一种基于曲线匹配搜索的航天器参数动态包络提取方法与流程

1.本发明属于航天器测试和健康评估技术领域，尤其涉及一种基于曲线匹配搜索的航天器参数动态包络提取方法。


背景技术：

2.航天器遥测参数的动态包络线是验证航天器的设计与性能是否满足需求的重要数据，可用于航天器的异常检测和健康评估。航天器遥测参数类型多样，规模庞大，导致基于人工方法选择历史曲线后提取动态包络的成本高、一致性差。
3.当前常用的自动化手段，一般通过专家知识设置曲线波动的上下限阈值，来模拟特定遥测参数的动态包络线。此类方法依赖于经验，效率低，难以广泛应用于大规模航天器遥测参数。
4.目前，基于神经网络与自适应门限估计的相关方法，针对特定数据特征，设计训练网络结构，通过网络重构偏差来计算自适应上下门限，用于生成遥测参数的动态包络线。此类方法能实现包络线的估计，然而其仅适用于特定数据范围，无法扩大输入类别范围，同时，此类方法在一定程度上忽略了动态包络数据的真实性，无法提取真实航天器参数动态包络。曲线匹配搜索技术是数据挖掘领域的重要方法，利用数据相似性进行适配曲线的检索，但在航天器参数动态包络提取中应用极少，原因在于航天器历史遥测参数曲线匹配起始点的前后数个临近点，会影响适配曲线的定位，导致曲线匹配搜索结果中存在大量干扰点，降低了航天器参数动态包络提取的准确性。


技术实现要素：

5.针对目前基于自适应门限估计等机器学习方法无法适用于大范围航天器参数动态包络计算且无法提取真实航天器动态包络、曲线匹配搜索方法存在大量干扰点的问题，本发明提出一种基于曲线匹配搜索的航天器参数动态包络提取方法。
6.本发明通过以下技术方案实现。
7.一种基于曲线匹配搜索的航天器参数动态包络提取方法，包括以下步骤：
8.步骤一、读取遥测参数文件，获得参数序列曲线作为匹配搜索的模板；
9.步骤二、读取遥测历史数据，获得历史参数序列曲线作为遍历检索的对象；
10.步骤三、遍历步骤二中所述历史参数序列曲线，窗口长度为模板序列的值个数，窗口序列的初始点为匹配初始点，计算每个窗口序列与步骤一中所述参数序列曲线的匹配向量和匹配值；
11.步骤四、将所述匹配值进行升序排列，并将匹配起始点进行相应排序；
12.步骤五、基于距离边界对步骤四中的所述匹配起始点进行降干扰优化；
13.步骤六、基于匹配阈值，对步骤五优化后的匹配起始点进行提取，并进行曲线定位，组成曲线集合；
14.步骤七、根据步骤六所述曲线集合中曲线个点的最大最小值，计算航天器遥测参
数的上下动态包络。
15.本发明的有益效果：
16.1、本发明填补了曲线匹配搜索方法在航天器参数动态包络提取应用领域的空白，可以有效剔除曲线匹配干扰点，提高航天器参数动态包络提取的真实性和准确性，也可以为其他有监督学习方法，如基于度量学习等的故障诊断方法提供先验输入，提升航天器参数的异常检测效率；
17.2、本发明通过基于距离边界的匹配点优化，有效去除了适配曲线数据前后位的干扰点，实现了真实适配曲线的高精度选择，提升了航天器参数动态包络提取的质量，提高了基于包络线判别方法的航天器异常检测的测试效率；
18.3、本发明较基于神经网络和自适应门限估计方法，可以提取真实的航天器参数动态包络线，无需训练便适用于航天器多类型遥测参数的动态包络提取；
19.4、本发明不需要假设过程数据的分布情况，为纯数据驱动算法，可适用性更广；
20.5、本发明填补了曲线匹配搜索方法在航天器参数动态包络提取应用领域的空白。
附图说明
21.图1为本发明实施例某航天器中板+y侧温度参数的历史实测序列曲线图；
22.图2为本发明实施例航天器中板+y侧温度参数的模板序列曲线图；
23.图3为本发明实施例利用曲线匹配搜索法从历史实测序列曲线中得到的适配曲线图；
24.图4为本发明实施例航天器中板+y侧温度的动态上下包络线图；
25.图5为本发明实施例优化前匹配向量的二维点图；
26.图6为本发明实施例优化后匹配向量的二维点图。
具体实施方式
27.下面结合参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
28.如图1所示，本发明的一种基于曲线匹配搜索的航天器参数动态包络提取方法，具体包括以下步骤：
29.步骤一、读取遥测参数文件，获得参数序列曲线作为匹配搜索的模板；
30.本实施例中，所述读取遥测参数文件读取指定时间区间内的待检测遥测参数，格式转换后生成的结构化遥测参数数据结构如下：
31.项内容参数名称字符串参数代号(参数编号)字符串时间数字向量工程值数字向量源码字符串向量
32.本实施例中，所述获得参数序列曲线作为匹配搜索的模板具体为：将指定时间区
间的工程值序列x1×
ntemp
作为曲线匹配搜索中的模板，其中n和1分别表示模板序列长度和参数种类，具体实施时，考虑到航天器动态包络检测实际场景，模板序列长度n》1。
33.步骤二、读取遥测历史数据，获得历史参数序列曲线作为遍历检索的对象；
34.本实施例中，所述读取遥测历史数据为读取指定历史时间区间内的遥测参数，格式转换后生成的结构化遥测参数数据结构如下：
35.项内容参数名称字符串参数代号(参数编号)字符串时间数字向量工程值数字向量源码字符串向量
36.将该指定历史时间区间的工程值序列x1×m作为遍历检索的对象，其中m和1分别表示序列长度和参数种类，m》n。
37.步骤三、遍历步骤二中所述历史参数序列曲线，窗口长度为模板序列的值个数，窗口序列的初始点为匹配初始点，计算每个窗口序列与步骤一中所述参数序列曲线的匹配向量和匹配值；具体步骤如下：
38.3.1利用一个模板序列长度的窗口对航天器遥测数据x1×m进行遍历，将窗口内序列与模板序列计算匹配向量。具体如下：
39.遍历曲线x1×m，窗口尺寸为1
×
n，滑窗步长k＝1，得到窗口序列集合y＝{y1×
n1
,y1×
n2
,
…
,y1×
nm-n+1
}，窗口序列集合共包含m-n+1个序列，称窗口序列的初始点p为匹配初始点，相对应的匹配起始坐标点集合
40.p＝{p1,p2,
…
,p
m-n+1
}＝{1,2,
…
,m-n+1}。
41.3.2通过曲线匹配方法计算每个窗口序列与模板曲线x1×
ntemp
的匹配向量。具体如下：
42.对于每个窗口序列y，先计算其与x1×
ntemp
(以下简称x)的缩放系数α，定义如下：
[0043][0044]
此时，计算第一个匹配系数d1(x,y)，其定义如下：
[0045][0046]
第二个匹配系数d2(x,y)定义如下：
[0047]
[0048]
如上所述，对每个窗口序列y经过曲线匹配方法处理，得到匹配向量d(x,y)定义如下：
[0049][0050]
3.3对所述匹配向量进行对称化处理，即d(x,y)＝d(y,x)，在此基础上，y的匹配值v(x,y)定义如下：
[0051]
v(x,y)＝β(d1(x,y)+d1(y,x))+(1-β)(d2(x,y)+d2(y,x))
[0052]
其中，β表示权重系数，衡量匹配向量d(x,y)中两个向量元素的相对重要程度，0《β《1，若无特殊规定，通常使β＝0.5。
[0053]
可以看出，窗口序列集合y＝{y1×
n1
,y1×
n2
,
…
,y1×
nm-n+1
}通过上述处理后，可以得到一组匹配向量集合d＝{d2×
11
,d2×
12
,
…
,d2×
1m-n+1
}和匹配值集合v＝{v1,v2,
…
,v
m-n+1
}。
[0054]
步骤四、将所述匹配值进行升序排列，并将匹配起始点进行相应排序；
[0055]
这一步骤的实现思想是由于步骤三中得到的匹配起始坐标点序列集合p，其每个元素点表示对每个窗口序列的定位，每个窗口序列对应匹配值集合v的每个匹配值。因此，集合p和集合v的元素位置一一对应，其位置映射关系为
[0056]
因此，本实施例中将匹配值集合v的元素按升序排序，得到排序后的新匹配值集合v
′
，通过映射关系得到排序后的新匹配起始坐标点集合p
′
。
[0057]
步骤五、基于距离边界对步骤四中的所述匹配起始点进行降干扰优化；
[0058]
这一步骤的实现思想是由于步骤三中进行曲线匹配搜索时，适配曲线的匹配起始点与其前后数位的点，所对应的窗口序列，其匹配值均较低，易被识别为适配曲线，这导致适配曲线的定位和匹配准确率较差，称起始点前后数位的点为干扰点。
[0059]
为了解决这一问题，本实施例中利用基于距离边界的降干扰方法，进行曲线匹配搜索性能优化。具体包括基于距离边界的匹配起始点干扰性判断方法和基于距离边界的匹配起始点降干扰优化方法，两个方法的算法分别如下：
[0060][0061]
[0062][0063]
在算法1中，距离边界值thres受距离边界系数θ和模板序列长度n影响，int(θ
×
n)函数表示取整，边界系数的取值范围为0《θ《1，当θ》1时匹配起始点的漏检率较高。算法1输出判断标志位，若输出结果为true，说明当前起始坐标点可以并入到算法2中的集合s中，反之不可。
[0064]
步骤六、基于匹配阈值，对步骤五优化后的匹配起始点进行提取，并进行曲线定位，组成曲线集合；具体步骤如下：
[0065]
6.1对匹配向量中的两个元素，根据匹配阈值分别进行阈值判断，令第一个和第二个元素的匹配阈值分别为d1_thres和d2_thres；
[0066]
6.2遍历降干扰后的匹配起始坐标集合p
″
，得到相应位置处的匹配向量，并与阈值进行比较，两个元素均小于匹配阈值的位置点，认为是适配曲线的起始位置点；
[0067]
6.3将步骤三中得到的窗口序列集合y中相应位置点的曲线，作为定位到的适配曲线，得到一个适配曲线集合x。
[0068]
上述步骤的算法如下：
[0069][0070]
步骤七、根据步骤六所述曲线集合中曲线个点的最大最小值，计算航天器遥测参数的上下动态包络；具体规则如下：
[0071]
若所述曲线集合则该指定历史时间区间的工程值序列x1×m不包含适配曲线；
[0072]
若所述曲线集合x的元素数量小于2，则认为当前数据量无法有效提取动态上下线包络；反之，对集合x中的所有序列曲线，遍历所有曲线的每个点，分别计算此刻点在所有曲线的最大值和最小值，遍历完成后，得到两条序列，分别是最大值点序列和最小值点序列，每个序列的长度等于模板序列曲线长度n，作为提取到的航天器参数的动态上下包络线。
[0073]
下面列举一个某航天器中板+y侧温度的动态包络线提取实例。
[0074][0075]
图1为某航天器中板+y侧温度的历史实测数据，图2是待检测的该航天器中板+y侧温度的模板数据。在原有工作模式中，测试工程师通过设计动态阈值作为动态包络线，来判别曲线是否符合预期。
[0076]
图3为使用本发明方法进行曲线匹配搜索得到的历史数据中的适配曲线，将其中得到的适配曲线，按照航天器参数动态上下包络线提取方法，可以得到图4中的航天器中板+y侧温度的动态上下包络线，深色区域在上下包络线之间，表示正常值波动的范围，可用于异常检测等应用。
[0077]
图5和图6分别是匹配起始位置点降干扰前后的匹配向量二维点图，其中浅色点表示适配曲线的点，深色为其他点，可以看到深色的干扰点，距离浅色点的位置近，这会对匹配阈值判断产生干扰。
[0078]
从航天器动态包络提取结果可以看出，本发明方法较原有方法更便于自动化实现，减少了对专家经验的依赖，提供了定量化分析手段。此外，相较于常规曲线匹配搜索方法，本发明提出的改进匹配搜索方法，能够有效降低干扰点对于适配曲线检测的不利影响，提高了航天器动态包络线提取的准确率。
[0079]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。