一种基于历史遥测数据的在轨卫星故障预警系统

2010-12-26郭永富

航天器工程 2010年6期

秦巍郭永富

(北京空间飞行器总体设计部,北京 100094)

1 引言

随着在轨卫星数量、设计寿命和型号种类的不断增加,维持其安全稳定运行变得越来越重要,在轨管理的难度也逐年加大。在轨卫星长期运行在空间环境中,受到多种不确定性因素的作用,其性能与功能可能会出现变化,反映在遥测参数上也会有些变化,如果在轨卫星发生异常,相应的遥测参数的变化趋势也会发生改变。因此,分析在轨卫星的遥测数据变化规律,选择相适应的数据预测方法,对遥测数据进行预测,并在此基础上实现预警,可以在早期及时发现遥测数据的异常变化,有效避免可能发生的重大故障,降低卫星在轨运行的风险,同时为异常的处理赢得宝贵时间,这对于提高卫星在轨运行的安全性和可靠性具有重要的意义[1]。

构建基于历史遥测数据的在轨卫星预警系统的基本思路如下:根据在轨卫星历史遥测数据的变化趋势,结合实时的遥测数据和卫星所处的实际状态,选择相适应的预测算法,预测一段时间以后在轨卫星参数的变化,给出预测值,预测结果可输入在轨卫星遥测数据判读系统,实现对在轨卫星遥测参数的预警[1]。

2 卫星遥测参数变化规律分析

为了全面地反映卫星在轨期间的性能及工作状态,每颗卫星都设计了大量的遥测参数。卫星遥测数据是进行预测的基础,这些遥测参数中包括了电压、电流、温度、压力、计数、星上设备状态等,既有模拟量,又有数字量;其变化有的受空间环境影响较大,有的与卫星工作状态直接相关,呈现出各种变化规律。在对卫星遥测数据进行预测之前,首先需要了解卫星遥测数据的特点,对在轨卫星的遥测参数变化规律进行研究,分析其变化的特性并据此进行分类,在此基础上寻找相适应的数据预测方法。

2.1 遥测参数的分类

从数据分析以及数据处理的角度出发,按照数据的类型可以将遥测参数分为整型、浮点型等。

整型的遥测参数一般包括标识字、状态字等。标识字包括帧同步字、卫星识别字等,在整个寿命期间保持不变,为固定的二进制码,通常以十六进制的形式显示;状态字反映星上设备的工作状态等,会根据卫星的具体情况而变化,受到卫星状态、地面指令控制等因素的影响。

浮点型遥测参数主要包括温度、电压、电流、压力等物理量,通常是连续变化的。温度参数受太阳光照强度、设备工作状态等因素的影响;电压分为一次电源电压和二次电源电压,两者都较为稳定,尤其是二次电源电压;电流表征了星上设备的工作功耗,随设备的开关机状态会有一定的波动;压力受贮箱温度、燃料剩余量等因素的影响。

2.2 遥测参数变化规律研究

根据2.1 节中的分析可知,整型遥测参数因为受卫星设备工作状态、地面指令的直接影响,难以通过历史数据对未来的变化进行预测,本文主要针对浮点型的遥测参数进行研究(文中若未特别指出,都只针对浮点型的遥测参数)。

基于对在轨卫星历史遥测数据的分析,以故障预警为出发点,对卫星遥测参数的变化规律研究时至少要(但不仅限于)考虑以下几种情况。

1)遥测数据平稳变化或维持在一恒定值附近

在卫星设备状态未发生改变时,遥测参数的变化率不会改变,参数平稳变化。此类参数主要包括特定卫星状态下的电压、温度参数等,可基于历史数据对未来数据进行预测。参数变化曲线如图1所示。

图1 遥测参数变化示意图一Fig.1 Telemetry data change chart 1

2)无状态、测控事件发生而参数变化率有阶跃性跳变

在没有状态、事件发生时,遥测参数的变化率突然发生变化。在出现此情况时,应根据新的变化率对未来的数据进行预测,提前发现遥测参数的超限情况。这种类型主要包括不受状态、事件影响的温度等参数,参数变化曲线如图2所示。出现此种情况时,很可能是异常情况,应重点关注。3)与卫星状态、测控事件相关联的遥测参数

图2 遥测参数变化示意图二Fig.2 Telemetry data change chart 2

在卫星状态改变或测控事件发生后,该类遥测参数是否异常的判断准则发生改变,应按新的诊断知识进行判断。例如:加热器打开,温度会开始上升,然后稳定在一定的范围内,参数新的变化范围与原来会有一定的差别,但属正常情况,只是状态发生前后判断准则不同。参数变化曲线如图3所示。

另一种情况是状态发生改变或事件发生后,参数曲线突然跳变,例如:在卫星由光照区进入地影区时,太阳翼输出电流会产生突变,平台和载荷的设备开机时其工作电压、工作电流也会发生较大幅度的变化。此情况与图3 中所示基本相似,但参数会在此点上进行突变,属正常情况,只是状态发生前后判断准则不同。参数变化曲线如图4所示。

图3 遥测参数变化示意图三Fig.3 Telemetry data change chart 3

图4 遥测参数变化示意图四Fig.4 Telemetry data change chart 4

4)周期变化的参数

卫星遥测数据以年、月或天为周期变化,每个周期的数据可能会略有差别。参数变化曲线如时间。

如图5所示。要能够基于这种周期的特点对未来的参数值进行预测。

图5 遥测参数变化示意图五Fig.5 Telemetry data change chart 5

以上仅为遥测数据几种理想化的简单模型,遥测数据实际的变化规律会更加复杂,在实际软件系统的设计中,要对遥测数据进行更加详尽的分析与分类,深入研究其变化规律。对遥测数据变化规律进行分析,研究数据对象的特征,针对不同变化规律的遥测数据,分别设计相适应的预测方法。

3 在轨遥测数据预测方法研究

针对航天器的遥测数据变化发展的特点,对一些预测方法进行了研究。通过研究分析发现,在这些方法中,比较适合于在轨航天器遥测数据预测的一些方法包括曲线拟合预测法、时间序列平滑预测法(重点是求和自回归滑动平均模型预测法)、回归预测法(包括非参数回归预测法等)、因果预测法、神经网络预测法等。以下对各种方法的特点和适应性进行描述。

3.1 基于多项式拟合外推的预测技术

基于多项式拟合进行外推的预测方法,是根据卫星数据的历史和实时数据,寻求卫星数据随时间推移而发展变化的规律,通过对参数变化曲线进行多项式拟合,得到拟合公式,利用该拟合公式进行外推,推测其未来状况的一种预测方法。

该方法的假设条件是:

1)假设卫星数据的变化过程没有跳跃式变化,即卫星遥测数据的变化是连续的;

2)假设所研究的卫星各分系统的结构、功能等基本保持不变,即假定由历史遥测数据所建立的外推模型能反映未来数据的变化。

基于多项式拟合外推的预测方法的主要步骤是:

1)根据参数选择拟合方法模型,设定拟合的阶数;

2)进行多项式拟合训练,得出拟合公式;

3)根据训练结果调整拟合过程;

4)根据拟合公式外推预测。

该方法对于周期性随时间缓慢变化的遥测数据预测具有很好的效果,即比较适合于周期变化的参数预测。此方法还适合于在没有状态、事件发生时,遥测参数的变化率突然发生变化的遥测参数以及与状态和事件相关联的参数的预测。

3.2 基于求和自回归滑动平均模型的时间序列分析预测技术[2-7]

差分方法是一种非常简便、有效的确定性信息提取方法。差分运算具有强大的确定性信息提取能力,许多非平稳序列差分后会显示出平稳序列的性质,这时我们称这个非平稳序列为差分平稳序列。对差分平稳序列可以使用求和自回归滑动平均模型(简记为ARM A模型)进行预测。

ARM A模型预测法是时间序列分析预测方法的一种,又称博克斯-詹金斯法,适合处理复杂的具有各种模式的时间序列。这种模式可包含趋势变动、季节变动、循环波动和随机波动等因素的综合影响。

ARM A模型预测的过程可描述如下:1)获取观察值序列;

2)平稳性检验、差分运算;

3)白噪声检验;

4)创建ARM A预测模型;

5)调用模型对遥测数据进行预测。

此方法适合处理复杂的具有各种模式的时间序列,是用于解决非平稳趋势数据预测问题的最常用的模型。可以用于周期变化的参数和遥测数据平稳变化或维持在一恒定值附近的参数预测。

3.3 基于非参数回归的预测技术

非参数回归的回归函数Y =gn(X)的估计

gn(X)一般表示为下述形式:

其中,Y为一维观测随机向量;X为n 维随机自变量;(Xi,Yi)为第i次观测值;i =1,2,…,n;Wi(Xi)为权函数。非参数回归就是对gn(X)的形状不加任何限制,即对gn(X)一无所知的情况下,利用观测值(Xi,Yi),对指定的X值,去估计Y值。由于其不需要对系统建立精确的数学模型,因此比较适合对时变的、非线性的系统进行预测。

非参数回归方法由于只要有大量的历史数据就可以进行预测,不需要建立预测模型,非常适合对于周期性明显的这种非线性的数据进行预测。该方法适合于短期预测,预测时间在1～2h 内效果较好。

3.4 基于神经网络的预测技术[8-11]

误差反向后传(Back Propagation,BP)网络是目前应用最广泛的神经网络之一,是一种正向求解、反向传播并达到修改网络层次之间连线上权值的网络模型。BP算法的具体思想是:对一个输入样本,从输入层经隐含层逐层正向计算,得到输出层的输出。然后,让它与期望样本比较,如有偏差,则把输出层单元的误差向输入层逆向传播,由此调整连接权值与阈值,从而使网络输出值逼近期望输出,通常使之达到误差均方值取最小为止。

BP 网络的算法描述如下:

1)网络初始化;

2)输入第一个学习样本;

3)求中间层的输入和输出;

4)求输出层的输入和输出;

5)计算输出层的误差;

6)计算中间层的误差;

7)调整各层的误差;

8)输入下一个学习样本。

在上述过程中,首先规定训练次数和期望误差,当次数超过要求次数或误差达到期望值,即停止训练,将结果存储。

基于神经网络的预测模型,比较适合用于缓变的在轨遥测数据变化情况,适合于具有大量历史训练样本数据的遥测参数的预测。BP 神经网络预测法的样本选取和训练过程较为复杂,可能会耗费一定的时间才能得出预测结果。当对预测误差的要求相对较低的情况下(如大于10%的误差),该方法可以作为一种候补的遥测数据预测方法,用于当其他预测方法无法满足遥测数据预测要求的补充。

4 卫星故障预警系统构架设计

基于历史遥测数据的卫星故障预警系统要实时接收卫星的遥测数据,同时要能够查询历史遥测数据库,并将预测结果输出给遥测参数判读系统,进而实现在轨卫星的遥测参数预警,系统的输入输出接口关系以及构架设计如图6所示,主要由实时预测模块、预处理模块、模拟数据产生器模块、在轨卫星遥测数据判读系统组成。

4.1 实时预测模块

基于历史遥测数据的卫星故障预警系统的核心是对在轨卫星遥测数据进行预测,基于历史遥测数据,按照一定的数据预测算法,输出遥测数据的预测结果至在轨卫星遥测数据判读系统。本模块至少要满足以下功能:

1)可自动再次对遥测数据进行分析、学习,并具有根据状态和事件变化重新累积数据和重新预测功能;

2)当预测值与实际数据的差大于一定的限度(此值存在一默认值,也可由用户手动进行设点)时,应给出提示;

3)在具有系统默认配置的功能下,提供手动设置功能,可以事先人工干预,选择预测算法等参数;

4)针对每种变化规律的遥测参数,至少有2 种适应的预测方法,能够同时进行预测并通过性能对比。

图6 基于历史遥测数据的在轨卫星预警系统接口关系及系统构架Fig.6 Structure and interfaces of the w arning system

4.2 预处理模块

针对可能出现的遥测数据不连续、跳码多等非平稳现象,预处理模块要对遥测数据进行处理,从中选择有效的数据;同时要能够对历史数据按一定的周期进行采样,为预测提供特定时间间隔的数据。

4.3 模拟数据产生器模块

产生模拟数据,然后输入到实时预测模块,对预测值与实际值进行比对进而验证系统的性能,作为验收的一个指标。该模拟数据产生器要能够按照用户的配置产生特定变化规律的

模拟数据,或对实际数据进行修改产生模拟数据。

4.4 客户端模块

系统设计采用浏览器/服务器(B/S)结构,在客户端浏览器窗口中,要集成以上各条中所定义的参数配置和信息输出功能,同时要嵌入报警系统的输出信息窗口。

4.5 在轨卫星遥测数据判读系统

根据卫星遥测参数的设计值以及实际在轨期间的数据,设定其变化的上下限,对超出此范围的参数值进行报警提示。

4.6 输入接口

通过网络接收在轨卫星的实时遥测数据,并通过与遥测数据库建立数据接口查询历史遥测数据。

5 应用验证

利用某卫星发生故障期间的实际数据对预警系统的应用效果进行了验证。

2008年该星发生了一次异常。在异常发生前,遥测参数1、2 缓慢、平稳变化;在故障发生后,两个参数均快速上升,整体预测效果如图7、图8所示。由图可见,预测数据与实际数据的变化吻合,并且能够提前发现数据的异常变化(实际运行中预测曲线要提前于实际数据变化曲线)。

实际应

用中,在轨卫星发生异常,某个遥测参数值异常攀升或下降,初期因为没有超过预先设定的门限值,监测人员无法发现异常,如果经过此预警系统,经过一段时间的数据积累,系统能够快速给出一段时间后参数越界的预警,提醒监测人员重点关注,便于监测人员早期发现异常变化趋势,为故障处理赢得时间。

6 结论

本文对在轨卫星遥测数据进行了分类,分析了其变化规律;研究了几种主流的数据预测理论的算法及适用性,在此基础上提出了一种基于历史遥测数据的卫星故障预警系统的构架设计,并定义了系统中各模块的功能及接口关系,对实际应用效果进行了验证。所设计的系统对及早发现在轨卫星的故障、提高卫星在轨运行的安全性和可靠性具有重要的意义。