小衛(wèi)星健康狀態(tài)自主模糊綜合評(píng)估方法

周治國(guó) 馬文浩 劉杰強(qiáng) 馮榮尉

①(北京理工大學(xué)信息與電子學(xué)院 北京 100081)

②(北京東方計(jì)量測(cè)試研究所 北京 100094)

1 引言

地面測(cè)試是衛(wèi)星發(fā)射前的重要階段，測(cè)試結(jié)果直接影響發(fā)射任務(wù)進(jìn)程，其主要進(jìn)行系統(tǒng)級(jí)電氣功能、性能指標(biāo)及健康性狀況的全面驗(yàn)證，以便及時(shí)調(diào)整發(fā)射計(jì)劃和返廠檢修。作為衛(wèi)星地面測(cè)試工作的最后一個(gè)環(huán)節(jié)，對(duì)衛(wèi)星的健康狀態(tài)自主評(píng)估系統(tǒng)也越來(lái)越受工程界和科研界的關(guān)注重視。衛(wèi)星健康狀態(tài)評(píng)估主要對(duì)星上測(cè)控通道下傳的遙測(cè)數(shù)據(jù)進(jìn)行局部和整體的綜合評(píng)估。“綜合評(píng)估”一方面是要求評(píng)估方法滿足融合類(lèi)型特點(diǎn)，另一方面則是要求評(píng)估過(guò)程遵從系統(tǒng)性原則[1]，所評(píng)估的目標(biāo)指標(biāo)不是其下級(jí)指標(biāo)的簡(jiǎn)單相加，而是適應(yīng)指標(biāo)之間的線性與非線性關(guān)系。

目前針對(duì)衛(wèi)星健康狀態(tài)自主評(píng)估的問(wèn)題，國(guó)內(nèi)外學(xué)者提出了各種評(píng)估方法，并在工程應(yīng)用中取得了一定的成果。最初美國(guó)國(guó)家航空航天局(National Aeronautics and Space Administration, NASA)提出了飛行器綜合健康管理(Integrated Vehicle Health Management, IVHM)的概念，通過(guò)持續(xù)監(jiān)測(cè)設(shè)備故障，以采取對(duì)應(yīng)的恢復(fù)手段[2]。美國(guó)研制的測(cè)試性工程和系統(tǒng)維護(hù)系統(tǒng)(Testability Engineering And Maintenance System, TEAMS)工具集[3]和“深空間一號(hào)”運(yùn)用的軟件包Livingstone2[4]都實(shí)際運(yùn)用了此技術(shù)。國(guó)內(nèi)研究人員針對(duì)健康狀態(tài)評(píng)估技術(shù)也進(jìn)行了一定的研究，楊軍[5]利用模糊數(shù)學(xué)和層次分析法對(duì)衛(wèi)星導(dǎo)航系統(tǒng)的綜合能效評(píng)估進(jìn)行了嘗試，宿晨庚等人[6]對(duì)北斗三號(hào)空間信號(hào)質(zhì)量進(jìn)行了比較全面定量評(píng)估，代京等人[7]研究了基于面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)的健康評(píng)估實(shí)現(xiàn)技術(shù)，文獻(xiàn)[8]研究了基于Petri網(wǎng)建模的衛(wèi)星綜合評(píng)估算法，劉帆等人[9]設(shè)計(jì)了基于業(yè)務(wù)中臺(tái)與數(shù)據(jù)中臺(tái)的多航天器綜合評(píng)估系統(tǒng)架構(gòu)。

我國(guó)航天測(cè)試部門(mén)對(duì)關(guān)于自動(dòng)或智能化的衛(wèi)星狀態(tài)自主評(píng)估技術(shù)研究已久，但現(xiàn)階段實(shí)用效果并不理想，主要存在以下問(wèn)題：(1)利用現(xiàn)有衛(wèi)星測(cè)試系統(tǒng)可實(shí)現(xiàn)衛(wèi)星各項(xiàng)參數(shù)的全面測(cè)試，實(shí)時(shí)屬性比較突出，但是數(shù)據(jù)挖掘分析不足，大都停留在單機(jī)級(jí)數(shù)據(jù)異常檢出的階段，對(duì)有效評(píng)估衛(wèi)星系統(tǒng)級(jí)的健康狀態(tài)尚處于探索階段。(2)衛(wèi)星綜合狀態(tài)評(píng)估過(guò)程仍是以專(zhuān)家的經(jīng)驗(yàn)和知識(shí)為主：通過(guò)對(duì)衛(wèi)星遙測(cè)參數(shù)、狀態(tài)等進(jìn)行人工觀察，輔之以簡(jiǎn)單的統(tǒng)計(jì)分析方法，對(duì)衛(wèi)星綜合狀態(tài)進(jìn)行分析。這種方式目前不能達(dá)到理想的效果，由于過(guò)于依賴(lài)專(zhuān)家的先驗(yàn)主觀經(jīng)驗(yàn)和水平，結(jié)果存在一定的偏差，且通用性不足。(3)衛(wèi)星狀態(tài)的評(píng)估診斷結(jié)果通常是用故障發(fā)生概率或一些自定義系數(shù)來(lái)表述，這種表達(dá)方式對(duì)設(shè)計(jì)人員是可理解的，而對(duì)部分測(cè)試人員及衛(wèi)星使用單位存在一定困難，使用推廣性差。

針對(duì)以上問(wèn)題，本文提出一種用于實(shí)現(xiàn)衛(wèi)星狀態(tài)自主評(píng)估的計(jì)算方法，通過(guò)改進(jìn)模糊綜合評(píng)判法的單一指標(biāo)模糊向量和權(quán)重向量的來(lái)源與生成方式，將以往只把專(zhuān)家的主觀評(píng)價(jià)作為評(píng)判因子的評(píng)價(jià)方法，引入數(shù)據(jù)異常檢測(cè)評(píng)估算法并與主客觀組合賦權(quán)法的結(jié)果進(jìn)行模糊計(jì)算，提高狀態(tài)綜合評(píng)估的客觀性與效率，實(shí)現(xiàn)自動(dòng)化、智能化的評(píng)估流程。結(jié)果將采用“健康等級(jí)”這一直觀表述來(lái)描述衛(wèi)星健康狀態(tài)，降低地面衛(wèi)星測(cè)試、檢修環(huán)節(jié)對(duì)專(zhuān)業(yè)人員的依賴(lài)，很大程度地減少人力資源和成本，總體評(píng)估流程如下：

(1)對(duì)衛(wèi)星復(fù)雜大系統(tǒng)進(jìn)行梳理并建立評(píng)估指標(biāo)體系，明確各層評(píng)估備擇的對(duì)象集(各層評(píng)估的對(duì)象，整星系統(tǒng)或分系統(tǒng))和指標(biāo)集(對(duì)目標(biāo)對(duì)象要從下一層的哪些單機(jī)部件參數(shù)或分系統(tǒng)來(lái)進(jìn)行評(píng)判描述)。

(2)利用單項(xiàng)評(píng)估算法得到量化健康值，經(jīng)過(guò)健康等級(jí)評(píng)語(yǔ)集的隸屬度函數(shù)計(jì)算模糊向量，確定單因素評(píng)判矩陣。

(3)采用復(fù)合賦值的方法確立評(píng)價(jià)指標(biāo)的主客觀組合權(quán)重值，生成權(quán)值向量。

(4)選擇合理的模糊算子，對(duì)同步緩沖池內(nèi)的數(shù)據(jù)指標(biāo)進(jìn)行自底向上的模糊綜合評(píng)價(jià)遍歷運(yùn)算。以最大歸依度準(zhǔn)則，得到各層“健康等級(jí)”。

在小衛(wèi)星半實(shí)物仿真模型上對(duì)本文提出的健康狀態(tài)綜合評(píng)估系統(tǒng)進(jìn)行上機(jī)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明本系統(tǒng)在算法運(yùn)行效率、實(shí)時(shí)性、可解釋性都表現(xiàn)良好，具備一定的實(shí)用價(jià)值。

2 衛(wèi)星綜合評(píng)估系統(tǒng)結(jié)構(gòu)

以小衛(wèi)星測(cè)控通道1 Hz的遙測(cè)數(shù)據(jù)下傳的幀率，會(huì)產(chǎn)生大量測(cè)試數(shù)據(jù)。為了得到合理的評(píng)估結(jié)果，本文提出了嚴(yán)密的綜合評(píng)估系統(tǒng)結(jié)構(gòu)。其主要分為硬件設(shè)備、軟件平臺(tái)和評(píng)估算法3個(gè)層面。其中硬件設(shè)備包括衛(wèi)星自主評(píng)估設(shè)備、衛(wèi)星日常巡檢設(shè)備、衛(wèi)星模擬訓(xùn)練平臺(tái)，如圖1所示。衛(wèi)星自主評(píng)估設(shè)備可應(yīng)用于長(zhǎng)時(shí)間存儲(chǔ)階段以及交付驗(yàn)收階段，完成對(duì)衛(wèi)星全面的地面測(cè)試；衛(wèi)星日常巡檢設(shè)備可應(yīng)用于發(fā)射前測(cè)試及存儲(chǔ)階段健康檢查，完成對(duì)衛(wèi)星的快速測(cè)試；衛(wèi)星模擬訓(xùn)練平臺(tái)，可生成模擬衛(wèi)星數(shù)據(jù)，建立衛(wèi)星評(píng)估模型以及評(píng)估結(jié)果的驗(yàn)證。

軟件平臺(tái)結(jié)構(gòu)(圖2)包括分系統(tǒng)前端插件、數(shù)據(jù)服務(wù)系統(tǒng)、應(yīng)用客戶端、分布式消息中間件和數(shù)據(jù)庫(kù)。分系統(tǒng)前端插件實(shí)現(xiàn)與分系統(tǒng)軟件的數(shù)據(jù)和指令交互，通過(guò)插件管理各分系統(tǒng)前端設(shè)備，采集硬件設(shè)備數(shù)據(jù)，并對(duì)硬件設(shè)備進(jìn)行監(jiān)控；數(shù)據(jù)服務(wù)系統(tǒng)采用后臺(tái)服務(wù)的模式，實(shí)現(xiàn)測(cè)試數(shù)據(jù)處理、判讀、存儲(chǔ)、分系統(tǒng)設(shè)備控制、指令發(fā)送等；應(yīng)用客戶端為人機(jī)交互接口，實(shí)現(xiàn)自動(dòng)化測(cè)試、實(shí)時(shí)數(shù)據(jù)顯示、數(shù)據(jù)查詢分析和基礎(chǔ)信息管理等功能；分布式消息中間件實(shí)現(xiàn)測(cè)試數(shù)據(jù)緩存、數(shù)據(jù)訂閱和發(fā)布、消息隊(duì)列功能，作為數(shù)據(jù)服務(wù)系統(tǒng)與應(yīng)用客戶端、數(shù)據(jù)服務(wù)器內(nèi)部功能模塊間數(shù)據(jù)與指令的交互接口；數(shù)據(jù)庫(kù)用于存儲(chǔ)衛(wèi)星型號(hào)信息、測(cè)試設(shè)備參數(shù)、指令列表、指令判據(jù)、參數(shù)列表、評(píng)估指標(biāo)、評(píng)估方法及測(cè)試用例等，為自主評(píng)估提供基礎(chǔ)信息；同時(shí)存儲(chǔ)測(cè)試結(jié)果數(shù)據(jù)和過(guò)程數(shù)據(jù)，用于歷史數(shù)據(jù)查詢和分析。其中，框架程序使用C#語(yǔ)言設(shè)計(jì)，算法及部分圖形用戶界面(Graphical User Interface, GUI)展示使用MATLAB語(yǔ)言實(shí)現(xiàn)，衛(wèi)星數(shù)據(jù)存儲(chǔ)在SQL Server數(shù)據(jù)庫(kù)中，使能鍵值和關(guān)鍵變量存放在Redis數(shù)據(jù)庫(kù)中。

衛(wèi)星評(píng)估體系建立在直觀、層次化的衛(wèi)星功能模塊劃分及內(nèi)部結(jié)構(gòu)耦合關(guān)系之上。通過(guò)解析某衛(wèi)星的協(xié)議，結(jié)合衛(wèi)星任務(wù)屬性、遙測(cè)包類(lèi)型和待測(cè)衛(wèi)星實(shí)際狀態(tài)，將其層級(jí)劃分為整星級(jí)、分系統(tǒng)級(jí)、子系統(tǒng)級(jí)及單機(jī)級(jí)。其中分系統(tǒng)級(jí)包括熱控、供配電、數(shù)傳等，下屬子系統(tǒng)包括熱控速變遙測(cè)、溫度遙測(cè)、能源組件速變、能源組件緩變等。而單機(jī)級(jí)參數(shù)則直接來(lái)源于遙測(cè)數(shù)據(jù)，根據(jù)遙測(cè)數(shù)據(jù)的類(lèi)型、重要程度等，選擇100條左右關(guān)鍵的單機(jī)部件納入整星評(píng)估體系中，其中包括遙控通道信噪比(Signal-Noise Ratio, SNR)等通信質(zhì)量參數(shù)、光纖陀螺等物理量參數(shù)、前鏡筒溫度等溫度參數(shù)、射頻電路模塊電壓等電學(xué)參數(shù)、星上時(shí)鐘等統(tǒng)計(jì)標(biāo)志量參數(shù)，最終建立一個(gè)龐大復(fù)雜的、多層次的、異構(gòu)的衛(wèi)星綜合評(píng)估體系，如圖3所示。

對(duì)應(yīng)于綜合評(píng)估體系，算法結(jié)構(gòu)包括單項(xiàng)指標(biāo)評(píng)估算法和綜合評(píng)估算法。根據(jù)部件數(shù)據(jù)本身特性和對(duì)時(shí)間關(guān)聯(lián)度的要求，將單項(xiàng)指標(biāo)評(píng)估算法分為對(duì)緩變量的快照分析算法、對(duì)急變量的片段分析算法和對(duì)特殊變量的統(tǒng)計(jì)分析算法。對(duì)衛(wèi)星狀態(tài)的綜合評(píng)估算法則以模糊綜合評(píng)判為框架，使各單機(jī)級(jí)的評(píng)估結(jié)果在各系統(tǒng)級(jí)模糊評(píng)價(jià)過(guò)程中傳遞，并最終影響整星的評(píng)估結(jié)果。

為了與特定業(yè)務(wù)處理的分析應(yīng)用組件的開(kāi)發(fā)和擴(kuò)展功能兼容，以上的單項(xiàng)評(píng)估、綜合評(píng)估算法具備良好的隔離度，并以.dll方法庫(kù)的形式調(diào)用，以支持在不同的評(píng)估任務(wù)背景下調(diào)用合適的評(píng)估方法，方法庫(kù)構(gòu)成如圖4所示。

3 異構(gòu)單機(jī)部件級(jí)評(píng)估生成模糊向量

以往對(duì)模糊綜合評(píng)估的算法運(yùn)用，是通過(guò)調(diào)研問(wèn)卷等形式，讓專(zhuān)家對(duì)設(shè)備系統(tǒng)的狀態(tài)、能效水平等在備擇集內(nèi)進(jìn)行主觀評(píng)價(jià)，根據(jù)反饋結(jié)果占比等數(shù)據(jù)生成單因素模糊向量，用于完成模糊綜合評(píng)價(jià)運(yùn)算[10]。其過(guò)程既費(fèi)時(shí)費(fèi)力，又會(huì)使專(zhuān)家的主觀感受決定整個(gè)衛(wèi)星的綜合評(píng)估結(jié)果。為了得到更加客觀的健康評(píng)估結(jié)果，實(shí)現(xiàn)實(shí)時(shí)性評(píng)估，本文根據(jù)衛(wèi)星異構(gòu)部件的特性，在異常數(shù)據(jù)檢測(cè)算法的基礎(chǔ)上，分別改進(jìn)并設(shè)計(jì)了3類(lèi)單項(xiàng)評(píng)估算法，對(duì)衛(wèi)星的各個(gè)單機(jī)部件的健康狀態(tài)進(jìn)行量化評(píng)估，利用健康等級(jí)隸屬度函數(shù)自主生成對(duì)應(yīng)的模糊向量。

3.1 基于高斯分布的快照分析評(píng)估算法

在衛(wèi)星電路系統(tǒng)中，帶來(lái)誤差的主要干擾因素是熱噪聲，這是無(wú)源器件如電阻、饋線由于電子布朗運(yùn)動(dòng)而引起的噪聲，其特性接近于高斯白噪聲。本文在針對(duì)單項(xiàng)緩變量的快照評(píng)估過(guò)程中，不考慮前后幀數(shù)據(jù)在時(shí)域、頻域上的關(guān)聯(lián)，僅僅關(guān)注衛(wèi)星最近時(shí)刻采樣點(diǎn)，根據(jù)即時(shí)數(shù)據(jù)完成分析算法邏輯并得出結(jié)果，這屬于多次獨(dú)立觀測(cè)實(shí)驗(yàn)，符合高斯過(guò)程的特性。經(jīng)過(guò)實(shí)驗(yàn)選擇，快照分析評(píng)估采用了基于高斯分布模型的方法，主要有兩個(gè)好處：一方面，算法過(guò)程較為簡(jiǎn)單，運(yùn)算效率高，符合快照評(píng)估即時(shí)性要求。另一方面，此算法為非監(jiān)督學(xué)習(xí)，所有數(shù)據(jù)都是無(wú)標(biāo)簽的，不需要采集一定量的衛(wèi)星故障數(shù)據(jù)進(jìn)行訓(xùn)練，可以只針對(duì)狀態(tài)正常的部件樣本進(jìn)行建模。通常衛(wèi)星數(shù)據(jù)異常狀況的樣本很少，并且出現(xiàn)異常的數(shù)據(jù)特征和其對(duì)應(yīng)原因也不盡相同，所以此算法具備良好的可用性和通用魯棒性。

基于高斯分布的數(shù)據(jù)異常檢測(cè)方面的研究已經(jīng)比較深入[11]，整體思路也很直觀：小概率事件一般不會(huì)發(fā)生，一旦發(fā)生為異常事件。而部件狀態(tài)的評(píng)估還與數(shù)據(jù)異常判定不同：不僅需要“0/1”2元的判定數(shù)據(jù)異常與否，還要在一定范圍內(nèi)表述部件的健康程度。為此本文將高斯分布的異常檢測(cè)算法用于快照評(píng)估過(guò)程中進(jìn)行了改進(jìn)，主要流程如下：

(1)預(yù)處理衛(wèi)星數(shù)據(jù)，將其去噪、剔除異常值和刪除、平滑缺失值等；

(2)計(jì)算部件的特征均值與方差，進(jìn)而擬合對(duì)應(yīng)的高斯分布；

(3)基于高斯分布檢測(cè)算法的基本理論，計(jì)算部件參數(shù)特征值數(shù)據(jù)樣本的概率分布二段閾值，構(gòu)建逆向型無(wú)量綱化處理模型；

(4)將評(píng)估幀數(shù)據(jù)輸入無(wú)量綱化處理模型，快速評(píng)估出設(shè)備的快照健康狀態(tài)量化數(shù)值。

輸入快照評(píng)估的某一部件歷史數(shù)據(jù)以1維數(shù)據(jù)X(i)={x(1),x(2),...,x(i)}表示，x(i)∈R。對(duì)于給定的數(shù)據(jù)集x(1),x(2),...,x(i)，利用極大似然估計(jì)的方法，估算出兩個(gè)重要的特征值。

由高斯分布式

根據(jù)極大似然準(zhǔn)則得

確定X(n)雙段門(mén)限值，根據(jù)實(shí)際數(shù)據(jù)質(zhì)量以及專(zhuān)家建議，選取一段偏離警戒門(mén)限值ε1=σ，二段偏離異常門(mén)限值ε2=3σ作為評(píng)估無(wú)量綱化函數(shù)的生成依據(jù)。這種門(mén)限值設(shè)定隱含了部件健康基準(zhǔn)恒定的假設(shè)，實(shí)際上衛(wèi)星健康水平的界定范圍存在一個(gè)難以準(zhǔn)確定義的范圍，因此系統(tǒng)還支持將樣本數(shù)據(jù)可視化后由專(zhuān)家判別并確定門(mén)限ε1,ε2的初值，再通過(guò)驗(yàn)證樣本對(duì)門(mén)限值進(jìn)行微調(diào)。此外，若某單機(jī)數(shù)據(jù)特征與高斯分布偏離較大，則需要同時(shí)觀測(cè)與其處在同一子系統(tǒng)的部件數(shù)據(jù)特征和功率譜。若其他部件所受噪聲為高斯白噪聲，則此部件所受為局部色噪聲，利用其噪聲特征分布作為粒子濾波算法的先驗(yàn)信息，可求得濾波后的單機(jī)部件數(shù)據(jù)；若其他部件也與高斯分布偏離較大，則可能整個(gè)子系統(tǒng)都受到了有色噪聲影響或者這些數(shù)據(jù)本身為非高斯分布，這需要在數(shù)據(jù)預(yù)處理階段引入獨(dú)立元分析(Independent Component correlation Algorithm,ICA)，進(jìn)行盲源信號(hào)分離，使各單機(jī)數(shù)據(jù)與非高斯影響變量間變得獨(dú)立不相關(guān)，再重構(gòu)各單機(jī)數(shù)據(jù)進(jìn)行建模評(píng)估。

衛(wèi)星系統(tǒng)作為一個(gè)典型的復(fù)雜異構(gòu)系統(tǒng)，反映衛(wèi)星健康狀態(tài)的數(shù)據(jù)復(fù)雜多樣，如溫度、電壓、SNR等，都具有不同的性質(zhì)和量綱。在利用衛(wèi)星單項(xiàng)評(píng)估特征參數(shù)進(jìn)行綜合評(píng)估前，需要將部件健康水平進(jìn)行規(guī)范化處理以得到區(qū)間一致、度量相同的可以進(jìn)行綜合的量化值，本文將其定義為“健康度”。考慮到實(shí)際系統(tǒng)性能退化特點(diǎn)，最終采用如圖5所示逆向型無(wú)量綱模型，無(wú)量綱化后的健康值范圍在0～100，當(dāng)|x(i)-μj|≤ε1時(shí)，f(x)=100，當(dāng)|x(i)-μj|≥ε2時(shí)，f(x)=0。

無(wú)量綱處理函數(shù)為

其中，f(x)為單項(xiàng)評(píng)估的健康值；ε1為一段偏離警戒門(mén)限值；ε2為二段偏離異常門(mén)限值；b為形狀調(diào)節(jié)參數(shù)。將衛(wèi)星數(shù)據(jù)送入訓(xùn)練后生成的逆向型無(wú)量綱化處理模型中，會(huì)得到百分制的單項(xiàng)快照評(píng)估健康值，是后續(xù)綜合評(píng)估的直接依據(jù)之一。

3.2 基于LSTM預(yù)測(cè)的片段分析評(píng)估算法

與快照分析評(píng)估的方法不同，片段分析評(píng)估重視數(shù)據(jù)序列在一定時(shí)間段內(nèi)時(shí)域、頻域的前后關(guān)聯(lián)，尤其數(shù)據(jù)處于連續(xù)變化時(shí)，快照分析方法很難有效地表示出動(dòng)態(tài)時(shí)變的門(mén)限值，無(wú)法合理地構(gòu)建無(wú)量綱化函數(shù)。比較典型的是衛(wèi)星蓄電池剩余電量指標(biāo)的評(píng)估：如果從快照分析的數(shù)據(jù)離散異常角度出發(fā)而不考慮參數(shù)的前后幀的關(guān)聯(lián)，即使剩余電量發(fā)生驟變，參數(shù)將仍被評(píng)估為正常，這顯然不符合事實(shí)。因此，此類(lèi)需要考慮動(dòng)態(tài)趨勢(shì)的部件參數(shù)需要在一定時(shí)間內(nèi)多維度、多次采樣地進(jìn)行分析。而長(zhǎng)短期記憶網(wǎng)絡(luò)(Long-Short Term Memory,LSTM)，作為遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的一種特殊類(lèi)型，既保留了標(biāo)準(zhǔn)RNN的優(yōu)勢(shì)，能夠利用歷史數(shù)據(jù)對(duì)時(shí)間序列進(jìn)行推演預(yù)測(cè)，善于提取時(shí)域關(guān)聯(lián)信息，又在大多數(shù)情況無(wú)需特征工程步驟直接應(yīng)用于時(shí)間序列。而衛(wèi)星數(shù)據(jù)屬于時(shí)間序列，且隨時(shí)間有一定的規(guī)律。這決定了LSTM模型是用于片段評(píng)估合適的選擇[12]。

基于LSTM預(yù)測(cè)方法的數(shù)據(jù)片段評(píng)估流程如圖6所示，主要包含4個(gè)步驟：(1)衛(wèi)星數(shù)據(jù)片段預(yù)處理：該步驟對(duì)衛(wèi)星原始數(shù)據(jù)進(jìn)行數(shù)據(jù)篩選、清理、歸一化等預(yù)處理，由此構(gòu)造模型樣本；(2)LSTM模型訓(xùn)練：該步驟主要利用LSTM模型對(duì)步驟(1)處理后的數(shù)據(jù)進(jìn)行訓(xùn)練，并得出訓(xùn)練數(shù)據(jù)的模型訓(xùn)練誤差；(3)LSTM模型預(yù)測(cè)執(zhí)行：該步驟利用訓(xùn)練后的LSTM模型對(duì)衛(wèi)星的數(shù)據(jù)片段執(zhí)行預(yù)測(cè)；(4)LSTM模型執(zhí)行評(píng)估：該步驟是利用預(yù)測(cè)數(shù)據(jù)與模型訓(xùn)練誤差程度生成逆向型無(wú)量綱模型，對(duì)被測(cè)時(shí)間段內(nèi)的片段數(shù)據(jù)執(zhí)行評(píng)估。

在利用衛(wèi)星片段數(shù)據(jù)對(duì)LSTM模型訓(xùn)練的過(guò)程中，模型預(yù)測(cè)結(jié)果通過(guò)選擇適合的損失函數(shù)對(duì)比其與實(shí)際值的偏差，優(yōu)化函數(shù)能夠基于偏差值對(duì)各個(gè)權(quán)重進(jìn)行更新，直至模型的性能滿足需求，最終實(shí)現(xiàn)LSTM對(duì)衛(wèi)星單機(jī)部件時(shí)間序列的預(yù)測(cè)。

而最終模型訓(xùn)練誤差為RMSE，稱(chēng)為均方根誤差

為了對(duì)離散型的預(yù)測(cè)結(jié)果進(jìn)行函數(shù)表示，采用拉格朗日插值算法進(jìn)行函數(shù)構(gòu)建，最終預(yù)測(cè)數(shù)據(jù)的插值連續(xù)函數(shù)為

將以上的2段門(mén)限值，作為無(wú)量綱化模型的關(guān)鍵節(jié)點(diǎn)，以此來(lái)進(jìn)行健康程度的量化

判斷片段分析數(shù)據(jù)健康程度的直接依據(jù)為：根據(jù)預(yù)測(cè)值與實(shí)際值的偏差程度超過(guò)模型 RMSE的程度，來(lái)判斷實(shí)際值出現(xiàn)異常的可能性，得出量化后的健康值，這將是綜合評(píng)估的另一個(gè)直接依據(jù)。

3.3 單項(xiàng)評(píng)估指標(biāo)模糊向量的生成

傳統(tǒng)模糊綜合評(píng)價(jià)集往往是利用咨詢的滿意度等級(jí)來(lái)反映人們對(duì)指標(biāo)的滿意程度，是一個(gè)非自主的評(píng)價(jià)過(guò)程。而本文從數(shù)據(jù)異常檢測(cè)算法改進(jìn)而來(lái)的單項(xiàng)評(píng)估算法是機(jī)器決策的過(guò)程，無(wú)法直接生成主觀的模糊滿意度。為了后續(xù)自主地實(shí)現(xiàn)衛(wèi)星狀態(tài)綜合評(píng)估，需要借助模糊處理方法得出性能指標(biāo)的模糊滿意度，即“健康等級(jí)”。過(guò)程中需要根據(jù)領(lǐng)域?qū)＜医o出有關(guān)滿意度的定性判斷來(lái)構(gòu)建健康等級(jí)評(píng)價(jià)的隸屬函數(shù)，以此為依據(jù)生成狀態(tài)模糊向量。

衛(wèi)星狀態(tài)由健康到失效是一個(gè)隨時(shí)間發(fā)展的過(guò)程，為反映衛(wèi)星狀態(tài)變化趨勢(shì)，在單項(xiàng)評(píng)估輸出的健康值域[0,100]內(nèi)定義健康度 [良好，正常，一般，惡化，病態(tài)] 5個(gè)等級(jí)，如圖8所示。為了計(jì)算方便，采用中間型梯形模糊數(shù)，其隸屬函數(shù)如式(16)—式(18)所示。其健康等級(jí)隸屬函數(shù)的上下界系統(tǒng)設(shè)計(jì)初始設(shè)定為a1=10,a2=30,a3=60,a4=90,b2=20,b3=40,b4=70,b5=95。系統(tǒng)也支持領(lǐng)域?qū)＜腋鶕?jù)單項(xiàng)指標(biāo)的特性，調(diào)整對(duì)應(yīng)的模糊集隸屬函數(shù)。

同一指標(biāo)層參量通過(guò)隸屬函數(shù)計(jì)算出的多個(gè)模糊向量，可生成同層評(píng)判矩陣

3.4 基于統(tǒng)計(jì)算法的關(guān)鍵量評(píng)估

本文考慮的關(guān)鍵量主要為“星上時(shí)間”，利用其按生成時(shí)間等步長(zhǎng)疊加的特性，定制基于統(tǒng)計(jì)的檢錯(cuò)算法：使用多個(gè)特征向量進(jìn)行依次差分，根據(jù)依次差分結(jié)果向量的特征，將故障幀檢出，主要包括的故障類(lèi)型有：數(shù)據(jù)與生成時(shí)間頻率不一致型錯(cuò)誤、數(shù)據(jù)停止迭代型錯(cuò)誤、數(shù)據(jù)連續(xù)下降型錯(cuò)誤、數(shù)據(jù)缺漏型錯(cuò)誤、數(shù)據(jù)重置型等，具體步驟如下：

步驟1 觀測(cè)時(shí)間內(nèi)的“星上時(shí)間”數(shù)據(jù)為Value，對(duì)應(yīng)的生成時(shí)間為CT。

步驟2 利用逐差法計(jì)算星上數(shù)值標(biāo)志位Signti=Valueti-Valueti+1(ti=1,2,...,L-1)和生成時(shí)間標(biāo)志位Timesignti=CTti-CTti+1(ti=1,2,...,L-1)，當(dāng)“星上時(shí)間”數(shù)據(jù)正常時(shí)：Signti=Timesignti=1(ti=1,2,...,L)。

步驟3 將步驟2 產(chǎn)生的兩個(gè)標(biāo)志位逐差CLKti=Signti-Timesignti,CLKti?=0的t i時(shí)間位置是數(shù)據(jù)頻率與生成時(shí)間頻率不一致型錯(cuò)誤。

步驟4 Signti=0的t i時(shí)間位置是數(shù)據(jù)停止迭代型錯(cuò)誤；Signti＜0 且Signti+1＜0的t i時(shí)間位置是數(shù)據(jù)連續(xù)下降型錯(cuò)誤；Signti＞1的t i時(shí)間位置是數(shù)據(jù)缺漏型錯(cuò)誤；Signti＜0 且Signti+1≥0的t i時(shí)間位置是數(shù)據(jù)重置型。

為了更好地展示效果，可以將連續(xù)錯(cuò)誤幀進(jìn)行歸類(lèi)，并自動(dòng)命名。把孤立錯(cuò)誤幀進(jìn)行檢出，單獨(dú)圖片顯示，還將輸出響應(yīng)的正確參考數(shù)據(jù)，大體效果如圖9所示。

考慮到“星上時(shí)間”參數(shù)對(duì)于定位、通信同步等方面的重要程度，本文將此參數(shù)的健康狀態(tài)設(shè)定為綜合評(píng)估的使能信號(hào)，在“星上時(shí)間”參數(shù)正常的狀態(tài)下，才能進(jìn)行全流程的健康狀態(tài)綜合評(píng)估。此外，不同任務(wù)類(lèi)型的衛(wèi)星具有不同偏向的關(guān)鍵量，還有一些如文獻(xiàn)[6,13]這類(lèi)需要由下傳數(shù)據(jù)進(jìn)行一定規(guī)則運(yùn)算的指標(biāo)參數(shù)，本衛(wèi)星綜合評(píng)估系統(tǒng)將單項(xiàng)評(píng)估以方法庫(kù)的形式進(jìn)行調(diào)用，支持根據(jù)不同的參數(shù)再定制專(zhuān)用的單項(xiàng)評(píng)估算法，可通過(guò)模塊化擴(kuò)充方法庫(kù)的形式，進(jìn)一步提高評(píng)估系統(tǒng)的置信度和可用性。

4 主客觀組合賦權(quán)生成模糊權(quán)重

在對(duì)衛(wèi)星整星進(jìn)行模糊綜合評(píng)價(jià)的過(guò)程中，各個(gè)評(píng)估指標(biāo)所對(duì)應(yīng)的健康狀態(tài)權(quán)重是必不可少的，其反映了下層單機(jī)部件狀態(tài)變化對(duì)上層系統(tǒng)影響的大小。目前，確定權(quán)值的方法大體上分兩類(lèi)：主觀賦權(quán)法和客觀賦權(quán)法。前者依靠專(zhuān)家經(jīng)驗(yàn)知識(shí)判斷所得，隨意性較大，但其所得結(jié)果反映的屬性或相對(duì)重要程度可能會(huì)更符合人們的直觀認(rèn)知；后者是根據(jù)被評(píng)估指標(biāo)的樣本數(shù)據(jù)特性計(jì)算所得，一定程度上保證了客觀性，能更好地反映系統(tǒng)評(píng)估指標(biāo)的數(shù)據(jù)動(dòng)態(tài)信息，但是更容易受到數(shù)據(jù)方差和極值的影響，使求得權(quán)重結(jié)果不準(zhǔn)確，偏離人們對(duì)系統(tǒng)的認(rèn)知的情況。

考慮到以上兩類(lèi)權(quán)值確定方法的特點(diǎn)及不足，同時(shí)為了將定性思考與定量計(jì)算相融合。本文在確定評(píng)價(jià)指標(biāo)權(quán)重的賦權(quán)方法上分別通過(guò)層次分析法(Analytic Hierarchy Process, AHP)和熵值賦權(quán)法(Entropy Weight Method, EWM)得到衛(wèi)星健康狀態(tài)評(píng)估指標(biāo)的主、客觀權(quán)重，然后利用離差最大化方法求出合理的組合賦權(quán)[14]。這使得模糊權(quán)重向量更加接近指標(biāo)的實(shí)際權(quán)重，從而得到更加準(zhǔn)確的綜合評(píng)估結(jié)果，基于離差最大化主客觀組合賦權(quán)原理如圖10所示。

4.1 層次分析法生成主觀權(quán)重

在綜合評(píng)估賦權(quán)系統(tǒng)中，首先運(yùn)用AHP法，利用領(lǐng)域?qū)＜业慕?jīng)驗(yàn)判定，將實(shí)驗(yàn)和運(yùn)行中各部件參數(shù)對(duì)航天器總體健康的影響程度的感性認(rèn)識(shí)轉(zhuǎn)化為程度遞進(jìn)的兩兩比較分?jǐn)?shù)，對(duì)于不同的故障類(lèi)型，根據(jù)其對(duì)系統(tǒng)運(yùn)行情況的影響程度，賦予不同的權(quán)重，從而獲得同一層次指標(biāo)對(duì)上一層的影響程度權(quán)重矩陣。其主要流程如下：

(1)根據(jù)衛(wèi)星資料數(shù)據(jù)和相關(guān)專(zhuān)家意見(jiàn)以相對(duì)重要性比較作為矩陣元素確定成對(duì)判斷矩陣Aij=(aij)n×n，其也稱(chēng)正互反矩陣。

(5)保證YCR＜0.1，賦權(quán)矩陣符合一致性要求 ，得出主觀賦權(quán)向量W=(W1,W2,...,WN)T。

4.2 熵權(quán)法生成客觀權(quán)重

本文采用EWM法確定衛(wèi)星健康評(píng)估下層指標(biāo)相對(duì)于其上層系統(tǒng)的客觀權(quán)值。利用EWM法可充分利用衛(wèi)星健康狀態(tài)評(píng)估指標(biāo)的數(shù)據(jù)變化信息：指標(biāo)變異程度越大，提供的信息量也就是信息熵也越大，在綜合評(píng)估中起到的故障信息傳遞的作用就越大，其客觀權(quán)重也隨之越大。EWM法主要流程如下：

4.3 基于離差最大化的主客觀權(quán)重組合

為了將主觀權(quán)重與客觀權(quán)重有效結(jié)合，使得最終權(quán)值分配更加合理接近實(shí)際，本文采用離差最大化的思想進(jìn)行組合賦權(quán)：若組合后賦權(quán)結(jié)果與主觀賦權(quán)值之間存在較大差異，即權(quán)值經(jīng)歷主客觀組合后的結(jié)果相對(duì)專(zhuān)家的評(píng)判出現(xiàn)了較大差異時(shí)，說(shuō)明某部件的變化程度脫離了專(zhuān)家的認(rèn)知，導(dǎo)致這種情況出現(xiàn)的部件指標(biāo)對(duì)最終的評(píng)價(jià)結(jié)果貢獻(xiàn)度較大，應(yīng)賦予較大權(quán)重。

基于離差最大化的思想，求解最優(yōu)化賦權(quán)，可得最優(yōu)化賦權(quán)模型為

為求解該賦權(quán)模型，構(gòu)建拉格朗日函數(shù)為

求解式(23)，可得α,β,φ的取值分別為

5 基于自底向上遍歷的模糊綜合評(píng)價(jià)

傳統(tǒng)的模糊綜合評(píng)價(jià)通常在評(píng)估系統(tǒng)的全部?jī)?nèi)容先驗(yàn)已知的情況下，只進(jìn)行一次模糊運(yùn)算，得出各級(jí)的計(jì)算結(jié)果[15]。而本文參與模糊運(yùn)算的各項(xiàng)指標(biāo)參數(shù)由單項(xiàng)評(píng)估和組合賦權(quán)的結(jié)果自主運(yùn)算而來(lái)，因此不同指標(biāo)的單項(xiàng)評(píng)估結(jié)果生成時(shí)間差異或者不同結(jié)構(gòu)的待測(cè)衛(wèi)星，綜合評(píng)估的體系結(jié)構(gòu)可能會(huì)隨時(shí)發(fā)生變化，而模糊綜合評(píng)價(jià)作為評(píng)估系統(tǒng)方法庫(kù)中的模塊，必須適應(yīng)模糊運(yùn)算指標(biāo)的所有變化可能，因此本文在模糊綜合評(píng)價(jià)算法的基礎(chǔ)上結(jié)合了遍歷的思想，提出了基于自底向上遍歷的模糊綜合評(píng)價(jià)方法，實(shí)現(xiàn)了通用化的綜合評(píng)估功能。

考慮到衛(wèi)星系統(tǒng)的評(píng)估體系存在鮮明的層次性，在模糊評(píng)價(jià)的過(guò)程中，對(duì)每個(gè)評(píng)價(jià)指標(biāo)都需要由下一層的若干評(píng)價(jià)指標(biāo)來(lái)決定。評(píng)估實(shí)現(xiàn)流程都是以單個(gè)評(píng)估指標(biāo)的評(píng)估結(jié)果為基礎(chǔ)，整體的評(píng)估流程是一個(gè)自底向上的過(guò)程。基于自底向上遍歷的模糊綜合評(píng)價(jià)，就是面對(duì)任意的評(píng)估結(jié)構(gòu)樹(shù)圖，都能完成一套自下而上的各個(gè)節(jié)點(diǎn)和枝干的遍歷過(guò)程，在遍歷過(guò)程中依靠符合要求的模糊運(yùn)算指標(biāo)完成各層的模糊運(yùn)算。主要流程如下：

步驟1 初始化樹(shù)圖，將已完成單項(xiàng)評(píng)估并遞交分?jǐn)?shù)的葉節(jié)點(diǎn)模糊向量R輸入，將目前健康值數(shù)據(jù)為空的葉節(jié)點(diǎn)對(duì)應(yīng)權(quán)值置為“0”，并歸一化同層權(quán)重向量U。

步驟2 找出本時(shí)刻完成單項(xiàng)評(píng)估的葉節(jié)點(diǎn)，輸入其模糊向量R，其余的全部葉節(jié)點(diǎn)的模糊向量置為零矩陣[0,0,0,0,0]。

步驟3 找出全部由非零矩陣構(gòu)成的父子節(jié)點(diǎn)，進(jìn)行一輪模糊運(yùn)算U ?R，保存運(yùn)算結(jié)果。

步驟4 向已進(jìn)行模糊計(jì)算的父節(jié)點(diǎn)遞交模糊向量R，并隱藏此父節(jié)點(diǎn)的全部子節(jié)點(diǎn)。

步驟5 重復(fù)步驟1—步驟4，直到隱藏了除頂層節(jié)點(diǎn)的全部子節(jié)點(diǎn)。

到了各個(gè)父節(jié)點(diǎn)的模糊向量后，根據(jù)最大歸依度準(zhǔn)則，衛(wèi)星各層系統(tǒng)的健康度隸屬于第r等級(jí)Mr=max{mj}, j=1,2,...,5，即可完成對(duì)各層子系統(tǒng)、分系統(tǒng)和整星的綜合評(píng)估，實(shí)現(xiàn)了良好的兼容性和可用性。

6 實(shí)驗(yàn)校驗(yàn)

實(shí)驗(yàn)在小衛(wèi)星半實(shí)物仿真平臺(tái)(圖11)上進(jìn)行，通過(guò)SQL Server數(shù)據(jù)庫(kù)調(diào)取半實(shí)物仿真衛(wèi)星生成的數(shù)據(jù)。經(jīng)過(guò)專(zhuān)家在配置界面對(duì)關(guān)鍵參數(shù)的單項(xiàng)評(píng)估類(lèi)型、特定參數(shù)的雙段閾值和層次分析法的正互反矩陣進(jìn)行配置后，在“星上時(shí)鐘”和Redis鍵值使能信號(hào)都正常的情況下，開(kāi)始進(jìn)行整星的綜合評(píng)估。

考慮到上百條數(shù)據(jù)的配置難度和可觀性，選取“能源分系統(tǒng)”的健康狀態(tài)進(jìn)行試驗(yàn)。初始狀態(tài)下，使用正常的能源分系統(tǒng)數(shù)據(jù)進(jìn)行訓(xùn)練及驗(yàn)證。其中，初始配置指標(biāo)集正互反矩陣如表1—表3所示。

表1 “能源分系統(tǒng)”正互反矩陣

表2 “能源速變分系統(tǒng)”正互反矩陣

表3 “能源緩變分系統(tǒng)”正互反矩陣

經(jīng)過(guò)第3節(jié)的運(yùn)算后，可得能源分系統(tǒng)內(nèi)的各項(xiàng)指標(biāo)對(duì)應(yīng)的權(quán)值如表4所示。

表4 “能源分系統(tǒng)”下的各權(quán)值

對(duì)以上AHP的一致性進(jìn)行檢驗(yàn)：其中A1為2階矩陣，本身具有完全一致性，不需要檢驗(yàn)；A2對(duì)應(yīng)的CR=0.0039＜0.1，一致性可以接受；A3對(duì)應(yīng)的CR=0，一致性可以接受。

在引入故障數(shù)據(jù)后，基于LSTM預(yù)測(cè)方法的片段評(píng)估的“28 V電源電壓”的實(shí)驗(yàn)中，設(shè)置LSTM模型的輸入為200個(gè)節(jié)點(diǎn)，輸出層為20個(gè)節(jié)點(diǎn)；訓(xùn)練時(shí)反向傳播算法的迭代次數(shù)為100，學(xué)習(xí)率為0.005，隱含層神經(jīng)元數(shù)為200。經(jīng)過(guò)訓(xùn)練，生成的損失隨迭代次數(shù)變化如圖12所示。得到每個(gè)輸入向量的預(yù)測(cè)值，按照3.2節(jié)對(duì)預(yù)測(cè)值序列進(jìn)行拉格朗日插值，計(jì)算預(yù)測(cè)結(jié)果的均方根誤差RMSE，設(shè)置評(píng)估上下二段門(mén)限值。

結(jié)果如圖13所示，可以發(fā)現(xiàn)從“10:46:50”左右開(kāi)始，此參數(shù)開(kāi)始出現(xiàn)明顯欠壓，與預(yù)測(cè)數(shù)據(jù)片段出現(xiàn)明顯的偏差，經(jīng)過(guò)無(wú)量綱模型處理后得出最終健康值為“32”，轉(zhuǎn)化為單因素模糊向量為

[0,0.8,0.2,0,0]。

如圖14，基于高斯分布快照分析評(píng)估的“+5 V電源電壓”的實(shí)驗(yàn)中，通過(guò)對(duì)訓(xùn)練樣本的區(qū)間分布圖分析可以發(fā)現(xiàn)，樣本數(shù)據(jù)采集點(diǎn)大部分位于5.04～5.1 ，在此區(qū)間之內(nèi)的數(shù)據(jù)大體近似于高斯分布模型，經(jīng)過(guò)計(jì)算可得μj=5.070,ε1= 0.0117,ε2= 0.0351，將其代入無(wú)量綱化模型，求得“10:46:50”左右，數(shù)據(jù)最新幀為4.4326 V，被判定為異常值，無(wú)量綱健康值為“0”，其單因素模糊向量為[1,0,0,0,0]。

由以上故障數(shù)據(jù)進(jìn)一步經(jīng)過(guò)多級(jí)模糊運(yùn)算可以求得“10:46:50”左右對(duì)象集健康等級(jí)模糊向量如表5所示。

表5 對(duì)象集的健康等級(jí)模糊向量

由最大歸依度準(zhǔn)則可以得到各分系統(tǒng)的健康狀態(tài)等級(jí)，其中“能源分系統(tǒng)”為“正常”，“能源速變分系統(tǒng)”為“惡化”，沒(méi)有受到故障數(shù)據(jù)影響的“能源緩變分系統(tǒng)”為“良好”。各級(jí)評(píng)估結(jié)果都不同程度地受到兩組故障數(shù)據(jù)的影響：小衛(wèi)星母線穩(wěn)態(tài)電壓波動(dòng)伴隨瞬降，機(jī)能下降，但是波動(dòng)幅度有限，持續(xù)時(shí)間較短，并沒(méi)有對(duì)衛(wèi)星的實(shí)際運(yùn)行狀態(tài)產(chǎn)生不可逆的影響。且穩(wěn)態(tài)電壓波動(dòng)期間單機(jī)指標(biāo)“當(dāng)前電量”、“充電電量”與“放電電量”均被判定為“良好”。專(zhuān)家實(shí)際判定，此時(shí)蓄電池組整體工作狀態(tài)正常，個(gè)別蓄電池單體的饋線出現(xiàn)了波動(dòng)，導(dǎo)致串聯(lián)蓄電池組電壓瞬時(shí)降低，隨即恢復(fù)正常，與本綜合評(píng)估算法判定結(jié)果基本保持一致。

在觀測(cè)窗口期內(nèi)各算法與實(shí)際狀態(tài)評(píng)定一致率對(duì)比如表6所示，其中原模糊評(píng)價(jià)法采用了最大最小算子，且需要忽略“星上時(shí)間”的故障；而本自主模糊評(píng)價(jià)法，經(jīng)過(guò)數(shù)據(jù)預(yù)處理與時(shí)鐘同步。在故障注入的階段，本文方法的一致性明顯提高，對(duì)小衛(wèi)星數(shù)據(jù)的異常程度有相對(duì)準(zhǔn)確評(píng)估。

表6 觀測(cè)窗口期內(nèi)各算法的一致率對(duì)比

在算法運(yùn)行過(guò)程中，基于高斯分布的快照評(píng)估算法的單步運(yùn)行時(shí)間為53 ms，基于LSTM的片段評(píng)估算法的單步運(yùn)行時(shí)間為203 ms，“星上時(shí)間”統(tǒng)計(jì)評(píng)估單步運(yùn)行時(shí)間為21 ms，因此設(shè)定1 Hz的信號(hào)同步緩沖池，在每個(gè)時(shí)隙末周期性調(diào)用綜合評(píng)估算法。從圖15的“能源分系統(tǒng)”健康度評(píng)估結(jié)果也容易發(fā)現(xiàn)，雖然評(píng)估結(jié)果延遲了一個(gè)時(shí)序周期，但是本文提出的綜合評(píng)估方法的計(jì)算結(jié)果與能源分系統(tǒng)實(shí)際的健康度具有較好的一致性 ，而采用最大最小算子的原模糊評(píng)價(jià)方法更容易受到未處理的數(shù)據(jù)離群值等因素的影響，個(gè)別單機(jī)部件的極端指標(biāo)決定整個(gè)系統(tǒng)的評(píng)估結(jié)果，導(dǎo)致計(jì)算結(jié)果與實(shí)際指標(biāo)的結(jié)果相差很大。如圖16，不同的賦權(quán)結(jié)果對(duì)異常部件的直接父節(jié)點(diǎn)“能源速變分系統(tǒng)”的影響較明顯，組合賦權(quán)的方法與實(shí)際評(píng)定結(jié)果最為一致，證實(shí)本文提出的多層異構(gòu)的綜合評(píng)估方法確實(shí)具有更強(qiáng)的準(zhǔn)確性和合理性。

7 結(jié)束語(yǔ)

本文針對(duì)地面測(cè)試衛(wèi)星的健康狀態(tài)綜合評(píng)估自主性、可實(shí)現(xiàn)性、實(shí)時(shí)性以及客觀性等方面存在的問(wèn)題，提出了包括硬件、配套軟件和算法等一整套解決方法。其中算法包括針對(duì)各異構(gòu)部件特性的快照評(píng)估、片段評(píng)估和統(tǒng)計(jì)量評(píng)估的單項(xiàng)評(píng)估方法，還包括基于單項(xiàng)評(píng)估結(jié)果模糊轉(zhuǎn)化后的系統(tǒng)級(jí)綜合評(píng)估方法。首先，采用基于高斯分布模型、LSTM模型和統(tǒng)計(jì)量模型結(jié)合模糊無(wú)量綱模型定量計(jì)算單機(jī)部件“健康度”，再結(jié)合主客觀組合賦權(quán)和樹(shù)圖遍歷的方法定性計(jì)算各級(jí)系統(tǒng)的“健康等級(jí)”。本文不僅建立了開(kāi)放性的衛(wèi)星評(píng)估體系，而且對(duì)于傳統(tǒng)大多依靠專(zhuān)家主觀評(píng)定的衛(wèi)星健康評(píng)估問(wèn)題，采用了客觀量化評(píng)估模型和主客觀組合賦權(quán)的方法。經(jīng)驗(yàn)證，該方法可行性高，在考慮了專(zhuān)家意見(jiàn)的同時(shí)力求客觀，最大限度減輕領(lǐng)域?qū)＜邑?fù)擔(dān)和相關(guān)測(cè)試維修人員的專(zhuān)業(yè)性要求。且通過(guò)開(kāi)放性方法庫(kù)的擴(kuò)展，可以快速地將故障檢測(cè)領(lǐng)域的研究成果進(jìn)行合理的轉(zhuǎn)化利用，用于各型衛(wèi)星的系統(tǒng)評(píng)估，這對(duì)于地面衛(wèi)星發(fā)射前的健康狀態(tài)管理具有重要意義。