CN113589330B - 卫星电源系统健康状态监测系统 - Google Patents
卫星电源系统健康状态监测系统 Download PDFInfo
- Publication number
- CN113589330B CN113589330B CN202110913372.3A CN202110913372A CN113589330B CN 113589330 B CN113589330 B CN 113589330B CN 202110913372 A CN202110913372 A CN 202110913372A CN 113589330 B CN113589330 B CN 113589330B
- Authority
- CN
- China
- Prior art keywords
- telemetry
- parameters
- output current
- data
- parameter
- 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 description 47
- 230000036541 health Effects 0.000 title claims description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 102
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 238000000605 extraction Methods 0.000 claims abstract description 68
- 230000005856 abnormality Effects 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims description 64
- 230000007704 transition Effects 0.000 claims description 50
- 230000009466 transformation Effects 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000000630 rising effect Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 230000003862 health status Effects 0.000 claims description 19
- 230000008901 benefit Effects 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 5
- 230000005059 dormancy Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 34
- 238000013139 quantization Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000000844 transformation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification 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
- G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种卫星异常检测系统,包括:第一特征提取及异常检测模块,被配置为实时采集各个遥测参数的主份数据,并根据其遥测参数的特征,检测该主份数据是否发生异常情况;其中所述遥测参数的特征包括模态转换关系、模态转换顺序及模态最长持续时间。
Description
本申请是基于母案申请《卫星电源系统健康状态监测系统》(申请号:2021100799870,申请日:2021年1月21日)的分案申请。
技术领域
本发明涉及卫星遥测技术领域,特别涉及一种卫星电源系统健康状态监测系统。
背景技术
由于卫星所处空间环境的不确定性,发射前测试的局限性和元器件老化等因素,卫星在轨运行期间仍然可能会出现一些异常或故障,如果对异常或故障没有及时发现和处理将会对卫星使用寿命造成不利影响,因此有必要利用卫星的遥测数据来对卫星的健康状态进行实时监控,并在异常发生时及时进行处理以避免恶化。传统的卫星健康状态监控过程是通过星地通信将卫星的遥测数据下传到地面站,由地面站对遥测数据进行分析和判断,在发现异常后发送相应的遥控命令进行补救。但是这种方法存在通信时延长和有测控盲区的缺点,不利于异常或故障的及时发现与处理。卫星异常检测技术的在轨自主处理也存在算法不合理导致可靠性低或低效等多种问题。
发明内容
本发明的目的在于提供一种卫星电源系统健康状态监测系统,以解决现有的卫星异常检测技术的在轨自主处理算法不合理的问题。
为解决上述技术问题,本发明提供一种卫星电源系统健康状态监测系统,包括:
第一特征提取及异常检测模块,被配置为实时采集各个遥测参数的主份数据,并根据其遥测参数的特征,检测该主份数据是否发生异常情况;其中所述遥测参数的特征包括模态转换关系、模态转换顺序及模态最长持续时间。
可选的,在所述的卫星电源系统健康状态监测系统中,第一特征提取及异常检测模块,还被配置为根据卫星电源系统遥测数据特性,提取各个遥测参数的特征,根据提取的遥测参数的特征,检测其对应的主份数据是否发生异常情况;
其中卫星电源系统遥测数据特性包括:
卫星电源系统遥测参数包括太阳能帆板输出电流、以及电池组电压遥测参数;
电池组电压遥测参数在放电、充电、以及休眠之间有序转换;
太阳能帆板输出电流在恒定电流输出段、输出电流下降段、输出电流恒零段、输出电流快回升段、以及输出电流慢回升段之间有序转换。
可选的,在所述的卫星电源系统健康状态监测系统中,还包括:
第二特征提取及异常检测模块,被配置为将各个遥测参数的主份数据与备份数据进行比对后,形成比对规则库;以及
实时采集各个遥测参数的主份数据和备份数据,并根据其遥测参数的比对规则库,检测主份数据和/或备份数据是否发生异常情况。
可选的,在所述的卫星电源系统健康状态监测系统中,卫星在光照区时处于稳定状态,太阳能帆板输出电流为恒定电流输出段,其持续时间为第一时间;
当卫星进入阴影区时,太阳能帆板输出电流为输出电流下降段,其持续时间为第二时间;
当卫星完全处于阴影区时,太阳能帆板输出电流为输出电流恒零段,其持续时间为第三时间;
当卫星走出阴影区时,太阳能帆板输出电流为输出电流快回升段,其持续时间为第四时间;
当卫星完全走出阴影区时,太阳能帆板输出电流为输出电流慢回升段,其持续时间为第五时间;
第一时间大于第三时间,第三时间大于第五时间,第五时间大于第四时间,第四时间大于第二时间。
可选的,在所述的卫星电源系统健康状态监测系统中,
根据电池组电压遥测参数在放电、充电、以及休眠之间有序转换,得到电池组电压遥测参数的模态转换关系、模态转换顺序;
根据太阳能帆板输出电流在恒定电流输出段、输出电流下降段、输出电流恒零段、输出电流快回升段、以及输出电流慢回升段之间有序转换,得到太阳能帆板输出电流的模态转换关系、模态转换顺序。
可选的,在所述的卫星电源系统健康状态监测系统中,由卫星电源系统遥测参数的最小幅值至卫星电源系统遥测参数的最大幅值之间均匀切分为多个数量级,每个数量级对应一个模态;
采集多个时间点对应的卫星电源系统遥测参数,按各个卫星电源系统遥测参数的幅值,将其各个卫星电源系统遥测参数对应至一个模态中;
将一个模态中的所有卫星电源系统遥测参数对应的时间点求和,得到模态最长持续时间。
可选的,在所述的卫星电源系统健康状态监测系统中,所述模态转换关系包括一阶模态转换;
一阶模态转换为由第i个模态转换到第j个模态;
为每个遥测参数构造一阶模态转换矩阵A,A的行数等于模态的个数,A的列数等于模态的个数;
分别对每个遥测参数进行学习,如果训练数据中该遥测参数量化后的第i个模态能够转换到第j个模态,则Aij=1;否则Aij=0;
将一个模态的最长持续时间存储在一阶模态转换矩阵A的对角线上。
可选的,在所述的卫星电源系统健康状态监测系统中,所述模态转换关系包括二阶模态转换;
二阶模态转换包括:上升转换叠加上升转换、上升转换叠加下降转换、下降转换叠加上升转换、下降转换叠加下降转换;
为每个遥测参数构造二阶模态转换矩阵B,B的行数等于模态的个数,B的列数为1;
分别对每个遥测参数进行学习,如果训练数据中单个遥测参数出现某个二阶模态转换,B的相应位置记为相应的转换值,否则B的相应位置记为0;
某个遥测参数的实测数据与一阶模态转换矩阵A和二阶模态转换矩阵B比对,若实测数据违反了一阶模态转换矩阵A或二阶模态转换矩阵B的规则,则检测该实测数据是否发生异常情况。
可选的,在所述的卫星电源系统健康状态监测系统中,第一特征提取及异常检测模块中具有特征提取与异常检测算法,特征提取与异常检测算法分为学习过程和监测过程,学习过程包括根据卫星电源系统遥测数据特性,提取各个遥测参数的特征,监测过程包括实时采集各个遥测参数的主份数据,并根据其遥测参数的特征,检测该主份数据是否发生异常情况;
第二特征提取及异常检测模块执行以下动作:
获得主份遥测参数与备份遥测参数的一一对应关系;
将训练数据中对应的遥测参数相减,统计每对遥测参数相减后的最大差值;
将最大差值与遥测参数的对应关系存入比对规则库;
在比对规则库中获取主份遥测参数与备份遥测参数的对应关系;
将对应的需要检测的遥测参数相减,得到实际差值;
实际差值与比对规则库中相应的最大差值进行比较;
若实际差值小于最大差值,则主份数据和/或备份数据为正常情况;
若实际差值大于最大差值,则主份数据和/或备份数据为异常情况。
可选的,在所述的卫星电源系统健康状态监测系统中,为了获得单个遥测参数模态的最长持续时间,对每个遥测参数量化后模态的持续时间进行统计,然后取最大值;
持续时间为进入到一个模态到转向其他模态过程前的所经历的时间长度;
依据稳态数据与过渡状态数据表现的不同和实际遥测参数的不连续性,将最长持续时间大于门限值Ts的状态定义为稳态,最长持续时间低于Ts的状态定义为过渡态;
稳态的最长持续时间人工设置为无穷大,对稳态持续时间没有限制,过渡态的最长持续时间为训练数据学习到的最长持续时间;
遥测参数模态最长持续时间的获得与一阶模态转换矩阵A的学习过程同时进行,并存储在一阶模态转换矩阵A的对角线上;
学习过程完成后,得到关于每个遥测参数的一阶模态转换关系、模态最长持续时间和二阶模态转换等特征。
可选的,在所述的卫星电源系统健康状态监测系统中,
监测过程是某个遥测参数的实测数据与一阶模态转换矩阵A和二阶模态转换矩阵B比对,若实测数据违反了一阶模态转换矩阵A或二阶模态转换矩阵B的规则,则检测该实测数据是否发生异常情况;
利用之前学习到的每个遥测参数的两个模态转换方阵A和B进行异常检测;
在进行异常检测时,先将遥测参数进行量化,然后查看该遥测参数是否由现有模态转向了其他模态,如果没有发生转换,则统计该模态的持续时间;
如果发生了模态转换,则与矩阵A和B进行对比,查看发生的转换是否被允许;
如果实际遥测参数发生两个模态转换矩阵所不允许的转换,则该参数发生异常;
如果单个模态持续时间超过了模态最长持续时间也认为发生异常;
利用第二特征提取及异常检测模块中的改进特征提取与异常检测算法以充分利用备份参数的同步相关性,使用备份遥测参数间的最大差值来检测异常;
改进特征提取与异常检测算法包括:首先,获得备份间遥测参数的一一对应关系,然后将训练数据中对应的遥测参数相减并统计每对遥测参数相减后的最大差值,最后将差的最大差值与相应的对应关系一起存入比对规则库;
其次,在比对规则库中获取备份参数间的对应关系,然后将对应的需要检测的遥测参数相减并与比对规则库中相应的相减后的最大差值进行比较,如果实际差值如果小于最大差值,就认为这两个参数正常;如果实际差值大于最大差值认为这两个参数中至少有一个发生了异常。
可选的,在所述的卫星电源系统健康状态监测系统中,
将特征提取与异常检测算法和改进特征提取与异常检测算法进行融合进而优势互补以改进特征提取与异常检测方法,包括:特征提取和异常检测算法只需对有备份关系的一半遥测参数而不是全部遥测参数进行监测,备份参数异常检测方法对每对有备份关系的遥测参数检测一次,两种方法同时运行,如果某一时刻至少有一种异常方法检测到异常就认为该时刻是异常的;否则,该时刻是正常的。
在本发明提供的卫星电源系统健康状态监测系统中,通过根据卫星电源系统遥测数据特性,提取各个遥测参数的特征,根据其遥测参数的特征,检测该主份数据是否发生异常情况,实现了对现有的遥测数据中所包含的信息进行深入挖掘,而不仅仅简单的利用遥测数据中距离和出现频率来判断是否异常;进一步的,通过将各个遥测参数的主份数据与备份数据进行比对后,形成比对规则库,根据其遥测参数的比对规则库,检测主份数据和/或备份数据是否发生异常情况,实现了利用主备份遥测参数之间的同步性来改进第一特征提取及异常检测模块的特征提取和异常检测算法,改进后的算法同时利用了单个遥测参数本身包含的时间相关性和与其他参数的相关性,在提高可靠性的同时实现了前述两种算法的优势互补。对卫星可能发生的异常或故障的及时发现和处理对提高卫星的可靠性和延长卫星使用寿命有重要作用。
本发明用真实的卫星遥测数据和模拟异常数据对算法进行了验证,结果表明所提改进算法具有复杂度低和可靠性高的优点。
附图说明
图1是本发明一实施例的某卫星电源系统遥测参数示例示意图;
图2是本发明一实施例的太阳能帆板输出电流变化特性示意图;
图3是本发明一实施例的正常太阳帆板输出电流量化后每个级数最长持续时间示意图;
图4是本发明一实施例的太阳帆板输出电流量化后前后时刻一阶转换关系示意图;
图5是本发明一实施例的太阳帆板输出电流量化后的二阶转换关系示意图;
图6是本发明一实施例的特征提取与异常检测方法流程示意图;
图7是本发明一实施例的备份参数异常检测方法流程示意图;
图8是本发明一实施例的改进特征提取与异常检测方法流程示意图;
图9是本发明一实施例的模拟异常1实验波形示意图;
图10是本发明一实施例的模拟异常2实验波形示意图;
图11是本发明一实施例的模拟异常3实验波形示意图;
图12是本发明一实施例的太阳能帆板A输出电流量化值示意图;
图13是本发明一实施例的太阳能帆板A输出电流量化后模态94的一阶转换示意图;
图14是本发明一实施例的太阳能帆板A输出电流量化后模态92的二阶转换示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的卫星电源系统健康状态监测系统作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
另外,除非另行说明,本发明的不同实施例中的特征可以相互组合。例如,可以用第二实施例中的某特征替换第一实施例中相对应或功能相同或相似的特征,所得到的实施例同样落入本申请的公开范围或记载范围。
本发明的核心思想在于提供一种卫星电源系统健康状态监测系统,以解决现有的卫星异常检测技术的在轨自主处理算法不合理的问题。
本发明的发明人经研究发现,随着星载计算机处理能力和存储能力的提高,卫星异常检测技术已经朝着在轨自主处理的方向发展。星上自主异常检测技术可以显著提高故障检测的及时性和卫星的自主性。目前已经应用的方法是通过将遥测参数与预设的门限和规则进行比较来完成异常检测,但是该方法所用的门限和规则需要耗费大量人力去设计和验证,并且如果应用对象发生了变化,就需要重新设计门限与规则,因此该方法的扩展性不高。
近年来航天系统逐渐意识到基于机器学习的异常检测方法具有良好的扩展性能,纷纷开始研究和应用遥测数据机器学习的方法来对卫星进行健康状态监控,涌现出了IMS,ocra,OS-SVM等方法。然而,发明人认为,这些方法普遍认为航天器遥测数据中占据多数的数据是正常数据,与正常数据距离较远、相似度较低或者出现频率较低的数据为异常数据。即上述几种方法都仅仅利用了遥测数据中所包含的部分信息如距离和出现频率等,对现有的遥测数据中所包含的信息挖掘不深。
发明人发现,实际上卫星的遥测数据是许多个时间序列组合在一起的具有时间相关性的数据。
针对上述问题和洞察,通过对遥测数据时间相关性的详细分析本发明提出了一种特征提取和异常检测算法,该算法利用了遥测参数模态之间能否进行转换,转换的先后顺序和模态的持续时间等信息进行异常检测。在训练数据覆盖系统全部工作模式和模态转换过程的假设下,将这些挖掘的时间信息保存到规则库中,当实际遥测参数违反这些规则时,就认为发生了异常。
进一步的,发明人发现,上述特征提取和异常检测方法仅利用了单个遥测参数所具有的时间相关性,而忽略了与其他遥测参数的相关性。例如,为了卫星延长使用寿命,卫星通常采用多个备份来提高可靠性,而备份遥测参数间的相关性非常强,具有一致的变化规律,利用这种备份参数间的同步性可以改进所提的特征提取和异常检测方法的性能。
为实现上述思想,本发明提供了一种卫星电源系统健康状态监测系统,包括:第一特征提取及异常检测模块,被配置为根据卫星电源系统遥测数据特性,提取各个遥测参数的特征;以及实时采集各个遥测参数的主份数据,并根据其遥测参数的特征,检测该主份数据是否发生异常情况;第二特征提取及异常检测模块,被配置为将各个遥测参数的主份数据与备份数据进行比对后,形成比对规则库;以及实时采集各个遥测参数的主份数据和备份数据,并根据其遥测参数的比对规则库,检测主份数据和/或备份数据是否发生异常情况。所述特征包括模态转换关系、模态转换顺序及模态最长持续时间。
首先,本发明分析了卫星电源系统遥测数据特性,例如某卫星电源系统遥测参数共有离散型和连续型两种:离散型遥测参数如单机开关机状态标志;连续型遥测参数如电流、电压和温度等。由于离散型遥测参数状态稳定且取值较少,异常检测较为容易,因此本发明致力于解决电源系统遥测参数中连续型数据的异常检测问题。图1显示了某卫星电源系统中5个代表性的遥测参数的正常表现。
由图1可知电源系统中的电压和电流类连续型遥测参数在形式上表现为在几个模式之间有序转换,而温度类遥测参数的这种转换关系表现并不明显。例如电池组电压遥测参数在放电、充电和休眠三种模式之间有序转换;太阳能帆板输出电流在有恒定电流输出(恒定电流输出段),输出电流快速下降(输出电流下降段),输出电流几乎为零(输出电流恒零段),输出电流快速回升(输出电流快回升段)和输出电流缓慢回升(输出电流慢回升段)五种模式之间有序转换。
具体地,以某卫星电源系统中的太阳能帆板输出电流为例。如图2所示,帆板输出电流在光照区t0~t1时处于稳定状态,并且具有较长的持续时间(第一时间)。当卫星进入阴影区t1~t2时,帆板电流开始迅速下降,前后两个时刻的电流值变化较大,每个电流状态的持续时间(第二时间)都很短,并且下降由高到低有方向的。当卫星完全处于阴影区t2~t3时,帆板电流也处于稳定状态,但持续时间(第三时间)明显小于光照区。当卫星出地影t3~t4时,帆板电流又开始迅速由低到高迅速上升,并且每个电流状态的持续时间(第四时间)也都很短。t4~t5期间,帆板输出电流又缓慢回升到稳定状态,其持续时间为第五时间。第一时间大于第三时间,第三时间大于第五时间,第五时间大于第四时间,第四时间大于第二时间。
进一步的,根据电池组电压遥测参数在放电、充电、以及休眠之间有序转换,得到电池组电压遥测参数的模态转换关系、模态转换顺序;根据太阳能帆板输出电流在恒定电流输出段、输出电流下降段、输出电流恒零段、输出电流快回升段、以及输出电流慢回升段之间有序转换,得到太阳能帆板输出电流的模态转换关系、模态转换顺序。由卫星电源系统遥测参数的最小幅值至卫星电源系统遥测参数的最大幅值之间均匀切分为多个数量级,每个数量级对应一个模态;采集多个时间点对应的卫星电源系统遥测参数,按各个卫星电源系统遥测参数的幅值,将其各个卫星电源系统遥测参数对应至一个模态中;将一个模态中的所有卫星电源系统遥测参数对应的时间点求和,得到模态最长持续时间。
为了更好的展现遥测数据的时间相关性,本发明对太阳能帆板输出电流进行均匀量化,共量化100个数量级。图3是图2中10,000个帆板输出电流的正常数据量化后每个量化级数的最长持续时间统计结果。由图3可知,除了两个稳定状态(光照区和阴影区)持续时间较长外,稳态之间的过渡状态持续时间都很短。如果在某些持续时间较短的量化状态持续了较长的时间则说明可能有异常发生。有鉴于此,本发明可以通过检测实际遥测参数在某个量化后数值的持续时间是否超过了现有正常训练数据所统计的最长持续时间来检测异常。
图4为图2中10,000个帆板输出电流均匀量化后前后时刻的一阶模态转换关系图。一阶模态转换为由第i个模态转换到第j个模态;在图4中,x轴是帆板输出电流在前一时刻的量化值,y轴是帆板输出电流在后一时刻的量化值,z轴是帆板输出电流前后时刻量化值的一阶转换关系,z只有两种取值:0和1。如果帆板输出电流前一时刻的量化值可以向后一时刻的量化值转换,则z=1,否则z=0。由图4可知,正常状态下发生的一阶转换关系(即z=1的部分)主要集中在对角线附近。例如,帆板电流量化后的模态94可以向模态93或95转换,而没有向模态92等其他离对角线较远的模态转换。这说明正常状态下,量化后的输出电流值只会向自身或邻近的量化模态转换,而不会向较远的量化模态发生转换。如果发生了现有正常数据表现之外的转换通常意味着异常的发生。有鉴于此,本发明可以通过检测遥测参数是否发生了现有训练数据表现之外的一阶模态转换来检测异常。
由于本发明对连续型的遥测参数进行了量化,而如果量化区间选择的不合理将会导致遥测参数在相邻的两个量化级数之间回来跳变,并给后期的异常检测带来困难,为此本发明引入多阶模态转换来抵消量化误差带来的不利影响。二阶模态转换忽略了转向自身的转换,只关心遥测参数的变化趋势。二阶模态转换包括:上升转换叠加上升转换、上升转换叠加下降转换、下降转换叠加上升转换、下降转换叠加下降转换;例如,相邻的四次一阶模态转换关系92→92→92→93在多阶模态转换关系中简化为92→93,即遥测参数出现了上升趋势。多阶模态转换的中的每一次转换都只能想其他模态转换。以二阶模态转换为例,共有四种情况。
1)前一次转换有上升趋势,后一次转换也有上升趋势;
2)前一次转换有上升趋势,后一次转换有下降趋势;
3)前一次转换有下降趋势,后一次转换有上升趋势;
4)前一次转换有下降趋势,后一次转换也有下降趋势。
例如,二阶模态转换92→93→94符合第一种情况,因为遥测参数在相邻两次转换时有持续上升的趋势;而二阶模态转换92→93→92符合第二种情况,因为遥测参数在相邻两次转换中先有上升趋势后有下降的趋势。仍然统计图2中10,000个帆板输出电流在量化后正常数据的二阶转换关系,结果如图5所示。在图5中用Z轴表示二阶转换关系,其4个非0取值分别代表前述的4种二阶模态转换情况。与图4相比,虽然正常状态下,帆板输出电流可以发生的二阶模态转换也集中在对角线附近,但存在两个明显不同的状态转换过程:一个是太阳能帆板电流持续下降过程(表现为图5中二阶转换关系为4的转换近似为一条直线);一个是太阳能帆板电流持续上升过程(表现为图5中二阶转换关系为1的转换也近似为一条直线)。由图5可知,二阶模态转换关系可以很好的提取遥测参数的变化趋势,如果实际遥测参数所表现的趋势与正常数据学习得到的趋势不同,则可能发生了异常。
为了提高可靠性或实现某些功能,卫星的关键子系统和部件通常会使用多个相同的器件或单机。例如,物理热备份和三模冗余可以提高卫星的可靠性,而多个单体电池串并联在一起共同实现存储和释放能量的功能,这些相同的单机或器件就构成了备份关系。在正常状态下,拥有备份关系的遥测参数变化规律具有同步性。当发生异常后,这种备份参数间变化规律的同步性可能被破坏。例如,某卫星的电源系统由两个太阳电池帆板,两个电池组,均衡器和电源控制器组成,其中两个太阳电池帆板(A,B)和两个电池组(A,B)硬件配置和遥测参数完全相同,构成了备份关系。为了展现主备份遥测参数之间变化规律的同步性,本发明选取了电源系统中的四对有备份关系的遥测参数进行对比,分别统计了它们对应相减后的均值、标准差和最大差值,结果如表1所示。
表1、备份遥测参数的变化规律
由表1可知,上述四对有备份关系的遥测参数相减后的差的均值、标准差和最大值都比较小,具有一致的变化规律,可以利用他们之间相互监督来达到异常检测的目的。
第一特征提取及异常检测模块中具有特征提取与异常检测算法,特征提取与异常检测算法分为学习过程和监测过程,学习过程包括根据卫星电源系统遥测数据特性,提取各个遥测参数的特征,监测过程包括实时采集各个遥测参数的主份数据,并根据其遥测参数的特征,检测该主份数据是否发生异常情况。
本发明将卫星遥测参数中的时间相关性具体为遥测参数量化后模态之间能否进行转换,转换的先后顺序和趋势,模态的最长持续时间等特征。为了提取这些特征,本发明对每个遥测参数进行均匀量化并为每个遥测参数构造一阶模态转换矩阵A和二阶模态转换矩阵B,其中一阶模态转换矩阵A和二阶模态转换矩阵B的行数都等于量化总级数;A的列数等于模态的个数,B的列数为1。方阵A用于统计遥测参数的一阶模态转换关系和最长持续时间,方阵B统计遥测参数的二阶模态转换关系。基于这些特征,本发明提出了一种特征提取与异常检测算法,该算法由学习过程和监测过程两部分组成。
学习过程如下:分别对每个遥测参数进行学习,如果训练数据中该遥测参数量化后的第i个模态可以转换到第j个模态,则将该遥测参数的矩阵A中Aij=1,否则Aij=0。二阶模态转换方阵B的获得是通过将相邻的两次模态转换与前述四种情况进行比较获得。如果训练数据中单个遥测参数出现了四种模态转换中的某一种,则将对应的变化趋势将添加到矩阵B的相应位置中;如果训练数据中没有发生上述四种二阶转换,则将矩阵B中对应位置的值设为0。需要注意的是某些二阶模态转换可能具有多种转换趋势,相应的矩阵B的对应位置也有多个取值。此外,矩阵A和B都是非对称的,即模态转换是有方向的。
为了获得单个遥测参数模态的最长持续时间,本发明对每个遥测参数量化后模态的持续时间进行统计,然后取最大值。持续时间为进入到一个模态到转向其他模态过程前的所经历的时间长度。依据稳态数据与过渡状态数据表现的不同和实际遥测参数的不连续性(卫星处于观测区间外而导致无法获得遥测数据),本发明将最长持续时间大于门限值Ts的状态定义为稳态,最长持续时间低于Ts的状态定义为过渡态。稳态的最长持续时间人工设置为无穷大,即对稳态持续时间没有限制,过渡态的最长持续时间为训练数据学习到的最长持续时间。遥测参数模态最长持续时间的获得可以同一阶模态转换矩阵A的学习过程同时进行,并存储在一阶模态转换矩阵A的对角线上。学习过程完成后,本发明就得到了关于每个遥测参数的一阶模态转换关系、模态最长持续时间和二阶模态转换等特征。
监测过程是某个遥测参数的实测数据与一阶模态转换矩阵A和二阶模态转换矩阵B比对,若实测数据违反了一阶模态转换矩阵A或二阶模态转换矩阵B的规则,则检测该实测数据是否发生异常情况;具体的,利用之前学习到的每个遥测参数的两个模态转换方阵A和B进行异常检测。在进行异常检测时,先将遥测参数进行量化,然后查看该遥测参数是否由现有模态转向了其他模态,如果没有发生转换,则统计该模态的持续时间;如果发生了模态转换,则与矩阵A和B进行对比,查看发生的转换是否被允许。如果实际遥测参数发生了两个模态转换矩阵所不允许的转换,就认为该参数发生了异常。如果单个模态持续时间超过了模态最长持续时间也认为发生了异常。整个特征提取与异常检测方法流程图如图6所示。
前述的特征提取和异常检测算法仅利用了单个遥测参数所包含的时间相关性,并没有充分利用备份参数的同步相关性。为此,本发明又引入了利用第二特征提取及异常检测模块中的改进特征提取与异常检测算法(或称为备份参数异常检测方法),即一种利用备份参数间的同步性进行异常检测的方法。通常情况下备份间遥测参数相减后的差值大部分较小,但在某些特殊情况下(如遥测参数变化较快时)相减后的差值较大。由于标准差是一个全局统计量,特殊情况下产生的较大差值会被平均,进而导致统计的备份间遥测参数相减后的差的标准差仍然较小。如果对主备份遥测参数相减后的差值采用3σ方法进行异常检测,则在遥测参数变化较快时会产生虚警,因此本发明使用备份遥测参数间的最大差值来检测异常。
具体地,备份参数异常检测方法也分为两个过程:学习过程和监测过程。学习过程由三部分组成,首先,获得备份间遥测参数的一一对应关系,然后将训练数据中对应的遥测参数相减并统计每对遥测参数相减后的最大差值,最后将差的最大差值与相应的对应关系一起存入比对规则库。监测过程分为两个部分,首先在比对规则库中获取备份参数间的对应关系,然后将对应的需要检测的遥测参数相减并与比对规则库中相应的相减后的最大差值进行比较,如果实际差值如果小于最大差值,就认为这两个参数正常;如果实际差值大于最大差值认为这两个参数中至少有一个发生了异常。整个过程如图7所示(图中箭头表示对应关系)。
前述两种方法分别利用了单个遥测参数的时间相关性和备份遥测参数间的同步性来检测异常,可以将它们进行融合进而优势互补以改进特征提取与异常检测方法。融合方法如下,特征提取和异常检测算法只需对有备份关系的一半遥测参数而不是全部遥测参数进行监测,备份参数异常检测方法对每对有备份关系的遥测参数检测一次。两种方法同时运行,如果某一时刻至少有一种异常方法检测到异常就认为该时刻是异常的;否则,该时刻是正常的。整个异常检测过程如图8所示,将两种方法融合后同时运行的改进特征提取与异常检测方法与单个方法相比,会带来两个好处:
首先,改进后的算法仅提取了主份遥测参数的时间相关性,与对全部遥测参数都使用特征提取与异常检测方法相比,降低了时间和空间复杂度,节省了航天器的宝贵资源。
其次,两种方法的检测结果构成了冗余关系,与单个异常检测算法相比,可以提高异常检测系统的可靠性。例如,在某时刻,不同原理的两种方法都判定该时刻的值是正常的,与单独用一种方法判定该时刻的值是正常的情况相比,判定结果的可信度将大大提高。
为了验证本发明所提的特征提取与异常检测方法及其改进算法有效性,本发明做多个实验。首先为了验证所提算法的有效性和时间复杂度,本发明选取了某卫星电源分系统的32个(16对)有备份关系的遥测参数并将它们分为三组,第一组仅使用8个(4对)遥测参数,第二组使用16个(8对)遥测参数,第三组使用全部32个(16对)遥测参数。训练数据是这些参数从2017年9月30日16点整至2017年10月30日16点整的数据,共700,350个正常数据(中间有间断),测试数据使用的是这些参数从2017年10月31日18点25分29秒至2017年11月15日8点22分05秒的共429,250个正常数据。训练数据和测试数据的采样率都是每1秒采样一次,并且事先都经过了插值和平滑处理。最长持续时间门限值Ts设为2,000。特征提取与异常检测方法及其改进算法都采用均匀量化,共量化100个等级。仿真环境为thinkpadt460s,CPU为corei5-6200U,内存为8G,仿真软件为Matlab R2019b。原始的特征提取和异常检测方法对所有遥测参数进行学习和监测,而改进特征提取和异常检测方法仅对有备份关系的一半(主份)进行学习和监测。由于学习过程可以离线进行,本发明仅统计了监测阶段的时间消耗,每个监测耗时结果都是运行十次后取平均值的结果,三种方法的监测耗时和误报率分别表2和表3所示。
表2.三种方法时间消耗对比
表3.正常数据监测结果
为了验证本发明所提的特征提取与异常检测方法及其改进算法对电源系统的异常或故障的灵敏度。与上一个实验不同的是,后续实验中的特征提取与异常检测方法及其改进算法只提取了主份遥测参数的时间相关性,没有提取备份参数的模态转换关系等特征。本发明做了3个模拟异常实验。训练数据为650,350个正常数据,测试数据为50,000个样本。模拟的异常和异常注入的方法如下:
模拟异常1模拟了单个太阳能帆板中的太阳电池片发生了断路而导致损失一串太阳能电池片功率的异常。每个太阳能帆板由69串电池并联而成,为了方便模拟,这里假设每串太阳能电池片为一个恒流源,因此损失一串太阳能电池片功率意味着单个太阳能帆板输出电流降低1/69。异常注入的方法如下,在训练数据中拿出5万个正常数据,然后在25,000点处注入异常,太阳能电池阵A输出电流突变为原来值的68/69,而太阳能电池阵B输出电流保持不变,如图9示。
模拟异常2模拟了单个太阳能帆板上的电连接器发生了断路导致损失1/10功率的异常,该异常会导致相关的太阳能帆板输出电流突降2.65A。异常注入方法同样是在训练数据中拿出5万个数据并在25,000点处注入异常,太阳能电池阵B输出电流突降2.65A,而太阳能电池阵A输出电流保持不变,如图10所示。
模拟异常3模拟了单个太阳能帆板输出电流缓慢衰减为正常值的98%的异常。由于实际的帆板性能衰减过程十分缓慢,这里对其进行了理想化的加速,即在25,000秒的时间内以固定斜率衰减到正常值的98%。异常注入的方法如下,在训练数据中拿出5万个正常数据,然后在25,000点处注入异常,太阳能电池阵A和B的输出电流缓慢下降,到5万点降为正常值的98%,如图11所示。
表4.模拟故障数据异常检测结果
3个模拟异常的异常检测结果如表4所示。太阳能帆板A输出电流在24900-25400阶段的电流量化后的值如图12所示。太阳能帆板A输出电流在24999点处量化后数值是94,模态94的一阶转换关系和最长持续时间如图13所示,模态92的二阶转换关系如图14所示。
模拟异常1在25000点处电流变为原来的68/69,25000点处电流量化后的数值是92,由图13可知模态94是不可以向模态92直接转换的,因此发生了异常的模态转换,三种方法都立即检测到了模拟异常1。此外,由图12可知,在异常发生后,太阳能帆板A输出电流量化后出现了波动,即在模态92到93之间来回变化,如果没有二阶模态转换关系,在模态92转回模态93之后一段时间将会出现漏报。换句话说,此时仅用一阶模态转换关系和模态最长持续时间无法检测到异常。但是由图14的二阶模态转换关系可知,当太阳能帆板电流值量化进入模态92之后只会出现两种情况:由模态92经过连续两次转换上升到模态94;由模态92连续两次转换下降到模态90。图12中25200点之后的二阶模态转换92→93→92与由训练数据学习到的模态92的二阶模态转换关系相矛盾,因此添加二阶模态转换关系后这段区间并没有漏报。
模拟异常2在25000点处太阳能帆板B输出电流下降2.65A后,25000点处的电流量化后数值为75,由图13可知,模态94是不可以直接向模态75发生转换的,但是由于太阳能帆板B输出电流与太阳能帆板A输出电流有备份关系,因此并没有提取太阳能帆板B输出电流的模态转换关系和最长持续持续时间等信息,因此特征提取和异常检测方法没有检测到该异常,而备份参数方法通过比较太阳能帆板B输出电流与太阳能帆板A输出电流的差值立即检测到了异常,进一步地,改进特征提取和异常检测方法也立即检测到了异常,并且误报率和漏报率都为零。这说明改进特征提取和异常检测方法没有必要对所有遥测参数提取时间相关性信息也能检测到异常。
模拟异常3在25000点处太阳能帆板A输出电流开始缓慢下降,结合表3可知,由于初期电流下降不明显,三种方法并没有立即检测到异常,但是随着异常的扩大,特征提取和异常检测方法比备份参数方法较早检测到了异常。特征提取和异常检测方法检测到异常的原因是随着输出电流的缓慢下降,电流量化后的模态也在变化,当由94下降到93之后,由于模态93的最长持续时间只有329秒,因此在模态93处连续持续329秒之后检测到了异常。改进特征提取和异常检测方法同时运行了备份参数方法和特征提取和异常检测方法,因此它也在33899点检测到了异常并且具有最低的误报率。改进特征提取和异常检测方法误报率最低的原因是备份参数方法和特征提取和异常检测方法都有一定的漏报,但是他们漏报的时刻可能不一样,而两种方法只要有一个检测到异常,改进特征提取和异常检测方法也就检测到了异常,因此具有最低的误报率。
本发明结合某卫星电源系统遥测参数的两种性质—时间相关性和备份参数的同步性提出了特征提取和异常检测方法并利用备份参数方法对其进行了改进。最后用实际的正常遥测数据和模拟的异常数据进行了验证,结果表明所提算法及其改进算法很好的利用了电源系统遥测参数的特性,并且具有时间复杂度低和可靠性高的特点。
综上,上述实施例对卫星电源系统健康状态监测系统的不同构型进行了详细说明,当然,本发明包括但不局限于上述实施中所列举的构型,任何在上述实施例提供的构型基础上进行变换的内容,均属于本发明所保护的范围。本领域技术人员可以根据上述实施例的内容举一反三。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (7)
1.一种卫星电源系统健康状态监测系统,其特征在于,包括:
第一特征提取及异常检测模块,被配置为实时采集各个遥测参数的主份数据,根据卫星电源系统遥测数据特性,提取各个遥测参数的特征,并根据其遥测参数的特征,检测该主份数据是否发生异常情况,其中所述遥测参数的特征包括模态转换关系、模态转换顺序及模态最长持续时间;
第二特征提取及异常检测模块,被配置为将各个遥测参数的主份数据与备份数据进行比对后,形成比对规则库;以及实时采集各个遥测参数的主份数据和备份数据,并根据其遥测参数的比对规则库,检测主份数据和/或备份数据是否发生异常情况;
其中第一特征提取及异常检测模块,还被配置为根据提取的遥测参数的特征,检测其对应的主份数据是否发生异常情况;
其中卫星电源系统遥测数据特性包括:
卫星电源系统遥测参数包括太阳能帆板输出电流、以及电池组电压遥测参数;
电池组电压遥测参数在放电、充电、以及休眠之间有序转换;
太阳能帆板输出电流在恒定电流输出段、输出电流下降段、输出电流恒零段、输出电流快回升段、以及输出电流慢回升段之间有序转换;
其中第一特征提取及异常检测模块中具有特征提取与异常检测算法,特征提取与异常检测算法分为学习过程和监测过程,学习过程包括根据卫星电源系统遥测数据特性,提取各个遥测参数的特征,监测过程包括实时采集各个遥测参数的主份数据,并根据其遥测参数的特征,检测该主份数据是否发生异常情况;
第二特征提取及异常检测模块执行以下动作:
获得主份遥测参数与备份遥测参数的一一对应关系;
将训练数据中对应的遥测参数相减,统计每对遥测参数相减后的最大差值;
将最大差值与遥测参数的对应关系存入比对规则库;
在比对规则库中获取主份遥测参数与备份遥测参数的对应关系;
将对应的需要检测的遥测参数相减,得到实际差值;
实际差值与比对规则库中相应的最大差值进行比较;
若实际差值小于最大差值,则主份数据和/或备份数据为正常情况;
若实际差值大于最大差值,则主份数据和/或备份数据为异常情况。
2.如权利要求1所述的卫星电源系统健康状态监测系统,其特征在于,
卫星在光照区时处于稳定状态,太阳能帆板输出电流为恒定电流输出段,其持续时间为第一时间;
当卫星进入阴影区时,太阳能帆板输出电流为输出电流下降段,其持续时间为第二时间;
当卫星完全处于阴影区时,太阳能帆板输出电流为输出电流恒零段,其持续时间为第三时间;
当卫星走出阴影区时,太阳能帆板输出电流为输出电流快回升段,其持续时间为第四时间;
当卫星完全走出阴影区时,太阳能帆板输出电流为输出电流慢回升段,其持续时间为第五时间;
第一时间大于第三时间,第三时间大于第五时间,第五时间大于第四时间,第四时间大于第二时间。
3.如权利要求2所述的卫星电源系统健康状态监测系统,其特征在于,
根据电池组电压遥测参数在放电、充电、以及休眠之间有序转换,得到电池组电压遥测参数的模态转换关系、模态转换顺序;
根据太阳能帆板输出电流在恒定电流输出段、输出电流下降段、输出电流恒零段、输出电流快回升段、以及输出电流慢回升段之间有序转换,得到太阳能帆板输出电流的模态转换关系、模态转换顺序。
4.如权利要求1所述的卫星电源系统健康状态监测系统,其特征在于,由卫星电源系统遥测参数的最小幅值至卫星电源系统遥测参数的最大幅值之间均匀切分为多个数量级,每个数量级对应一个模态;
采集多个时间点对应的卫星电源系统遥测参数,按各个卫星电源系统遥测参数的幅值,将其各个卫星电源系统遥测参数对应至一个模态中;
将一个模态中的所有卫星电源系统遥测参数对应的时间点求和,得到模态最长持续时间;
所述模态转换关系包括一阶模态转换;
一阶模态转换为由第i个模态转换到第j个模态;
为每个遥测参数构造一阶模态转换矩阵A,A的行数等于模态的个数,A的列数等于模态的个数;
分别对每个遥测参数进行学习,如果训练数据中该遥测参数量化后的第i个模态能够转换到第j个模态,则Aij=1;否则Aij=0;
将一个模态的最长持续时间存储在一阶模态转换矩阵A的对角线上;
所述模态转换关系包括二阶模态转换;
二阶模态转换包括:上升转换叠加上升转换、上升转换叠加下降转换、下降转换叠加上升转换、下降转换叠加下降转换;
为每个遥测参数构造二阶模态转换矩阵B,B的行数等于模态的个数,B的列数为1;
分别对每个遥测参数进行学习,如果训练数据中单个遥测参数出现某个二阶模态转换,B的相应位置记为相应的转换值,否则B的相应位置记为0;
某个遥测参数的实测数据与一阶模态转换矩阵A和二阶模态转换矩阵B比对,若实测数据违反了一阶模态转换矩阵A或二阶模态转换矩阵B的规则,则检测该实测数据是否发生异常情况。
5.如权利要求1所述的卫星电源系统健康状态监测系统,其特征在于,为了获得单个遥测参数模态的最长持续时间,对每个遥测参数量化后模态的持续时间进行统计,然后取最大值;
持续时间为进入到一个模态到转向其他模态过程前的所经历的时间长度;
依据稳态数据与过渡状态数据表现的不同和实际遥测参数的不连续性,将最长持续时间大于门限值Ts的状态定义为稳态,最长持续时间低于Ts的状态定义为过渡态;
稳态的最长持续时间人工设置为无穷大,对稳态持续时间没有限制,过渡态的最长持续时间为训练数据学习到的最长持续时间;
遥测参数模态最长持续时间的获得与一阶模态转换矩阵A的学习过程同时进行,并存储在一阶模态转换矩阵A的对角线上;
学习过程完成后,得到关于每个遥测参数的一阶模态转换关系、模态最长持续时间和二阶模态转换特征。
6.如权利要求5所述的卫星电源系统健康状态监测系统,其特征在于,
监测过程是某个遥测参数的实测数据与一阶模态转换矩阵A和二阶模态转换矩阵B比对,若实测数据违反了一阶模态转换矩阵A或二阶模态转换矩阵B的规则,则检测该实测数据是否发生异常情况;
利用之前学习到的每个遥测参数的两个模态转换方阵A和B进行异常检测;
在进行异常检测时,先将遥测参数进行量化,然后查看该遥测参数是否由现有模态转向了其他模态,如果没有发生转换,则统计该模态的持续时间;
如果发生了模态转换,则与矩阵A和B进行对比,查看发生的转换是否被允许;
如果实际遥测参数发生两个模态转换矩阵所不允许的转换,则该参数发生异常;
如果单个模态持续时间超过了模态最长持续时间也认为发生异常;
利用第二特征提取及异常检测模块中的改进特征提取与异常检测算法以充分利用备份参数的同步相关性,使用备份遥测参数间的最大差值来检测异常;
改进特征提取与异常检测算法包括:首先,获得备份间遥测参数的一一对应关系,然后将训练数据中对应的遥测参数相减并统计每对遥测参数相减后的最大差值,最后将差的最大差值与相应的对应关系一起存入比对规则库;
其次,在比对规则库中获取备份参数间的对应关系,然后将对应的需要检测的遥测参数相减并与比对规则库中相应的相减后的最大差值进行比较,如果实际差值如果小于最大差值,就认为这两个参数正常;如果实际差值大于最大差值认为这两个参数中至少有一个发生了异常。
7.如权利要求6所述的卫星电源系统健康状态监测系统,其特征在于,
将特征提取与异常检测算法和改进特征提取与异常检测算法进行融合进而优势互补以改进特征提取与异常检测方法,包括:特征提取和异常检测算法只需对有备份关系的一半遥测参数而不是全部遥测参数进行监测,备份参数异常检测方法对每对有备份关系的遥测参数检测一次,两种方法同时运行,如果某一时刻至少有一种异常方法检测到异常就认为该时刻是异常的;否则,该时刻是正常的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913372.3A CN113589330B (zh) | 2021-01-21 | 2021-01-21 | 卫星电源系统健康状态监测系统 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913372.3A CN113589330B (zh) | 2021-01-21 | 2021-01-21 | 卫星电源系统健康状态监测系统 |
CN202110079987.0A CN112803893B (zh) | 2021-01-21 | 2021-01-21 | 卫星电源系统健康状态监测系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110079987.0A Division CN112803893B (zh) | 2021-01-21 | 2021-01-21 | 卫星电源系统健康状态监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113589330A CN113589330A (zh) | 2021-11-02 |
CN113589330B true CN113589330B (zh) | 2024-04-26 |
Family
ID=75810958
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110079987.0A Active CN112803893B (zh) | 2021-01-21 | 2021-01-21 | 卫星电源系统健康状态监测系统 |
CN202110913372.3A Active CN113589330B (zh) | 2021-01-21 | 2021-01-21 | 卫星电源系统健康状态监测系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110079987.0A Active CN112803893B (zh) | 2021-01-21 | 2021-01-21 | 卫星电源系统健康状态监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112803893B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297699A (zh) * | 2014-09-26 | 2015-01-21 | 航天东方红卫星有限公司 | 一种基于智能判读的卫星电源健康状况跟踪与检测方法 |
RU2611568C1 (ru) * | 2016-01-12 | 2017-02-28 | Российская Федерация, от имени которой выступает Федеральное космическое агентство | Способ эксплуатации никель-водородных аккумуляторных батарей системы электропитания космического аппарата с большим сроком активного существования |
CN108734360A (zh) * | 2018-06-19 | 2018-11-02 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
CN111193474A (zh) * | 2020-01-14 | 2020-05-22 | 北京空间飞行器总体设计部 | 一种卫星太阳翼输出电流的高精度自主诊断方法 |
CN111474491A (zh) * | 2020-03-10 | 2020-07-31 | 上海卫星工程研究所 | 基于模式分析的卫星电源异常检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100793075B1 (ko) * | 2005-12-01 | 2008-01-10 | 한국전자통신연구원 | 위성 원격 측정 기술을 이용한 고장 관리 시스템 및 그방법 |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
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 |
CN110909822B (zh) * | 2019-12-03 | 2022-11-11 | 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 |
CN111400865B (zh) * | 2020-02-18 | 2023-09-01 | 北京空间飞行器总体设计部 | 基于缓变模拟量遥测数据的卫星单机部件健康性评估方法 |
CN111680748B (zh) * | 2020-06-08 | 2024-02-02 | 中国人民解放军63920部队 | 航天器状态模式的识别方法及识别装置 |
CN111917453B (zh) * | 2020-07-15 | 2022-09-27 | 中国科学院微小卫星创新研究院 | 卫星综合电子系统 |
CN111874268B (zh) * | 2020-07-22 | 2022-02-15 | 中国科学院微小卫星创新研究院 | 卫星集中式自主健康管理系统 |
-
2021
- 2021-01-21 CN CN202110079987.0A patent/CN112803893B/zh active Active
- 2021-01-21 CN CN202110913372.3A patent/CN113589330B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297699A (zh) * | 2014-09-26 | 2015-01-21 | 航天东方红卫星有限公司 | 一种基于智能判读的卫星电源健康状况跟踪与检测方法 |
RU2611568C1 (ru) * | 2016-01-12 | 2017-02-28 | Российская Федерация, от имени которой выступает Федеральное космическое агентство | Способ эксплуатации никель-водородных аккумуляторных батарей системы электропитания космического аппарата с большим сроком активного существования |
CN108734360A (zh) * | 2018-06-19 | 2018-11-02 | 哈尔滨工业大学 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
CN111193474A (zh) * | 2020-01-14 | 2020-05-22 | 北京空间飞行器总体设计部 | 一种卫星太阳翼输出电流的高精度自主诊断方法 |
CN111474491A (zh) * | 2020-03-10 | 2020-07-31 | 上海卫星工程研究所 | 基于模式分析的卫星电源异常检测方法 |
Non-Patent Citations (2)
Title |
---|
基于遥测数据相关性的航天器异常检测;杨甲森;孟新;陈托;智佳;李虎;;仪器仪表学报;20180819(第08期);27-36 * |
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;20160915(第09期);1929-1941 * |
Also Published As
Publication number | Publication date |
---|---|
CN112803893A (zh) | 2021-05-14 |
CN112803893B (zh) | 2021-08-10 |
CN113589330A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106772080B (zh) | 空间锂离子电池加速退化试验时间等效性建模方法 | |
CN106199440B (zh) | 一种电池管理系统及其使用的电压采样电路、方法 | |
Li et al. | Integrating reinforcement learning and optimal power dispatch to enhance power grid resilience | |
CN114236393B (zh) | 基于大数据的在线检测电池异常的方法及系统 | |
Azevedo et al. | Applying data mining for detecting anomalies in satellites | |
CN108051751A (zh) | 一种锂离子动力电池分选方法和系统 | |
US11709486B2 (en) | Fault signal recovery system and method | |
CN111366859B (zh) | 检测储能系统电芯的方法 | |
CN113589330B (zh) | 卫星电源系统健康状态监测系统 | |
Yang et al. | A novel model-based damage detection method for lithium-ion batteries | |
CN107480051B (zh) | 一种核电厂数字化反应堆保护系统软件测试系统及方法 | |
CN108228800B (zh) | 一种基于数据挖掘的光伏发电系统异常检测系统及方法 | |
CN111416411B (zh) | 一种高压锂离子电池温度自适应过放报警控制方法 | |
KR20230087137A (ko) | 저전압 불량 전지의 선별 방법 | |
KR100768126B1 (ko) | 산업 플랜트현장의 이벤트 순차적 검출시스템 | |
CN113671402B (zh) | 深空探测器锂离子蓄电池组故障检测方法 | |
CN111552584A (zh) | 卫星一级故障诊断隔离及恢复功能的测试系统、方法及装置 | |
KR20240051014A (ko) | 누설 전류 감지를 위한 배터리 진단 장치 및 방법 | |
Dongwei et al. | Research on Satellite Fault Diagnostics Technology Based on Combination of Several Methods | |
Singh et al. | A new method to perform lithium-ion battery pack fault diagnostics–Part 3: Adaptation for fast charging | |
CN110045205B (zh) | 单粒子闩锁限制电流测试方法、装置和系统 | |
WO2024080484A1 (ko) | 누설 전류 감지를 위한 배터리 진단 장치 및 방법 | |
KR20240050576A (ko) | 전압 강하값을 이용한 이상 배터리 검출 장치 및 방법 | |
CN117973854A (zh) | 一种恶劣天气下的电网故障风险评估方法 | |
Mohamed et al. | Development of low earth orbit spacecraft battery management environment with battery management control algorithm |
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 |