一种检测卫星姿态测量系统微小故障的方法与流程

本发明涉及卫星姿态测量系统故障诊断方法，具体涉及一种检测卫星姿态测量系统微小故障的方法。
背景技术：
：卫星姿态测量系统包括红外地球敏感器，太阳敏感器和陀螺仪等部件。受工艺设计、长期运行和太空环境的影响，其不可避免的会发生卫星测量系统故障。然而，无论故障的幅值多大、故障传递有多复杂，故障的危害多大，这些故障都是从微小故障开始的，因此微小故障的检测和诊断是预防和减少事故的关键。微小故障的检测方法的研究，目前还处于起步阶段。实际上，从20世纪70年代初故障诊断概念被提出以来，产生了很多行之有效的故障诊断方法，主要包括定性诊断方法和定量诊断方法，而定量方法又包括基于解析模型的方法和数据驱动的方法。但是传统的故障诊断方法主要是用来诊断征兆显著的故障。对于微小故障，如果直接套用传统的故障诊断方法，诊断性能可能非常差。微小故障引起的数据变化幅值小、征兆不显著，从而对其定性的行为描述的知识较少，使得定性检测规则难以判断微小故障是否存在；由于系统模型不可避免地存在着不确定性或干扰，这些因素直接影响基于解析模型的微小故障的诊断准确性。相比而言，数据驱动的微小故障的诊断方法具有一定的优势，表现两个方面：一、复杂系统往往无法建立精确的模型，或者建模具有很大的不确定性，而数据驱动方法一般不需要精确的系统模型，因而数据驱动方法更容易实现；二、数据驱动方法种类较多，如小波变换法、谱分析法和多元统计方法等，这些方法便于提取有关微小故障的信号的特征用于故障诊断。姿态敏感器测量的数据既包括非平稳的确定性趋势，也包括平稳的随机性噪声，如果确定性趋势变化范围很大，或者随机性噪声的方差很大，那么故障引起的数据变化就容易被趋势和噪声所掩盖。微小故障的上述特点导致了微小故障检测的困难，使得故障的检测率很低，检测到的故障时间比实际的故障时间相比有很大的延迟。综上，检测微小故障的两个关键点是：剔除宽幅数据趋势对微小故障的影响和削弱测量噪声对微小故障的干扰。技术实现要素：针对现有技术中的上述不足之处，本发明所要解决的技术问题是提供一种检测卫星姿态测量系统微小故障的方法，以提高卫星在轨故障检测率和降低故障检测延迟。本发明具体包括四个步骤：步骤一：数据预处理；将从卫星姿态测量系统获得的数据作为原始测试数据，把原始测试数据X＝(x1,x2,…,xk,xk+1,xk+2,…,xk+j,…)划分为训练数据Xk＝(x1,x2,…,xk)和测试数据Xk+j＝(xk+1,xk+2,…,xk+j,…)，其中训练数据Xk是历史的正常数据，测试数据Xk+j是未来的待检测数据，其中k和j都是大于等于1的正整数。表示卫星姿态测量系统在k时刻的测量值，其中n表示变量的个数，它的变量较多，包括太阳敏感器变量、地球敏感器变量和陀螺仪变量等，因此需要对训练数据的变量进行横向筛选，即筛选出与故障相关联的变量；系统开机时数据扰动范围较大，表现出极端不稳定性，因此需要对训练数据进行纵向裁切，即裁切掉变换范围大且变化规律复杂的部分训练数据。预处理后的训练数据仍记为Xk。所述卫星姿态测量系统包括：滚动地球敏感器、俯仰地球敏感器、滚动太阳敏感器、俯仰太阳敏感器、滚动陀螺仪、俯仰陀螺仪和偏航陀螺仪。步骤二：趋势剔除；利用趋势剔除算法将训练数据Xk分解为两部分，即校正值Yk和校正残差Zk，其中Yk代表训练数据中的正常趋势，Zk代表训练数据中的随机噪声。类似地，测试数据Xk+j的每个样本xk+j分解为两部分：预测值yk+j和预测残差zk+j。其中yk+j代表测试数据中的正常趋势，zk+j代表测试数据中的随机噪声和故障信号。若测试数据xk+j是带故障的，则zk+j的故障信号比(FSR)将显著大于xk+j的故障信号比，因而可以提高故障的检测率。趋势剔除算法的步骤包括：选择设计函数、计算设计矩阵、估计拟合参数、计算校正值和预测值、计算校正残差和预测残差、计算样本均值和无偏样本方差，具体操作包括：S2.1、选择设计函数f(t)，假定f(t)包括m个设计函数，如下f(t)＝(f1(t),…,fm(t))T(1)其中m是大于等于1的正整数，m的值由训练数据Xk的曲线趋势决定。S2.2、利用设计函数计算设计矩阵FkS2.3、利用步骤一中的训练数据Xk和设计矩阵Fk估计线性方程Xk＝βkFk的参数若是Fk的M-P广义逆，则参数βk为S2.4、利用估计的参数计算训练数据Xk的校正值Yk和测试数据xk+j的预测值yk+j，j＝1,2,…S2.5、计算校正残差Zk和预测残差zk+j，j＝1,2,…S2.6、计算校正残差Zk的样本均值mk和无偏样本方差Sk：其中1表示元素全等于1的k维向量；步骤三：噪声消减；若测试数据xk+j是带故障的，那么故障信号表现在预测残差zk+j中，此时zk+j既包含确定性的故障，也包含随机性的噪声。与噪声的方差相比，微小故障的幅值很小，使得故障容易被噪声淹没，导致故障检测率很低，因此需要用噪声消减算法进一步消减噪声和增强故障，在检测延迟可容忍的情况下，这将显著提高测试残差的故障噪声比(FNR)，因而可以进一步提高微小故障的检测率；所述噪声消减方法包括：选择加权因子、构造检测残差、构造检测统计量等步骤，具体操作如下：S3.1、选择加权因子；对于测试样本xk+j，加权因子是单调递增的，即αk+1≤αk+2≤…≤αk+j(6)S3.2、利用步骤二中的预测残差zk+l,l＝1,2,…,j和样本均值mk构造检测残差rk+jS3.3、构造检测统计量；若步骤二中无偏样本方差Sk的逆矩阵为则检测统计量为F(xk+j)步骤四：故障检测。采取最小化漏报率的保守策略，即在误报率受控的条件下令漏报率达到最小，若显著性水平为α(一般α∈[0.01,0.05])，则检测统计量F(xk+j)对应的检测阈值为UCL＝F1-α(n,k-n)(9)其中F1-α(n,k-n)表示自由度为(n,k-n)的F分布对应于(1-α)的分位数。若F(xk+j)∈[0,UCL]，则测试数据xk+j为正常数据，否则为故障数据。综上所述，本发明的优点在于：可以用于在轨卫星姿态测量系统的微小故障检测，步骤二的趋势剔除算法可以提高公式(5)中无偏样本方差的计算稳健性和提高测试数据的故障信号比(FNR)，步骤三的噪声消减算法可以进一步提高测试残差的故障噪声比(FNR)，因而本方法可以提高微小故障的检测率和抑制微小故障检测延迟问题，为实现在轨卫星自主诊断奠定基础。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明中卫星姿态测量系统微小故障方法的流程图；图2为本发明中卫星姿态测量系统滚动陀螺微小数字量常值漂移故障时滚动陀螺仪数据图，其中横轴表示采样序列，纵轴表示滚动陀螺仪读数；图3为本发明中卫星姿态测量系统滚动陀螺微小数字量常值漂移故障时俯仰陀螺仪数据图，其中横轴表示采样序列，纵轴表示俯仰陀螺仪读数；图4为本发明中卫星姿态测量系统滚动陀螺微小数字量常值漂移故障时偏航陀螺仪数据图，其中横轴表示采样序列，纵轴表示偏航陀螺仪读数；图5为传统方法的微小故障检测结果，其中横轴表示采样序列，纵轴表示检测统计量或者阈值；图6为本发明中方法的微小故障检测结果，其中横轴表示采样序列，纵轴表示检测统计量或者阈值。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图1所示为本发明检测卫星姿态测量系统微小故障方法的流程图，现结合图1所示流程图对检测卫星姿态测量系统微小故障方法的各步骤做具体说明。本实施例中卫星姿态测量系统的输出变量有7维，如表1所示，对应七个传感器，分别为滚动地球敏感器、俯仰地球敏感器、滚动太阳敏感器、俯仰太阳敏感器、滚动陀螺仪、俯仰陀螺仪和偏航陀螺仪。表1输出数据变量传感器变量传感器Eφ滚动地球敏感器gφ滚动陀螺仪Eθ俯仰地球敏感器gθ俯仰陀螺仪Sφ滚动太阳敏感器gψ偏航陀螺仪Sφ俯仰太阳敏感器其中陀螺仪的数字量常值漂移故障是比较常见的微小故障。由于卫星姿态测量数据的动态范围很广，加上各种扰动引起的噪声，当发生漂移微小故障时，数据征兆并不明显，因而传统故障检测方法的漏报率很大，而且检测到的故障时间与故障实际发生的时间相比，延迟量很大。步骤一：数据预处理。数据采集时间跨度为500秒，采样间隔为1秒。由于地球敏感器和太阳敏感器对陀螺仪的测量影响较小，所以横向筛选时剔除地球敏感器和太阳敏感器的四个变量，剩余的变量为x＝(gφ,gθ,gΨ)T。如图2至图4所示，俯仰陀螺仪gθ的均值是非平稳的，故障引起的变化与正常数据自身的变化相比，其幅值很小，而滚动陀螺仪gφ和偏航陀螺仪gψ经过前端的动态变化后，均值才逐渐平稳。滚动陀螺仪漂移故障发生在第358个样本点上。纵向裁切时需要将第1秒到第30秒的样本点裁切掉，第31秒到第357秒的样本点为正常的训练数据其中n＝3,k＝327，第358秒到第500秒样本点为测试数据步骤二：趋势剔除。S2.1选择设计函数f(t)：观察图2至图4发现，训练数据Xk只有一个拐点，因此三阶多项式足以刻画Xk的趋势，设计函数的个数m＝4，设计函数为f(t)＝(1,t,t2,t3)TS2.2利用设计函数计算设计矩阵FkS2.3利用训练数据Xk和设计矩阵Fk估计参数若是Fk的M-P广义逆，则参数为S2.4利用估计的系数计算训练数据Xk的校正值Yk和测试数据xk+j的预测值yk+j，j＝1，2，…，143S2.5计算校正残差Zk和预测残差zk+j，j＝1，2，…，143S2.6计算校正残差Zk的样本均值mk和无偏样本方差Sk，若表示元素全等于1的k维向量，则mk＝1.0e-15*(0.0041，-0.7340，0.0416)T剔除趋势前，训练数据的无偏样本方差阵为S和Sk的条件数，即cond(S)和cond(Sk)，满足cond(S)＝30.6152＞＞2.9744＝cond(Sk)上式说明趋势剔除可以提高无偏样本方差的计算稳健性。步骤三：噪声消减。S3.1对于测试样本xk+j对应的加权因子为其中N0＝5。S3.2构造检测残差rk+jS3.3构造检测统计量，若步骤二中无偏样本方差Sk的逆矩阵为则检测统计量为F(xk+j)步骤四：故障检测。取显著性水平为α＝0.05，检测阈值为UCL＝F0.05(3,327-3)＝2.6326。若S3.3中检测统计量F(xk+j)∈[0,UCL]，则测试数据xk+j为正常数据，否则为故障数据。本实施例的实际结果是测试数据为故障数据，传统T2检测统计量的检测结果见图5，可以发现故障发生后大量测试数据的检测统计量在阈值下方，表示传统方法的漏报率非常高。而利用本发明提供的方法所得到故障检测结果见图6，可以发现故障发生后测试数据的检测统计量基本在阈值上方，漏报率非常低。实施例说明本方法可以提高微小故障的检测率和抑制微小故障检测的延迟问题，这为实现在轨卫星自主诊断奠定基础。本发明未详细说明部分属本领域技术人员公知常识。当前第1页1 2 3