一種檢測衛星姿態測量系統微小故障的方法與流程
2023-12-09 17:09:31
本發明涉及衛星姿態測量系統故障診斷方法，具體涉及一種檢測衛星姿態測量系統微小故障的方法。
背景技術：
：衛星姿態測量系統包括紅外地球敏感器，太陽敏感器和陀螺儀等部件。受工藝設計、長期運行和太空環境的影響，其不可避免的會發生衛星測量系統故障。然而，無論故障的幅值多大、故障傳遞有多複雜，故障的危害多大，這些故障都是從微小故障開始的，因此微小故障的檢測和診斷是預防和減少事故的關鍵。微小故障的檢測方法的研究，目前還處於起步階段。實際上，從20世紀70年代初故障診斷概念被提出以來，產生了很多行之有效的故障診斷方法，主要包括定性診斷方法和定量診斷方法，而定量方法又包括基於解析模型的方法和數據驅動的方法。但是傳統的故障診斷方法主要是用來診斷徵兆顯著的故障。對於微小故障，如果直接套用傳統的故障診斷方法，診斷性能可能非常差。微小故障引起的數據變化幅值小、徵兆不顯著，從而對其定性的行為描述的知識較少，使得定性檢測規則難以判斷微小故障是否存在；由於系統模型不可避免地存在著不確定性或幹擾，這些因素直接影響基於解析模型的微小故障的診斷準確性。相比而言，數據驅動的微小故障的診斷方法具有一定的優勢，表現兩個方面：一、複雜系統往往無法建立精確的模型，或者建模具有很大的不確定性，而數據驅動方法一般不需要精確的系統模型，因而數據驅動方法更容易實現；二、數據驅動方法種類較多，如小波變換法、譜分析法和多元統計方法等，這些方法便於提取有關微小故障的信號的特徵用於故障診斷。姿態敏感器測量的數據既包括非平穩的確定性趨勢，也包括平穩的隨機性噪聲，如果確定性趨勢變化範圍很大，或者隨機性噪聲的方差很大，那麼故障引起的數據變化就容易被趨勢和噪聲所掩蓋。微小故障的上述特點導致了微小故障檢測的困難，使得故障的檢測率很低，檢測到的故障時間比實際的故障時間相比有很大的延遲。綜上，檢測微小故障的兩個關鍵點是：剔除寬幅數據趨勢對微小故障的影響和削弱測量噪聲對微小故障的幹擾。技術實現要素：針對現有技術中的上述不足之處，本發明所要解決的技術問題是提供一種檢測衛星姿態測量系統微小故障的方法，以提高衛星在軌故障檢測率和降低故障檢測延遲。本發明具體包括四個步驟：步驟一：數據預處理；將從衛星姿態測量系統獲得的數據作為原始測試數據，把原始測試數據X＝(x1,x2,…,xk,xk+1,xk+2,…,xk+j,…)劃分為訓練數據Xk＝(x1,x2,…,xk)和測試數據Xk+j＝(xk+1,xk+2,…,xk+j,…)，其中訓練數據Xk是歷史的正常數據，測試數據Xk+j是未來的待檢測數據，其中k和j都是大於等於1的正整數。表示衛星姿態測量系統在k時刻的測量值，其中n表示變量的個數，它的變量較多，包括太陽敏感器變量、地球敏感器變量和陀螺儀變量等，因此需要對訓練數據的變量進行橫向篩選，即篩選出與故障相關聯的變量；系統開機時數據擾動範圍較大，表現出極端不穩定性，因此需要對訓練數據進行縱向裁切，即裁切掉變換範圍大且變化規律複雜的部分訓練數據。預處理後的訓練數據仍記為Xk。所述衛星姿態測量系統包括：滾動地球敏感器、俯仰地球敏感器、滾動太陽敏感器、俯仰太陽敏感器、滾動陀螺儀、俯仰陀螺儀和偏航陀螺儀。步驟二：趨勢剔除；利用趨勢剔除算法將訓練數據Xk分解為兩部分，即校正值Yk和校正殘差Zk，其中Yk代表訓練數據中的正常趨勢，Zk代表訓練數據中的隨機噪聲。類似地，測試數據Xk+j的每個樣本xk+j分解為兩部分：預測值yk+j和預測殘差zk+j。其中yk+j代表測試數據中的正常趨勢，zk+j代表測試數據中的隨機噪聲和故障信號。若測試數據xk+j是帶故障的，則zk+j的故障信號比(FSR)將顯著大於xk+j的故障信號比，因而可以提高故障的檢測率。趨勢剔除算法的步驟包括：選擇設計函數、計算設計矩陣、估計擬合參數、計算校正值和預測值、計算校正殘差和預測殘差、計算樣本均值和無偏樣本方差，具體操作包括：S2.1、選擇設計函數f(t)，假定f(t)包括m個設計函數，如下f(t)＝(f1(t),…,fm(t))T(1)其中m是大於等於1的正整數，m的值由訓練數據Xk的曲線趨勢決定。S2.2、利用設計函數計算設計矩陣FkS2.3、利用步驟一中的訓練數據Xk和設計矩陣Fk估計線性方程Xk＝βkFk的參數若是Fk的M-P廣義逆，則參數βk為S2.4、利用估計的參數計算訓練數據Xk的校正值Yk和測試數據xk+j的預測值yk+j，j＝1,2,…S2.5、計算校正殘差Zk和預測殘差zk+j，j＝1,2,…S2.6、計算校正殘差Zk的樣本均值mk和無偏樣本方差Sk：其中1表示元素全等於1的k維向量；步驟三：噪聲消減；若測試數據xk+j是帶故障的，那麼故障信號表現在預測殘差zk+j中，此時zk+j既包含確定性的故障，也包含隨機性的噪聲。與噪聲的方差相比，微小故障的幅值很小，使得故障容易被噪聲淹沒，導致故障檢測率很低，因此需要用噪聲消減算法進一步消減噪聲和增強故障，在檢測延遲可容忍的情況下，這將顯著提高測試殘差的故障噪聲比(FNR)，因而可以進一步提高微小故障的檢測率；所述噪聲消減方法包括：選擇加權因子、構造檢測殘差、構造檢測統計量等步驟，具體操作如下：S3.1、選擇加權因子；對於測試樣本xk+j，加權因子是單調遞增的，即αk+1≤αk+2≤…≤αk+j(6)S3.2、利用步驟二中的預測殘差zk+l,l＝1,2,…,j和樣本均值mk構造檢測殘差rk+jS3.3、構造檢測統計量；若步驟二中無偏樣本方差Sk的逆矩陣為則檢測統計量為F(xk+j)步驟四：故障檢測。採取最小化漏報率的保守策略，即在誤報率受控的條件下令漏報率達到最小，若顯著性水平為α(一般α∈[0.01,0.05])，則檢測統計量F(xk+j)對應的檢測閾值為UCL＝F1-α(n,k-n)(9)其中F1-α(n,k-n)表示自由度為(n,k-n)的F分布對應於(1-α)的分位數。若F(xk+j)∈[0,UCL]，則測試數據xk+j為正常數據，否則為故障數據。綜上所述，本發明的優點在於：可以用於在軌衛星姿態測量系統的微小故障檢測，步驟二的趨勢剔除算法可以提高公式(5)中無偏樣本方差的計算穩健性和提高測試數據的故障信號比(FNR)，步驟三的噪聲消減算法可以進一步提高測試殘差的故障噪聲比(FNR)，因而本方法可以提高微小故障的檢測率和抑制微小故障檢測延遲問題，為實現在軌衛星自主診斷奠定基礎。附圖說明為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。圖1為本發明中衛星姿態測量系統微小故障方法的流程圖；圖2為本發明中衛星姿態測量系統滾動陀螺微小數字量常值漂移故障時滾動陀螺儀數據圖，其中橫軸表示採樣序列，縱軸表示滾動陀螺儀讀數；圖3為本發明中衛星姿態測量系統滾動陀螺微小數字量常值漂移故障時俯仰陀螺儀數據圖，其中橫軸表示採樣序列，縱軸表示俯仰陀螺儀讀數；圖4為本發明中衛星姿態測量系統滾動陀螺微小數字量常值漂移故障時偏航陀螺儀數據圖，其中橫軸表示採樣序列，縱軸表示偏航陀螺儀讀數；圖5為傳統方法的微小故障檢測結果，其中橫軸表示採樣序列，縱軸表示檢測統計量或者閾值；圖6為本發明中方法的微小故障檢測結果，其中橫軸表示採樣序列，縱軸表示檢測統計量或者閾值。具體實施方式下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。圖1所示為本發明檢測衛星姿態測量系統微小故障方法的流程圖，現結合圖1所示流程圖對檢測衛星姿態測量系統微小故障方法的各步驟做具體說明。本實施例中衛星姿態測量系統的輸出變量有7維，如表1所示，對應七個傳感器，分別為滾動地球敏感器、俯仰地球敏感器、滾動太陽敏感器、俯仰太陽敏感器、滾動陀螺儀、俯仰陀螺儀和偏航陀螺儀。表1輸出數據變量傳感器變量傳感器Eφ滾動地球敏感器gφ滾動陀螺儀Eθ俯仰地球敏感器gθ俯仰陀螺儀Sφ滾動太陽敏感器gψ偏航陀螺儀Sφ俯仰太陽敏感器其中陀螺儀的數字量常值漂移故障是比較常見的微小故障。由於衛星姿態測量數據的動態範圍很廣，加上各種擾動引起的噪聲，當發生漂移微小故障時，數據徵兆並不明顯，因而傳統故障檢測方法的漏報率很大，而且檢測到的故障時間與故障實際發生的時間相比，延遲量很大。步驟一：數據預處理。數據採集時間跨度為500秒，採樣間隔為1秒。由於地球敏感器和太陽敏感器對陀螺儀的測量影響較小，所以橫向篩選時剔除地球敏感器和太陽敏感器的四個變量，剩餘的變量為x＝(gφ,gθ,gΨ)T。如圖2至圖4所示，俯仰陀螺儀gθ的均值是非平穩的，故障引起的變化與正常數據自身的變化相比，其幅值很小，而滾動陀螺儀gφ和偏航陀螺儀gψ經過前端的動態變化後，均值才逐漸平穩。滾動陀螺儀漂移故障發生在第358個樣本點上。縱向裁切時需要將第1秒到第30秒的樣本點裁切掉，第31秒到第357秒的樣本點為正常的訓練數據其中n＝3,k＝327，第358秒到第500秒樣本點為測試數據步驟二：趨勢剔除。S2.1選擇設計函數f(t)：觀察圖2至圖4發現，訓練數據Xk只有一個拐點，因此三階多項式足以刻畫Xk的趨勢，設計函數的個數m＝4，設計函數為f(t)＝(1,t,t2,t3)TS2.2利用設計函數計算設計矩陣FkS2.3利用訓練數據Xk和設計矩陣Fk估計參數若是Fk的M-P廣義逆，則參數為S2.4利用估計的係數計算訓練數據Xk的校正值Yk和測試數據xk+j的預測值yk+j，j＝1，2，…，143S2.5計算校正殘差Zk和預測殘差zk+j，j＝1，2，…，143S2.6計算校正殘差Zk的樣本均值mk和無偏樣本方差Sk，若表示元素全等於1的k維向量，則mk＝1.0e-15*(0.0041，-0.7340，0.0416)T剔除趨勢前，訓練數據的無偏樣本方差陣為S和Sk的條件數，即cond(S)和cond(Sk)，滿足cond(S)＝30.6152＞＞2.9744＝cond(Sk)上式說明趨勢剔除可以提高無偏樣本方差的計算穩健性。步驟三：噪聲消減。S3.1對於測試樣本xk+j對應的加權因子為其中N0＝5。S3.2構造檢測殘差rk+jS3.3構造檢測統計量，若步驟二中無偏樣本方差Sk的逆矩陣為則檢測統計量為F(xk+j)步驟四：故障檢測。取顯著性水平為α＝0.05，檢測閾值為UCL＝F0.05(3,327-3)＝2.6326。若S3.3中檢測統計量F(xk+j)∈[0,UCL]，則測試數據xk+j為正常數據，否則為故障數據。本實施例的實際結果是測試數據為故障數據，傳統T2檢測統計量的檢測結果見圖5，可以發現故障發生後大量測試數據的檢測統計量在閾值下方，表示傳統方法的漏報率非常高。而利用本發明提供的方法所得到故障檢測結果見圖6，可以發現故障發生後測試數據的檢測統計量基本在閾值上方，漏報率非常低。實施例說明本方法可以提高微小故障的檢測率和抑制微小故障檢測的延遲問題，這為實現在軌衛星自主診斷奠定基礎。本發明未詳細說明部分屬本領域技術人員公知常識。當前第1頁1 2 3