上限函数为
Figure BDA0002813687340000102
式中y代表“A组蓄电池电压”，x代表“A组蓄电池1-9电压”。
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图5所示。
在图5中，下方子图为自变量遥测参数“A组蓄电池1-9电压”的原始遥测参数值，上方子图为因变量遥测参数“A组蓄电池电压”的原始遥测参数值、根据自变量遥测参数序列和关联性健康基线计算得到的遥测参数关联值、和根据自变量遥测参数序列和关联性阈值上下限计算得到的遥测参数阈值区间。
步骤五：异常判断
根据判异准则A，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中超限点个数s＝6，序列总长度p＝400，整个序列超限点总数占序列总长度的比例c＝s/p＝6/400＝0.015，小于配置设定的超限比例判异阈值0.05，因此判定该组遥测参数此段遥测值的关联关系为正常。
实施例2
以某卫星电源系统“电池容量”和“充电电流”两路遥测参数为例，对非线性关联性状态监测的实施方式展开描述。
步骤一：关联性健康基线配置
对关联性健康基线进行配置，指定自变量遥测参数名称为“充电电流”，因变量遥测参数名称为“电池容量”。关联性健康基线解析模型为：
Figure BDA0002813687340000111
关联下限函数为
Figure BDA0002813687340000112
关联上限函数为
Figure BDA0002813687340000113
其中，解析方程中各参数通过历史遥测参数数据通过区间估计得到。
步骤二：遥测参数获取
根据配置中指定的遥测参数名称及遥测参数波道号，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充电电流和因变量遥测参数电池容量序列为X和Y
X＝(x1,x2,L,xn)
Y＝(y1,y2,L,ym)
其中n和m分别代表遥测参数X和Y的遥测参数数据点个数。
原始遥测参数情况如图6所示。
步骤三：时间标定
对自变量和因变量遥测参数进行差分处理，得到每个遥测参数的差分值序列。差分值序列如图7所示。可见两参数并未同步采样，存在数据错位、缺失等现象。
分别对每个遥测参数进行差分处理之后得到的差分值序列取众数，得到所有遥测参数差分值众数的集合。其中“电池容量”时间差分值众数为2，“充电电流”时间差分值众数为2。二者相等，因此可任意选择基准遥参。选取“电池容量”各遥测参数数值点对应的时间标签组成基准时间轴，计算“充电电流”在每个时刻处对应的标定值，组成标定后的时间序列。
标定后的遥测参数序列如图8所示。
步骤四：关联计算
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
Figure BDA0002813687340000121
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，具体计算公式如下
Figure BDA0002813687340000122
Figure BDA0002813687340000123
Figure BDA0002813687340000124
针对所有遥测点自变量计算得到因变量遥测参数——电池容量的关联值序列、关联阈值下限序列和关联阈值上限序列，如图9所示。
在图9中，下方子图为自变量遥测参数“充电电流”的原始遥测参数值，上方子图为因变量遥测参数“电池容量”的原始遥测参数值、根据自变量遥测参数序列和关联性健康基线计算得到的遥测参数关联值、和根据自变量遥测参数序列和关联性阈值上下限计算得到的遥测参数阈值区间。
步骤五：异常判断
采用异常判定准则B，配置滑窗步长为500，滑窗超限比例判异阈值tw＝0.04。
令start＝1，end＝w，截取超限标志位序列的子序列
Estart＝(εstart,εstart+1,L,εend)
计算子序列中超限点总数
Figure BDA0002813687340000131
子序列超限点总数占子序列总长度的比例
Figure BDA0002813687340000132
当
Figure BDA0002813687340000133
则终止判定过程，并判定整个遥参序列为异常。经判定，start＝6001，end＝start+w＝6500时，子序列中超限点总数sstart＝128，子序列超限点总数占子序列长度的比例为0.26>0.04，则子序列判定结果为异常，并判定整个遥测参数序列为异常。
实施例3
以某卫星姿控系统“太阳角计A1电压”和“太阳角计A4电压”两路遥测参数为例，对线性关联性状态监测的实施方式展开描述。
步骤一：关联性健康基线配置
对关联性健康基线进行配置，指定自变量遥测参数名称为“太阳角计A1电压”，因变量遥测参数名称为“太阳角计A1电压”。关联性健康基线解析模型为：
Figure BDA0002813687340000134
关联下限函数为
Figure BDA0002813687340000141
关联上限函数为
Figure BDA0002813687340000142
其中，解析方程中各参数通过历史遥测参数数据通过区间估计得到。
步骤二：遥测参数获取
根据配置中指定的遥测参数名称及遥测参数波道号，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太阳角计A1电压和因变量遥测参数太阳角计A4电压序列为X和Y
X＝(x1,x2,L,xn)
Y＝(y1,y2,L,ym)
其中n和m分别代表遥测参数X和Y的遥测参数数据点个数。
遥测参数原始遥测值情况如图10所示。
步骤三：时间标定
对自变量和因变量遥测参数进行差分处理，得到每个遥测参数的差分值序列。差分值序列如图11所示。可见两参数并未同步采样，存在数据错位、缺失等现象。
分别对每个遥测参数进行差分处理之后得到的差分值序列取众数，得到所有遥测参数差分值众数的集合。其中“电池容量”时间差分值众数为3，“充电电流”时间差分值众数为3。二者相等，因此可任意选择基准遥参。选取“电池容量”各遥测参数数值点对应的时间标签组成基准时间轴，计算“充电电流”在每个时刻处对应的标定值，组成标定后的时间序列。
标定后的遥测参数序列如图12所示。
骤四：关联计算
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
Figure BDA0002813687340000143
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，具体计算公式如下：
Figure BDA0002813687340000151
Figure BDA0002813687340000152
Figure BDA0002813687340000153
针对所有遥测点自变量计算得到因变量遥测参数——电池容量的关联值序列、关联阈值下限序列和关联阈值上限序列，如图13所示。
在图13中，下方子图为自变量遥测参数“太阳角计A4电压”的原始遥测参数值，上方子图为因变量遥测参数“太阳角计A4电压”的原始遥测参数值、根据自变量遥测参数序列和关联性健康基线计算得到的遥测参数关联值、和根据自变量遥测参数序列和关联性阈值上下限计算得到的遥测参数阈值区间。
步骤五：异常判断
采用异常判定准则C，超限阈值为0.05
首先按照异常判定准则A对整个序列进行异常判定，计算得到整个序列中的异常标志位总数为：
Figure BDA0002813687340000154
然后按照异常异常判定准则B，配置滑窗步长w为200，滑窗超限比例判异阈值tw＝0.05，sstart＝500时，该子序列中超限点总数为
Figure BDA0002813687340000155
子序列超限点总数占子序列总长度的比例为
Figure BDA0002813687340000156
则根据异常判定准则B判定该子序列异常，并判定整个遥测参数序列异常。
根据异常判定准则C为对异常判定准则A和B进行逻辑或运算，判定整个遥测参数序列异常。
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 (9)

1.一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，其包括：
第一步，关联性健康基线配置；
第二步，遥测参数获取；
第三步，时间标定；将所有遥测参数时间轴统一；
第四步，关联计算；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；
通过异常判断后，得到卫星关键分系统健康状态。
2.如权利要求1所述的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，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：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。
3.如权利要求2所述的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，其特征在于：
在第二步中，根据配置中指定的遥测参数名称及遥测参数波道号，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；分别记为自变量遥测参数序列和因变量遥测参数序列。
4.如权利要求3所述的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，其特征在于：
在第三步中，对自变量和因变量遥测参数的时间轴进行差分处理，得到自变量遥测参数时间差分值序列和因变量遥测参数时间差分值序列；比较自变量遥测参数时间差分值序列和因变量遥测参数时间差分值序列的众数，以众数大的一个作为基准遥测参数序列，另一个为待标定遥测参数序列；以基准遥测参数序列的各遥测参数值点对应的时间标签组成基准时间轴；在基准时间轴的每个时间点对待标定遥测参数序列以预定的关联范围进行搜索，如果在该关联范围内有待标定遥测参数值，则该时间点为有效时间点；自变量遥测参数序列和因变量遥测参数序列在有效时间点处的遥测参数值分别构成经标定的自变量遥测参数序列和经标定的因变量遥测参数序列。
5.如权利要求4所述的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，其特征在于：
在第四步中，根据所述关联性健康基线解析函数模型、关联性健康基线阈值，对经标定的自变量遥测参数序列和经标定的因变量遥测参数序列的所示数值点进行计算，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。
6.如权利要求5所述的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，其特征在于：
在第五步中，根据经标定的因变量遥测参数序列、关联阈值下限序列和关联阈值上限序列，分别计算每个因变量遥测参数实际值与关联阈值下限和关联阈值上限之间的关系，得到该经标定的因变量遥测参数序列的超限标志位序列；根据异常判定规则，对超限标志位序列进行判定，得到卫星关键分系统健康状态结果。
7.如权利要求6所述的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，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，则判定结果为异常，即卫星关键分系统健康状态为异常；若比例值小于或等于该阈值，则判定结果为正常，即卫星关键分系统健康状态为正常。
8.如权利要求6所述的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，其特征在于：
所述异常判定规则为：
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，即卫星关键分系统健康状态为异常；
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，即卫星关键分系统健康状态为正常。
9.如权利要求6所述的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，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，则第一标志位为1；若比例值小于或等于该阈值，则第一标志位为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，则第二标志位为1；若所有子序列的判定结果为正常，则第二标志位为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，即卫星关键分系统健康状态为异常；0为正常，卫星关键分系统健康状态为正常。
CN202011404846.3A 2020-12-03 2020-12-03 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 Pending CN112526560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011404846.3A CN112526560A (zh) 2020-12-03 2020-12-03 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011404846.3A CN112526560A (zh) 2020-12-03 2020-12-03 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

Publications (1)

Publication Number Publication Date
CN112526560A true CN112526560A (zh) 2021-03-19

Family

ID=74996835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011404846.3A Pending CN112526560A (zh) 2020-12-03 2020-12-03 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

Country Status (1)

Country Link
CN (1) CN112526560A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325443A (zh) * 2021-05-12 2021-08-31 中国科学院国家授时中心 一种关于gnss空间信号质量的动态可视化分析方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140222379A1 (en) * 2011-07-15 2014-08-07 European Space Agency Method and apparatus for monitoring an operational state of a system on the basis of telemetry data
CN105259507A (zh) * 2015-10-14 2016-01-20 哈尔滨工业大学 一种基于多变量关联关系的卫星蓄电池组故障检测方法
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
WO2017098030A1 (fr) * 2015-12-09 2017-06-15 Centre National D'etudes Spatiales Procédé de détection d'un comportement atypique de paramètres de télémesure, produit programme d'ordinateur et dispositif associés
CN109506676A (zh) * 2018-11-16 2019-03-22 中国西安卫星测控中心 基于回归建模的地球敏感器故障诊断方法
CN110502554A (zh) * 2019-08-23 2019-11-26 中国西安卫星测控中心 一种基于皮尔逊系数的航天器相关遥测参数查找方法
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
CN110909822A (zh) * 2019-12-03 2020-03-24 中国科学院微小卫星创新研究院 一种基于改进的高斯过程回归模型的卫星异常检测方法
KR20200052129A (ko) * 2018-11-06 2020-05-14 한국항공우주연구원 위성명령 절차서 자동 생성 장치 및 방법
CN111190113A (zh) * 2020-04-15 2020-05-22 中国人民解放军国防科技大学 一种航天器蓄电池性能衰退异常检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140222379A1 (en) * 2011-07-15 2014-08-07 European Space Agency Method and apparatus for monitoring an operational state of a system on the basis of telemetry data
CN105259507A (zh) * 2015-10-14 2016-01-20 哈尔滨工业大学 一种基于多变量关联关系的卫星蓄电池组故障检测方法
WO2017098030A1 (fr) * 2015-12-09 2017-06-15 Centre National D'etudes Spatiales Procédé de détection d'un comportement atypique de paramètres de télémesure, produit programme d'ordinateur et dispositif associés
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
KR20200052129A (ko) * 2018-11-06 2020-05-14 한국항공우주연구원 위성명령 절차서 자동 생성 장치 및 방법
CN109506676A (zh) * 2018-11-16 2019-03-22 中国西安卫星测控中心 基于回归建模的地球敏感器故障诊断方法
CN110502554A (zh) * 2019-08-23 2019-11-26 中国西安卫星测控中心 一种基于皮尔逊系数的航天器相关遥测参数查找方法
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
CN110909822A (zh) * 2019-12-03 2020-03-24 中国科学院微小卫星创新研究院 一种基于改进的高斯过程回归模型的卫星异常检测方法
CN111190113A (zh) * 2020-04-15 2020-05-22 中国人民解放军国防科技大学 一种航天器蓄电池性能衰退异常检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MOHAMMAD, BR 等: "A Novel Approach of Health Monitoring and Anomaly Detection Applied to Spacecraft Telemetry Based on PLSDA Multivariate Latent Technique", 2014 15TH INTERNATIONAL WORKSHOP ON RESEARCH AND EDUCATION IN MECHATRONICS (REM) *
李卉 等: "基于LSTM模型的卫星电源系统异常检测方法", 装甲兵工程学院学报, vol. 33, no. 03, pages 90 - 96 *
杨甲森 等: "基于遥测数据相关性的航天器异常检测", 仪器仪表学报, vol. 39, no. 08, pages 24 - 33 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325443A (zh) * 2021-05-12 2021-08-31 中国科学院国家授时中心 一种关于gnss空间信号质量的动态可视化分析方法
CN113325443B (zh) * 2021-05-12 2023-12-19 中国科学院国家授时中心 一种关于gnss空间信号质量的动态可视化分析方法

Similar Documents

Publication Publication Date Title
Amidan et al. Data outlier detection using the Chebyshev theorem
Kaya et al. Process capability analyses with fuzzy parameters
JP2014105989A (ja) 建物動力設備のエネルギー消費量予測方法
Jackman Models for ordered outcomes
CN110083125B (zh) 一种基于深度学习的机床热误差建模方法
CN101436057A (zh) 数控机床热误差贝叶斯网络补偿方法
Marseguerra et al. Designing optimal degradation tests via multi-objective genetic algorithms
CN115828140A (zh) 邻域互信息与随机森林相融合故障检测方法、系统及应用
CN113139605A (zh) 基于主成分分析和lstm神经网络的电力负荷预测方法
CN114936504A (zh) 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统
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
Zhang et al. Partially observable multi-sensor sequential change detection: A combinatorial multi-armed bandit approach
Roy et al. Demand forecasting in smart grid using long short-term memory
CN113673115B (zh) 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法
CN112765787B (zh) 动态环境下考虑性能指标聚类的退化建模与寿命预测方法
Dong et al. Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab
CN112507455B (zh) 一种卫星遥测参数长周期数据的趋势分析方法
CN112526559A (zh) 一种多工况条件下的系统关联性状态监测方法
CN112596081A (zh) 一种基于关联性健康基线的健康状态监测算法设计开发与应用方法
CN108427837B (zh) 一种装配粗差判定方法及系统
CN113947309B (zh) 基于建造大数据的盾构隧道施工标准工时测算及评分方法
CN115549082A (zh) 基于负荷挖掘和lstm神经网络的电力负荷预测方法
Liu et al. Machine learning approaches for estimating building energy consumption
CN114336792A (zh) 一种电网运行状态预测方法与系统
CN112537461B (zh) 一种基于星载关联性健康基线卫星在轨实时监测方法

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