小衛星測試數據在線時間序列判讀方法

吳限德，孫兆偉，陳衛東

(1.哈爾濱工程大學航天與建筑工程學院，黑龍江 哈爾濱15000;2.哈爾濱工業大學 衛星技術研究所，黑龍江 哈爾濱150001)

小衛星測試過程始于部件研制階段，終于靶場發射完成，貫穿其研制始終，是小衛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，組建自動測試系統，能顯著降低測試周期，提高測試效率，因此成為必然發展方向.小衛星自動測試過程需要監視、檢測數百個部件(如載荷、敏感器和執行機構等)的實時數據和狀態，測試數據量龐大、信號類型復雜、數據實時性、一致性和可靠性要求高、數據隨環境變化快，因此對小衛星自動測試系統中數據判讀和處理速度等均提出較高要求.傳統手工數據判讀方法無法滿足小衛星自動測試需求，因此兼顧實時性、穩定性等要求的基于ARMA模型的數據在線判讀方法成為首要選擇[1].

典型數據判讀方法有基于支持向量機的方法和基于神經網絡的方法.這些方法需要較大訓練集，對長期運行的系統缺乏全局最優，訓練神經網絡需要較長時間，難以適應實時性需求，更不適合長期的數據監視[2-4].時間序列分析方法在數據預測中已經有了應用，但這些應用主要是利用時間序列估計出的自回歸參數，再利用人工智能方法進行分類，從而完成故障的分類與診斷，這些方法同樣存在訓練周期長，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時預測下一周期測試數據的數據預測方法，并在此基礎上設計實現了小衛星自動測試系統中數據在線檢測方法.該方法能夠在較小樣本集內學習，獲得最新的回歸參數，具有較高的執行效率，能夠滿足小衛星測試的實時性要求，適用于長期數據監視和異常數據檢測，較好地滿足小衛星自動測試系統需求.

1 小衛星測試系統與數據判讀模型

1.1 小衛星測試系統

目前，小衛星綜合測試系統基本使用分散式測試設備，分系統測試由相應的測試人員分別完成，測試數據和結果也主要由人工判讀.這種測試模式的缺點是:需要的測試人員和操作崗位較多;人工監視數據可能漏過瞬態突發故障;難以實現各測試數據的時間同步，這在故障定位和分析時尤為突出;測試效率較低;測試人員的工作強度大;需要依靠大量的測試設備、測試周期長等.

隨著航天器集成度不斷增加，相對衛星電氣系統和運載電氣系統來說，其電氣系統的組成更復雜，測試更為困難，傳統的綜合測試方法無法滿足高集成度小衛星發射快速性和機動靈活性的需求.

針對傳統測試平臺靈活性不足等問題，設計了圖1所示的小衛星自動測試系統，該系統主要由模型數學仿真模塊、星上設備模塊、地面測試設備模塊和數據判讀模塊4部分組成.模型數學仿真是自動測試系統重要組成部分，數學仿真為地面測試設備提供必要的數據激勵，數學仿真精度和正確性直接決定了測試結果的置信度，甚至影響測試能否正確進行.星上設備是被測對象，由真實的星上部件組成，按照在軌狀態產生各種數據，這些數據是判斷其處于正常狀態還是故障狀態的重要依據.地面測試設備由各種部件模擬器和信號源模擬器等組成，模擬產生空間環境，并由此對星上設備進行激勵.

測試平臺與其他應用不同，測試的唯一目的是通過一定方法，盡量挖掘部件或分系統的潛在問題，即找出并修正系統瑕疵，以保證小衛星的高可靠性.因此數據判讀模塊是小衛星地面測試系統的重要組成部分，其職責在于根據數學仿真數據、測試設備數據和星上設備數據判斷當前衛星或部件是否處于故障狀態.

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

1.2 數據判讀模塊

數據判讀模塊主要負責檢測小衛星在地面測試過程中的異常狀態，將故障部件或分系統隔離，防止系統長期運行在故障狀態，造成部件損壞等不必要的損失.

由于小衛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督下進行，數據判讀模塊能夠輔助測試人員識別測試過程中的異常數據，具體流程如圖2所示.

數據判讀模塊通過數據接口接收外部數據，經過數據預測模型，預測當前數據的取值范圍，再比對真實數據和預測數據.如果是數據異常，則通過人機界面顯示給測試人員;如果不是異常數據，則繼續進入下一個周期的數據判讀.由此可以看出，為保證測試結果的可信度，異常檢測過程需要與測試人員進行交互，將程序分析結果提交測試人員確認，顯著提高了測試人員的工作效率.

圖2 數據判讀模塊Fig.2 Test data interpretation component

2 數據預處理與時間序列建模

2.1 數據預處理

在小衛星地面測試系統中，數據是從物理設備上采集的真實信號(模擬量或數字量)，因此數據隨各個部件的不同而存在顯著差別.建立這些數據的時間序列，并對其進行分析較困難，因此需要對其進行適當的預處理，以適應時間序列模型分析.

圖3 飛輪電壓原始數據與標準化后對比Fig.3 Comparison between original data and standardization data of flywheel voltage

數據預處理過程包括消除趨勢項和零均值處理(或平穩化).圖3給出了飛輪電壓原始數據與經過2次差分消除趨勢項和零均值處理后的數據對比結果.從圖中可以看出，標準化后的數據趨勢沒有明顯的變化，均值為一個常數，已經構成一個平穩的時間序列.

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和一個隨機值的線性函數，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，描述 yt-i每改變一個單位值時，對yt所產生的影響，是自回歸參數;隨機值αt稱為殘差，是一個誤差或白噪聲序列，即一個不相關的隨機變量序列，且服從正態分布N(0，σ2).式(1)的矩陣形式為

2.3 時間序列預測算法設計

時間序列預測算法總體流程包括原始數據處理、自相關系數計算、偏相關函數計算、AR(p)模型定階、數據預測和標準化數據還原6個階段.具體算法如下:

輸入:原始數據序列

輸出:下一時刻數據預測值

操作:

1)對原始數據進行2次差分消除趨勢項，對消除趨勢項后的數據進行零均值處理;

2)計算自協方差，公式為rk=E(xtxt+k)，其中rk為自協方差，計算自相關系數:

3)解Yule-Walker方程，系數矩陣是Toeplitz矩陣，求得偏相關函數，Yule-Walker方程為

4)采用AIC準則[6-7]對模型的階次進行適應性檢驗，并為模型定階，具體為

5)預測下一時刻數據值，并根據第一步保存的差分中間數據，對數據預測值進行預測數據還原，數據預測公式如下:

6)返回預測結果，算法結束.

3 數據判讀算法與仿真驗證

利用時間序列模型和數據預測算法，結合某型號小衛星地面測試中對測試數據在線判讀的實際需求，本文設計了基于時間序列分析的數據在線判讀方法，并以飛輪和陀螺的電壓、電流等數據為例進行了該方法的驗證.

3.1 數據判讀算法流程

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

數據判讀模塊首先將測試的歷史數據標準化，然后根據2.3節的數據預測算法對下一周期數據進行預測，再將預測結果與物理設備采集的真實數據進行比對.如果真實數據與預測數據的差值在合理變化范圍內(部件工程參數)，則不報異常，如果差值變化較大，則向測試人員發出異常提示.

由于衛星測試是可靠性要求較高的過程，測試結果的可信程度與測試過程采用的方法、技術等關系密切.因此數據判讀模塊將檢測到的每個異常情況均通過人機界面提交給測試人員確認，充分利用測試人員的測試經驗，避免由計算機自動故障診斷所帶來的誤診斷和漏診斷等問題，進一步提高測試過程的可靠性和結果的置信度.

圖4 數據判讀流程Fig.4 Data interpretation flow chart

3.2 仿真驗證

本節對設計的測試數據在線判讀方法進行了實驗驗證.數據在線判讀算法的數據來源為真實的星上部件，包括飛輪、陀螺.數據判讀計算機中運行的軟件模塊包括數據接口模塊、通信協議模塊、數據判讀模塊和人機界面模塊.數據接口和通信協議模塊根據接入的不同部件，按照相應數據協議進行數據的接收和解包，將解釋出來的數據交由數據判讀模塊進行分析，并將數據判讀結果通過人機界面反饋給測試人員.

在數據判讀過程中，以30個為一組的數據進行自相關系數計算，飛輪電壓的初始自相關系數曲線如圖5所示，這組系數在零值附近趨于穩定.

圖5 自相關系數曲線Fig.5 Self correlation coefficient curve

對300組飛輪電壓數據進行驗證，其中第0～100組數據為樣本數據，用于確定AR(p)模型階數和估計參數，第101～300組數據為測試數據.測試結果如圖6所示.從圖6中可以看出，在電壓值較平穩時，AR(p)模型預測的電壓值與實際采樣值的差值較小，維持在0.1%以內.當電壓值變化較大或異常時，模型預測值與真實數據的差值較大，維持在5%左右.

在圖6中第136個測試周期，真實數據從28 V下降到20 V，預測值也產生了突變.同樣，在第247個測試周期的飛輪電壓劇烈變化時，AR(p)模型產生的預測值也相應變化劇烈.

圖6 飛輪電壓原始數據與預測數據比較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據和預測數據，在100～275周期內，預測值能穩定在實測數據附近.在第250周期電流變化較大時，本文算法的預測值仍能夠較好地對其進行預測，并根據預測值進行判讀.

圖7 飛輪電流原始數據與預測數據比較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據和預測數據，從圖中可以看出預測值與實測值的最大誤差為0.2 V，在部件允許變化范圍內.

圖8 陀螺電壓原始數據與預測數據比較Fig.8 Comparison between original data and prediction data of gyro voltage

4 結論

本文針對小衛星地面測試過程中數據判讀問題，提出了基于時間序列分析的小衛星地面測試中數據在線判讀方法.該方法在傳統數據判讀基礎上進行改進，利用時間序列分析技術，設計數據預測方法，再根據設備數據和預測數據判斷數據異常情況.仿真結果表明，數據預測方法能較準確地預測出下一周期數據，對數據異常區域反映較迅速，能及時發現并預報數據異常.利用本文提出的數據判讀方法，能較全面地檢測出當前系統或部件是否處于異常狀態，并且算法執行效率較高，較好地滿足小衛星地面測試要求.使用本文提出的數據快速判讀方法能夠在線檢測數據異常，為提高系統的自動化程度，未來研究可以從以下2個方面著手改進算法:

1)引入神經網絡、支持向量機等分類算法對檢測出的異常進行分類，最終實現故障的在線實時診斷;

2)進一步改進預測算法，建立異常數據檢測專家庫，更多地吸納專家經驗，進一步提高故障檢測的可靠性和結果的可信度.

[1]方澤南，傅尚新，張勇.時間序列在故障診斷中的應用[J].清華大學學報:自然科學版，1998，38(9):123-126.FANG Zenan，FU 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，關根志，周金，等.基于改進ART2神經網絡的絕緣子故障在線診斷[J].湖南大學學報:自然科學版，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，FENG 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.