一種高級飛行器測試數據時域判讀方法

蓋建寧 王楠 王衛楠 沈宗月

【摘 要】 數據判讀是飛行器測試系統的重要組成部分，傳統測試數據判讀多依賴于測試人員，效率較低，難以適應自動化程度較高的飛行器測試系統。本文設計了飛行器測試系統方案和測試數據在線判讀模型，建立了測試數據的時間序列模型，完成了數據預測算法設計和判讀方法設計。利用某飛行器型號的測試數據對該方法進行了工程驗證。結果表明，設計的數據預測算法和判讀方法兼自動化要求和實時性要求，能在先驗數據集上全面地檢測出異常數據，從而顯著提高飛行器測試的全面性和準確性。

【關鍵詞】 數據判讀 ?數據預測 ?時間序列

【Abstract】 Data interpretation is the most critical component of spacecraft detection system. Traditional data interpretation depended on testing operators and had low efficiency. It was difficult to adapt to spacecraft detection system with higher real-time. This article designs a spacecraft detection system and online data interpretation models and time series model. The data prediction algorithm and interpretation method were obtained. Taking advantage of the spacecraft testing data， the methods proposed were verified. The results show that the data prediction algorithm and interpretation method take into account the characteristics of automatic and real-time requirements and can detect data abnormalities comprehensively on priority data test， thereby significantly improving the comprehensiveness and accuracy of the tests.

【Key words】 data interpretation ?data prediction ?time series

飛行器地面測試是飛行器研發過程中不可缺少的重要環節，地面測試系統始終承擔著非常重要的責任。在飛行器地面測試過程中，需要監視、檢測數百個部件的實時數據和狀態，測試數據量龐大、信號類型復雜、數據實時性、可靠性要求高，數據隨環境變化快。傳統測試中的人工數據判讀方法無法滿足飛行器的測試需求。

傳統的測試數據實時在線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，這些方法需要較大樣本集，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，更不適合長期的測試數據監視。目前，時間序列分析方法在測試數據預測中已經有了非常廣泛的應用，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。

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判讀方法，并在此基礎上設計實現了飛行器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，能夠滿足飛行器測試的實時性要求，適用于長期測試數據監視和異常數據檢測，可以非常好地滿足飛行器的測試需求。

1 飛行器測試系統以及測試數據判讀模型

1.1 飛行器測試系統

針對傳統飛行器測試系統靈活性不足、自動化程度低等問題，設計了圖1所示的飛行器測試系統，該系統主要由數字仿真模型、星上設備、地面激勵設備和測試數據判讀模型四部分組成。數字仿真模型是飛行器測試系統重要組成部分，為地面激勵設備提供必要的數據激勵，數字仿真的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，按照飛行器在軌真實狀態產生各種測試數據，這些測試數據是判斷其處于正常狀態還是故障狀態的重要依據。地面激勵設備由各種部件模擬器和激勵源組成，模擬產生空間環境，并由此對星上設備提供激勵數據。測試數據判讀模型主要負責對所有測試數據進行預測和判讀。

飛行器測試系統中包含不同的功能軟件。星上設備包括CAN總線通信軟件，實現星上各設備之間CAN通信。飛輪、陀螺等測量單機軟件以及星載計算機軟件實現飛行器慣性數據采集、姿態軌道控制等功能。各地面激勵設備運行針對不同測量單機的激勵源軟件，為各測量單機實時提供激勵數據。數字仿真模型通過動力學模型、軌道姿態控制模型等軟件實時解算飛行器的軌道姿態參數，并驅動各地面激勵設備為飛行器提供激勵數據。測試數據判讀模型軟件利用時間序列分析思想針對飛行器測試過程中的測試數據進行預測和判讀。

1.2 測試數據判讀模型

測試數據判讀模型是飛行器地面測試系統的重要組成部分，其職責在于根據模型數字仿真數據、地面激勵設備數據和器上設備數據判斷當前飛行器是否處于故障狀態，防止飛行器長期運行在故障狀態。由于飛行器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，測試數據判讀模型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。

測試數據判讀模型通過數據接口接收外部多路實時數據，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，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。

2 測試數據預處理以及時間序列模型

2.1 測試數據預處理

在飛行器地面測試系統中，數據是從飛行器上真實設備采集的真實信號（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。數據預處理過程包括消除趨勢項和零均值處理（平穩化）。

利用數據預處理方法對飛行器上飛輪電壓數據進行預處理，以驗證數據預處理方法，圖3給出了飛行器上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3中可以看出，預處理后的數據變化趨勢比較平穩，均值為一個常數，已經構成一個平穩的時間序列。

2.2 時間序列模型

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，則稱次模型為自回歸模型。P階自回歸模型簡稱為AR（P）模型，其公式為：

（1）

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。隨機值αt為殘差，是一個誤差和白噪聲序列，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：Y=Xφ+A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

式中：

AR（P）模型僅通過時間序列變量的自身歷史觀測值來反映有關因素對預測目標的影響和作用，不受模型變量相互獨立的假設條件約束，所構成的模型可以消除一般回歸預測方法中由于自變量選擇、多重共線性等造成的困難。

2.3 時間序列預測算法

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：

輸入為原始數據序列，輸出為下一時刻數據預測值，操作如下：

（1）對原始數據進行兩次差分消除趨勢項，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（xt ?xt+k），其中rk為自協方差，計算自相關系數：

（3）

式中：ρk=ρ-k，ρ0=1，r0=E（xi2），i=1，2…..N。

（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）

（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：

AIC（p）=N ln σα2 +2p ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）

式中：，，

N為數據個數，σα2為殘差方差，AIC（p）是模型階次p的函數，取AIC（p）絕對值最小的模型階次p為最佳模型階次。

（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，數據預測公式為：

（6）

（6）返回預測結果，算法結束。

3 數據判讀算法與測試驗證

利用時間序列模型和數據預測算法，結合某型號飛行器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，并以飛輪電流和陀螺電壓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。由于器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節的時間序列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。由于飛行器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越界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。

3.2 測試驗證

利用某型號飛行器的整器測試，對本文中設計的測試數據在線判讀方法進行了試驗驗證。數據來源為飛行器上真實部件（飛輪、陀螺）。數據判讀軟件包括數據接口模塊、通信協議模塊、數據判讀模塊和人機界面模塊。數據接口模塊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個數據為一組進行自相關系數計算，飛輪電流和陀螺電壓數據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。

對300組飛輪電流數據進行驗證，其中第0～100組數據為樣本數據，用于確定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，在電流值較平穩時，模型預測的電流值與實際采樣值的差值較小，當電流值變化較大時，模型預測值與真實數據的差值稍微增大（0.3A），但也在部件允許誤差范圍內。在圖6中第136個測試周期，真實數據從1.2A增加到2.88A，預測值也產生了突變。同樣，在第247個測試周期的飛輪電流變化較大時，模型產生的預測值也相應變化較大。

按照對飛輪電流數據的處理方式，選取300組陀螺電壓數據進行驗證，測試結果如圖7所示。從圖7中可以看出，在電壓值較平穩時，預測值與實際值的差值較小，當電壓變化較大時，模型預測值與真實數據的差值稍微增大（0.34V），但也在部件允許誤差范圍內。圖7中第113個測試周期，真實數據從4.2V下降到3.3V，模型產生的預測值也相應變小。

4 結論與展望

本文針對飛行器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飛行器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，較好地滿足飛行器地面測試要求。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3個方面著手進行改進：

（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）中引入統計學和精確性再訓練方法，使得模型的各項權重參數能夠適應不同類型測試數據的自變量和因變量的分步，擴大算法的使用范圍;（3）進一步改進算法，建立異常數據檢測專家庫，進一步提高故障檢測的可靠性和結果的可信度。

參考文獻

[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.Appli-cation of improved ART2 neural network for the on-line diagnosis of faulty insulators[J].Journal of Hunan Universi-ty：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.