一種基于時間序列的環控生保系統遙測數據預測方法

潘點飛 ，胡 偉 ，周文興 ，張慧穎 ，唐 斌 ，羅亞斌 ，鄭為閣

(1.中國航天員科研訓練中心，北京 100094；2.北京跟蹤與通信技術研究所，北京 100094)

0 引言

當前，我國載人航天工程已經進入航天員長期駐留及進行空間科學實驗的空間站階段，環控生保系統直接關系到航天員的生命健康，要求對其運行狀態監測更加及時準確，對其故障預判、診斷更加快速智能。

環控生保系統的運行狀態主要通過遙測數據獲得，數據的變化與產品、功能狀態的變化息息相關。從遙測數據中識別、提取關鍵信息是常用的航天器故障診斷方法。目前航天領域普遍采用二值邏輯型閾值比較方法進行故障識別[1]，該方法雖然簡單、直觀，但是存在諸如閾值不易界定、缺乏故障征兆識別能力、故障診斷效率低等問題，且未能充分利用遙測數據中包含的大量時域、空域信息，數據利用效率較低。

本文提出一種基于時間序列的遙測數據預測方法，能夠根據遙測數據的歷史信息預測未來一段時間的變化趨勢，在故障出現之前對其進行識別、預判，有效確保分系統的健康、長期工作，降低未來空間站環控生保分系統長期運行的維護成本。

1 環控生保系統遙測數據變化規律

1.1 環控生保系統

航天器環境控制與生命保障系統(簡稱環控生保系統，ECLSS)定義為[2]：在外太空營造一個適宜人類生存的環境，實現載人航天器密閉空間內物質流和能量流的平衡調控，提供生命活動所必需的物質保障，是環境控制和生命保障各種功能的有機集成和工程實現。它既為航天員創造正常工作、生活環境，保障航天員安全、高效工作，也是飛行器平臺正常運行必不可少的重要支撐，是將航天員與航天器緊密結合在一起的重要載體。

受航天器平臺設計約束以及空間特殊環境影響，環控生保系統在軌運行狀態主要通過對其遙測數據進行監測、診斷，因此遙測數據是反映系統運行狀態的關鍵信息[3]。由于遙測資源有限且數據關聯性隱蔽，地面飛控現場獲取的狀態主要是正常和故障兩種現象。這是因為目前航天領域仍普遍采用二值邏輯型閾值比較方法進行故障識別。即：

在正常清況下，遙測數據應在正常的范圍內變動，一旦監測信號突破該范圍，則認為出現故障。這種方法雖然簡單、直觀，但也存在以下問題：

(1)閾值不易界定:用于劃分狀態的閾值xmin(t)、xmax(t)大小不好確定，閾值過大會發生漏報警，閾值過小又會產生誤報警；

(2)可能存在狀態突變:單點分界的閾值判斷會產生狀態突變(真、假突變)；

(3)故障征兆識別不足：該方法偏重實測參數值的大小，忽視遙測數據包含的穩定程度、變化快慢以及長期趨勢等深層信息，另外當報警出現即是故障已經產生，不能利用遙測數據動態信息在故障出現之前進行預判；

(4)缺乏故障診斷功能：較少考慮遙測數據間的因果關系和邏輯關系，一旦報警信息出現，需要根據故障產生的邏輯關系，查詢相關遙測數據歷史數據并結合相關知識進行故障排查，人工排故對操作人員要求高，且效率低。

依據遙測數據的時間序列信息，在故障出現之前能夠對其進行識別、預判對環控生保系統在軌故障預測與健康管理顯得尤為重要。

1.2 環控生保系統遙測數據特點

遙測數據是故障預測方法的基礎，因此需要對遙測數據的變化規律進行分析，結合環控分系統的遙測數據的變化特點，可以得出如下幾種變化規律：

(1)數據基本上呈平穩變化趨勢，在固定的范圍內上下波動。

當系統運行狀態正常且外在環境沒有發生重大變化時，遙測數據一般保持平穩變化，可能會出現小范圍的波動，但這些波動都在允許的誤差范圍之內，可認定為是正常的變化趨勢。具體的變化情況如圖1 所示，不管參數曲線怎樣變化，其取值范圍都在正常值的上、下限之內。

圖1 遙測數據正常波動

(2)遙測數據周期性變化。

此類參數局部變化在可以接受的誤差范圍之內，但總體變化趨勢超出正常波動范圍，并且具有周期性變化規律，每個周期內部的變化趨勢基本相同。因此在對此類參數進行預測時需要依據這種既定的周期變化規律來進行未來值預測。變化趨勢如圖2 所示。

圖2 遙測數據周期變化

(3)狀態、事件發生后遙測數據突變。

當系統狀態、事件發生變化后(如飛行階段、地面指令等)，相關參數會發生突變，而后保持平穩，如圖3 所示。此時需要將航天器狀態變化融合到新的知識庫中，按新的診斷知識對遙測數據進行判斷。

圖3 遙測數據隨事件變化

(4)無外部狀態、事件發生而遙測數據緩慢發生變化。

若系統正常運行，無外部事件發生，而遙測數據卻發生了很大的變化，一般來說這種情況要給予很大的重視，很有可能會是故障發生的預兆。需依據新的變化趨勢對其未來值進行預測，再根據預測的結果判斷是否會有故障發生。具體的變化情況如圖4 所示。

圖4 遙測數據異常變化

2 遙測數據預測算法

2.1 遙測數據預處理

環控生保系統遙測數據周期性下傳至地面，遙測數據呈現離散時間序列特性。時間序列一般包括平穩性時間序列和非平穩性時間序列，而系統實際下傳至地面的遙測數據普遍存在著非平穩現象，因此需要對原始遙測數據進行預處理，使其滿足平穩時間序列特征。平穩時間序列的變化趨勢與當前狀態相關，故可通過歷史數據提取相關信息，預測未來一段時間的數據。

對于平穩時間序列通常采用ARMA(n，m)模型進行分析，ARMA 方法預測未來數據不僅與歷史數據相關還受當前時間段的干擾項影響，因此衍生出AR 模型和MA 模型，前者預測值僅與歷史值相關，后者預測值僅由干擾項影響。

由于環控生保系統遙測數據多為緩變參數且數據量大，若直接對原始數據進行處理將導致運算量大、硬件資源要求高，因此預先對原始數據進行塊化處理。實際遙測數據通常為非平穩序列，一般可通過有限次差分法消除趨勢項，使其轉換為平穩序列。設遙測數據序列為x(t)，一次差分運算得：

以此類推可得到各階差分方程：

平穩時間序列的均值與方差為常數，且自相關函數只與時間間隔相關。通過平穩性檢驗方法，如時序圖檢驗法、自相關函數檢驗法、單位根檢驗法[4]，檢驗差分序列的平穩性，進而確定差分階次。

對平穩時間序列進行標準化處理可減小誤差、提高精度、避免溢出。Δxi序列的標準化處理形式如下：

2.2 模型參數估計與定階

根據自相關函數(ACF)與偏自相關函數(PACF)來識別預處理后的時間序列模型[5]。自相關函數計算公式如下：

在ARMA(p，q)中共計p+q+1 個未知參數，分別為φ1，φ2，…，φp，θ1，θ2，…，θq以及σ2。ARMA 模型是AR 模型和MA 模型的組合[6]，MA 的模型方程如下：

可見

可得：

AR 模型的殘差的平方和為：

一般而言，ARMA 模型的階次越高越精確，但高階次會帶來諸如參數增多、計算量大等影響，因此選擇合適的階次是獲得理想預測效果的關鍵。AIC 準則為樣本外預測誤差方法的有效估計量，常用于模型的選擇，BIC 準則是為了克服定階的不確定性，兩者的共同特點是在殘差最小的情況下，用盡可能少的參數確立模型。本文采用AIC 準則與BIC 準則相結合的方法對模型進行定階。

AIC 準則又稱赤池信息量準則[7]，其宗旨是使似然函數值最大化，未知參數的個數最小化。在此準則下往往選擇的階次較大，BIC 準則是在AIC 準則的基礎上對選擇階次進行進一步優化。

AIC 準則表示為：

其中，L 表示最大似然函數值；K 為自由參數的個數，K=p+q。

BIC 準則也稱為貝葉斯信息量準則，可表示為：

其中，L 與K 的含義同AIC 準則，n 表示序列值個數。為了能用最少的參數建立模型，選擇具有最小AIC 值和BIC 值的模型。

3 預測方法實現與驗證

選取實際任務中艙內氧分壓數據為例，驗證上述預測方法的可行性以及預測效果。選取氧分壓數據塊序列如表1 所示。

表1 氧分壓實際數據

原遙測數據不滿足平穩性，對序列進行差分后標準化處理，結果如圖5 所示。

計算數據的自相關函數與偏自相關函數，如圖6所示。根據偏自相關函數的截尾型[8]，可初步判定模型階次，結合AIC 與BIC 準則判定模型階次為5。此時，模型預測樣本前向6 個點的逼近曲線如圖7 所示，預測誤差結果如圖8 所示，預測平均精度約為98.2%。

4 結論

圖6 相關函數圖

圖7 氧分壓預測結果

圖8 預測誤差

本文結合環控生保系統遙測數據的特點，研究了基于時間序列的遙測數據預測方法，并選取任務中氧分數據為例，對預測方法的可行性與有效性進行了驗證。該方法可依據歷史遙測數據信息對未來數據的變化進行有效預測，是后續進行故障預測與診斷的基礎，為環控生保系統長期在軌運行維護與健康管理提供了一種故障預測方法。