小衛(wèi)星測試數(shù)據(jù)在線時間序列判讀方法

吳限德，孫兆偉，陳衛(wèi)東

(1.哈爾濱工程大學(xué)航天與建筑工程學(xué)院，黑龍江 哈爾濱15000;2.哈爾濱工業(yè)大學(xué) 衛(wèi)星技術(shù)研究所，黑龍江 哈爾濱150001)

小衛(wèi)星測試過程始于部件研制階段，終于靶場發(fā)射完成，貫穿其研制始終，是小衛(wèi)星研制的重要組成部分和高可靠性的重要保證手段.采用自動測試技術(shù)，組建自動測試系統(tǒng)，能顯著降低測試周期，提高測試效率，因此成為必然發(fā)展方向.小衛(wèi)星自動測試過程需要監(jiān)視、檢測數(shù)百個部件(如載荷、敏感器和執(zhí)行機(jī)構(gòu)等)的實(shí)時數(shù)據(jù)和狀態(tài)，測試數(shù)據(jù)量龐大、信號類型復(fù)雜、數(shù)據(jù)實(shí)時性、一致性和可靠性要求高、數(shù)據(jù)隨環(huán)境變化快，因此對小衛(wèi)星自動測試系統(tǒng)中數(shù)據(jù)判讀和處理速度等均提出較高要求.傳統(tǒng)手工數(shù)據(jù)判讀方法無法滿足小衛(wèi)星自動測試需求，因此兼顧實(shí)時性、穩(wěn)定性等要求的基于ARMA模型的數(shù)據(jù)在線判讀方法成為首要選擇[1].

典型數(shù)據(jù)判讀方法有基于支持向量機(jī)的方法和基于神經(jīng)網(wǎng)絡(luò)的方法.這些方法需要較大訓(xùn)練集，對長期運(yùn)行的系統(tǒng)缺乏全局最優(yōu)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要較長時間，難以適應(yīng)實(shí)時性需求，更不適合長期的數(shù)據(jù)監(jiān)視[2-4].時間序列分析方法在數(shù)據(jù)預(yù)測中已經(jīng)有了應(yīng)用，但這些應(yīng)用主要是利用時間序列估計(jì)出的自回歸參數(shù)，再利用人工智能方法進(jìn)行分類，從而完成故障的分類與診斷，這些方法同樣存在訓(xùn)練周期長，需要樣本集龐大等問題[5].

本文利用時間序列分析基本思想，研究一種能夠在線實(shí)時預(yù)測下一周期測試數(shù)據(jù)的數(shù)據(jù)預(yù)測方法，并在此基礎(chǔ)上設(shè)計(jì)實(shí)現(xiàn)了小衛(wèi)星自動測試系統(tǒng)中數(shù)據(jù)在線檢測方法.該方法能夠在較小樣本集內(nèi)學(xué)習(xí)，獲得最新的回歸參數(shù)，具有較高的執(zhí)行效率，能夠滿足小衛(wèi)星測試的實(shí)時性要求，適用于長期數(shù)據(jù)監(jiān)視和異常數(shù)據(jù)檢測，較好地滿足小衛(wèi)星自動測試系統(tǒng)需求.

1 小衛(wèi)星測試系統(tǒng)與數(shù)據(jù)判讀模型

1.1 小衛(wèi)星測試系統(tǒng)

目前，小衛(wèi)星綜合測試系統(tǒng)基本使用分散式測試設(shè)備，分系統(tǒng)測試由相應(yīng)的測試人員分別完成，測試數(shù)據(jù)和結(jié)果也主要由人工判讀.這種測試模式的缺點(diǎn)是:需要的測試人員和操作崗位較多;人工監(jiān)視數(shù)據(jù)可能漏過瞬態(tài)突發(fā)故障;難以實(shí)現(xiàn)各測試數(shù)據(jù)的時間同步，這在故障定位和分析時尤為突出;測試效率較低;測試人員的工作強(qiáng)度大;需要依靠大量的測試設(shè)備、測試周期長等.

隨著航天器集成度不斷增加，相對衛(wèi)星電氣系統(tǒng)和運(yùn)載電氣系統(tǒng)來說，其電氣系統(tǒng)的組成更復(fù)雜，測試更為困難，傳統(tǒng)的綜合測試方法無法滿足高集成度小衛(wèi)星發(fā)射快速性和機(jī)動靈活性的需求.

針對傳統(tǒng)測試平臺靈活性不足等問題，設(shè)計(jì)了圖1所示的小衛(wèi)星自動測試系統(tǒng)，該系統(tǒng)主要由模型數(shù)學(xué)仿真模塊、星上設(shè)備模塊、地面測試設(shè)備模塊和數(shù)據(jù)判讀模塊4部分組成.模型數(shù)學(xué)仿真是自動測試系統(tǒng)重要組成部分，數(shù)學(xué)仿真為地面測試設(shè)備提供必要的數(shù)據(jù)激勵，數(shù)學(xué)仿真精度和正確性直接決定了測試結(jié)果的置信度，甚至影響測試能否正確進(jìn)行.星上設(shè)備是被測對象，由真實(shí)的星上部件組成，按照在軌狀態(tài)產(chǎn)生各種數(shù)據(jù)，這些數(shù)據(jù)是判斷其處于正常狀態(tài)還是故障狀態(tài)的重要依據(jù).地面測試設(shè)備由各種部件模擬器和信號源模擬器等組成，模擬產(chǎn)生空間環(huán)境，并由此對星上設(shè)備進(jìn)行激勵.

測試平臺與其他應(yīng)用不同，測試的唯一目的是通過一定方法，盡量挖掘部件或分系統(tǒng)的潛在問題，即找出并修正系統(tǒng)瑕疵，以保證小衛(wèi)星的高可靠性.因此數(shù)據(jù)判讀模塊是小衛(wèi)星地面測試系統(tǒng)的重要組成部分，其職責(zé)在于根據(jù)數(shù)學(xué)仿真數(shù)據(jù)、測試設(shè)備數(shù)據(jù)和星上設(shè)備數(shù)據(jù)判斷當(dāng)前衛(wèi)星或部件是否處于故障狀態(tài).

圖1 自動測試系統(tǒng)原理Fig.1 The automatic test system principle diagram

1.2 數(shù)據(jù)判讀模塊

數(shù)據(jù)判讀模塊主要負(fù)責(zé)檢測小衛(wèi)星在地面測試過程中的異常狀態(tài)，將故障部件或分系統(tǒng)隔離，防止系統(tǒng)長期運(yùn)行在故障狀態(tài)，造成部件損壞等不必要的損失.

由于小衛(wèi)星測試是可靠性要求較高的過程，因此需要在測試人員的監(jiān)督下進(jìn)行，數(shù)據(jù)判讀模塊能夠輔助測試人員識別測試過程中的異常數(shù)據(jù)，具體流程如圖2所示.

數(shù)據(jù)判讀模塊通過數(shù)據(jù)接口接收外部數(shù)據(jù)，經(jīng)過數(shù)據(jù)預(yù)測模型，預(yù)測當(dāng)前數(shù)據(jù)的取值范圍，再比對真實(shí)數(shù)據(jù)和預(yù)測數(shù)據(jù).如果是數(shù)據(jù)異常，則通過人機(jī)界面顯示給測試人員;如果不是異常數(shù)據(jù)，則繼續(xù)進(jìn)入下一個周期的數(shù)據(jù)判讀.由此可以看出，為保證測試結(jié)果的可信度，異常檢測過程需要與測試人員進(jìn)行交互，將程序分析結(jié)果提交測試人員確認(rèn)，顯著提高了測試人員的工作效率.

圖2 數(shù)據(jù)判讀模塊Fig.2 Test data interpretation component

2 數(shù)據(jù)預(yù)處理與時間序列建模

2.1 數(shù)據(jù)預(yù)處理

在小衛(wèi)星地面測試系統(tǒng)中，數(shù)據(jù)是從物理設(shè)備上采集的真實(shí)信號(模擬量或數(shù)字量)，因此數(shù)據(jù)隨各個部件的不同而存在顯著差別.建立這些數(shù)據(jù)的時間序列，并對其進(jìn)行分析較困難，因此需要對其進(jìn)行適當(dāng)?shù)念A(yù)處理，以適應(yīng)時間序列模型分析.

圖3 飛輪電壓原始數(shù)據(jù)與標(biāo)準(zhǔn)化后對比Fig.3 Comparison between original data and standardization data of flywheel voltage

數(shù)據(jù)預(yù)處理過程包括消除趨勢項(xiàng)和零均值處理(或平穩(wěn)化).圖3給出了飛輪電壓原始數(shù)據(jù)與經(jīng)過2次差分消除趨勢項(xiàng)和零均值處理后的數(shù)據(jù)對比結(jié)果.從圖中可以看出，標(biāo)準(zhǔn)化后的數(shù)據(jù)趨勢沒有明顯的變化，均值為一個常數(shù)，已經(jīng)構(gòu)成一個平穩(wěn)的時間序列.

2.2 時間序列建模

若時間序列值yt可以表示為它前值yt-i和一個隨機(jī)值的線性函數(shù)，則稱此模型為自回歸模型.p階自回歸模型簡稱AR(p)模型，其公式為

式中:φ1，φ2，…，φp表示自回歸參數(shù)，描述 yt-i每改變一個單位值時，對yt所產(chǎn)生的影響，是自回歸參數(shù);隨機(jī)值αt稱為殘差，是一個誤差或白噪聲序列，即一個不相關(guān)的隨機(jī)變量序列，且服從正態(tài)分布N(0，σ2).式(1)的矩陣形式為

2.3 時間序列預(yù)測算法設(shè)計(jì)

時間序列預(yù)測算法總體流程包括原始數(shù)據(jù)處理、自相關(guān)系數(shù)計(jì)算、偏相關(guān)函數(shù)計(jì)算、AR(p)模型定階、數(shù)據(jù)預(yù)測和標(biāo)準(zhǔn)化數(shù)據(jù)還原6個階段.具體算法如下:

輸入:原始數(shù)據(jù)序列

輸出:下一時刻數(shù)據(jù)預(yù)測值

操作:

1)對原始數(shù)據(jù)進(jìn)行2次差分消除趨勢項(xiàng)，對消除趨勢項(xiàng)后的數(shù)據(jù)進(jìn)行零均值處理;

2)計(jì)算自協(xié)方差，公式為rk=E(xtxt+k)，其中rk為自協(xié)方差，計(jì)算自相關(guān)系數(shù):

3)解Yule-Walker方程，系數(shù)矩陣是Toeplitz矩陣，求得偏相關(guān)函數(shù)，Yule-Walker方程為

4)采用AIC準(zhǔn)則[6-7]對模型的階次進(jìn)行適應(yīng)性檢驗(yàn)，并為模型定階，具體為

5)預(yù)測下一時刻數(shù)據(jù)值，并根據(jù)第一步保存的差分中間數(shù)據(jù)，對數(shù)據(jù)預(yù)測值進(jìn)行預(yù)測數(shù)據(jù)還原，數(shù)據(jù)預(yù)測公式如下:

6)返回預(yù)測結(jié)果，算法結(jié)束.

3 數(shù)據(jù)判讀算法與仿真驗(yàn)證

利用時間序列模型和數(shù)據(jù)預(yù)測算法，結(jié)合某型號小衛(wèi)星地面測試中對測試數(shù)據(jù)在線判讀的實(shí)際需求，本文設(shè)計(jì)了基于時間序列分析的數(shù)據(jù)在線判讀方法，并以飛輪和陀螺的電壓、電流等數(shù)據(jù)為例進(jìn)行了該方法的驗(yàn)證.

3.1 數(shù)據(jù)判讀算法流程

圖4給出了本文數(shù)據(jù)判讀模塊的流程圖.由于星上部件通常是自主運(yùn)行的，并且測試數(shù)據(jù)產(chǎn)生具有一定的時間特性(如周期產(chǎn)生)，因此需要對測試數(shù)據(jù)的產(chǎn)生時間進(jìn)行分析，判斷該數(shù)據(jù)的產(chǎn)生時間是否正確，如果存在異常，則將異常通過人機(jī)界面提交給測試人員確認(rèn).在數(shù)據(jù)的時間特性滿足后，將其提交給數(shù)據(jù)判讀模塊進(jìn)行異常判斷.

數(shù)據(jù)判讀模塊首先將測試的歷史數(shù)據(jù)標(biāo)準(zhǔn)化，然后根據(jù)2.3節(jié)的數(shù)據(jù)預(yù)測算法對下一周期數(shù)據(jù)進(jìn)行預(yù)測，再將預(yù)測結(jié)果與物理設(shè)備采集的真實(shí)數(shù)據(jù)進(jìn)行比對.如果真實(shí)數(shù)據(jù)與預(yù)測數(shù)據(jù)的差值在合理變化范圍內(nèi)(部件工程參數(shù))，則不報異常，如果差值變化較大，則向測試人員發(fā)出異常提示.

由于衛(wèi)星測試是可靠性要求較高的過程，測試結(jié)果的可信程度與測試過程采用的方法、技術(shù)等關(guān)系密切.因此數(shù)據(jù)判讀模塊將檢測到的每個異常情況均通過人機(jī)界面提交給測試人員確認(rèn)，充分利用測試人員的測試經(jīng)驗(yàn)，避免由計(jì)算機(jī)自動故障診斷所帶來的誤診斷和漏診斷等問題，進(jìn)一步提高測試過程的可靠性和結(jié)果的置信度.

圖4 數(shù)據(jù)判讀流程Fig.4 Data interpretation flow chart

3.2 仿真驗(yàn)證

本節(jié)對設(shè)計(jì)的測試數(shù)據(jù)在線判讀方法進(jìn)行了實(shí)驗(yàn)驗(yàn)證.數(shù)據(jù)在線判讀算法的數(shù)據(jù)來源為真實(shí)的星上部件，包括飛輪、陀螺.數(shù)據(jù)判讀計(jì)算機(jī)中運(yùn)行的軟件模塊包括數(shù)據(jù)接口模塊、通信協(xié)議模塊、數(shù)據(jù)判讀模塊和人機(jī)界面模塊.數(shù)據(jù)接口和通信協(xié)議模塊根據(jù)接入的不同部件，按照相應(yīng)數(shù)據(jù)協(xié)議進(jìn)行數(shù)據(jù)的接收和解包，將解釋出來的數(shù)據(jù)交由數(shù)據(jù)判讀模塊進(jìn)行分析，并將數(shù)據(jù)判讀結(jié)果通過人機(jī)界面反饋給測試人員.

在數(shù)據(jù)判讀過程中，以30個為一組的數(shù)據(jù)進(jìn)行自相關(guān)系數(shù)計(jì)算，飛輪電壓的初始自相關(guān)系數(shù)曲線如圖5所示，這組系數(shù)在零值附近趨于穩(wěn)定.

圖5 自相關(guān)系數(shù)曲線Fig.5 Self correlation coefficient curve

對300組飛輪電壓數(shù)據(jù)進(jìn)行驗(yàn)證，其中第0～100組數(shù)據(jù)為樣本數(shù)據(jù)，用于確定AR(p)模型階數(shù)和估計(jì)參數(shù)，第101～300組數(shù)據(jù)為測試數(shù)據(jù).測試結(jié)果如圖6所示.從圖6中可以看出，在電壓值較平穩(wěn)時，AR(p)模型預(yù)測的電壓值與實(shí)際采樣值的差值較小，維持在0.1%以內(nèi).當(dāng)電壓值變化較大或異常時，模型預(yù)測值與真實(shí)數(shù)據(jù)的差值較大，維持在5%左右.

在圖6中第136個測試周期，真實(shí)數(shù)據(jù)從28 V下降到20 V，預(yù)測值也產(chǎn)生了突變.同樣，在第247個測試周期的飛輪電壓劇烈變化時，AR(p)模型產(chǎn)生的預(yù)測值也相應(yīng)變化劇烈.

圖6 飛輪電壓原始數(shù)據(jù)與預(yù)測數(shù)據(jù)比較Fig.6 Comparison befween original data and prediction data of flywheel voltage

圖7給出了飛輪電流的原始數(shù)據(jù)和預(yù)測數(shù)據(jù)，在100～275周期內(nèi)，預(yù)測值能穩(wěn)定在實(shí)測數(shù)據(jù)附近.在第250周期電流變化較大時，本文算法的預(yù)測值仍能夠較好地對其進(jìn)行預(yù)測，并根據(jù)預(yù)測值進(jìn)行判讀.

圖7 飛輪電流原始數(shù)據(jù)與預(yù)測數(shù)據(jù)比較Fig.7 Comparison between original data and prediction data of flywheel current

圖8給出了陀螺電流的原始數(shù)據(jù)和預(yù)測數(shù)據(jù)，從圖中可以看出預(yù)測值與實(shí)測值的最大誤差為0.2 V，在部件允許變化范圍內(nèi).

圖8 陀螺電壓原始數(shù)據(jù)與預(yù)測數(shù)據(jù)比較Fig.8 Comparison between original data and prediction data of gyro voltage

4 結(jié)論

本文針對小衛(wèi)星地面測試過程中數(shù)據(jù)判讀問題，提出了基于時間序列分析的小衛(wèi)星地面測試中數(shù)據(jù)在線判讀方法.該方法在傳統(tǒng)數(shù)據(jù)判讀基礎(chǔ)上進(jìn)行改進(jìn)，利用時間序列分析技術(shù)，設(shè)計(jì)數(shù)據(jù)預(yù)測方法，再根據(jù)設(shè)備數(shù)據(jù)和預(yù)測數(shù)據(jù)判斷數(shù)據(jù)異常情況.仿真結(jié)果表明，數(shù)據(jù)預(yù)測方法能較準(zhǔn)確地預(yù)測出下一周期數(shù)據(jù)，對數(shù)據(jù)異常區(qū)域反映較迅速，能及時發(fā)現(xiàn)并預(yù)報數(shù)據(jù)異常.利用本文提出的數(shù)據(jù)判讀方法，能較全面地檢測出當(dāng)前系統(tǒng)或部件是否處于異常狀態(tài)，并且算法執(zhí)行效率較高，較好地滿足小衛(wèi)星地面測試要求.使用本文提出的數(shù)據(jù)快速判讀方法能夠在線檢測數(shù)據(jù)異常，為提高系統(tǒng)的自動化程度，未來研究可以從以下2個方面著手改進(jìn)算法:

1)引入神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等分類算法對檢測出的異常進(jìn)行分類，最終實(shí)現(xiàn)故障的在線實(shí)時診斷;

2)進(jìn)一步改進(jìn)預(yù)測算法，建立異常數(shù)據(jù)檢測專家?guī)欤嗟匚{專家經(jīng)驗(yàn)，進(jìn)一步提高故障檢測的可靠性和結(jié)果的可信度.

[1]方澤南，傅尚新，張勇.時間序列在故障診斷中的應(yīng)用[J].清華大學(xué)學(xué)報:自然科學(xué)版，1998，38(9):123-126.FANG Zenan，F(xiàn)U Shangxin，ZHANG Yong.Fault diagnosis based on time series[J].Journal of Tsinghua University:Science and Technology，1998，38(9):123-126.

[2]張海龍，關(guān)根志，周金，等.基于改進(jìn)ART2神經(jīng)網(wǎng)絡(luò)的絕緣子故障在線診斷[J].湖南大學(xué)學(xué)報:自然科學(xué)版，2008，35(10):41-45.ZHANG Hailong，GUAN Genzhi，ZHOU Jin，et al.Application of improved ART2 neural network for the on-line di-agnosis of faulty insulators[J].Journal of Hunan University:Natural Sciences，2008，35(10):41-45.

[3]DEMETGUL M，TANSEL L N，TASKIN S.Fault diagnosis of pneumatic systems with artificial neural network algorithms[J].Expert Systems with Applications，2009，36(7):10512-10519.

[4]XU Zengbing，XUAN Jianping，SHI Tielin，et al.Application of a modified fuzzy ARTMAP with feature-weight learning for the fault diagnosis of bearing[J].Expert Systems with Applications，2009，36(6):9961-9968.

[5]CHEN Gang，LIU Yang，ZHOU Wen＇an，et al.Research on intelligent fault diagnosis based on time series analysis algorithm[J].The Journal of China Universities of Posts and Telecommunications，2008，15(1):68-74.

[6]VOSS M S，F(xiàn)ENG X.ARMA model selection using particle swarm optimization and AIC criteria[C]//Proceedings of 15th International Federation of Automatic Control World Congress，IFAC.Barcelona，Spain，2002.

[7]ZHANG Xiaohang，LIU Jiaqi，DU Yu，et al.A novel clustering method on time series data[J].Expert Systems with Application，2011，38(9):11891-11900.