CN115114128A - 一种卫星健康状态评估系统及评估方法 - Google Patents
一种卫星健康状态评估系统及评估方法 Download PDFInfo
- Publication number
- CN115114128A CN115114128A CN202111440690.9A CN202111440690A CN115114128A CN 115114128 A CN115114128 A CN 115114128A CN 202111440690 A CN202111440690 A CN 202111440690A CN 115114128 A CN115114128 A CN 115114128A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- level
- satellite
- data
- component
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/25—Testing of logic operation, e.g. by logic analysers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种卫星健康状态评估方法,包括:梳理并建立评估指标体系,将卫星的层级划分为整星级、分系统级、子系统级和部件级;明确各个层级的待评估对象的集合;选择多个待评估的部件级参数,利用单项评估算法根据部件级参数得到单项评估分值,将该单项评估分值作为单项评价指标,根据隶属度函数得到模糊向量,以生成评判矩阵;采用组合赋权法确立每个待评估对象的评价指标的权重值,生成权重值向量;根据单项评价指标和权重值向量,基于树图遍历进行模糊综合评价,以最大归依度准则,得到各层级的待评估对象的健康等级。
Description
技术领域
本申请属于故障预测与健康管理(Prognostics Health Management, PHM)技术领域,尤其涉及一种基于模糊推理的小卫星健康状态自主评估 系统及方法。
背景技术
随着卫星技术的快速发展、需求的愈发广泛,各型卫星被迅速研制并 投入使用。在此众多的卫星建设需求下,卫星的生产和测试方式也有了相 应的转变。卫星地面测试是卫星发射前的重要阶段,测试结果直接影响发 射任务进程,其主要进行系统级电气功能、性能指标及健康性状况的全面 验证,以便及时返厂检修和调整发射计划。作为卫星地面测试工作的最后 一个环节,对卫星的健康状态自主评估系统也越来越受工程界和科研界的关注重视。卫星健康状态评估主要对星上测控通道下传的遥测数据进行整 体和局部的综合评估。“综合评估”一方面是要求评估方法满足融合类型 特点,另一方面则是要求评估过程遵从系统性原则,所评估的目标指标不 是其下级指标的简单相加,而是适应指标之间的线性与非线性关系。
我国航天测试部门对关于自动或智能化的卫星状态自主评估技术研 究已久,但现阶段实用效果并不理想,主要存在以下问题:(1)利用现有 卫星测试系统可实现卫星各项参数的全面测试,实时属性比较突出,但是 数据挖掘分析不足,大都停留在部件级数据异常检出的阶段,对有效评估 卫星系统级的健康状态尚处于探索阶段。(2)卫星综合状态评估过程仍是 以专家的经验和知识为主:通过对卫星遥测参数、状态等进行人工观察, 辅之以简单的统计分析方法,对卫星综合状态进行分析。这种方式目前不 能达到理想的效果,并且由于过于依赖专家的先验主观经验和水平,结果 存在一定的偏差,且通用性不足。(3)卫星状态的评估诊断结果通常是用 故障发生概率或一些自定义系数来表述,这种表达方式对设计人员是可理 解的,而对部分测试人员及卫星使用单位存在一定困难,使用推广性差, 需要有经验的专职技术人员来完成状态的综合评估和故障诊断。
发明内容
本发明鉴于上述的情况,提供一种能解决上述问题的通用性强、集成 度高、自动化及智能化程度较高,在符合规定的参数设置条件下,理论上 能对任意结构树的卫星系统进行部件级的单项评估和系统级别的综合评 估的卫星综合评估系统。
本申请提供了一种卫星健康状态评估方法,包括:
将卫星的层级划分为整星级、分系统级、子系统级和部件级;
明确各个层级的待评估对象的集合;
选择多个待评估的部件级参数,利用单项评估算法评估部件级参数得 到单项评估健康值,将该单项评估健康值作为单项评价指标,根据隶属度 函数得到模糊向量,以生成评判矩阵;
采用组合赋权法确立每个待评估对象的评价指标的权重值,生成权重 值向量;
根据单项评价指标和权重值向量,基于树图遍历进行模糊综合评价运 算;以最大归依度准则,得到各层级的待评估对象的健康等级,
其中,利用单项评估算法根据部件级参数得到单项评估健康值的步骤 包括:
将部件级参数进行分类,分类的类型包括缓变量、急变量、统计变量 和其他变量;
针对不同类型的部件级参数,采用各自的单项评估算法,其中,对于 缓变量类型的部件级参数,采用基于高斯分布模型的快照评估算法,对于 急变量类型的部件级参数,采用基于LSTM预测模型的片段评估算法,对 于统计变量类型的部件级参数,采用基于统计算法的关键量评估算法;
其中,所述组合赋权法包括:利用层次分析法进行主观赋权;利用熵 权法进行客观赋权;基于离差最大化准则对两种权重值进行多属性决策组 合。
根据本申请的一个实施例,其中,所述单项评估健康值为百分制的分 数。
根据本申请的一个实施例,其中,在基于高斯分布的快照评估算法包 括:根据高斯分布的拟合,通过划定双段阈值的逆向型无量纲化处理模型, 得到一个百分制的无量纲的单项评估健康值。
根据本申请的一个实施例,其中,基于高斯分布的快照评估算法的步 骤包括:
对缓变量类型的部件级参数进行预处理;
计算部件级参数的特征数据的均值与方差,得出每种特征数据的高斯 分布;
基于高斯异常检测算法,计算部件级参数的特征数据的概率分布二段 阈值,构建逆向型无量纲化处理模型;
将检测帧数据输入该无量纲化处理模型,评估出部件级待评估对象的 单项评估健康值。
根据本申请的一个实施例,其中,基于LSTM预测方法的片段评估算 法的步骤包括:
对卫星原始数据进行预处理,由此构造模型样本;
利用LSTM模型对预处理后的数据进行训练,并得出训练数据的模型 训练误差;
利用训练后的LSTM模型对卫星的数据片段执行预测;
利用预测数据与模型训练偏离误差生成逆向型无量纲化模型,对被测 时间段内的片段数据执行评估。
根据本申请的一个实施例,其中,统计变量类型的部件级参数为星时 参数,所述基于统计算法的关键量评估算法包括:利用星时参数按生成时 间等步长叠加的特性,使用多个特征向量进行依次差分,根据多此差分结 果的向量特征,将星时数据的故障进行检出。
根据本申请的一个实施例,其中,所述星时参数的健康状态被设定为 卫星健康状态评估的使能信号,在星时参数正常的状态下,才能进行后续 的健康状态综合评估。
根据本申请的一个实施例,其中,所述部件级参数的数据来源于遥测 数据。
本申请还提供了一种其上存储有软件指令的计算机可读存储介质,所 述软件指令在被执行时实施上述方法。
本申请还提供了一种卫星健康状态评估系统,用于执行上述方法,所 述系统包括:
单项评估方法库,用于执行单项评估算法,所述单项评估方法库包括: 快照分析方法库,用于执行基于高斯分布模型的快照评估算法;片段分析 算法库,用于执行基于LSTM预测模型的片段评估算法;定制分析方法库, 用于执行基于统计模型的关键量评估算法;
赋权方法库,包括:层次分析法库,用于执行主观赋权;熵权法库, 用于执行客观赋权;最大离差法,用于执行组合赋权;
综合评估方法库,用于执行模糊综合评价;
数据分析可视化方法库,用于生成评估结构图例及表格。
本发明提出的卫星健康状态评估系统和方法,不仅通用性强、集成度 高、自动化及智能化程度较高,同时在符合规定的参数设置条件下,可满 足对任意结构树的卫星系统进行全面有效的部件级单项评估和系统级综 合评估,极大的减少了人力资源和成本,具有比较好的推广应用前景。
附图说明
下文将以明确易懂的方式通过对优选实施例的说明并结合附图来对 本申请上述特性、技术特征、优点及其实现方式予以进一步说明。以下附 图仅旨在于对本申请做示意性说明和解释,并不限定本申请的范围。其中:
图1示出了根据本申请的实施例的硬件平台。
图2示出了根据本申请的实施例的软件结构。
图3示出了卫星功能模块的层级划分。
图4示出了根据本申请的卫星健康评估方法
图5示出了逆向型无量纲模型。
图6示出了基于LSTM预测方法的数据片段评估流程。
图7示出了LSTM模型。
图8示出了评估系统的展示界面的效果。
图9示出了评估系统的展示界面的效果。
图10示出了与各健康度级别相应的模糊集隶属函数
图11示出了主-客观组合赋权的流程。
具体实施方式
为了对本申请的技术特征、目的和效果有更加清楚的理解,现对照附 图说明本申请的具体实施方式。
针对现有技术中存在的问题,本申请提出了一种卫星健康状态评估方 法,通过改进模糊综合评判法的单一指标模糊向量和权重向量的来源和生 成方式,将以往只把专家的主观评价作为评判因子的评价方法,引入数据 异常检测算法并与主-客观组合赋权法的结果进行模糊综合评估运算,提高 状态综合评估的客观性与效率,实现自动化、智能化的评估流程。评估结 果将采用“健康等级”这一直观表述来描述卫星健康状态,降低地面卫星测试、检修环节对专业人员的依赖,很大程度地减少人力资源和成本,这 将为卫星健康状态的综合评估提供一种新的方法。
为了得到更准确的卫星健康状态评估结果,本发明提供了一种严密的 卫星健康状态评估系统。该系统包括硬件平台、软件结构和评估算法三个 层面,而系统的核心评估算法则直接对应于卫星健康状态评估系统。
如图1所示,其中硬件平台包括异构卫星自主评估设备、卫星快速测 试设备、卫星半实物仿真平台。异构卫星自主评估设备可应用于长时间存 储阶段以及交付测试阶段,完成对卫星全面的地面测试;卫星快速测试设 备,可应用于发射前测试及存储阶段健康检查,完成对小卫星的快速测试; 卫星半实物仿真平台,可生成模拟卫星数据,建立卫星评估模型以及对评 估结果的验证。
如图2所示,软件结构包括分系统前端插件、数据服务系统、应用客 户端、分布式消息中间件和数据库。分系统前端插件实现与分系统软件的 数据和指令交互,通过插件模块的方式管理各分系统前端设备,采集硬件 设备数据,并对硬件设备进行监控;数据服务系统采用后台服务的模式, 实现测试数据处理、判读、存储、分系统设备控制、指令发送等;应用客 户端为人机交互接口,实现自动化测试、实时数据显示、数据查询分析和 基础信息管理等功能;分布式消息中间件实现测试数据缓存、数据订阅和 发布、消息队列功能,作为数据服务系统与应用客户端、数据服务器内部 功能模块间数据与指令的交互接口;数据库用于存储卫星型号信息、测试 设备参数、指令列表、指令判据、参数列表、参数判据、测试项及测试细 则等,为自动测试提供基础信息;同时存储测试结果数据和过程数据,用 于历史数据查询和分析。
如图3所示,卫星健康评估方法建立在直观、层次化的卫星功能模块 的层级划分及内部结构耦合关系之上。通过解析某卫星的协议,结合卫星 实际属性、遥测包类型和待测卫星实际状态,将卫星的层级划分为:整星 级、分系统级、子系统级及部件级。如图3所示,其中分系统级包括热控、 供配电、星载计算机、数传等,分系统级下属的子系统级包括热控速变遥 测、温度遥测、能源组件速变、能源组件缓变等。而对于部件级的评估参 数的数据则直接来源于遥测数据,根据遥测数据的类型、重要程度等,挑 选出整星的100条左右关键部件的部件级单项数据纳入整星评估方法中, 其中包括遥控通道SNR等通信质量参数、光纤陀螺等物理量参数、前镜 筒温度等温度参数、射频电路模块电压等电学参数、星上时钟等统计标志 量参数,最终建立一个庞大复杂的、多层次的、异构的卫星综合评估系统。
如图4所示,卫星健康评估方法包括单项指标评估算法和综合评估算 法。根据部件级数据本身特性或对时间关联度的要求,将部件级的单项指 标评估算法分为对缓变量的快照分析算法、对急变量的片段分析算法和对 特殊变量的统计分析算法。对卫星状态的综合评估算法则以模糊综合评判 为框架,使各部件级的评估结果信息在各层级模糊评价过程中传递,最终 影响整星级的评估结果。为了与特定业务处理的分析应用组件的开发和扩 展功能兼容,以上的单项评估、综合评估算法具备良好的隔离度,并以 DLL方法库的形式调用,以支持在不同的评估任务背景下调用合适的评估 方法。
下面说明一下异构部件级评估算法生成模糊向量的原理和过程:
本发明为了得出更加客观的健康评估结果,同时最大程度的减轻领域 专家的负担,根据卫星异构部件的特性,将卫星的全部部件级参数分为四 类,即“缓变量”、“急变量”、“统计变量”和“其他变量”。对应的,在 异常数据检测算法的基础上,分别改进并设计了“缓变量”、“急变量”、“统 计变量”这三类部件级参数的评估算法,对卫星的各个异构单项部件级数 据的健康状态进行量化评估,并通过健康等级隶属度函数自主生成对应的 模糊向量。
本申请提供的卫星健康状态评估方法包括以下步骤:
(1)针对卫星复杂大系统进行梳理,将卫星的层级划分为整星级、 分系统级、子系统级及部件级,并建立综合评估体系,明确待评估的对象 集(即,此次评估的对象的集合,该对象可以为整星、分系统或子系统) 和指标集(即,对被评估的上层级对象根据其哪些下层级对象的指标来进 行评判描述,例如对于被评估的分系统级对象,确定根据其哪些子系统级 对象的指标来进行评判描述,又例如对于被评估的子系统级对象,确定根 据其哪些部件级对象的指标来进行评判描述)。
(2)从整星的所有部件级参数中挑选出一定数量的部件级参数(例 如,所确定的指标集所涉及到的部件级对象的参数),利用单项评估算法 根据部件级参数得到单项评估分值(即,量化健康值),将该单项评估分 值作为单项评价指标,经过健康等级评语集的隶属度函数计算模糊向量, 确定单因素评判矩阵。
(3)采用主-客观组合赋权的方法确立卫星的各个层级的待评估对象 的评价指标的权重值,生成权值向量。
(4)选择合理的模糊算子,自底向上的进行模糊综合评判遍历运算。 以最大归依度准则,得到各层级的对象集的“健康等级”。
具体地,根据本申请的一个实施例提供的卫星健康状态评估方法包括 以下步骤S1-S5:
S1:从整星的所有部件级参数中挑选出一定数量(例如100条)的部 件级参数,并将挑选出的部件级参数进行分类,分类的类型包括缓变量、 急变量、统计变量和其他变量。
其中部件级参数例如包括:遥控通道SNR等通信质量参数、光纤陀 螺等物理量参数、前镜筒温度等温度参数;射频电路模块电压等电学参数; 星上时钟等统计标志量参数。
S2:针对不同类型(缓变量、急变量、统计变量和其他变量)的部件 级参数,采用相应的评估算法得到对于该部件级参数的单项评估分值。
1)对于缓变量类型的部件级参数,采用基于高斯分布的快照评估算 法得到单项评估分值。
此类“缓变量”类型的部件级参数不关心在一定时间段内时域、频域 的前后关联,而只重视在当下时刻数据的正常与否。现有的单项快照评估 算法中,对“缓变量”类型的部件级参数的评估思路为:通过对样本值的 均值与方差的计算来估计总体样本的概率分布,计算某个设备特征值样本 的高斯分布概率,偏离度大于阈值就可能就存在异常。其数学内涵是数理 统计一条法则:小概率事件一般不会发生,一旦发生为异常事件。即,现 有技术中,对于“缓变量”类型的部件级参数仅进行二元的判定,判定结 果仅为异常或正常这两种。
本申请中,对缓变量类型的部件级参数进行状态评估,这种评估与判 定异常不同,不仅需要二元的判定数据是否异常,还需要评判出一个多级 量化的健康水平。本发明采用了基于高斯分布的快照评估算法,其将高斯 过程用于单项快照评估算法中,快速的对部件级参数进行处理,划定合理 的阈值范围,找出数据中的异常点,对当下帧的单项数据得出评估结果 (即,单项评估分值)。
基于高斯分布的快照评估算法的核心思想是:根据高斯分布的拟合, 通过划定合理的双段阈值的逆向型无量纲化处理模型,得到一个百分制的 无量纲单项评估分值,以反映最新帧卫星数据的健康水平。
基于高斯分布的快照评估算法的主要流程如下:
1、对缓变量类型的部件级参数进行预处理,将其去噪、剔除异常值 和删除、平滑缺失值等;
2、计算部件级参数的特征数据的均值与方差,进而得出每种特征数 据的高斯分布;
3、基于高斯分布检测算法的基本理论,计算部件级参数的特征数据 样本的概率分布二段阈值,构建逆向型无量纲化处理模型;
4、将检测帧数据输入该无量纲化处理模型,快速评估出部件的单项 评估分值,该单项评估分值为快照健康状态量化数值。
输入快照评估的某一部件历史数据,以一维数据 X(i)={x(1),x(2),…,x(i)}表示,x()i∈R。对于给定的数据集x(1),x(2),…,x(i),利用极大似然估计的方法,可以估算出两个重要的参 数。
得其似然方程组为:
解得:
最终,根据极大似然准则得:
确定X(n)高斯分布双段阈值,根据实际数据质量以及专家建议,在自 动模型生成的情况下,选取一段偏离警戒阈值ε1=σ,二段阈值偏离异常 阈值ε2=3σ作为评估数据的依据。确定部件高斯正态分布评估双段阈值 ε1、ε2的过程中,除了可以按照离散度原理确定外,本系统还支持将样本 数据可视化后通过人工判别的方式确定阈值ε1、ε2的初值,之后通过验证 样本阈值ε1、ε2值进行微调。
卫星作为一个典型的复杂异构系统,反映卫星健康状态的异构部件数 据是多样的,如温度、电压、SNR等,其具有不同的性质、量纲。因此, 在利用卫星单项评估特征参数进行综合评估前,需要将各个部件的健康水 平进行规范化处理以得到区间一致、度量相同的可以进行综合的量化值, 本发明将其定义为健康度。考虑到卫星各部件的状态评估指标差异性较 大,且确保无量纲处理后数据可包含更多的原始数据信息,特征参数偏差 值越小越好,考虑到实际系统性能退化特点,最终采用如图5所示逆向型 无量纲模型,无量纲化后数据范围在0~100之间,当|x(i)-μj|≤ε1时, f(x)=100,当|x(i)-μj|≥ε2时,f(x)=0。其中,无量纲处理函数为:
逆向型无量纲化处理模型中,f(x)为无量纲化处理数值;ε1为特征参 数偏差值下限;ε2为特征参数偏差值上限;A为无量纲化处理数值范围参 数,为直观的描述系统健康状态取A=100,b为形状调节参数。由此,将 快照数据送入训练后生成的逆向型无量纲化处理模型后,将得到一个百分 制的单项快照评估健康值分数,是后续综合评估的直接依据之一。
2)对于急变量类型的部件级参数,采用基于LSTM预测方法的片段 评估算法得到单项评估分值。
对于“急变量”的片段评估重视数据序列在一定时间段内时域、频域 的前后关联,尤其数据处于连续变化时,快照分析方法很难有效地表示出 时变的门限值,无法合理地构建无量纲化函数。比较典型的是卫星蓄电池 剩余电量参数的评估:如果从快照分析的数据离散度异常角度出发而不考 虑参数的前后帧的关联,即使剩余电量发生骤变,参数仍将被评估为正常, 这显然不符合事实。因此,此类需要考虑动态趋势的部件参数需要在一定 时间内多维度、多次采样的进行分析。
而深度学习方法中的长短期记忆网络模型(Long-Short Term Memory, LSTM),作为递归神经网络(Recurrent Neural Network,RNN)的一种特 殊类型,既保留了标准RNN的优势,能够利用历史数据对时间序列进行 推演预测,善于提取时间关联信息,在时间序列上是一种性能良好的模型, 又可以在大多数时间无需特征工程步骤直接应用于时间序列。而卫星参数 片段数据属于时间序列数据,具有随时间变化的特点,且有一定的规律, 结合LSTM模型能够记忆长时间时间序列方面的优点,这决定了其是用于 片段评估比较合适的选择。
基于LSTM预测方法的数据片段评估流程如图6所示,主要包含以下 步骤:(1)卫星数据片段预处理:该步骤对卫星原始数据进行数据筛选、 清理、归一化等预处理,由此构造模型样本;(2)LSTM模型训练:该步 骤主要利用LSTM模型对步骤1处理后的数据进行训练,并得出训练数据 的模型训练误差;(3)LSTM模型预测执行:该步骤利用训练后的LSTM 模型对卫星的数据片段执行预测;(4)LSTM模型执行评估:该步骤是利 用预测数据与模型训练误差程度生成逆向型无量纲化模型,对被测时间段 内的片段数据执行评估。
LSTM模型如图7所示,在模型训练过程中,通过LSTM模型对[1,T]时 间段内的历史数据的学习,来预测T+a时刻的参数值,其中a为时间常数。 X为LSTM的输入,即为图7中的xt,H=(H1,H2,…,HT),为LSTM的 输出,即为图7中的ht。卫星片段参数的时间序列特征分别为:
ft=σ(Wf·(ht-1,xt)+bf)
it=σ(Wi·(ht-1,xt)+bi)
ot=σ(Wo·(ht-1,xt)+bo)
ht=ot*tanh(ct)
式中:Wf、Wi、Wc、W0以及bf、bi、bc、bo分别为遗忘门、输入门、 当前单元状态、输出门的权重矩阵和偏置项。为计算符号,当其作用 于2个矩阵时,代表2个矩阵对应位置的元素相乘。ht为最后整个LSTM 的输出。因此LSTM的输入层神经元数为输入序列数,输出神经元数为输 出序列数,在对卫星部件数据进行预测时,通过输入待估部件在一个时间 段的历史数据,可预测出此部件的一个或者多个未来时刻值。
而最终模型训练误差为RMSE,称之为均方根误差:
预测序列进行拉格朗日插值后的连续函数为:
由上式可生成片段评估动态评估的二段门限ε1、ε2,设定评估偏离阈 值为κ,当κ>0时,片段评估的一段门限和二段门限分别设置为:
将以上的二段门限值,作为无量纲化模型的关键参数,来进行片段评 估的健康值评分,产生如下所示逆向型无量纲模型。
评估结果的判断依据为:根据预测值与实际值的偏差程度超过模型 RMSE的倍数,来判断实际值出现异常的可能性,即得出一个百分制的片段 健康评估的分数,是后文中综合评估的另一个直接依据。
3)对于统计变量类型的部件级参数,采用基于统计算法的关键量评 估算法得到单项评估分值。
对此类“统计变量”的定制分析算法主要为“星时”参数设计专用统 计分析算法,利用其按生成时间等步长叠加的特性,使用多个特征向量进 行依次差分,根据多此差分结果的向量特征,将“星时”数据的故障进行 检出,主要包括的故障类型有:数据与生成时间频率不一致型错误、数据 停止迭代型错误、数据连续下降型错误、数据缺漏型错误、数据重置型错 误等。
MATLAB当中独特的table格式,支持将“星时”数据的具体值和其 对应的数据生成时间进行同时处理,其明显的相关性和规律性有助于统计 量评估算法的实现,其具体步骤如下:
步骤1:观测时间内的“星时”数据为Value,对应的生成时间为CT。
步骤2:逐差法获得星上数值标志位 Signti=Valueti-Valueti+1(ti=1,2,3,…,L-1)和生成时间标志位,当星时数据正常 的情况下Signti=Timesignti=1(ti=1,2,…,L)。
步骤3:将两个标志位逐差CLKti=Signti-Timesignti,CLKti≠0的ti时间位 置是数据频率与生成时间频率不一致型错误。
步骤4:Signti=0的ti时间位置是数据停止迭代型错误;Signti<0且 Signti+1<0的ti时间位置是数据连续下降型错误;Signti>1的ti时间位置是数据 缺漏型错误;Signti<0且Signti+1≥0的ti时间位置是数据重置型错误。
此外,为了更好的展示效果,可以将连续错误帧进行归类,并自动命 名。将孤立错误帧进行检出,以单独图片显示,还将输出响应的正确参考 数据,以上图例最终都会在评估系统的展示界面进行呈现,其大体效果如 图8、图9所示。
考虑到“星时”参数对于定位、通信等方面的重要程度,本发明将此 参数的健康状态设定为综合评估的使能信号,在“星时”参数正常的状态 下,才能进行全流程的健康状态综合评估。
此外,不同任务类型的卫星具有不同偏向的关键量,还有一些需要由 下传数据进行一定规则运算的指标参数,本卫星综合评估系统将单项评估 以方法库的形式进行调用,支持根据不同的参数再定制专用的单项评估算 法,可通过模块化扩充方法库的形式,进一步提高评估系统的置信度和可 用性。
S3:利用步骤S2得到的单项评估分值生成模糊向量。
本发明对异构部件进行单项评估得到了重要部件的单项评估量化分 值,以此量化分值为依据,可以自动生成模糊向量。
卫星的健康状态由健康到失效是一个随时间发展的过程,为描述卫星 系统健康状态并反映随时间变化趋势,在单项评估输出的健康域[0,100]内 定义健康度等级为[良好,正常,一般,故障,不可用]。为了计算方便, 采用梯形模糊数,其隶属函数如下面公式所示。其健康等级隶属函数的上 下界系统设计初始设定为a1=10,a2=30,a3=60,a4=90,b2=20,b3=40, b4=70,b5=95,也可以由领域专家根据单项指标的数据变化范围,给出与 各健康度级别相应的模糊集隶属函数,如图10所示。
同一指标层参量通过隶属函数计算出的多个模糊向量,可生成同层评 判矩阵:
S4:通过主-客观组合赋权得到各个层级的待评估对象的评价指标的 模糊权重:
如图11所示,本发明分别通过层次分析法(AHP)得到卫星健康状 态评估指标(例如,各个部件级参数)的主观权重,通过熵值赋权法得到 卫星健康状态评估指标的客观权重,然后利用离差最大化方法求出二者的 组合赋权系数。得到同时兼顾主、客观方面的权重,使得权重分配的更加 科学合理,从而得到准确的卫星健康状态评估结果。
如图11所示,该步骤S4包括:
1)利用层次分析法进行主观赋权:
在综合评估赋权系统中,首先运用AHP法,利用领域专家的主观经 验判定,将实验和运行中各部件级参数对航天器总体健康的影响程度的感 性认识转化为程度递进的两两比较分数,对于不同的故障类型,根据其对 系统运行情况的影响程度,赋予不同的权重,从而获得同一层级指标对上 一层级指标的影响程度权重矩阵。
如上表所示,利用层次分析法确定系统权值系数时,首先将同一层级 的各指标事件值进行两两对比,根据重要程度的轻重进行打分,打分范围 为1到9,可得正负反矩阵如下:
其对角线元素全为1,且有aij=1/aji,矩阵阶数n是参与比较的事件个 数。通过Aijω=λω,计算矩阵Aij的最大特征根λmax和特征向量ω,将特征向 量ω归一化后即可获得这一层级的权重值,也即
Wk中的第k个值为层次中第k个指标的权重值,n为矩阵阶数。通过 对最大特征根λmax进行计算,对矩阵进行一致性检验,增加结果的可信度。
可信度有三个指标,分别为一致性YCI,随机一致性YRI和一致比例YCR。
YRI的值根据矩阵阶数查表获得,其取值表格如下:
以上三个指标将衡量正互反矩阵是否有明显逻辑错误,一般认为当 YCR<0.1时,赋权矩阵符合一致性要求,由此便得主观赋权向量 W=(W1,W2,…,WN)T。
2)利用熵权法(EWM)进行客观赋权。
本发明采用EWM法确定卫星健康评估下层级指标相对于其上层级指 标的客观权值。利用EWM法可充分利用卫星健康状态评估指标的数据变 化信息:指标变异程度越大,提供的信息量也就是信息熵也越大,在综合 评估中起到的故障信息传递的作用就越大,其客观权重也随之越大。
卫星健康状态评估模型中,设待评估对象有n个健康状态评估指标, m组健康状态评估指标无量纲处理后的数据F=(fij)mn,并进行归一化处理 以满足变量取值范围在0至1之间。归一化数据为F*=(f* ij)mn,其中:
对于卫星某个健康状态评估指标xj,其信息熵为:
式中,k=1/lnm,j=1,2,…,n,而xj的对应熵权为:
由此,由同层指标熵权wj组成的向量w=(w1,w2,…,wN)T,即为底层评估 指标在卫星健康状态评估中相对上层系统的客观权值,反映卫星健康状态 评估指标遥测历史数据变化剧烈程度。
3)基于离差最大化进行组合赋权:
为了将主观权重与客观权重有效结合,使得最终权值分配更加合理接 近实际,本发明采用离差最大化的思想进行组合赋权:若组合后赋权结果 与主观赋权值之间存在较大差异,即权值经历主客观组合后的结果相对专 家的评判出现了较大差异时,说明某部件级参数的变化程度脱离了专家的 认知,导致这种情况出现的部件级参数对最终的评价结果贡献度较大,应 赋予较大权重
上文中,通过AHP方法得到主观权重向量W=(W1,W2,…,WN)T和通过熵 权法得到客观权重向量w=(w1,w2,…,wN)T,令ζ=αW+βw,则可得组合权重 向量ζ=(ζ1,ζ2,…,ζN)T。
式中,α,β为组合权重的线性表示系数,且满足约束条件α≥0,β≥0, α2+β2=1。定义权值离差为线性组合所得的权值向量与AHP主观权值确定 方法所得权值向量之差,则离差和Ω可表示为:
基于离差最大化的思想,求解最优化赋权,可得最优化赋权模型如下:
为求解该赋权模型,如下构建拉格朗日函数:
S5:基于树图遍历完成模糊综合评价:
由于在卫星干扰效果评估中,干扰因素都是在实际卫星干扰中主要的 影响因素中选取的,均对评价结果有较大影响,为了获得较为准确、全面 的分析结果,采用加权平均型的M(·,+)方法进行模糊合成运算,在这种方 法中参与运算的所有因素按照对应的权重值都有涉及,适合有多个因素进 行评价的情况,因此评价值为:
本发明进行模糊运算的各项指标是由单项评估和主客观组合赋权的 结果运算而来,因此考虑到不同指标的单项评估结果生成时间差异或者面 对不同系统结构的待测卫星,卫星综合评估的体系结构可能会随时发生变 化,而模糊综合评价作为卫星状态综合评估系统方法库中被调用的模块, 必须适应模糊运算指标的所有变化可能,因此本发明在模糊综合评价算法 的基础上结合了遍历的思想,提出了基于自底向上遍历的模糊综合评价方 法,实现了通用化的综合评估功能。
考虑到卫星系统的评估体系存在鲜明的层次性,在模糊评价的过程 中,对每个评价指标都需要由下一层的若干评价指标来决定。评估实现流 程都是以单个评估指标的评估结果为基础,整体的评估流程是一个自底向 上的过程。从树图的角度来解释,就是一切评估的基础是从叶节点出发, 叶节点的模糊向量与同层叶节点树枝权重向量进行模糊运算得到其父节 点的模糊向量,其父节点的模糊向量与同层子节点树枝权重向量进行模糊运算,得到祖父节点的模糊向量。以此类推,最终求得各层节点的模糊向 量和顶层父节点的模糊向量。基于自底向上遍历的模糊综合评价,就是面 对任意的评估结构树图,都能完成一套自下而上的各个节点和枝干的遍历 过程,在遍历过程中依靠符合要求的模糊运算指标完成各层的模糊运算。 其大体算法流程如下:
步骤1:初始化树图,将已完成单项评估并递交分数的叶节点模糊向 量R输入,将数据为空的叶节点权值置为“0”,并归一化同层权重向量U。
步骤2:找出本时刻完成单项评估的叶节点,输入其模糊向量R,其 余的全部叶节点的模糊向量置为零矩阵[0,0,0,0,0]。
步骤4:向已进行模糊计算的父节点递交模糊向量R,并隐藏此父节 点的全部子节点。
步骤5:重复步骤1~步骤4,直到隐藏了除了顶层节点的全部子节点。
以上,便自下而上的完成了全部层的模糊运算,得到了各个父节点的 模糊向量,根据最大归依度准则,则卫星各层系统的健康度隶属于第r等 级Mr=max{mj},j=1,2,…5,完成了对各层子系统、分系统和整星的健康评 估。此算法能在系统未有先验树图的情况下完成任意层数、任意树结构的 模糊综合评价运算,实现了良好的兼容性和可用性。
应当理解,虽然本说明书是按照各个实施例描述的,但并非每个实施 例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起 见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案 也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
以上所述仅为本申请示意性的具体实施方式,并非用以限定本申请的 范围。任何本领域的技术人员,在不脱离本申请的构思和原则的前提下所 作的等同变化、修改与结合,均应属于本申请保护的范围。
Claims (10)
1.一种卫星健康状态评估方法,包括:
将卫星的层级划分为整星级、分系统级、子系统级和部件级;
明确各个层级的待评估对象的集合;
选择多个待评估的部件级参数,利用单项评估算法评估部件级参数得到单项评估健康值,将该单项评估健康值作为单项评价指标,根据隶属度函数得到模糊向量,以生成评判矩阵;
采用组合赋权法确立每个待评估对象的评价指标的权重值,生成权重值向量;
根据单项评价指标和权重值向量,基于树图遍历进行模糊综合评价运算;以最大归依度准则,得到各层级的待评估对象的健康等级,
其中,利用单项评估算法根据部件级参数得到单项评估健康值的步骤包括:
将部件级参数进行分类,分类的类型包括缓变量、急变量、统计变量和其他变量;
针对不同类型的部件级参数,采用各自的单项评估算法,其中,对于缓变量类型的部件级参数,采用基于高斯分布模型的快照评估算法,对于急变量类型的部件级参数,采用基于LSTM预测模型的片段评估算法,对于统计变量类型的部件级参数,采用基于统计算法的关键量评估算法;
其中,所述组合赋权法包括:利用层次分析法进行主观赋权;利用熵权法进行客观赋权;基于离差最大化准则对两种权重值进行多属性决策组合。
2.根据权利要求1所述的方法,其中,所述单项评估健康值为百分制的分数。
3.根据权利要求1所述的方法,其中,在基于高斯分布的快照评估算法包括:根据高斯分布的拟合,通过划定双段阈值的逆向型无量纲化处理模型,得到一个百分制的无量纲的单项评估健康值。
4.根据权利要求1所述的方法,其中,基于高斯分布的快照评估算法的步骤包括:
对缓变量类型的部件级参数进行预处理;
计算部件级参数的特征数据的均值与方差,得出每种特征数据的高斯分布;
基于高斯异常检测算法,计算部件级参数的特征数据的概率分布二段阈值,构建逆向型无量纲化处理模型;
将检测帧数据输入该无量纲化处理模型,评估出部件级待评估对象的单项评估健康值。
5.根据权利要求1所述的方法,其中,基于LSTM预测方法的片段评估算法的步骤包括:
对卫星原始数据进行预处理,由此构造模型样本;
利用LSTM模型对预处理后的数据进行训练,并得出训练数据的模型训练误差;
利用训练后的LSTM模型对卫星的数据片段执行预测;
利用预测数据与模型训练偏离误差生成逆向型无量纲化模型,对被测时间段内的片段数据执行评估。
6.根据权利要求1所述的方法,其中,统计变量类型的部件级参数为星时参数,所述基于统计算法的关键量评估算法包括:利用星时参数按生成时间等步长叠加的特性,使用多个特征向量进行依次差分,根据多此差分结果的向量特征,将星时数据的故障进行检出。
7.根据权利要求6所述的方法,所述星时参数的健康状态被设定为卫星健康状态评估的使能信号,在星时参数正常的状态下,才能进行后续的健康状态综合评估。
8.根据权利要求1所述的方法,其中,所述部件级参数的数据来源于遥测数据。
9.一种其上存储有软件指令的计算机可读存储介质,所述软件指令在被执行时实施根据权利要求1-8中任一项所述的方法。
10.一种卫星健康状态评估系统,用于执行根据权利要求1-8中任一项所述的方法,所述系统包括:
单项评估方法库,用于执行单项评估算法,所述单项评估方法库包括:快照分析方法库,用于执行基于高斯分布模型的快照评估算法;片段分析算法库,用于执行基于LSTM预测模型的片段评估算法;定制分析方法库,用于执行基于统计模型的关键量评估算法;
赋权方法库,包括:层次分析法库,用于执行主观赋权;熵权法库,用于执行客观赋权;最大离差法,用于执行组合赋权;
综合评估方法库,用于执行模糊综合评价;
数据分析可视化方法库,用于生成评估结构图例及表格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440690.9A CN115114128A (zh) | 2021-11-30 | 2021-11-30 | 一种卫星健康状态评估系统及评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440690.9A CN115114128A (zh) | 2021-11-30 | 2021-11-30 | 一种卫星健康状态评估系统及评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115114128A true CN115114128A (zh) | 2022-09-27 |
Family
ID=83325138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111440690.9A Pending CN115114128A (zh) | 2021-11-30 | 2021-11-30 | 一种卫星健康状态评估系统及评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115114128A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186888A (zh) * | 2022-12-28 | 2023-05-30 | 北京控制工程研究所 | 航天器健康状态量化评估方法、装置、电子设备及介质 |
CN116596336A (zh) * | 2023-05-16 | 2023-08-15 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN117310546A (zh) * | 2023-11-03 | 2023-12-29 | 北京迪赛奇正科技有限公司 | 一种ups电源健康管理监测系统 |
-
2021
- 2021-11-30 CN CN202111440690.9A patent/CN115114128A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186888A (zh) * | 2022-12-28 | 2023-05-30 | 北京控制工程研究所 | 航天器健康状态量化评估方法、装置、电子设备及介质 |
CN116186888B (zh) * | 2022-12-28 | 2024-01-23 | 北京控制工程研究所 | 航天器健康状态量化评估方法、装置、电子设备及介质 |
CN116596336A (zh) * | 2023-05-16 | 2023-08-15 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN116596336B (zh) * | 2023-05-16 | 2023-10-31 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN117310546A (zh) * | 2023-11-03 | 2023-12-29 | 北京迪赛奇正科技有限公司 | 一种ups电源健康管理监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boussabaine | The use of artificial neural networks in construction management: a review | |
CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
CN109885907B (zh) | 一种基于云模型的卫星姿控系统健康状态评估和预测方法 | |
Bayram et al. | Comparison of multi layer perceptron (MLP) and radial basis function (RBF) for construction cost estimation: the case of Turkey | |
CN109490814B (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111079931A (zh) | 一种基于图神经网络的状态空间概率性多时间序列预测方法 | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN113361680A (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
Mitici et al. | Dynamic predictive maintenance for multiple components using data-driven probabilistic RUL prognostics: The case of turbofan engines | |
CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
Zhang et al. | Predicting real-time locational marginal prices: A gan-based approach | |
Hosni et al. | Software effort estimation using classical analogy ensembles based on random subspace | |
Wang et al. | Short-term load forecasting with LSTM based ensemble learning | |
Davila-Frias et al. | A deep neural network and Bayesian method based framework for all-terminal network reliability estimation considering degradation | |
Xiahou et al. | Measuring conflicts of multisource imprecise information in multistate system reliability assessment | |
Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
US11481267B2 (en) | Reinforcement learning approach to root cause analysis | |
CN113673773B (zh) | 一种融合知识背景和学习时间预测的学习路径推荐方法 | |
Kotenko et al. | Formation of Indicators for Assessing Technical Reliability of Information Security Systems | |
Ibraigheeth et al. | Software reliability prediction in various software development stages | |
Sudakov et al. | Decision making in case of inconsistent pair comparison matrixes | |
CN115618743B (zh) | 一种瞄准镜系统的状态评估方法及状态评估系统 |
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 |