CN114091600A - 一种数据驱动的卫星关联故障传播路径辨识方法及系统 - Google Patents
一种数据驱动的卫星关联故障传播路径辨识方法及系统 Download PDFInfo
- Publication number
- CN114091600A CN114091600A CN202111368698.9A CN202111368698A CN114091600A CN 114091600 A CN114091600 A CN 114091600A CN 202111368698 A CN202111368698 A CN 202111368698A CN 114091600 A CN114091600 A CN 114091600A
- Authority
- CN
- China
- Prior art keywords
- fault
- variable
- cause
- data
- variables
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000001364 causal effect Effects 0.000 claims abstract description 53
- 241000039077 Copula Species 0.000 claims abstract description 41
- 238000012546 transfer Methods 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000000513 principal component analysis Methods 0.000 claims abstract description 11
- 238000010845 search algorithm Methods 0.000 claims abstract description 7
- 239000003550 marker Substances 0.000 claims description 26
- 230000009365 direct transmission Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007547 defect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种数据驱动的卫星关联故障传播路径辨识方法及系统;该方法包括利用核主成分分析算法对待处理的遥测数据进行处理,得到每个数据点对应的平方预测误差SPE统计量,并将SPE统计量大于SPE控制限的数据点判断为故障;当故障发生后,根据生成的平方预测误差贡献图计算故障相关变量;根据基于Copula熵的传递熵估值算法对所述故障相关变量进行处理,得到故障传播因果图;基于核极限学习机的故障传播路径搜索算法和所述故障传播因果图,确定故障传播路径。本发明克服了传统传递熵方法计算复杂度高、无法区分直接或间接因果关系的缺点。
Description
技术领域
本发明涉及故障识别技术领域,特别是涉及一种数据驱动的卫星关联故障传播路径辨识方法及系统。
背景技术
卫星是一个由众多部件组成的复杂系统,其内部结构和变量关系也是十分复杂。由于故障间的相互关联关系,一旦某一遥测变量发生异常,就会引起其他遥测变量的异常,导致一系列衍生故障。因此,及时识别在轨卫星关联故障的传播路径,就可以有效抑制故障传播的风险,保证在轨卫星的安全运行。
在轨卫星的过程监测和故障诊断(PM-FD)主要是指对在轨卫星的运行状态进行监测,判断是否发生故障,并对发生的故障进行检测和识别。现有PM-FD方法大致可以分为基于领域知识的方法和基于数据驱动的方法;其中,基于领域知识的方法过于依赖先验知识和专家经验,对于缺乏专家经验的在轨卫星实施难度较大;基于数据驱动的方法是通过对各传感器所收集的遥测数据(通过安装在卫星各部件上多个传感器来采集卫星各部件的在轨运行数据,然后将其传输到地面遥测中心并存储为时序遥测数据)进行分析,实现过程监测和故障诊断的目的。常用的故障检测方法主要包括典型变量分析(CVA)法、主成分分析(PCA)法、偏最小二乘法(PLS)法、费舍尔判别分析(FDA)法等。由于这些故障检测方法都是基于故障变量之间的相关性而不是因果关系,故上述方法可以有效实现故障的检测和识别,但无法预测故障发生后的可能传播路径。
目前常用的因果关系分析方法主要包括互相关分析(CCA)法、格兰杰因果分析(GC)法、贝叶斯网络(BN)和传递熵(TE)法等。CCA法和GC法无法分析非线性因果关系,BN存在网络训练过程繁琐,最优网络结构难以确定的缺点。尽管传递熵法可以建立故障传播的因果图,但仍有以下问题尚未得到很好的解决:
(1)TE法计算复杂度高,且无法区分直接因果关系与间接因果关系;
(2)现有的上述因果分析方法多集中于故障根因的检测,忽视了对于故障发生后传播路径的预测。
发明内容
针对上述问题,本发明的目的是提供一种数据驱动的卫星关联故障传播路径辨识方法及系统,克服了传统传递熵方法计算复杂度高、无法区分直接或间接因果关系的缺点。
为实现上述目的,本发明提供了如下方案:
一种数据驱动的卫星关联故障传播路径辨识方法,包括:
利用核主成分分析算法对待处理的遥测数据进行处理,得到每个数据点对应的平方预测误差SPE统计量,并将SPE统计量大于SPE控制限的数据点判断为故障;所述待处理的遥测数据以M行N列的表格形式存储;所述表格的第一行第一列的位置为空格;所述待处理的遥测数据包括N-1个遥测变量,并存储在所述表格第一行除所述空格以外的位置;所述待处理的遥测数据包括M-1个时间点,并存储在所述表格第一列除所述空格以外的位置;所述待处理的遥测数据包括(M-1)*(N-1)个数据点,存储在所述表格除所述第一列所述第一行之外位置;其中,所述表格的标记列的第一行用于存储标记遥测变量,所述标记列的其他行用于存储所述标记遥测变量在不同时间点采集的数据点;所述标记列为所述表格除所述第一列之外的其他任意列,所述标记遥测变量为任意遥测变量;
当故障发生后,根据生成的平方预测误差贡献图计算故障相关变量;
根据基于Copula熵的传递熵估值算法对所述故障相关变量进行处理,得到故障传播因果图;
基于核极限学习机的故障传播路径搜索算法和所述故障传播因果图,确定故障传播路径。
可选的,所述当故障发生后,根据生成的平方预测误差贡献图计算故障相关变量,具体包括:
计算故障发生后的一段区间内各遥测变量的SPE贡献值;
根据各所述遥测变量的SPE贡献值,生成平方预测误差贡献图;
根据所述平方预测误差贡献图,将所述SPE贡献值大于设定阈值的遥测变量确定为故障相关变量。
可选的,所述根据基于Copula熵的传递熵估值算法对所述故障相关变量进行处理,得到故障传播因果图,具体包括:
利用K近邻的非参数估计算法,估计两个故障相关变量的Copula熵值;
根据所述Copula熵值,计算两个故障遥测变量的因果关联系数、传递熵值和直接传递熵值;
根据所述因果关联系数、所述传递熵值和所述直接传递熵值,构建故障遥测变量之间的因果关系矩阵,进而生成故障传播因果图。
可选的,所述基于核极限学习机的故障传播路径搜索算法和所述故障传播因果图,确定故障传播路径,具体包括:
步骤1,初始时,将SPE贡献值最大的遥测变量确定为上级原因变量;
步骤2,根据所述故障传播因果图,搜索与所述上级原因变量直接相连的所有下级影响变量;所述下级影响变量为与所述上级原因变量直接相连的故障相关变量;
步骤3,基于核极限学习机方法,计算各所述下级影响变量的扰动变化率;
步骤4,基于所述扰动变化率,计算所述上级原因变量与每个所述下级原因变量的影响因数,并将影响因数最大的下级原因变量进行标记;
步骤5,将标记的下级原因变量确定为上级原因变量,返回步骤2,直到搜索结束,并根据初始的上级原因变量和所有标记的下级原因变量,确定故障传播路径。
一种数据驱动的卫星关联故障传播路径辨识系统,包括:
故障判定模块,用于利用核主成分分析算法对待处理的遥测数据进行处理,得到每个数据点对应的平方预测误差SPE统计量,并将SPE统计量大于SPE控制限的数据点判断为故障;所述待处理的遥测数据以M行N列的表格形式存储;所述表格的第一行第一列的位置为空格;所述待处理的遥测数据包括N-1个遥测变量,并存储在所述表格第一行除所述空格以外的位置;所述待处理的遥测数据包括M-1个时间点,并存储在所述表格第一列除所述空格以外的位置;所述待处理的遥测数据包括(M-1)*(N-1)个数据点,存储在所述表格除所述第一列所述第一行之外位置;其中,所述表格的标记列的第一行用于存储标记遥测变量,所述标记列的其他行用于存储所述标记遥测变量在不同时间点采集的数据点;所述标记列为所述表格除所述第一列之外的其他任意列,所述标记遥测变量为任意遥测变量;
故障相关变量计算模块,用于当故障发生后,根据生成的平方预测误差贡献图计算故障相关变量;
故障传播因果图确定模块,用于根据基于Copula熵的传递熵估值算法对所述故障相关变量进行处理,得到故障传播因果图;
故障传播路径确定模块,用于基于核极限学习机的故障传播路径搜索算法和所述故障传播因果图,确定故障传播路径。
可选的,所述故障相关变量计算模块,具体包括:
SPE贡献值计算单元,用于计算故障发生后的一段区间内各遥测变量的SPE贡献值;
平方预测误差贡献图生成单元,用于根据各所述遥测变量的SPE贡献值,生成平方预测误差贡献图;
故障相关变量确定单元,用于根据所述平方预测误差贡献图,将所述SPE贡献值大于设定阈值的遥测变量确定为故障相关变量。
可选的,所述故障传播因果图确定模块,具体包括:
Copula熵值估计单元,用于利用K近邻的非参数估计算法,估计两个故障相关变量的Copula熵值;
计算单元,用于根据所述Copula熵值,计算两个故障遥测变量的因果关联系数、传递熵值和直接传递熵值;
故障传播因果图生成单元,根据所述因果关联系数、所述传递熵值和所述直接传递熵值,构建故障遥测变量之间的因果关系矩阵,进而生成故障传播因果图。
可选的,所述故障传播路径确定模块,进一步用于:
步骤1,初始时,将SPE贡献值最大的遥测变量确定为上级原因变量;
步骤2,根据所述故障传播因果图,搜索与所述上级原因变量直接相连的所有下级影响变量;所述下级影响变量为与所述上级原因变量直接相连的故障相关变量;
步骤3,基于核极限学习机方法,计算各所述下级影响变量的扰动变化率;
步骤4,基于所述扰动变化率,计算所述上级原因变量与每个所述下级原因变量的影响因数,并将影响因数最大的下级原因变量进行标记;
步骤5,将标记的下级原因变量确定为上级原因变量,返回步骤2,直到搜索结束,并根据初始的上级原因变量和所有标记的下级原因变量,确定故障传播路径。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出了一种包括故障检测和识别、故障传播因果图建立和故障传播路径搜索的全流程方法及系统;在故障传播因果建立过程中,本发明提出的基于Copula熵的传递熵估值方法(Copula-TE)克服了传统传递熵方法计算复杂度高、无法区分直接或间接因果关系的缺点。本发明针对卫星故障诊断领域中的“关联故障传播问题”提出了一种有效的辨识方法及系统,实现了遥测数据中卫星关联故障传播路径的有效辨识。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明数据驱动的卫星关联故障传播路径辨识方法的流程示意图;
图2为本发明数据驱动的卫星关联故障传播路径辨识方法整体过程示意图;
图3为本发明核极限学习机的网络结构图;
图4为本发明数据驱动的卫星关联故障传播路径辨识系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种数据驱动的卫星关联故障传播路径辨识方法及系统,通过在轨卫星的遥测数据,对卫星进行故障检测,并对所检测到的故障后续的传播路径进行预测,属于一种数据驱动的、不需要相关领域专家知识的方法及系统。本发明将因果关系分析和卫星故障传播路径辨识相结合,解决了目前大多数方法集中于对故障的检测,忽视了对于故障传播路径辨识的问题,地面运管人员就可以及时识别在轨卫星关联故障的传播路径,有效抑制故障传播的风险。此外,本发明可以区分故障变量间直接与间接的因果关系,具有更低的计算复杂度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
本实施例提供了一种数据驱动的卫星关联故障传播路径辨识方法。首先,利用核主成分分析(KPCA)方法进行故障检测,通过生成的平方预测误差贡献图识别并选择潜在的故障相关变量;其次,提出基于Copula熵的传递熵估值方法(Copula-TE),将传递熵值的估计转化为对Copula熵值的估计,采用基于K近邻的非参数估计方法对Copula熵值进行估计,建立故障相关变量之间的因果关系网络,并优化估值算法Copula-TE,提高其计算效率和剔除间接因果边;最后,提出了一种基于核极限学习机(KELM)的故障传播路径搜索方法,预测故障发生时最有可能的传播路径。
如图1所示,本实施例提供的技术方案包括以下几个步骤:
步骤101:利用核主成分分析算法对待处理的遥测数据进行处理,得到每个数据点对应的平方预测误差SPE统计量,并将SPE统计量大于SPE控制限的数据点判断为故障;所述待处理的遥测数据以M行N列的表格形式存储;所述表格的第一行第一列的位置为空格;所述待处理的遥测数据包括N-1个遥测变量,并存储在所述表格第一行除所述空格以外的位置;所述待处理的遥测数据包括M-1个时间点,并存储在所述表格第一列除所述空格以外的位置;所述待处理的遥测数据包括(M-1)*(N-1)个数据点,存储在所述表格除所述第一列所述第一行之外位置;其中,所述表格的标记列的第一行用于存储标记遥测变量,所述标记列的其他行用于存储所述标记遥测变量在不同时间点采集的数据点;所述标记列为所述表格除所述第一列之外的其他任意列,所述标记遥测变量为任意遥测变量。
此外,上述表格形式也可以是,列为遥测变量,行为所述标记遥测变量在不同时间点采集的数据点。
在执行步骤101之前,本实施例提供的技术方案还包括:
针对卫星遥测数据非线性的特点,使用核主成分分析方法对卫星正常运行时的遥测数据进行训练,训练得到的标准SPE控制限;该标准SPE控制限用于与待处理的遥测数据的SPE统计量进行比较,从而实现故障的检测。
一个示例为:数据点可以看作表格的行,遥测变量名可以看作表格的列。比如说某个卫星系统有5个遥测变量组成的列名,按照时间顺序采集的这5个变量的值依次排列成行,这些行表示不同时间点采集的数据,可以称为数据点。
步骤102:当故障发生后,根据生成的平方预测误差贡献图计算故障相关变量,具体为:
首先计算故障发生后的一段区间内各遥测变量的SPE贡献值;然后根据各所述遥测变量的SPE贡献值,生成平方预测误差贡献图;最后根据所述平方预测误差贡献图,将所述SPE贡献值大于设定阈值的遥测变量确定为故障相关变量。
步骤103:根据基于Copula熵的传递熵估值算法对所述故障相关变量进行处理,得到故障传播因果图。
本步骤提出了一种基于Copula熵的传递熵估值算法(Copula-TE),该算法为解决传统传递熵方法计算复杂度较高的问题,首先证明了Copula熵值和传递熵值之间的数学关系,将传递熵值的估计转化为对Copula熵值的估计,并采用K近邻的非参数估计方法对Copula熵值进行估计。为解决传统传递熵方法无法区分直接或间接的因果关系的问题,本步骤引入直接传递熵(DTE)以区分变量间的直接或间接因果关系,具体操作如下:
利用K近邻的非参数估计算法,估计两个故障相关变量的Copula熵值。
根据所述Copula熵值,计算两个故障遥测变量的因果关联系数、传递熵值和直接传递熵值。
根据所述因果关联系数、所述传递熵值和所述直接传递熵值,构建故障遥测变量之间的因果关系矩阵,进而生成故障传播因果图。
步骤104:基于核极限学习机的故障传播路径搜索算法和所述故障传播因果图,确定故障传播路径。
本发明提出了一种故障传播路径搜索方法,该方法给出了扰动变化率和影响因数的定义和计算方式,通过计算每次上级变量的各下级变量的扰动变化率和影响因数,确定故障发生时,在因果关系网络中最有可能的传播路径,具体操作如下:
步骤1,初始时,将SPE贡献值最大的遥测变量确定为上级原因变量;
步骤2,根据所述故障传播因果图,搜索与所述上级原因变量直接相连的所有下级影响变量;所述下级影响变量为与所述上级原因变量直接相连的故障相关变量;
步骤3,基于核极限学习机方法,计算各所述下级影响变量的扰动变化率;
步骤4,基于所述扰动变化率,计算所述上级原因变量与每个所述下级原因变量的影响因数,并将影响因数最大的下级原因变量进行标记;
步骤5,将标记的下级原因变量确定为上级原因变量,返回步骤2,直到搜索结束,并根据初始的上级原因变量和所有标记的下级原因变量,确定故障传播路径。
本发明提出了一种数据驱动的卫星关联故障传播路径辨识方法。该方法包括故障检测和识别、故障传播因果图建立和故障传播路径搜索三个流程,在故障传播因果建立过程中,证明了Copula熵值和传递熵值之间的数学关系,并引入直接传递熵(DTE)判断直接或间接的因果关系,克服了传统传递熵方法计算复杂度高、无法区分直接或间接因果关系的缺点。
实施例二
本实施例提供了一种数据驱动的卫星关联故障传播路径辨识方法,如图2所示,包括:
步骤一:故障检测和故障识别。
具体过程如下所示,且详细处理流程见附图2的故障检测和识别模块。
(1)使用核主成分分析方法进行故障的检测;首先计算输入到核主成分分析中训练数据(正常的遥测数据)的平方预测误差SPE控制限,然后将测试数据的SPE统计量与SPE控制限进行比较,若超过SPE控制限,则将超过的数据点判定为故障。
(2)通过生成的平方预测误差SPE贡献图识别与故障相关的遥测变量;首先检测到故障发生之后,计算故障发生后的一段区间内各遥测变量的SPE贡献值
步骤二:故障传播因果图建立。
在传统传递熵计算中,联合概率分布函数的计算复杂度较高,当参与运算的变量较多时,会影响因果拓扑图构建的效率。为解决传统传递熵方法计算复杂度较高的问题,本发明证明了Copula熵值和传递熵值之间的数学关系,将传递熵值的估计转化为对Copula熵值的估计,并采用基于K近邻的非参数估计方法对Copula熵值进行估计。除此之外,传统传递熵方法无法区分直接或间接的因果关系。为解决传统传递熵方法无法区分直接或间接的因果关系的问题,本发明引入直接传递熵(DTE)以区分变量间的直接或间接因果关系。上述方法,称为基于Copula熵的传递熵值估计方法(Copula-TE)。本发明采用Copula-TE方法可以计算不同故障相关变量(故障遥测变量)间的传递熵值,作为衡量变量间因果关系的指标,从而建立故障传播因果图模型。
当两个故障遥测变量的因果关系不明显时,考虑变量间的因果关系将毫无意义,因此定义了两个故障遥测变量间的因果关联系数,用于衡量两个故障遥测变量间的因果关系强弱程度,并设置了一个阈值进行因果显著性检验,最终可以得到所有故障相关变量间的0-1因果关系矩阵,从而构建故障传播因果图。
具体过程如下所示,且详细处理流程见附图2的故障传播因果图建立模块。
(1)假设X,Y分别代表两个故障遥测变量,两者之间的传递熵值和Copula熵值的关系由公式1给出,直接传递熵值和Copula熵值的关系由公式2给出,其中,代表故障遥测变量X到故障遥测变量Y的传递熵值,代表故障遥测变量X到故障遥测变量Y的直接传递熵值,Z表示中间变量,CE代表Copula熵值,Xi表示故障遥测变量X的第1个数据点与第i个数据点之间的所有数据点,同理Yi。故障遥测变量X表示表格中的一列数据,同理故障遥测变量Y表示表格中的一列数据;CE(Yi,Xi)表示Xi和Yi联合的Copula熵值。
(2)利用K近邻的非参数估计算法估计Copula熵值,估值公式由公式3给出。其中,ψ(K)是digamma函数,<...>表示对所有变量的digamma函数取平均,nx表示(xi,yi)到数据点xi的距离小于(xi,yi)到第K个近邻点间距离的数据点数目;ny表示(xi,yi)到数据点yi的距离小于(xi,yi)到第K个近邻点间距离的数据点数目;
CE(X,Y)=-ψ(K)+<ψ(nx+1)+ψ(ny+1)>-ψ(N) (3)。
K是K近邻算法中的K,是预先设定好的值。N为样本个数。ψ(x)是digamma函数,是伽玛函数的倒数,有固定的计算公式。
(3)计算两个故障遥测变量之间的因果关联系数,两个故障遥测变量之间的因果关联系数代表这两个变量不同方向上的传递熵差值的绝对值:
(4)构建故障遥测变量之间的因果关系矩阵W,并根据因果关系矩阵W构建故障传播因果图;wX,Y代表故障遥测变量X和故障遥测变量Y之间的边的权重,设置一个阈值TH进行因果关系显著性水平检验;TH表示阈值。
3、故障传播路径搜索
通过步骤2得到的故障传播因果图可以反映所有故障相关变量的因果关系,但由于过程循环的存在和大量变量之间的统计相关性,上一步骤生成的故障传播因果图仍存在较多冗余连接,本发明提出了一种基于核极限学习机的故障传播路径搜索方法,搜索某一故障发生时最有可能的传播路径。该方法给出了扰动变化率和影响因数的定义和计算方式,通过计算每次搜索时上级变量的各下级变量的扰动变化率和影响因数,确定当故障发生时,在因果关系网络中最有可能的传播路径。
具体过程如下所示,详细处理流程见附图1的故障传播路径搜索模块。
(1)确定上级原因变量并搜索所有下级影响变量,初始将SPE贡献值最大的遥测变量Xq作为上级原因变量,搜索与上级原因变量直接相连的所有下级影响变量节点Xj(j=1,2,...,S;S为下级变量的个数);
(2)基于核极限学习机方法,计算各下级变量的扰动变化率;卫星在tm时刻发生故障,选择Xj在[tm-n,tm+n]时间间隔的时间序列进行最小二乘线性拟合,斜率绝对值大小|aj|作为变量Xj的扰动变化率,其中[tm+1,tm+n]之间的值是通过核极限学习机方法预测得到的;其核极限学习机的网络结构如图3所示。
(3)计算上级变量Xi与下级变量Xj的影响因数Rij,并将影响因数最大值对应的下级变量作为故障最有可能传播的下级变量,α是调整参数;
(4)重复步骤(1)-(3),通过计算每次上级变量的各下级变量的扰动变化率和影响因数,依次确定故障最有可能传播的下级变量,并将该变量作为下一次搜索的上级变量。搜索结束,最终可以确定故障的传播路径。
实施例三
如图4所示,本实施例提供的一种数据驱动的卫星关联故障传播路径辨识系统,包括:
故障判定模块401,用于利用核主成分分析算法对待处理的遥测数据进行处理,得到每个数据点对应的平方预测误差SPE统计量,并将SPE统计量大于SPE控制限的数据点判断为故障;所述待处理的遥测数据以M行N列的表格形式存储;所述表格的第一行第一列的位置为空格;所述待处理的遥测数据包括N-1个遥测变量,并存储在所述表格第一行除所述空格以外的位置;所述待处理的遥测数据包括M-1个时间点,并存储在所述表格第一列除所述空格以外的位置;所述待处理的遥测数据包括(M-1)*(N-1)个数据点,存储在所述表格除所述第一列所述第一行之外位置;其中,所述表格的标记列的第一行用于存储标记遥测变量,所述标记列的其他行用于存储所述标记遥测变量在不同时间点采集的数据点;所述标记列为所述表格除所述第一列之外的其他任意列,所述标记遥测变量为任意遥测变量。
故障相关变量计算模块402,用于当故障发生后,根据生成的平方预测误差贡献图计算故障相关变量。
故障传播因果图确定模块403,用于根据基于Copula熵的传递熵估值算法对所述故障相关变量进行处理,得到故障传播因果图。
故障传播路径确定模块404,用于基于核极限学习机的故障传播路径搜索算法和所述故障传播因果图,确定故障传播路径。
进一步地,所述故障相关变量计算模块402,具体包括:
SPE贡献值计算单元,用于计算故障发生后的一段区间内各遥测变量的SPE贡献值。
平方预测误差贡献图生成单元,用于根据各所述遥测变量的SPE贡献值,生成平方预测误差贡献图。
故障相关变量确定单元,用于根据所述平方预测误差贡献图,将所述SPE贡献值大于设定阈值的遥测变量确定为故障相关变量。
所述故障传播因果图确定模块403,具体包括:
Copula熵值估计单元,用于利用K近邻的非参数估计算法,估计两个故障相关变量的Copula熵值。
计算单元,用于根据所述Copula熵值,计算两个故障遥测变量的因果关联系数、传递熵值和直接传递熵值。
故障传播因果图生成单元,根据所述因果关联系数、所述传递熵值和所述直接传递熵值,构建故障遥测变量之间的因果关系矩阵,进而生成故障传播因果图。
所述故障传播路径确定模块404,进一步用于:
步骤1,初始时,将SPE贡献值最大的遥测变量确定为上级原因变量;
步骤2,根据所述故障传播因果图,搜索与所述上级原因变量直接相连的所有下级影响变量;所述下级影响变量为与所述上级原因变量直接相连的故障相关变量;
步骤3,基于核极限学习机方法,计算各所述下级影响变量的扰动变化率;
步骤4,基于所述扰动变化率,计算所述上级原因变量与每个所述下级原因变量的影响因数,并将影响因数最大的下级原因变量进行标记;
步骤5,将标记的下级原因变量确定为上级原因变量,返回步骤2,直到搜索结束,并根据初始的上级原因变量和所有标记的下级原因变量,确定故障传播路径。
本发明是从数据驱动角度,提出了一种无人工干预的新颖卫星关联故障传播路径辨识方法,该方法基于因果分析技术中的传递熵方法,通过改进传递熵的估值计算方式和引入直接传递熵,使其可以区分直接或间接的因果边,且与传统传递熵方法相比,具有更低的计算复杂度。此外,该方法提出了一种基于核极限学习机的故障传播路径搜索算法,用于预测故障发生后一段时间内在因果图中的传播路径。卫星地面管理人员可以通过该方法及时识别在轨卫星关联故障的传播路径,从而可以快速采取相关措施进行修复,抑制故障传播的风险,确保空间任务的顺利执行。
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,由于其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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种数据驱动的卫星关联故障传播路径辨识方法,其特征在于,包括:
利用核主成分分析算法对待处理的遥测数据进行处理,得到每个数据点对应的平方预测误差SPE统计量,并将SPE统计量大于SPE控制限的数据点判断为故障;所述待处理的遥测数据以M行N列的表格形式存储;所述表格的第一行第一列的位置为空格;所述待处理的遥测数据包括N-1个遥测变量,并存储在所述表格第一行除所述空格以外的位置;所述待处理的遥测数据包括M-1个时间点,并存储在所述表格第一列除所述空格以外的位置;所述待处理的遥测数据包括(M-1)*(N-1)个数据点,存储在所述表格除所述第一列所述第一行之外位置;其中,所述表格的标记列的第一行用于存储标记遥测变量,所述标记列的其他行用于存储所述标记遥测变量在不同时间点采集的数据点;所述标记列为所述表格除所述第一列之外的其他任意列,所述标记遥测变量为任意遥测变量;
当故障发生后,根据生成的平方预测误差贡献图计算故障相关变量;
根据基于Copula熵的传递熵估值算法对所述故障相关变量进行处理,得到故障传播因果图;
基于核极限学习机的故障传播路径搜索算法和所述故障传播因果图,确定故障传播路径。
2.根据权利要求1所述的一种数据驱动的卫星关联故障传播路径辨识方法,其特征在于,所述当故障发生后,根据生成的平方预测误差贡献图计算故障相关变量,具体包括:
计算故障发生后的一段区间内各遥测变量的SPE贡献值;
根据各所述遥测变量的SPE贡献值,生成平方预测误差贡献图;
根据所述平方预测误差贡献图,将所述SPE贡献值大于设定阈值的遥测变量确定为故障相关变量。
3.根据权利要求1所述的一种数据驱动的卫星关联故障传播路径辨识方法,其特征在于,所述根据基于Copula熵的传递熵估值算法对所述故障相关变量进行处理,得到故障传播因果图,具体包括:
利用K近邻的非参数估计算法,估计两个故障相关变量的Copula熵值;
根据所述Copula熵值,计算两个故障遥测变量的因果关联系数、传递熵值和直接传递熵值;
根据所述因果关联系数、所述传递熵值和所述直接传递熵值,构建故障遥测变量之间的因果关系矩阵,进而生成故障传播因果图。
4.根据权利要求2所述的一种数据驱动的卫星关联故障传播路径辨识方法,其特征在于,所述基于核极限学习机的故障传播路径搜索算法和所述故障传播因果图,确定故障传播路径,具体包括:
步骤1,初始时,将SPE贡献值最大的遥测变量确定为上级原因变量;
步骤2,根据所述故障传播因果图,搜索与所述上级原因变量直接相连的所有下级影响变量;所述下级影响变量为与所述上级原因变量直接相连的故障相关变量;
步骤3,基于核极限学习机方法,计算各所述下级影响变量的扰动变化率;
步骤4,基于所述扰动变化率,计算所述上级原因变量与每个所述下级原因变量的影响因数,并将影响因数最大的下级原因变量进行标记;
步骤5,将标记的下级原因变量确定为上级原因变量,返回步骤2,直到搜索结束,并根据初始的上级原因变量和所有标记的下级原因变量,确定故障传播路径。
5.一种数据驱动的卫星关联故障传播路径辨识系统,其特征在于,包括:
故障判定模块,用于利用核主成分分析算法对待处理的遥测数据进行处理,得到每个数据点对应的平方预测误差SPE统计量,并将SPE统计量大于SPE控制限的数据点判断为故障;所述待处理的遥测数据以M行N列的表格形式存储;所述表格的第一行第一列的位置为空格;所述待处理的遥测数据包括N-1个遥测变量,并存储在所述表格第一行除所述空格以外的位置;所述待处理的遥测数据包括M-1个时间点,并存储在所述表格第一列除所述空格以外的位置;所述待处理的遥测数据包括(M-1)*(N-1)个数据点,存储在所述表格除所述第一列所述第一行之外位置;其中,所述表格的标记列的第一行用于存储标记遥测变量,所述标记列的其他行用于存储所述标记遥测变量在不同时间点采集的数据点;所述标记列为所述表格除所述第一列之外的其他任意列,所述标记遥测变量为任意遥测变量;
故障相关变量计算模块,用于当故障发生后,根据生成的平方预测误差贡献图计算故障相关变量;
故障传播因果图确定模块,用于根据基于Copula熵的传递熵估值算法对所述故障相关变量进行处理,得到故障传播因果图;
故障传播路径确定模块,用于基于核极限学习机的故障传播路径搜索算法和所述故障传播因果图,确定故障传播路径。
6.根据权利要求5所述的一种数据驱动的卫星关联故障传播路径辨识系统,其特征在于,所述故障相关变量计算模块,具体包括:
SPE贡献值计算单元,用于计算故障发生后的一段区间内各遥测变量的SPE贡献值;
平方预测误差贡献图生成单元,用于根据各所述遥测变量的SPE贡献值,生成平方预测误差贡献图;
故障相关变量确定单元,用于根据所述平方预测误差贡献图,将所述SPE贡献值大于设定阈值的遥测变量确定为故障相关变量。
7.根据权利要求5所述的一种数据驱动的卫星关联故障传播路径辨识系统,其特征在于,所述故障传播因果图确定模块,具体包括:
Copula熵值估计单元,用于利用K近邻的非参数估计算法,估计两个故障相关变量的Copula熵值;
计算单元,用于根据所述Copula熵值,计算两个故障遥测变量的因果关联系数、传递熵值和直接传递熵值;
故障传播因果图生成单元,根据所述因果关联系数、所述传递熵值和所述直接传递熵值,构建故障遥测变量之间的因果关系矩阵,进而生成故障传播因果图。
8.根据权利要求6所述的一种数据驱动的卫星关联故障传播路径辨识系统,其特征在于,所述故障传播路径确定模块,进一步用于:
步骤1,初始时,将SPE贡献值最大的遥测变量确定为上级原因变量;
步骤2,根据所述故障传播因果图,搜索与所述上级原因变量直接相连的所有下级影响变量;所述下级影响变量为与所述上级原因变量直接相连的故障相关变量;
步骤3,基于核极限学习机方法,计算各所述下级影响变量的扰动变化率;
步骤4,基于所述扰动变化率,计算所述上级原因变量与每个所述下级原因变量的影响因数,并将影响因数最大的下级原因变量进行标记;
步骤5,将标记的下级原因变量确定为上级原因变量,返回步骤2,直到搜索结束,并根据初始的上级原因变量和所有标记的下级原因变量,确定故障传播路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111368698.9A CN114091600B (zh) | 2021-11-18 | 2021-11-18 | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111368698.9A CN114091600B (zh) | 2021-11-18 | 2021-11-18 | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091600A true CN114091600A (zh) | 2022-02-25 |
CN114091600B CN114091600B (zh) | 2024-01-12 |
Family
ID=80301615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111368698.9A Active CN114091600B (zh) | 2021-11-18 | 2021-11-18 | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091600B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636788A (zh) * | 2022-02-28 | 2022-06-17 | 华南理工大学 | 基于改进贡献图和格兰杰因果分析的污泥膨胀诊断方法 |
CN117688496A (zh) * | 2024-01-25 | 2024-03-12 | 南京航空航天大学 | 面向卫星遥测多维时序数据的异常诊断方法、系统及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012129561A1 (en) * | 2011-03-24 | 2012-09-27 | Pariyani Ankur | Dynamic risk analysis using alarm database |
US20150095003A1 (en) * | 2013-09-30 | 2015-04-02 | Ypf Tecnología S.A. | Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors |
CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
CN111931129A (zh) * | 2020-07-23 | 2020-11-13 | 杭州电子科技大学 | 基于高斯Copula传递熵的肌间耦合网络分析方法 |
CN113094863A (zh) * | 2019-12-23 | 2021-07-09 | 南京航空航天大学 | 一种考虑失效传播的民机系统运行可靠性评估方法 |
-
2021
- 2021-11-18 CN CN202111368698.9A patent/CN114091600B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012129561A1 (en) * | 2011-03-24 | 2012-09-27 | Pariyani Ankur | Dynamic risk analysis using alarm database |
US20150095003A1 (en) * | 2013-09-30 | 2015-04-02 | Ypf Tecnología S.A. | Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors |
CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
CN113094863A (zh) * | 2019-12-23 | 2021-07-09 | 南京航空航天大学 | 一种考虑失效传播的民机系统运行可靠性评估方法 |
CN111931129A (zh) * | 2020-07-23 | 2020-11-13 | 杭州电子科技大学 | 基于高斯Copula传递熵的肌间耦合网络分析方法 |
Non-Patent Citations (4)
Title |
---|
MD. TANJIN AMIN等: "Risk-based fault detection and diagnosis for nonlinear and non-Gaussian process systems using R-vine copula", PROCESS SAFETY AND ENVIRONMENTAL PROTECTION, vol. 150 * |
汪送;战仁军;马永忠;: "复杂系统事故致因网络中风险熵传递的Arena仿真", 中国安全科学学报, no. 03 * |
耿雪青;佘青山;张启忠;罗志增;: "基于Copula的多变量运动想象脑电信号因果分析方法", 航天医学与医学工程, no. 01 * |
龙哲;申桂香;张英芝;曾文彬;荣峰;: "加工中心部件故障相关度评估", 哈尔滨工业大学学报, vol. 49, no. 1 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636788A (zh) * | 2022-02-28 | 2022-06-17 | 华南理工大学 | 基于改进贡献图和格兰杰因果分析的污泥膨胀诊断方法 |
CN114636788B (zh) * | 2022-02-28 | 2022-12-16 | 华南理工大学 | 基于改进贡献图和格兰杰因果分析的污泥膨胀诊断方法 |
CN117688496A (zh) * | 2024-01-25 | 2024-03-12 | 南京航空航天大学 | 面向卫星遥测多维时序数据的异常诊断方法、系统及设备 |
CN117688496B (zh) * | 2024-01-25 | 2024-04-16 | 南京航空航天大学 | 面向卫星遥测多维时序数据的异常诊断方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114091600B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
US9122273B2 (en) | Failure cause diagnosis system and method | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN114091600A (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
CN104880217B (zh) | 一种基于测量值关联度的故障传感器信息重构方法 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN110909822A (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
Liao et al. | Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems | |
CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
CN116523722A (zh) | 一种具备机器学习能力的环境监测分析系统 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
Ma et al. | Process monitoring of the pneumatic control valve using canonical variate analysis | |
CN117349770B (zh) | 一种结构健康监测多应变传感器数据异常检测与修复方法 | |
CN114638039B (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、系统及设备 | |
CN109542974A (zh) | 一种基于非线性动态成分分析的动态过程监测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |