秦 巍 郭永富

(北京空間飛行器總體設計部,北京 100094)

1 引言

隨著在軌衛(wèi)星數(shù)量、設計壽命和型號種類的不斷增加,維持其安全穩(wěn)定運行變得越來越重要,在軌管理的難度也逐年加大。在軌衛(wèi)星長期運行在空間環(huán)境中,受到多種不確定性因素的作用,其性能與功能可能會出現(xiàn)變化,反映在遙測參數(shù)上也會有些變化,如果在軌衛(wèi)星發(fā)生異常,相應的遙測參數(shù)的變化趨勢也會發(fā)生改變。因此,分析在軌衛(wèi)星的遙測數(shù)據(jù)變化規(guī)律,選擇相適應的數(shù)據(jù)預測方法,對遙測數(shù)據(jù)進行預測,并在此基礎上實現(xiàn)預警,可以在早期及時發(fā)現(xiàn)遙測數(shù)據(jù)的異常變化,有效避免可能發(fā)生的重大故障,降低衛(wèi)星在軌運行的風險,同時為異常的處理贏得寶貴時間,這對于提高衛(wèi)星在軌運行的安全性和可靠性具有重要的意義[1]。

構建基于歷史遙測數(shù)據(jù)的在軌衛(wèi)星預警系統(tǒng)的基本思路如下:根據(jù)在軌衛(wèi)星歷史遙測數(shù)據(jù)的變化趨勢,結合實時的遙測數(shù)據(jù)和衛(wèi)星所處的實際狀態(tài),選擇相適應的預測算法,預測一段時間以后在軌衛(wèi)星參數(shù)的變化,給出預測值,預測結果可輸入在軌衛(wèi)星遙測數(shù)據(jù)判讀系統(tǒng),實現(xiàn)對在軌衛(wèi)星遙測參數(shù)的預警[1]。

2 衛(wèi)星遙測參數(shù)變化規(guī)律分析

為了全面地反映衛(wèi)星在軌期間的性能及工作狀態(tài),每顆衛(wèi)星都設計了大量的遙測參數(shù)。衛(wèi)星遙測數(shù)據(jù)是進行預測的基礎,這些遙測參數(shù)中包括了電壓、電流、溫度、壓力、計數(shù)、星上設備狀態(tài)等,既有模擬量,又有數(shù)字量;其變化有的受空間環(huán)境影響較大,有的與衛(wèi)星工作狀態(tài)直接相關,呈現(xiàn)出各種變化規(guī)律。在對衛(wèi)星遙測數(shù)據(jù)進行預測之前,首先需要了解衛(wèi)星遙測數(shù)據(jù)的特點,對在軌衛(wèi)星的遙測參數(shù)變化規(guī)律進行研究,分析其變化的特性并據(jù)此進行分類,在此基礎上尋找相適應的數(shù)據(jù)預測方法。

2.1 遙測參數(shù)的分類

從數(shù)據(jù)分析以及數(shù)據(jù)處理的角度出發(fā),按照數(shù)據(jù)的類型可以將遙測參數(shù)分為整型、浮點型等。

整型的遙測參數(shù)一般包括標識字、狀態(tài)字等。標識字包括幀同步字、衛(wèi)星識別字等,在整個壽命期間保持不變,為固定的二進制碼,通常以十六進制的形式顯示;狀態(tài)字反映星上設備的工作狀態(tài)等,會根據(jù)衛(wèi)星的具體情況而變化,受到衛(wèi)星狀態(tài)、地面指令控制等因素的影響。

浮點型遙測參數(shù)主要包括溫度、電壓、電流、壓力等物理量,通常是連續(xù)變化的。溫度參數(shù)受太陽光照強度、設備工作狀態(tài)等因素的影響;電壓分為一次電源電壓和二次電源電壓,兩者都較為穩(wěn)定,尤其是二次電源電壓;電流表征了星上設備的工作功耗,隨設備的開關機狀態(tài)會有一定的波動;壓力受貯箱溫度、燃料剩余量等因素的影響。

2.2 遙測參數(shù)變化規(guī)律研究

根據(jù)2.1 節(jié)中的分析可知,整型遙測參數(shù)因為受衛(wèi)星設備工作狀態(tài)、地面指令的直接影響,難以通過歷史數(shù)據(jù)對未來的變化進行預測,本文主要針對浮點型的遙測參數(shù)進行研究(文中若未特別指出,都只針對浮點型的遙測參數(shù))。

基于對在軌衛(wèi)星歷史遙測數(shù)據(jù)的分析,以故障預警為出發(fā)點,對衛(wèi)星遙測參數(shù)的變化規(guī)律研究時至少要(但不僅限于)考慮以下幾種情況。

1)遙測數(shù)據(jù)平穩(wěn)變化或維持在一恒定值附近

在衛(wèi)星設備狀態(tài)未發(fā)生改變時,遙測參數(shù)的變化率不會改變,參數(shù)平穩(wěn)變化。此類參數(shù)主要包括特定衛(wèi)星狀態(tài)下的電壓、溫度參數(shù)等,可基于歷史數(shù)據(jù)對未來數(shù)據(jù)進行預測。參數(shù)變化曲線如圖1所示。

圖1 遙測參數(shù)變化示意圖一Fig.1 Telemetry data change chart 1

2)無狀態(tài)、測控事件發(fā)生而參數(shù)變化率有階躍性跳變

在沒有狀態(tài)、事件發(fā)生時,遙測參數(shù)的變化率突然發(fā)生變化。在出現(xiàn)此情況時,應根據(jù)新的變化率對未來的數(shù)據(jù)進行預測,提前發(fā)現(xiàn)遙測參數(shù)的超限情況。這種類型主要包括不受狀態(tài)、事件影響的溫度等參數(shù),參數(shù)變化曲線如圖2所示。出現(xiàn)此種情況時,很可能是異常情況,應重點關注。3)與衛(wèi)星狀態(tài)、測控事件相關聯(lián)的遙測參數(shù)

圖2 遙測參數(shù)變化示意圖二Fig.2 Telemetry data change chart 2

在衛(wèi)星狀態(tài)改變或測控事件發(fā)生后,該類遙測參數(shù)是否異常的判斷準則發(fā)生改變,應按新的診斷知識進行判斷。例如:加熱器打開,溫度會開始上升,然后穩(wěn)定在一定的范圍內,參數(shù)新的變化范圍與原來會有一定的差別,但屬正常情況,只是狀態(tài)發(fā)生前后判斷準則不同。參數(shù)變化曲線如圖3所示。

另一種情況是狀態(tài)發(fā)生改變或事件發(fā)生后,參數(shù)曲線突然跳變,例如:在衛(wèi)星由光照區(qū)進入地影區(qū)時,太陽翼輸出電流會產(chǎn)生突變,平臺和載荷的設備開機時其工作電壓、工作電流也會發(fā)生較大幅度的變化。此情況與圖3 中所示基本相似,但參數(shù)會在此點上進行突變,屬正常情況,只是狀態(tài)發(fā)生前后判斷準則不同。參數(shù)變化曲線如圖4所示。

圖3 遙測參數(shù)變化示意圖三Fig.3 Telemetry data change chart 3

圖4 遙測參數(shù)變化示意圖四Fig.4 Telemetry data change chart 4

4)周期變化的參數(shù)

衛(wèi)星遙測數(shù)據(jù)以年、月或天為周期變化,每個周期的數(shù)據(jù)可能會略有差別。參數(shù)變化曲線如時間。

如圖5所示。要能夠基于這種周期的特點對未來的參數(shù)值進行預測。

圖5 遙測參數(shù)變化示意圖五Fig.5 Telemetry data change chart 5

以上僅為遙測數(shù)據(jù)幾種理想化的簡單模型,遙測數(shù)據(jù)實際的變化規(guī)律會更加復雜,在實際軟件系統(tǒng)的設計中,要對遙測數(shù)據(jù)進行更加詳盡的分析與分類,深入研究其變化規(guī)律。對遙測數(shù)據(jù)變化規(guī)律進行分析,研究數(shù)據(jù)對象的特征,針對不同變化規(guī)律的遙測數(shù)據(jù),分別設計相適應的預測方法。

3 在軌遙測數(shù)據(jù)預測方法研究

針對航天器的遙測數(shù)據(jù)變化發(fā)展的特點,對一些預測方法進行了研究。通過研究分析發(fā)現(xiàn),在這些方法中,比較適合于在軌航天器遙測數(shù)據(jù)預測的一些方法包括曲線擬合預測法、時間序列平滑預測法(重點是求和自回歸滑動平均模型預測法)、回歸預測法(包括非參數(shù)回歸預測法等)、因果預測法、神經(jīng)網(wǎng)絡預測法等。以下對各種方法的特點和適應性進行描述。

3.1 基于多項式擬合外推的預測技術

基于多項式擬合進行外推的預測方法,是根據(jù)衛(wèi)星數(shù)據(jù)的歷史和實時數(shù)據(jù),尋求衛(wèi)星數(shù)據(jù)隨時間推移而發(fā)展變化的規(guī)律,通過對參數(shù)變化曲線進行多項式擬合,得到擬合公式,利用該擬合公式進行外推,推測其未來狀況的一種預測方法。

該方法的假設條件是:

1)假設衛(wèi)星數(shù)據(jù)的變化過程沒有跳躍式變化,即衛(wèi)星遙測數(shù)據(jù)的變化是連續(xù)的;

2)假設所研究的衛(wèi)星各分系統(tǒng)的結構、功能等基本保持不變,即假定由歷史遙測數(shù)據(jù)所建立的外推模型能反映未來數(shù)據(jù)的變化。

基于多項式擬合外推的預測方法的主要步驟是:

1)根據(jù)參數(shù)選擇擬合方法模型,設定擬合的階數(shù);

2)進行多項式擬合訓練,得出擬合公式;

3)根據(jù)訓練結果調整擬合過程;

4)根據(jù)擬合公式外推預測。

該方法對于周期性隨時間緩慢變化的遙測數(shù)據(jù)預測具有很好的效果,即比較適合于周期變化的參數(shù)預測。此方法還適合于在沒有狀態(tài)、事件發(fā)生時,遙測參數(shù)的變化率突然發(fā)生變化的遙測參數(shù)以及與狀態(tài)和事件相關聯(lián)的參數(shù)的預測。

3.2 基于求和自回歸滑動平均模型的時間序列分析預測技術[2-7]

差分方法是一種非常簡便、有效的確定性信息提取方法。差分運算具有強大的確定性信息提取能力,許多非平穩(wěn)序列差分后會顯示出平穩(wěn)序列的性質,這時我們稱這個非平穩(wěn)序列為差分平穩(wěn)序列。對差分平穩(wěn)序列可以使用求和自回歸滑動平均模型(簡記為ARM A模型)進行預測。

ARM A模型預測法是時間序列分析預測方法的一種,又稱博克斯-詹金斯法,適合處理復雜的具有各種模式的時間序列。這種模式可包含趨勢變動、季節(jié)變動、循環(huán)波動和隨機波動等因素的綜合影響。

ARM A模型預測的過程可描述如下:1)獲取觀察值序列;

2)平穩(wěn)性檢驗、差分運算;

3)白噪聲檢驗;

4)創(chuàng)建ARM A預測模型;

5)調用模型對遙測數(shù)據(jù)進行預測。

此方法適合處理復雜的具有各種模式的時間序列,是用于解決非平穩(wěn)趨勢數(shù)據(jù)預測問題的最常用的模型。可以用于周期變化的參數(shù)和遙測數(shù)據(jù)平穩(wěn)變化或維持在一恒定值附近的參數(shù)預測。

3.3 基于非參數(shù)回歸的預測技術

非參數(shù)回歸的回歸函數(shù)Y =gn(X)的估計

gn(X)一般表示為下述形式:

其中,Y為一維觀測隨機向量;X為n 維隨機自變量;(Xi,Yi)為第i次觀測值;i =1,2,…,n;Wi(Xi)為權函數(shù)。非參數(shù)回歸就是對gn(X)的形狀不加任何限制,即對gn(X)一無所知的情況下,利用觀測值(Xi,Yi),對指定的X值,去估計Y值。由于其不需要對系統(tǒng)建立精確的數(shù)學模型,因此比較適合對時變的、非線性的系統(tǒng)進行預測。

非參數(shù)回歸方法由于只要有大量的歷史數(shù)據(jù)就可以進行預測,不需要建立預測模型,非常適合對于周期性明顯的這種非線性的數(shù)據(jù)進行預測。該方法適合于短期預測,預測時間在1～2h 內效果較好。

3.4 基于神經(jīng)網(wǎng)絡的預測技術[8-11]

誤差反向后傳(Back Propagation,BP)網(wǎng)絡是目前應用最廣泛的神經(jīng)網(wǎng)絡之一,是一種正向求解、反向傳播并達到修改網(wǎng)絡層次之間連線上權值的網(wǎng)絡模型。BP算法的具體思想是:對一個輸入樣本,從輸入層經(jīng)隱含層逐層正向計算,得到輸出層的輸出。然后,讓它與期望樣本比較,如有偏差,則把輸出層單元的誤差向輸入層逆向傳播,由此調整連接權值與閾值,從而使網(wǎng)絡輸出值逼近期望輸出,通常使之達到誤差均方值取最小為止。

BP 網(wǎng)絡的算法描述如下:

1)網(wǎng)絡初始化;

2)輸入第一個學習樣本;

3)求中間層的輸入和輸出;

4)求輸出層的輸入和輸出;

5)計算輸出層的誤差;

6)計算中間層的誤差;

7)調整各層的誤差;

8)輸入下一個學習樣本。

在上述過程中,首先規(guī)定訓練次數(shù)和期望誤差,當次數(shù)超過要求次數(shù)或誤差達到期望值,即停止訓練,將結果存儲。

基于神經(jīng)網(wǎng)絡的預測模型,比較適合用于緩變的在軌遙測數(shù)據(jù)變化情況,適合于具有大量歷史訓練樣本數(shù)據(jù)的遙測參數(shù)的預測。BP 神經(jīng)網(wǎng)絡預測法的樣本選取和訓練過程較為復雜,可能會耗費一定的時間才能得出預測結果。當對預測誤差的要求相對較低的情況下(如大于10%的誤差),該方法可以作為一種候補的遙測數(shù)據(jù)預測方法,用于當其他預測方法無法滿足遙測數(shù)據(jù)預測要求的補充。

4 衛(wèi)星故障預警系統(tǒng)構架設計

基于歷史遙測數(shù)據(jù)的衛(wèi)星故障預警系統(tǒng)要實時接收衛(wèi)星的遙測數(shù)據(jù),同時要能夠查詢歷史遙測數(shù)據(jù)庫,并將預測結果輸出給遙測參數(shù)判讀系統(tǒng),進而實現(xiàn)在軌衛(wèi)星的遙測參數(shù)預警,系統(tǒng)的輸入輸出接口關系以及構架設計如圖6所示,主要由實時預測模塊、預處理模塊、模擬數(shù)據(jù)產(chǎn)生器模塊、在軌衛(wèi)星遙測數(shù)據(jù)判讀系統(tǒng)組成。

4.1 實時預測模塊

基于歷史遙測數(shù)據(jù)的衛(wèi)星故障預警系統(tǒng)的核心是對在軌衛(wèi)星遙測數(shù)據(jù)進行預測,基于歷史遙測數(shù)據(jù),按照一定的數(shù)據(jù)預測算法,輸出遙測數(shù)據(jù)的預測結果至在軌衛(wèi)星遙測數(shù)據(jù)判讀系統(tǒng)。本模塊至少要滿足以下功能:

1)可自動再次對遙測數(shù)據(jù)進行分析、學習,并具有根據(jù)狀態(tài)和事件變化重新累積數(shù)據(jù)和重新預測功能;

2)當預測值與實際數(shù)據(jù)的差大于一定的限度(此值存在一默認值,也可由用戶手動進行設點)時,應給出提示;

3)在具有系統(tǒng)默認配置的功能下,提供手動設置功能,可以事先人工干預,選擇預測算法等參數(shù);

4)針對每種變化規(guī)律的遙測參數(shù),至少有2 種適應的預測方法,能夠同時進行預測并通過性能對比。

圖6 基于歷史遙測數(shù)據(jù)的在軌衛(wèi)星預警系統(tǒng)接口關系及系統(tǒng)構架Fig.6 Structure and interfaces of the w arning system

4.2 預處理模塊

針對可能出現(xiàn)的遙測數(shù)據(jù)不連續(xù)、跳碼多等非平穩(wěn)現(xiàn)象,預處理模塊要對遙測數(shù)據(jù)進行處理,從中選擇有效的數(shù)據(jù);同時要能夠對歷史數(shù)據(jù)按一定的周期進行采樣,為預測提供特定時間間隔的數(shù)據(jù)。

4.3 模擬數(shù)據(jù)產(chǎn)生器模塊

產(chǎn)生模擬數(shù)據(jù),然后輸入到實時預測模塊,對預測值與實際值進行比對進而驗證系統(tǒng)的性能,作為驗收的一個指標。該模擬數(shù)據(jù)產(chǎn)生器要能夠按照用戶的配置產(chǎn)生特定變化規(guī)律的

模擬數(shù)據(jù),或對實際數(shù)據(jù)進行修改產(chǎn)生模擬數(shù)據(jù)。

4.4 客戶端模塊

系統(tǒng)設計采用瀏覽器/服務器(B/S)結構,在客戶端瀏覽器窗口中,要集成以上各條中所定義的參數(shù)配置和信息輸出功能,同時要嵌入報警系統(tǒng)的輸出信息窗口。

4.5 在軌衛(wèi)星遙測數(shù)據(jù)判讀系統(tǒng)

根據(jù)衛(wèi)星遙測參數(shù)的設計值以及實際在軌期間的數(shù)據(jù),設定其變化的上下限,對超出此范圍的參數(shù)值進行報警提示。

4.6 輸入接口

通過網(wǎng)絡接收在軌衛(wèi)星的實時遙測數(shù)據(jù),并通過與遙測數(shù)據(jù)庫建立數(shù)據(jù)接口查詢歷史遙測數(shù)據(jù)。

5 應用驗證

利用某衛(wèi)星發(fā)生故障期間的實際數(shù)據(jù)對預警系統(tǒng)的應用效果進行了驗證。

2008年該星發(fā)生了一次異常。在異常發(fā)生前,遙測參數(shù)1、2 緩慢、平穩(wěn)變化;在故障發(fā)生后,兩個參數(shù)均快速上升,整體預測效果如圖7、圖8所示。由圖可見,預測數(shù)據(jù)與實際數(shù)據(jù)的變化吻合,并且能夠提前發(fā)現(xiàn)數(shù)據(jù)的異常變化(實際運行中預測曲線要提前于實際數(shù)據(jù)變化曲線)。

實際應

用中,在軌衛(wèi)星發(fā)生異常,某個遙測參數(shù)值異常攀升或下降,初期因為沒有超過預先設定的門限值,監(jiān)測人員無法發(fā)現(xiàn)異常,如果經(jīng)過此預警系統(tǒng),經(jīng)過一段時間的數(shù)據(jù)積累,系統(tǒng)能夠快速給出一段時間后參數(shù)越界的預警,提醒監(jiān)測人員重點關注,便于監(jiān)測人員早期發(fā)現(xiàn)異常變化趨勢,為故障處理贏得時間。

6 結論

本文對在軌衛(wèi)星遙測數(shù)據(jù)進行了分類,分析了其變化規(guī)律;研究了幾種主流的數(shù)據(jù)預測理論的算法及適用性,在此基礎上提出了一種基于歷史遙測數(shù)據(jù)的衛(wèi)星故障預警系統(tǒng)的構架設計,并定義了系統(tǒng)中各模塊的功能及接口關系,對實際應用效果進行了驗證。所設計的系統(tǒng)對及早發(fā)現(xiàn)在軌衛(wèi)星的故障、提高衛(wèi)星在軌運行的安全性和可靠性具有重要的意義。

圖7 遙測參數(shù)1 預測效果Fig.7 Forecasting result of telemetry parameter 1

圖8 遙測參數(shù)2 預測效果Fig.8 Forecasting result of telemetry parameter 2

References)

[1]王環(huán),郭義琪,秦巍,等.構建多航天器在軌管理平臺[J].航天器工程,2007,16(3):114-119

[2]楊德斌,韓志清.設備故障停機時間的ARMA模型預測[J].冶金設備,2006(1)

[3]韓超,宋蘇,王成紅.基于ARIM A模型的短時交通流實時自適應預測[J].系統(tǒng)仿真學報.2004

[4]李瑞瑩,康銳.基于ARMA模型的故障率預測方法研究[J].系統(tǒng)工程與電子技術,2008,30(8)

[5]盧建昌,張世英,牛東曉.基于ARIMA的發(fā)電量預測方法[J].華北電力大學學報,2004,31(3)

[6]池啟水.中國石油消費量增長趨勢分析——基于ARIMA模型的預測與分析[J].資源科學,2007,29(5)

[7]仝艷時,陳鵬.時間序列模型在火警短期預測中的應用[J].火災科學,2008,17(4)

[8]任志鴻.BP 神經(jīng)網(wǎng)絡在氣象數(shù)據(jù)預測研究中的應用[J].農業(yè)網(wǎng)絡信息,2007(11)

[9]周春光,邢輝,徐振龍,等.商業(yè)數(shù)據(jù)的預測模型及其算法研究[J].吉林大學學報(信息科學版),2002,20(3)

[10]周永進,蔡惠.改進的BP 網(wǎng)絡及其在數(shù)據(jù)預測中的應用[J].微計算機信息,2007,23(3,9)

[11]王一夫,陳松喬,陳安.海量數(shù)據(jù)預測模型設計及案例分析[J].計算機工程與應用,2005(19)