基于故障噪声比及特种提取的微小故障诊断方法及系统与流程

本发明涉及航天器数据处理领域，具体涉及基于故障噪声比及特种提取的微小故障诊断方法及系统。

背景技术：

航天器是典型的复杂系统，集机械、电子、材料、控制、能源、通讯以及计算机技术等多学科最新尖端成果于一体。航天器控制系统承担姿态控制、轨道控制、太阳帆板和天线驱动控制等任务，是航天器中最重要和最复杂的子系统之一[1]。2018年12月嫦娥四号成功月背软着陆，标志着中国航天工业的伟大进步。然而在世界范围内，航天器控制系统故障也曾导致空间计划、科学研究、经济效益乃至政治军事等方面的严重损失[2-4]。例如，2005年12月，日本隼鸟号探测器的姿态控制反作用轮燃料泄漏，探测器无法保持姿态。与地面控制中心失去联络长达2个月，错过返回窗口，导致“隼鸟”延期3年返回地球[5]。又如，2017年7月，中国文昌长征5号火箭搭载的实践18号卫星坠海，任务失利，技术归零，舆论震动。包为民院士在cac2017的大会报告中指出：若航天器控制器的早期微小故障能被及时检测到，控制器足够智能，而不是功能单一，那么价值16亿元的东方红5号卫星平台不至于坠海[6]。再如，2018年中国某型航天器发生微小单机故障，未及时检测报警，导致执行器连续喷气，姿态角速度急剧增加，造成平台失控翻滚，sada太阳翼折断，最后整个航天器失效。由于航天器控制系统所承担任务的重要性以及故障的高发性，提高控制系统的可靠性成为确保航天器在轨安全与运行质量的关键。

显著故障往往都是从早期微小故障演化而来，若在系统运行的可控范围内及时检测出微小故障并分离定位，将有效避免失效事件的发生，因此微小故障的诊断在实现整星的高可靠长寿命方面起着重要的作用。

技术实现要素：

本发明实施例提供基于故障噪声比及特种提取的微小故障诊断方法及系统，通过提高故障噪声比及数据降维的可视化映射，提高基于故障噪声比及特种提取的微小故障诊断性能，这对提高在轨航天器可靠性和延长航天器寿命具有重要意义。

为达到上述目的，一方面，本发明实施例提供了基于故障噪声比及特种提取的微小故障诊断方法，所述方法包括：

通过对航天器控制系统的运动学和动力学分析获得所述控制系统的监控数据；

获取所述监控数据的低频数据，并通过叠加方法提高所述低频数据的故障噪声比；

基于不同故障之间的非对称重要性因子对提高故障噪声比的低频数据进行特征提取后对该低频数据进行数据降维获得对应的非对称可视化映射；

根据所述非对称可视化映射分离所述监控数据中的故障数据。

另一方面，本发明实施例提供了基于故障噪声比及特种提取的微小故障诊断系统，所述系统包括：

数据获取单元，用于通过对航天器控制系统的运动学和动力学分析获得所述控制系统的监控数据；

噪声放大单元，用于获取所述监控数据的低频数据，并通过叠加方法提高所述低频数据的故障噪声比；

映射单元，用于基于不同故障之间的非对称重要性因子对提高故障噪声比的低频数据进行特征提取后对该低频数据进行数据降维获得对应的非对称可视化映射；

故障分离单元，用于根据所述非对称可视化映射分离所述监控数据中的故障数据。

上述技术方案具有如下有益效果：

本发明的技术方案利用基于弱信号增强技术的微小故障检测方法和基于可视化映射技术的微小故障分离方法突破微小故障检测的困难，提高微小故障的检测率、提供最优的故障信息视图、提高故障分离率、增强微小故障诊断结果的可信度，完善微小故障诊断理论，完备在轨航天器控制系统的故障库，为提高航天器在轨故障诊断与处理能力提供理论与技术支撑。

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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例基于故障噪声比及特种提取的微小故障诊断方法的流程图；

图2为本发明实施例中微小故障数据示意图；

图3为本发明实施例基于故障噪声比及特种提取的微小故障诊断系统的结构示意图。

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做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。

如图1所示，是本发明实施例基于故障噪声比及特种提取的微小故障诊断方法的流程图，所述方法包括：

s101：通过对航天器控制系统的运动学和动力学分析获得所述控制系统的监控数据；优选地，其中，所述监控数据包括所述控制系统的运行机理数据、模型结构数据和模型参数数据。

通过机理分析和状态获取，获取后续微小故障诊断方法的信息源。在轨典型案例的信息源主要包括两部分，即机理模型和监控数据。通过对航天器控制系统的运动学和动力学分析可以获得控制系统的运行机理、模型结构和模型参数，这些信息既是微小故障诊断方法的模型信息源，也是matlab的simulink控件及s函数模块的仿真依据。计算机可以实时存储执行器监控数据(动量轮/推力器/帆板驱动机构等)和敏感器监控数据(陀螺仪/红外敏感器/星敏感器/太阳敏感器等)，这些信息既是微小故障诊断方法的数据信息源，也是qtwidgets窗体应用程序的入口信息。

s102：获取所述监控数据的低频数据，并通过叠加方法提高所述低频数据的故障噪声比。优选地，所述获取所述监控数据的低频数据，并通过叠加方法提高所述低频数据的故障噪声比，包括：量化叠加窗宽和遗忘因子对检测延迟的影响；通过低通滤波器获取所述监控数据的低频数据；利用堆垒法、累积法或者指数滑动平均法提高所述低频数据的故障噪声比。

如图2所示，系统的监控数据y可分解为三部分：噪声e、趋势t和故障f。趋势项本来是比较光滑的，受噪声影响，数据在上下包络间扰动。如果趋势是非平稳的，而且噪声的方差比较大，那么微小故障就容易被趋势和噪声掩盖。图2中，在故障开始和故障结束间的监控数据存在微小故障，但并未显著突破上下包络，故视觉上很难发现故障引起的变化。航天器控制系统的陀螺仪微小漂移故障下的监控数据就有类似现象。微小故障检测的核心问题之一就是要抑制“噪声淹没故障效应”，也就是提高故障噪声比fnr(fault-noiseratio)。

优选地，所述故障噪声比fnr(φ,n)通过下式表示：

fnr(φ,n)＝||φ(n,p)f||/r(φ(n,p)e)，

且故障噪声比的提高比例满足因为在测试残差中，噪声具有随机性，且故障往往具有确定性，按照独立叠加原理，可满足该式子；

其中，φ(n,p)表示n阶设计算子,n表示阶数，p表示延迟因子；f表示故障，||f||表示故障之模；r(e)表示噪声空间之散步球半径；||φ(n,p)f||表示长度，r(φ(n,p)e)表示φ(n,p)e的散布球半径；表示界被所控，为一正常数a，

若用表示窗宽、遗忘因子和通带约束下的n阶算子族，则上述研究路线可描述为

s103：基于不同故障之间的非对称重要性因子对提高故障噪声比的低频数据进行特征提取后对该低频数据进行数据降维获得对应的非对称可视化映射。

降维后q个故障中，任意两个故障的分离信息为iso(ri,rj)＝||mri-sign(i,j)mrj||²(i,j＝1,…,q)，其中若方向角为锐角，则sign(i,j)＝1，否则sign(i,j)＝-1。对称最优可视化映射假设不同类型的故障重要性是相同的，因而可以把特征提取方法简单地转化为一个主元分析过程。但是在航天器控制系统中，不同故障分离信息的重要性其实应该区别对待。例如，若两个特征方向夹角非常小，分离信息的轻微损失就可能导致这两种故障无法分离；相反，若两个特征方向夹角很大，微弱的分离信息损失对故障分离结果影响并不大。

优选地，所述基于不同故障之间的非对称重要性因子对提高故障噪声比的低频数据进行特征提取后对该低频数据进行数据降维获得对应的非对称可视化映射通过下式实现：

其中，wij(i,j＝1,…,q)为非对称重要性因子，p为故障的数量；

iso(ri,rj)为任意两个故障ri,rj的分离信息，表示为iso(ri,rj)＝||mri-sign(i,j)mrj||²(i,j＝1,…,q)，若两个故障ri,rj间方向角为锐角，则sign(i,j)＝1，否则sign(i,j)＝-1；

m即为非对称可视化映射，i为单位矩阵。

s104：根据所述非对称可视化映射分离所述监控数据中的故障数据。

进一步优选地，对于本方案故障噪声的分离，设测试工具箱，工具箱分为三层。输入层：用simulink控件和s函数模块模拟卫星姿态控制系统，用qtwidgets设计器的qfiledialog库作为卫星姿态控制系统数据导入端口。算法层：用m文件实现微小故障放大检测算法、微小故障可视化分离算法、数据图形导出函数，等等。输出层：用qt设计器完成工具箱gui界面。利用仿真数据和真实的卫星控制系统监控数据测试工具箱和微小故障诊断方法的可用性、运算效率和诊断性能。测试反馈结果可作为微小故障诊断方法改进的依据。

对应上述方法，如图3所示，为本发明实施例基于故障噪声比及特种提取的微小故障诊断系统的结构示意图，上述系统包括：

数据获取单元21，用于通过对航天器控制系统的运动学和动力学分析获得所述控制系统的监控数据；

噪声放大单元22，用于获取所述监控数据的低频数据，并通过叠加方法提高所述低频数据的故障噪声比；

映射单元23，用于基于不同故障之间的非对称重要性因子对提高故障噪声比的低频数据进行特征提取后对该低频数据进行数据降维获得对应的非对称可视化映射；

故障分离单元24，用于根据所述非对称可视化映射分离所述监控数据中的故障数据。

优选地，所述监控数据包括所述控制系统的运行机理数据、模型结构数据和模型参数数据。

优选地，所述噪声放大单元22具体用于：

量化叠加窗宽和遗忘因子对检测延迟的影响；

通过低通滤波器获取所述监控数据的低频数据；

利用堆垒法、累积法或者指数滑动平均法提高所述低频数据的故障噪声比。

优选地，所述故障噪声通过下式表示：

fnr(φ,n)＝||φ(n,p)f||/r(φ(n,p)e)，

且故障噪声比的提高比例满足

其中，φ(n,p)表示n阶设计算子，n表示阶数，p表示延迟因子；f表示故障，||f||表示故障之模；r(e)表示噪声空间之散步球半径；||φ(n,p)f||表示长度，r(φ(n,p)e)表示φ(n,p)e的散布球半径；表示界被所控，为一正常数a，

优选地，所述映射单元23通过下式实现监控数据的非对称可视化映射：

其中，wij(i,j＝1,…,q)为非对称重要性因子，q为降维后的故障的数量；

iso(ri,rj)为任意两个故障ri,rj的分离信息，表示为iso(ri,rj)＝||mri-sign(i,j)mrj||²(i,j＝1,…,q)，若两个故障ri,rj间方向角为锐角，则sign(i,j)＝1，否则sign(i,j)＝-1；

m即为非对称可视化映射，i为单位矩阵。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。