一種基于歷史遙測數據的在軌衛星故障預警系統

秦 巍 郭永富

(北京空間飛行器總體設計部,北京 100094)

1 引言

隨著在軌衛星數量、設計壽命和型號種類的不斷增加,維持其安全穩定運行變得越來越重要,在軌管理的難度也逐年加大。在軌衛星長期運行在空間環境中,受到多種不確定性因素的作用,其性能與功能可能會出現變化,反映在遙測參數上也會有些變化,如果在軌衛星發生異常,相應的遙測參數的變化趨勢也會發生改變。因此,分析在軌衛星的遙測數據變化規律,選擇相適應的數據預測方法,對遙測數據進行預測,并在此基礎上實現預警,可以在早期及時發現遙測數據的異常變化,有效避免可能發生的重大故障,降低衛星在軌運行的風險,同時為異常的處理贏得寶貴時間,這對于提高衛星在軌運行的安全性和可靠性具有重要的意義[1]。

構建基于歷史遙測數據的在軌衛星預警系統的基本思路如下:根據在軌衛星歷史遙測數據的變化趨勢,結合實時的遙測數據和衛星所處的實際狀態,選擇相適應的預測算法,預測一段時間以后在軌衛星參數的變化,給出預測值,預測結果可輸入在軌衛星遙測數據判讀系統,實現對在軌衛星遙測參數的預警[1]。

2 衛星遙測參數變化規律分析

為了全面地反映衛星在軌期間的性能及工作狀態,每顆衛星都設計了大量的遙測參數。衛星遙測數據是進行預測的基礎,這些遙測參數中包括了電壓、電流、溫度、壓力、計數、星上設備狀態等,既有模擬量,又有數字量;其變化有的受空間環境影響較大,有的與衛星工作狀態直接相關,呈現出各種變化規律。在對衛星遙測數據進行預測之前,首先需要了解衛星遙測數據的特點,對在軌衛星的遙測參數變化規律進行研究,分析其變化的特性并據此進行分類,在此基礎上尋找相適應的數據預測方法。

2.1 遙測參數的分類

從數據分析以及數據處理的角度出發,按照數據的類型可以將遙測參數分為整型、浮點型等。

整型的遙測參數一般包括標識字、狀態字等。標識字包括幀同步字、衛星識別字等,在整個壽命期間保持不變,為固定的二進制碼,通常以十六進制的形式顯示;狀態字反映星上設備的工作狀態等,會根據衛星的具體情況而變化,受到衛星狀態、地面指令控制等因素的影響。

浮點型遙測參數主要包括溫度、電壓、電流、壓力等物理量,通常是連續變化的。溫度參數受太陽光照強度、設備工作狀態等因素的影響;電壓分為一次電源電壓和二次電源電壓,兩者都較為穩定,尤其是二次電源電壓;電流表征了星上設備的工作功耗,隨設備的開關機狀態會有一定的波動;壓力受貯箱溫度、燃料剩余量等因素的影響。

2.2 遙測參數變化規律研究

根據2.1 節中的分析可知,整型遙測參數因為受衛星設備工作狀態、地面指令的直接影響,難以通過歷史數據對未來的變化進行預測,本文主要針對浮點型的遙測參數進行研究(文中若未特別指出,都只針對浮點型的遙測參數)。

基于對在軌衛星歷史遙測數據的分析,以故障預警為出發點,對衛星遙測參數的變化規律研究時至少要(但不僅限于)考慮以下幾種情況。

1)遙測數據平穩變化或維持在一恒定值附近

在衛星設備狀態未發生改變時,遙測參數的變化率不會改變,參數平穩變化。此類參數主要包括特定衛星狀態下的電壓、溫度參數等,可基于歷史數據對未來數據進行預測。參數變化曲線如圖1所示。

圖1 遙測參數變化示意圖一Fig.1 Telemetry data change chart 1

2)無狀態、測控事件發生而參數變化率有階躍性跳變

在沒有狀態、事件發生時,遙測參數的變化率突然發生變化。在出現此情況時,應根據新的變化率對未來的數據進行預測,提前發現遙測參數的超限情況。這種類型主要包括不受狀態、事件影響的溫度等參數,參數變化曲線如圖2所示。出現此種情況時,很可能是異常情況,應重點關注。3)與衛星狀態、測控事件相關聯的遙測參數

圖2 遙測參數變化示意圖二Fig.2 Telemetry data change chart 2

在衛星狀態改變或測控事件發生后,該類遙測參數是否異常的判斷準則發生改變,應按新的診斷知識進行判斷。例如:加熱器打開,溫度會開始上升,然后穩定在一定的范圍內,參數新的變化范圍與原來會有一定的差別,但屬正常情況,只是狀態發生前后判斷準則不同。參數變化曲線如圖3所示。

另一種情況是狀態發生改變或事件發生后,參數曲線突然跳變,例如:在衛星由光照區進入地影區時,太陽翼輸出電流會產生突變,平臺和載荷的設備開機時其工作電壓、工作電流也會發生較大幅度的變化。此情況與圖3 中所示基本相似,但參數會在此點上進行突變,屬正常情況,只是狀態發生前后判斷準則不同。參數變化曲線如圖4所示。

圖3 遙測參數變化示意圖三Fig.3 Telemetry data change chart 3

圖4 遙測參數變化示意圖四Fig.4 Telemetry data change chart 4

4)周期變化的參數

衛星遙測數據以年、月或天為周期變化,每個周期的數據可能會略有差別。參數變化曲線如時間。

如圖5所示。要能夠基于這種周期的特點對未來的參數值進行預測。

圖5 遙測參數變化示意圖五Fig.5 Telemetry data change chart 5

以上僅為遙測數據幾種理想化的簡單模型,遙測數據實際的變化規律會更加復雜,在實際軟件系統的設計中,要對遙測數據進行更加詳盡的分析與分類,深入研究其變化規律。對遙測數據變化規律進行分析,研究數據對象的特征,針對不同變化規律的遙測數據,分別設計相適應的預測方法。

3 在軌遙測數據預測方法研究

針對航天器的遙測數據變化發展的特點,對一些預測方法進行了研究。通過研究分析發現,在這些方法中,比較適合于在軌航天器遙測數據預測的一些方法包括曲線擬合預測法、時間序列平滑預測法(重點是求和自回歸滑動平均模型預測法)、回歸預測法(包括非參數回歸預測法等)、因果預測法、神經網絡預測法等。以下對各種方法的特點和適應性進行描述。

3.1 基于多項式擬合外推的預測技術

基于多項式擬合進行外推的預測方法,是根據衛星數據的歷史和實時數據,尋求衛星數據隨時間推移而發展變化的規律,通過對參數變化曲線進行多項式擬合,得到擬合公式,利用該擬合公式進行外推,推測其未來狀況的一種預測方法。

該方法的假設條件是:

1)假設衛星數據的變化過程沒有跳躍式變化,即衛星遙測數據的變化是連續的;

2)假設所研究的衛星各分系統的結構、功能等基本保持不變,即假定由歷史遙測數據所建立的外推模型能反映未來數據的變化。

基于多項式擬合外推的預測方法的主要步驟是:

1)根據參數選擇擬合方法模型,設定擬合的階數;

2)進行多項式擬合訓練,得出擬合公式;

3)根據訓練結果調整擬合過程;

4)根據擬合公式外推預測。

該方法對于周期性隨時間緩慢變化的遙測數據預測具有很好的效果,即比較適合于周期變化的參數預測。此方法還適合于在沒有狀態、事件發生時,遙測參數的變化率突然發生變化的遙測參數以及與狀態和事件相關聯的參數的預測。

3.2 基于求和自回歸滑動平均模型的時間序列分析預測技術[2-7]

差分方法是一種非常簡便、有效的確定性信息提取方法。差分運算具有強大的確定性信息提取能力,許多非平穩序列差分后會顯示出平穩序列的性質,這時我們稱這個非平穩序列為差分平穩序列。對差分平穩序列可以使用求和自回歸滑動平均模型(簡記為ARM A模型)進行預測。

ARM A模型預測法是時間序列分析預測方法的一種,又稱博克斯-詹金斯法,適合處理復雜的具有各種模式的時間序列。這種模式可包含趨勢變動、季節變動、循環波動和隨機波動等因素的綜合影響。

ARM A模型預測的過程可描述如下:1)獲取觀察值序列;

2)平穩性檢驗、差分運算;

3)白噪聲檢驗;

4)創建ARM A預測模型;

5)調用模型對遙測數據進行預測。

此方法適合處理復雜的具有各種模式的時間序列,是用于解決非平穩趨勢數據預測問題的最常用的模型。可以用于周期變化的參數和遙測數據平穩變化或維持在一恒定值附近的參數預測。

3.3 基于非參數回歸的預測技術

非參數回歸的回歸函數Y =gn(X)的估計

gn(X)一般表示為下述形式:

其中,Y為一維觀測隨機向量;X為n 維隨機自變量;(Xi,Yi)為第i次觀測值;i =1,2,…,n;Wi(Xi)為權函數。非參數回歸就是對gn(X)的形狀不加任何限制,即對gn(X)一無所知的情況下,利用觀測值(Xi,Yi),對指定的X值,去估計Y值。由于其不需要對系統建立精確的數學模型,因此比較適合對時變的、非線性的系統進行預測。

非參數回歸方法由于只要有大量的歷史數據就可以進行預測,不需要建立預測模型,非常適合對于周期性明顯的這種非線性的數據進行預測。該方法適合于短期預測,預測時間在1～2h 內效果較好。

3.4 基于神經網絡的預測技術[8-11]

誤差反向后傳(Back Propagation,BP)網絡是目前應用最廣泛的神經網絡之一,是一種正向求解、反向傳播并達到修改網絡層次之間連線上權值的網絡模型。BP算法的具體思想是:對一個輸入樣本,從輸入層經隱含層逐層正向計算,得到輸出層的輸出。然后,讓它與期望樣本比較,如有偏差,則把輸出層單元的誤差向輸入層逆向傳播,由此調整連接權值與閾值,從而使網絡輸出值逼近期望輸出,通常使之達到誤差均方值取最小為止。

BP 網絡的算法描述如下:

1)網絡初始化;

2)輸入第一個學習樣本;

3)求中間層的輸入和輸出;

4)求輸出層的輸入和輸出;

5)計算輸出層的誤差;

6)計算中間層的誤差;

7)調整各層的誤差;

8)輸入下一個學習樣本。

在上述過程中,首先規定訓練次數和期望誤差,當次數超過要求次數或誤差達到期望值,即停止訓練,將結果存儲。

基于神經網絡的預測模型,比較適合用于緩變的在軌遙測數據變化情況,適合于具有大量歷史訓練樣本數據的遙測參數的預測。BP 神經網絡預測法的樣本選取和訓練過程較為復雜,可能會耗費一定的時間才能得出預測結果。當對預測誤差的要求相對較低的情況下(如大于10%的誤差),該方法可以作為一種候補的遙測數據預測方法,用于當其他預測方法無法滿足遙測數據預測要求的補充。

4 衛星故障預警系統構架設計

基于歷史遙測數據的衛星故障預警系統要實時接收衛星的遙測數據,同時要能夠查詢歷史遙測數據庫,并將預測結果輸出給遙測參數判讀系統,進而實現在軌衛星的遙測參數預警,系統的輸入輸出接口關系以及構架設計如圖6所示,主要由實時預測模塊、預處理模塊、模擬數據產生器模塊、在軌衛星遙測數據判讀系統組成。

4.1 實時預測模塊

基于歷史遙測數據的衛星故障預警系統的核心是對在軌衛星遙測數據進行預測,基于歷史遙測數據,按照一定的數據預測算法,輸出遙測數據的預測結果至在軌衛星遙測數據判讀系統。本模塊至少要滿足以下功能:

1)可自動再次對遙測數據進行分析、學習,并具有根據狀態和事件變化重新累積數據和重新預測功能;

2)當預測值與實際數據的差大于一定的限度(此值存在一默認值,也可由用戶手動進行設點)時,應給出提示;

3)在具有系統默認配置的功能下,提供手動設置功能,可以事先人工干預,選擇預測算法等參數;

4)針對每種變化規律的遙測參數,至少有2 種適應的預測方法,能夠同時進行預測并通過性能對比。

圖6 基于歷史遙測數據的在軌衛星預警系統接口關系及系統構架Fig.6 Structure and interfaces of the w arning system

4.2 預處理模塊

針對可能出現的遙測數據不連續、跳碼多等非平穩現象,預處理模塊要對遙測數據進行處理,從中選擇有效的數據;同時要能夠對歷史數據按一定的周期進行采樣,為預測提供特定時間間隔的數據。

4.3 模擬數據產生器模塊

產生模擬數據,然后輸入到實時預測模塊,對預測值與實際值進行比對進而驗證系統的性能,作為驗收的一個指標。該模擬數據產生器要能夠按照用戶的配置產生特定變化規律的

模擬數據,或對實際數據進行修改產生模擬數據。

4.4 客戶端模塊

系統設計采用瀏覽器/服務器(B/S)結構,在客戶端瀏覽器窗口中,要集成以上各條中所定義的參數配置和信息輸出功能,同時要嵌入報警系統的輸出信息窗口。

4.5 在軌衛星遙測數據判讀系統

根據衛星遙測參數的設計值以及實際在軌期間的數據,設定其變化的上下限,對超出此范圍的參數值進行報警提示。

4.6 輸入接口

通過網絡接收在軌衛星的實時遙測數據,并通過與遙測數據庫建立數據接口查詢歷史遙測數據。

5 應用驗證

利用某衛星發生故障期間的實際數據對預警系統的應用效果進行了驗證。

2008年該星發生了一次異常。在異常發生前,遙測參數1、2 緩慢、平穩變化;在故障發生后,兩個參數均快速上升,整體預測效果如圖7、圖8所示。由圖可見,預測數據與實際數據的變化吻合,并且能夠提前發現數據的異常變化(實際運行中預測曲線要提前于實際數據變化曲線)。

實際應

用中,在軌衛星發生異常,某個遙測參數值異常攀升或下降,初期因為沒有超過預先設定的門限值,監測人員無法發現異常,如果經過此預警系統,經過一段時間的數據積累,系統能夠快速給出一段時間后參數越界的預警,提醒監測人員重點關注,便于監測人員早期發現異常變化趨勢,為故障處理贏得時間。

6 結論

本文對在軌衛星遙測數據進行了分類,分析了其變化規律;研究了幾種主流的數據預測理論的算法及適用性,在此基礎上提出了一種基于歷史遙測數據的衛星故障預警系統的構架設計,并定義了系統中各模塊的功能及接口關系,對實際應用效果進行了驗證。所設計的系統對及早發現在軌衛星的故障、提高衛星在軌運行的安全性和可靠性具有重要的意義。

圖7 遙測參數1 預測效果Fig.7 Forecasting result of telemetry parameter 1

圖8 遙測參數2 預測效果Fig.8 Forecasting result of telemetry parameter 2

References)

[1]王環,郭義琪,秦巍,等.構建多航天器在軌管理平臺[J].航天器工程,2007,16(3):114-119

[2]楊德斌,韓志清.設備故障停機時間的ARMA模型預測[J].冶金設備,2006(1)

[3]韓超,宋蘇,王成紅.基于ARIM A模型的短時交通流實時自適應預測[J].系統仿真學報.2004

[4]李瑞瑩,康銳.基于ARMA模型的故障率預測方法研究[J].系統工程與電子技術,2008,30(8)

[5]盧建昌,張世英,牛東曉.基于ARIMA的發電量預測方法[J].華北電力大學學報,2004,31(3)

[6]池啟水.中國石油消費量增長趨勢分析——基于ARIMA模型的預測與分析[J].資源科學,2007,29(5)

[7]仝艷時,陳鵬.時間序列模型在火警短期預測中的應用[J].火災科學,2008,17(4)

[8]任志鴻.BP 神經網絡在氣象數據預測研究中的應用[J].農業網絡信息,2007(11)

[9]周春光,邢輝,徐振龍,等.商業數據的預測模型及其算法研究[J].吉林大學學報(信息科學版),2002,20(3)

[10]周永進,蔡惠.改進的BP 網絡及其在數據預測中的應用[J].微計算機信息,2007,23(3,9)

[11]王一夫,陳松喬,陳安.海量數據預測模型設計及案例分析[J].計算機工程與應用,2005(19)