衛(wèi)星姿態(tài)控制系統(tǒng)故障預測方法綜述

曲 直，張高飛，孟子陽，許瑞欽

(1. 清華大學精密儀器系，北京 100084；2. 北京信息科技大學儀器科學與光電工程學院，北京 100192)

0 引 言

近年來,全球范圍以高性能、高可靠、高自主、低成本作為關鍵需求提出了一系列軍用、民用、商用星座計劃,呈現(xiàn)穩(wěn)速發(fā)展的態(tài)勢。UCS(憂思科學家聯(lián)盟)[1]數(shù)據(jù)統(tǒng)計顯示,截至2022年1月1日,繞地球運行的衛(wèi)星總數(shù)達4852,其中地球低軌道(LEO)衛(wèi)星4078顆,中軌道(MEO)衛(wèi)星141顆,大橢圓軌道衛(wèi)星59顆,地球同步軌道衛(wèi)星574顆。目前在軌衛(wèi)星數(shù)目排名前三的屬國分別為美國(2944顆)、中國(499顆)和俄羅斯(169顆)[1]。2021年王亞坤等[2]對2003—2021年公開的部分衛(wèi)星典型故障案例進行統(tǒng)計,得知有約44%的故障發(fā)生于電源分系統(tǒng),26%的故障發(fā)生于推進分系統(tǒng),16%的故障發(fā)生于姿態(tài)控制分系統(tǒng)(ACS)。在衛(wèi)星發(fā)射初期,故障多數(shù)發(fā)生于推進分系統(tǒng)和電源分系統(tǒng),且推進分系統(tǒng)故障多發(fā)生于星箭分離階段[2]。而在衛(wèi)星發(fā)射初期之后的在軌運行階段,姿態(tài)控制分系統(tǒng)故障發(fā)生比例不斷提升。

一般來說,星座由很多同類型、同設計、同平臺的衛(wèi)星組成。衛(wèi)星ACS作為衛(wèi)星穩(wěn)定運行的核心系統(tǒng),其包含電子、機械、光學等多類單機和部件,且系統(tǒng)復雜、易發(fā)生故障,保證衛(wèi)星ACS的正常運行才能實現(xiàn)整星乃至星座的復雜在軌任務。近年來ACS故障頻發(fā),例如Hitomi衛(wèi)星[3]于2016年在進行姿態(tài)機動操作之后發(fā)生異常旋轉,導致太陽能電池板等部件折斷破損,該衛(wèi)星是由日本宇宙航空研究開發(fā)機構(JAXA)聯(lián)合NASA和眾多研究機構參與開發(fā)的大型項目。2019年,所屬美國Digital Globe公司的Worldview-4衛(wèi)星[4]由于ACS中的控制力矩陀螺失效導致完全失控,損失近1.44億美元。為此,針對衛(wèi)星ACS的故障檢測和診斷[5-7]相關研究工作紛紛展開,此類研究的核心大多是“事后檢測”和“事后維修”,在面對突發(fā)故障和不可修復故障時存在隔離不及時、診斷不明確等不足。若能提前預知衛(wèi)星ACS故障,不僅能提前采取措施對系統(tǒng)進行故障隔離或維修,而且能提前對星座平臺進行衛(wèi)星補充或布局重構?！笆奈濉币?guī)劃初期,轉變傳統(tǒng)故障管控理念,在原有故障檢測研究基礎上展開衛(wèi)星ACS智能故障預測方法研究,用“事前預測”彌補“事后檢測”的短板,為星上任務管理系統(tǒng)和地面站系統(tǒng)提供衛(wèi)星ACS狀態(tài)和其他決策信息,對未來衛(wèi)星ACS健康管理起到重要推動作用。

本文瞄準衛(wèi)星ACS故障預測技術的未來發(fā)展需求,通過總結近年來知識和數(shù)據(jù)驅動的故障預測技術研究成果,結合衛(wèi)星ACS特點對研究現(xiàn)狀進行梳理,凝練總結出亟待解決的關鍵問題并給出解決思路供讀者參考。

1 故障預測技術回顧

故障預測技術是基于前期故障檢測技術逐步發(fā)展的“事前預測”方法,故障檢測[8]主要判斷設備或系統(tǒng)是否發(fā)生了故障和指明發(fā)生故障的時間(在發(fā)生故障時,應迅速對故障的發(fā)生進行檢測);而故障預測[9]主要是預測系統(tǒng)或部件的未來狀態(tài),并根據(jù)現(xiàn)有信息估計剩余的有用壽命,預測任務允許預測損害的未來狀態(tài),而不是診斷損害的當前狀態(tài)。此方法可以通過整合當前和歷史可用的時間信息,將未來時間作為自變量,故障的可能性作為因變量,以構建一個函數(shù)模型來實現(xiàn)。

目前故障預測模型的構建方法主要分為知識驅動的方法[10-14]和數(shù)據(jù)驅動的方法[15-26],具體分類如圖1所示。知識驅動方法能夠對研究問題整體考慮,以具體的機理模型或者相關的規(guī)則描述研究對象的特性,有助于尋找問題本質和開發(fā)新理論;而數(shù)據(jù)驅動方法作用于有限場景下的數(shù)據(jù)樣本,能夠構建相關的經驗模型,從數(shù)據(jù)中挖掘問題的特征[9]。

圖1 故障預測方法分類

1.1 知識驅動的方法

知識驅動的預測方法往往依照可觀輸入及輸出狀態(tài)或可獲系統(tǒng)狀態(tài)值,通過量化建?；驅＜蚁到y(tǒng)等方法,利用初始數(shù)據(jù)集對系統(tǒng)已知結構進行分析,推理得知各部分間的功能關系和因果影響,包括微分方程推理抽象出的定性物理邏輯模型、根據(jù)因果關系和結構推進方向建立的有向圖模型等[9]。知識驅動的方法主要分為系統(tǒng)模型方法、規(guī)則和推理方法兩部分。

1.1.1系統(tǒng)模型方法

非線性卡爾曼濾波研究的推進,衍生出基于卡爾曼濾波器的故障預測技術分支。同時,自韓京清研究員提出自抗擾控制理論以來[27],眾多學者受此啟發(fā),開拓出另一條基于非線性濾波器(PF)的故障預測技術分支。

在航天器長壽命、高可靠性的要求下,許多研究人員對故障預測方法的可行性進行論述[10],反作用輪(RW)等關鍵部件的剩余壽命(RUL)預測已成為一個重要的研究方向。就作者所知,目前使用系統(tǒng)模型方法估計RW的RUL研究并不多[9]。

1.1.2規(guī)則和推理方法

規(guī)則和推理方法是通過使用從專家知識中獲得的if-then規(guī)則來推理系統(tǒng)的模糊邏輯,利用模糊獲取的專家知識進行邏輯的應用,有助于預測各種故障的動態(tài)操作條件。

使用規(guī)則和推理方法可以減少預測過程中的不確定性,具有直觀簡單的特點。由于衛(wèi)星ACS復雜,很難建立準確且完備的規(guī)則庫,當專家系統(tǒng)面對未出現(xiàn)故障的情況時,則可能喪失預測能力[12]。近年來,有研究者利用故障樹[13]和相關性知識獲取技術[14,28-29]處理專家系統(tǒng)的知識獲取問題,一定程度上解決了知識獲取的困難,但是這種方法需要事先積累不同工作狀態(tài)下的歷史數(shù)據(jù),獲得足夠多的樣本,才能保證預測性能。

1.2 數(shù)據(jù)驅動方法

數(shù)據(jù)驅動的方法[9,30]摒棄了對研究對象內部機理的嚴格分析,以大量的仿真、試驗及在軌遙測數(shù)據(jù)為基礎,通過不同的數(shù)據(jù)處理算法或標準的處理流程,分析數(shù)據(jù)之間的關聯(lián)關系,主要分為回歸方法、統(tǒng)計方法、神經網絡方法和混合方法。

1.2.1回歸方法

基于時間序列的回歸方法將統(tǒng)計得來的故障率數(shù)據(jù)進行外推預測是數(shù)據(jù)驅動的故障預測最早的分支,其核心問題分為時間序列的平穩(wěn)性建模以及模型的預測與評價。目前,典型的平穩(wěn)性模型[15]主要包括自回歸(AR)模型、移動平均(MA)模型和自回歸移動平均(ARMA)模型等,其中最為常用的基于ARMA模型的預測方法在設計過程中主要包括模型識別、未知參數(shù)估計、模型檢驗、時間序列預測和模型評價5個步驟,主要過程如圖2所示。

圖2 基于ARMA模型的預測方法設計過程[15]

在近些年的成果中,Islam等[16]考慮到初期RW速度波動相比中期更大,將自回歸綜合移動平均模型(ARIMA)和長短期記憶(LSTM)神經網絡模型分別用于時間序列預測數(shù)據(jù)驅動的方法,能夠針對不同特點訓練數(shù)據(jù)集給出準確的回歸結果,LSTM神經網絡在面對波動較大的時序數(shù)據(jù)的預測時具有更強的效果,屬于神經網絡方法的范疇,將在下文重點綜述。

1.2.2統(tǒng)計方法

目前用于數(shù)據(jù)驅動預測技術的統(tǒng)計方法[17]主要包括隱馬爾可夫(HMM)[18-19]、貝葉斯方法[20-23]等。

傳統(tǒng)基于HMM的狀態(tài)預測方法存在狀態(tài)持續(xù)時間建模不準確的問題,適用于短期記憶的時間序列預測[18-19]。為彌補其不足,Chen等[19]開發(fā)了一個具有自動相關觀測的隱馬爾可夫模型(HMM-AO),提出了一種使用期望最大值的新算法來估計未知參數(shù),同時考慮了缺失數(shù)據(jù)和隨時間累積的噪聲。與傳統(tǒng)HMM模型不同之處在于,HMM-AO模型中的當前觀測值不僅取決于相應的隱藏系統(tǒng)狀態(tài),而且取決于以前的觀測值。

貝葉斯方法[20]不同于一般的統(tǒng)計方法,其不僅利用模型信息和數(shù)據(jù)信息,而且充分利用先驗信息。近年來,文獻[21-23]分別將貝葉斯方法應用于通信衛(wèi)星的行波管(TWT)、晶體振蕩器、衛(wèi)星攜帶鋰電池的故障率估計。

1.2.3神經網絡方法

神經網絡(ANN)[24]作為深度學習的分支,包括卷積神經網絡(CNN)和循環(huán)神經網絡(RNN)。在語音識別、計算機視覺和自然語言處理等領域取得了重大突破,也可以被看作實現(xiàn)時間序列預測的有效工具。

近年來,隨著數(shù)據(jù)量的爆炸式增長,LSTM[25]神經網絡作為RNN最具體代表性的分支,相比于普通的神經網絡,在對歷史信息的保留和對未來信息的預測上實現(xiàn)了巨大的突破。

神經網絡模型是非線性的模型,雖然能夠很好地解決復雜非線性的預測問題,但由于無法得到顯式的表達式來反映預測變量和解釋變量間的關系,所以無法如回歸方法那樣明確解釋變量對預測變量的貢獻值,同樣也無法用統(tǒng)計方法來檢驗模型的顯著性。

綜上,純神經網絡方法[26]仍需關注的劣勢分為4個部分:

1)在解決線性系統(tǒng)預測問題時,預測的效果不如線性模型直接預測好。

2)沒有完備的確定網絡結構的方法,一般需要進行大量的試算才能選擇出一個合適的模型。

3)可能出現(xiàn)過擬合的情況,比如模型對訓練樣本數(shù)據(jù)進行了過度擬合,而對訓練樣本以外的數(shù)據(jù)進行預測時就會出現(xiàn)更大的誤差。

4)需要大量的訓練數(shù)據(jù)和計算時間,對于某個具體的計算問題,還容易陷入局部極小值。要得到全局極小值,往往需要對算法進行改進和嘗試不同的初值。

1.2.4混合方法

為提高應用于故障預測技術領域的單一方法局限性,分別以回歸方法、統(tǒng)計方法和神經網絡方法為基礎,將數(shù)據(jù)驅動方法進行融合,衍生出一系列混合方法[31-37]。

2011年,張茂林等[31]針對衛(wèi)星ACS的故障預測問題,給出了模糊基函數(shù)網絡(FBFN)與AR模型相結合的故障預測方法,利用衛(wèi)星正常運行時的姿態(tài)數(shù)據(jù)訓練FBFN,然后將衛(wèi)星實時姿態(tài)數(shù)據(jù)與FBFN輸出數(shù)據(jù)之間的差值作為殘差,利用AR模型對殘差序列進行建模,進而依據(jù)預測殘差的統(tǒng)計分布給出了故障發(fā)生概率,利用故障預測置信因子來描述預測步長不同時故障預測結果的可信性并提出了預測置信因子的概念,對故障預測的準確性進行評價。2012年,Chen等[32]提出了一種基于神經模糊系統(tǒng)(NFS)和改進貝葉斯算法的機器健康狀況預測的新方法,用機器狀態(tài)數(shù)據(jù)進行訓練后的NFS作為預測模型,利用粒子過濾的遞歸貝葉斯算法,通過一組具有相關權重的隨機樣本(或粒子)實時計算后驗PDF,提高了傳統(tǒng)單一方法的故障預測準確性。2019年,朱昶文等[33]針對目前衛(wèi)星監(jiān)測系統(tǒng)無法及時發(fā)現(xiàn)故障且無法反映衛(wèi)星狀態(tài)趨勢變化的問題,提出一種基于自適應白噪聲完整集成經驗模態(tài)分解(CEEMDAN)方法與粒子群極限學習機組合(PSO-ELM)的指標預測模型和基于模糊層次分析法(FAHP)的多指標融合故障檢測模型,該故障檢測模型與目前衛(wèi)星異常監(jiān)測系統(tǒng)相比,能提前兩周期檢測到故障。近兩年,Muthusamy等[35]在之前工作[34]基礎上拓展,用得到的殘差[34]來擬合一般路徑模型(GPM),以獲得代表歷史預言的先驗模型參數(shù)。對于故障的實時預測,使用貝葉斯更新技術將priori信息、GPM和目前正在運行的衛(wèi)星的殘差合并起來,以預測剩余的有用壽命。由于多變和復雜的空間環(huán)境給衛(wèi)星長期故障預測和評估帶來巨大挑戰(zhàn),與狀態(tài)相關的遙測數(shù)據(jù)的季節(jié)性變化和異方差性將導致預測的巨大偏差[36]。同時,考慮到傳統(tǒng)的衛(wèi)星評估閾值基線是簡單的曲線,對捕捉退化數(shù)據(jù)的狀態(tài)信息不敏感。為解決此問題,Tao等[37]提出了一種預測-評估方法,其中包括數(shù)據(jù)預處理、預測策略模型和評估策略模型。首先,數(shù)據(jù)預處理包括消除野值、移動平均和基于黃土的季節(jié)性趨勢分解(STL),準確挖掘出衛(wèi)星長期遙測數(shù)據(jù)的退化和波動特征;其次,將門循環(huán)單元(GRU)與廣義自回歸條件異方差(GARCH)模型融合,提高對不同波動特征的認知能力,進一步提高預測精度,該策略比傳統(tǒng)的預測手段更有效、更靈敏。

除此之外,還存在未分類的模糊數(shù)據(jù)驅動方法,包括灰度預測[38-42]、集員估計[43-44]等,此類方法以遙測信息為基礎,利用相似性原理和新陳代謝原理建立一種新型預測模型,對未來衛(wèi)星ACS故障預測技術的革新具有參考價值。

2 衛(wèi)星ACS故障預測技術難題

純知識驅動和純數(shù)據(jù)驅動的方法在工業(yè)機械軸承[45]、飛機多功能擾流板(MFS)[46]、鋰電池[47]、工業(yè)動力設備[48]等領域較為成熟,以衛(wèi)星ACS作為研究對象的故障預測領域研究成果尚少,且均存在一定局限性。

2.1 知識驅動的衛(wèi)星ACS故障預測方法難題

衛(wèi)星ACS的精確建模和機理認識是知識驅動的衛(wèi)星ACS故障預測技術基礎,衛(wèi)星ACS模型[49]主要包括動力學與運動學模型、執(zhí)行機構模型(RW、CMG、磁力矩器)、敏感器模型(太陽敏感器、星敏感器、光纖陀螺、磁強計)、控制器模型、環(huán)境干擾模型和狀態(tài)估計器模型,其結構關系如圖3所示。

圖3 衛(wèi)星ACS結構示意圖

目前基于知識驅動的衛(wèi)星ACS故障預測研究存在三個亟需解決的難題:

1) 全局狀態(tài)估計器僅對整星敏感器輸出狀態(tài)進行估計,對其他多器件[50]的傳導感知不明顯;

2) 多敏感器測量信息丟失嚴重影響狀態(tài)估計器的性能,導致故障預測精確度較低;

3) 在軌不確定性[51]對狀態(tài)估計器的不利影響和敏感器測量噪聲隨時間序列積累,造成狀態(tài)估計器中長期估計精確度降低。

2.2 數(shù)據(jù)驅動的衛(wèi)星ACS故障預測方法難題

遙測數(shù)據(jù)是數(shù)據(jù)驅動的衛(wèi)星ACS故障預測技術前提,其主要包括高維若干幀原始數(shù)據(jù),例如飛輪A當前轉矩、平臺陀螺組件B角速度、光纖陀螺C角速度、星敏感器1參數(shù)Q1、X軸磁力矩器電流遙測值、X方向磁場強度(磁強計)、X軸估計環(huán)境干擾力矩等。

目前基于數(shù)據(jù)驅動的衛(wèi)星ACS故障預測技術存在兩個亟需解決的難題[52]：

1) 數(shù)據(jù)原始訓練樣本維度太高,模型訓練周期過長,影響故障預測效率;

2) 混合不同相關性的數(shù)據(jù)樣本復雜度高,難以平衡深度學習算法設計難度和故障預測模型狀態(tài)預測精確度之間的矛盾。

綜合來看,單一類別方法在不同應用場景[53]下均存在一定的局限性,若能夠通過知識驅動方法與數(shù)據(jù)驅動方法的結合,實現(xiàn)對問題全局和局部特征、規(guī)則與經驗的有機結合,充分利用二者的互補特性,通過并行模式、引導模式和反饋模式將知識驅動與數(shù)據(jù)驅動方法聯(lián)合,將有助于提出性能更優(yōu)的聯(lián)合方法。

3 知識和數(shù)據(jù)聯(lián)合驅動方法發(fā)展趨勢

盡管國內團隊圍繞知識和數(shù)據(jù)聯(lián)合驅動的故障預測技術開展了諸多工作,但是面向衛(wèi)星ACS不同實際適用場景的研究仍具有廣闊的發(fā)展空間,依據(jù)確定機理模型或缺乏機理模型、器件級或系統(tǒng)級、短期或中長期的不同故障預測需求,將知識和數(shù)據(jù)聯(lián)合驅動方法在當前和未來的發(fā)展趨勢分為并行模式、引導模式和反饋模式三個分支。

3.1 知識與數(shù)據(jù)并行模式驅動方法

在實際應用中,知識和數(shù)據(jù)并行模式的衛(wèi)星ACS故障預測技術的主要適用場景是確定機理模型的衛(wèi)星ACS短期器件級故障預測,重點解決狀態(tài)估計器對多器件細微變化感知不明顯和多敏感器測量信息丟失影響故障預測精確度等問題,其基本結構如圖4所示。

圖4 并行模式結構示意圖

面向上述需求,梳理當前和未來的研究重點如下:

1) 對多重測量數(shù)據(jù)丟失的衛(wèi)星ACS狀態(tài)估計問題進行研究,其中包括衛(wèi)星ACS器件的機理模型研究[54-55]、多器件的分布式狀態(tài)估計器設計[50,56-57]、基于多重測量數(shù)據(jù)丟失情況下的估計器狀態(tài)預測模型研究[58-60]。

2) 以衛(wèi)星ACS高維遙測數(shù)據(jù)為基礎,展開遙測數(shù)據(jù)的智能挖掘和故障預測網絡模型研究[61],分析基于知識方法驅動的機理模型輸出預測序列與純數(shù)據(jù)驅動的輸出預測序列的時間窗口維度一致性[62]問題。

3) 在上述研究基礎上,基于兩種方法并行輸出的預測結果建立綜合輸出預測結果評價體系[63],重點研究知識驅動的器件機理模型與數(shù)據(jù)驅動的經驗模型分別產生的狀態(tài)預測序列殘差[64]或新息的融合預測問題。

3.2 知識與數(shù)據(jù)引導模式驅動方法

衛(wèi)星ACS故障預測方法在缺乏知識機理模型時,可設計基于遙測數(shù)據(jù)的故障預測方法,但遙測數(shù)據(jù)維數(shù)龐大且純數(shù)據(jù)驅動方法忽略了遙測數(shù)據(jù)本身的知識特性,不僅造成了先驗知識的浪費,也降低了故障預測精確度,因此需要先驗知識進行遙測數(shù)據(jù)樣本的初始化,即知識方法引導數(shù)據(jù)方法。針對原始遙測數(shù)據(jù)維數(shù)高、相關性復雜度高,導致狀態(tài)預測模型訓練周期長且模型訓練樣本的確定缺乏先驗知識引導,影響故障預測效率和精確度等問題,以已知的數(shù)據(jù)關聯(lián)性知識機理為基礎,指導構建合理的數(shù)據(jù)驅動經驗模型,該模式主要通過修改數(shù)據(jù)驅動方法中原始樣本相關性分類設置的方式,實現(xiàn)利用知識特性降低經驗模型構建復雜度,同時提高其準確性的目標,其基本結構如圖5所示。

圖5 引導模式結構示意圖

面向上述需求,梳理當前和未來的研究重點如下:

1) 遙測數(shù)據(jù)互相關測度評價及最優(yōu)測度研究[65-67]。面向遙測數(shù)據(jù)互相關測度評價方法以及最優(yōu)測度均未明確的研究現(xiàn)狀,分析并歸納遙測數(shù)據(jù)相關性的特點,明確遙測數(shù)據(jù)互相關測度評價標準,量化分析并驗證遙測數(shù)據(jù)相關性分析的最優(yōu)測度。

2) 針對傳統(tǒng)遙測數(shù)據(jù)相關性分析方法僅能發(fā)現(xiàn)相關程度知識,無法提供足夠相關結構信息的問題,基于深度學習方法展開互相關結構知識發(fā)現(xiàn)方法研究[68-69],考慮大規(guī)模、高維度遙測數(shù)據(jù)互相關分析時測度偏向多值變量的問題,并展開遙測數(shù)據(jù)多類分類方法研究。

3) 研究切實可行的故障預測方法[28-29,70-71],以現(xiàn)有衛(wèi)星ACS遙測數(shù)據(jù)互相關知識發(fā)現(xiàn)方法研究為基礎,引導已挖掘的數(shù)據(jù)先驗知識和規(guī)則特性融入數(shù)據(jù)驅動的經驗模型構建中,保證故障預測效率和精確度。

3.3 知識與數(shù)據(jù)反饋模式驅動方法

針對衛(wèi)星在軌實際情況下ACS機理模型中存在部分機理未知或機理模型中參數(shù)不確定的問題,為保證衛(wèi)星ACS故障預測的精確度,通過數(shù)據(jù)驅動方法去修正或替代機理模型的相關模塊或參數(shù),其基本結構如圖6所示。

圖6 反饋模式結構示意圖

面向上述需求,梳理當前和未來的研究重點如下:

1) 對實際情況下在軌衛(wèi)星ACS的全局狀態(tài)估計問題的研究[72-74],其中包括影響全局狀態(tài)估計的在軌不確定性模型研究、基于敏感器的全局狀態(tài)估計器研究、考慮在軌不確定性的全局狀態(tài)估計器預測模型研究。

2) 在衛(wèi)星ACS狀態(tài)估計問題研究的基礎上,考慮歷史和近期殘差或新息數(shù)據(jù)對未來殘差或新息項的影響,對未來時刻狀態(tài)估計器的反饋融合殘差或新息項趨勢預測進行研究[75-76],解決狀態(tài)估計器的動態(tài)調整和預測更新相關問題。

3) 考慮數(shù)據(jù)驅動方法的狀態(tài)預測值誤差隨預測步長的增加不斷增大的問題,設計能夠修正數(shù)據(jù)驅動方法的預測值誤差的反饋更新項。此外,為進一步確保預測的精確度,考慮到系統(tǒng)測量噪聲隨著預測測量值變化不斷變化的問題,研究系統(tǒng)測量噪聲補償算法[77-80]。

4 衛(wèi)星ACS故障預測技術發(fā)展建議

受當前的研究進展和關鍵問題啟發(fā),本文給出知識和數(shù)據(jù)并行模式、引導模式、反饋模式驅動的衛(wèi)星ACS故障預測技術路徑的發(fā)展建議,總體技術路徑如圖7所示。

圖7 衛(wèi)星ACS故障預測技術路徑

4.1 并行模式技術路徑

以提高故障預測精確度和適應性為目的,數(shù)據(jù)與知識并行模式驅動的衛(wèi)星ACS故障預測技術路徑如下:

首先,基于物理機理特性為衛(wèi)星ACS中器件(敏感器、控制器、執(zhí)行機構)設計分布式估計器用來估計單器件的狀態(tài)信息,重點考慮測量數(shù)據(jù)丟失的情況,基于最小方差理論,利用在線遞推形式的狀態(tài)估計器增益的表達式,通過預測步和更新步迭代對系統(tǒng)狀態(tài)進行估計,采用隨機分析理論證明估計誤差在一定條件下滿足均方有界,保留預測狀態(tài)序列作為輸出知識結果。

其次,基于深度學習方法利用衛(wèi)星ACS無故障時的遙測數(shù)據(jù)訓練模型,將訓練好的純數(shù)據(jù)模型作為衛(wèi)星ACS的標準輸出模型,提取與衛(wèi)星ACS敏感器單機機理模型含義相同的狀態(tài)信息數(shù)據(jù),通過建立預測序列時間窗口模型的方式,將預測輸出結果保持在同一時間和維度序列上。

最后,基于最小二乘法利用時間序列模型對實時遙測數(shù)據(jù)與物理機理模型輸出預測序列、實時遙測數(shù)據(jù)與純數(shù)據(jù)模型輸出預測序列之間的差值進行綜合建模。

4.2 引導模式技術路徑

以衛(wèi)星ACS遙測數(shù)據(jù)為基礎對數(shù)據(jù)間的知識規(guī)則進行先驗挖掘,通過挖掘的知識來引導純數(shù)據(jù)驅動故障預測方法,旨在提高故障預測精度和復雜度,其主要技術路徑如下:

首先,以相關性理論知識為基礎,針對某在軌衛(wèi)星高維遙測數(shù)據(jù)的關聯(lián)性、相似性、規(guī)則性和因果性對其分類并定義,分別描述基于誤差比例削減、互信息、Copula函數(shù)、曲線原理、基于距離等相關性分析方法,并對方法的適用性進行比較分析和總結。量化分析包括覆蓋度、新穎度、普適性、時效性的相關性測度評價標準,考慮遙測數(shù)據(jù)的特點設計遙測數(shù)據(jù)相關性分析的最優(yōu)測度方法。

其次,基于最優(yōu)測度方法進行大規(guī)模、高維度遙測數(shù)據(jù)互相關分析,并針對測度偏向多值變量和動態(tài)規(guī)劃算法時間復雜度高的問題,通過聚類法作為前驅過程對數(shù)據(jù)進行網格劃分、以信息熵代替最大熵對互信息進行歸一化的知識方法設計,對遙測數(shù)據(jù)進行線性、單調性、序對一致性、散點圖形狀等相關結構信息的標注,并提取不同類別遙測數(shù)據(jù)作為純數(shù)據(jù)驅動故障預測的樣本。

最后,以上述遙測數(shù)據(jù)不同相關結構數(shù)據(jù)樣本為基礎,基于自回歸滑動平均(ARMA)模型在捕捉時間序列線性部分的優(yōu)勢和人工神經網絡(ANN)在處理非線性時間序列的良好性能,為達到應對不同類型的故障預測需求的目標,通過不同相關結構遙測數(shù)據(jù)的單步預測和多步預測序列,建立混合動態(tài)遙測數(shù)據(jù)預測模型。

4.3 反饋模式技術路徑

以實際在軌情況下衛(wèi)星ACS知識機理仿真模型為基礎,針對其存在部分機理未知或模型參數(shù)不確定的問題,通過數(shù)據(jù)驅動方法以反饋的形式對知識驅動的機理模型的不確定性模塊或參數(shù)進行修正或替代,旨在降低知識機理仿真模型建模難度,提高衛(wèi)星ACS故障預測精確度,其主要技術路徑如下:

首先,基于最小方差準則設計全局狀態(tài)估計器,在每一個采樣時刻,通過設計合適的狀態(tài)估計器增益矩陣實現(xiàn)狀態(tài)估計誤差協(xié)方差上界的最小化,采用隨機分析理論對系統(tǒng)估計誤差進行分析,通過李雅普諾夫方法證明狀態(tài)估計器的全局穩(wěn)定性。

其次,以上述全局狀態(tài)估計器設計為基礎,融合數(shù)據(jù)驅動的相關向量機方法,設計一種未來時刻狀態(tài)估計器的殘差項趨勢預測方法,綜合考慮歷史殘差和近期殘差數(shù)據(jù)對未來殘差項的影響,對兩部分殘差進行動態(tài)加權得到預測的殘差項,通過將預測的殘差項代入到系統(tǒng)的狀態(tài)預測模型中,實現(xiàn)狀態(tài)估計器的動態(tài)調整和預測更新。

最后,設計面向中長時間跨度的衛(wèi)星ACS故障預測方法,考慮預測步長的增加導致數(shù)據(jù)驅動方法的預測值誤差增大對反饋模式下故障預測算法產生的不利影響,通過引入自適應權重項對觀測器輸出動態(tài)參數(shù)進行修正,當估計器預測殘差或新息的協(xié)方差矩陣增大時,自適應項將減小濾波器預測殘差或新息在更新過程中的權重;考慮到預測過程中系統(tǒng)測量噪聲隨著預測測量值不斷變化的問題,通過在系統(tǒng)狀態(tài)方程引入測量噪聲補償模型,實現(xiàn)對系統(tǒng)模型的動態(tài)更新。

綜合上述衛(wèi)星ACS故障預測方法研究,基于模型時間平穩(wěn)性檢驗原理,給出k步后的故障發(fā)生概率和故障預測置信因子,對所求的故障發(fā)生概率進行評價。另外,為了準確評估不同模型的故障預測效果,綜合計算均方誤差(MSE)、平均絕對誤差(MAE)和平均誤差(ME)指標定義故障預測準確性。

5 結束語

隨著全球在軌衛(wèi)星數(shù)量、系統(tǒng)復雜度、星座種類和設計壽命的持續(xù)增長,在軌衛(wèi)星的管控難度也逐漸加大。ACS作為衛(wèi)星核心系統(tǒng),在復雜多變的空間環(huán)境中調配子系統(tǒng)完成各類任務,系統(tǒng)與器件在或長或短的時間維度內經受許多不確定的破壞或損傷。面對不同場景的在軌衛(wèi)星保障需求,傳統(tǒng)衛(wèi)星ACS的故障檢測和診斷等“事后檢測”和“事后維修”方法存在故障隔離不及時、診斷不明確等劣勢。近年來,為了“事前預測”衛(wèi)星ACS故障以便盡早進行故障隔離或維修,衛(wèi)星ACS的故障預測技術受到業(yè)界廣泛關注。經過20余年積累,故障預測方法已經逐步向知識驅動方法和數(shù)據(jù)驅動方法兩條分支發(fā)展,但目前我國相關研究主要集中在純知識驅動或純數(shù)據(jù)驅動的故障預測技術的理論研究及在軌實驗,因而有必要借鑒國外研究成果,在研究過程中從實際應用需求出發(fā),通過知識驅動方法與數(shù)據(jù)驅動方法的結合,實現(xiàn)對問題全局和局部特征、規(guī)則與經驗的有機結合,充分利用二者的互補特性,把握發(fā)展趨勢,注重可實現(xiàn)性,突破技術壁壘。