余晟 張海祥 宋宏江 何曉宇 閆金棟

（北京空間飛行器總體設(shè)計部，北京 100094）

Key words：satellite；health status monitoring；machine learning；clustering algorithm

基于推演式聚類學習算法的衛(wèi)星健康狀態(tài)監(jiān)視系統(tǒng)

余晟 張海祥 宋宏江 何曉宇 閆金棟

（北京空間飛行器總體設(shè)計部，北京 100094）

提出一種基于推演式聚類學習算法的衛(wèi)星通用健康狀態(tài)監(jiān)視系統(tǒng)，應(yīng)用衛(wèi)星運行數(shù)據(jù)構(gòu)建多維空間向量集，通過聚類生成健康狀態(tài)知識庫，可以實時監(jiān)視衛(wèi)星遙測狀態(tài)。使用某衛(wèi)星熱控分系統(tǒng)的測試數(shù)據(jù)對該系統(tǒng)的有效性進行了驗證，結(jié)果表明：該系統(tǒng)具有較好的衛(wèi)星異常健康狀態(tài)識別與評估的能力和準確度，可為衛(wèi)星健康狀態(tài)監(jiān)視手段的選擇提供參考。

衛(wèi)星；健康狀態(tài)監(jiān)視；機器學習；聚類學習算法

Key words：satellite；health status monitoring；machine learning；clustering algorithm

1 引言

衛(wèi)星健康狀態(tài)監(jiān)視軟件的目標是及時發(fā)現(xiàn)衛(wèi)星可能存在的異常問題，提升異常問題的識別率對保障衛(wèi)星在軌正常運行具有重要意義［1］。隨著衛(wèi)星系統(tǒng)復(fù)雜性的快速增長，對健康狀態(tài)監(jiān)視軟件的功能提出了更高的要求，主要表現(xiàn)在：①表征衛(wèi)星狀態(tài)的參數(shù)越來越多，由單一的參數(shù)判讀向多參數(shù)的聯(lián)合判讀轉(zhuǎn)變，多參數(shù)的狀態(tài)組合隨著參數(shù)個數(shù)的增加呈幾何級數(shù)的增長；②對判讀的精確度要求越來越高，由定性的狀態(tài)判讀向定量的狀態(tài)判讀轉(zhuǎn)變，為狀態(tài)的健康程度和偏離度給出定量的數(shù)據(jù)；③系統(tǒng)自學習要求越來越緊迫，對于復(fù)雜的衛(wèi)星系統(tǒng)，預(yù)先給出全面完整而且準確的判讀知識越來越困難，需要系統(tǒng)具備自學習功能。

國內(nèi)外學者對航天器健康狀態(tài)監(jiān)視方法進行了研究，文獻［2］提出采用聚類分析的方法，利用航天器歷史數(shù)據(jù)進行健康狀態(tài)建模。研究了基于劃分和模型的兩種聚類分析系統(tǒng)的方法，在此基礎(chǔ)上建立了航天器故障診斷模型，并使用Simlink軟件對算法進行仿真。研究的方法主要針對航天器姿態(tài)軌道控制系統(tǒng)的故障診斷工作。文獻［3］提出采用基于數(shù)據(jù)統(tǒng)計理論的自適應(yīng)相關(guān)算法，進行液體火箭發(fā)動機健康狀態(tài)的實時監(jiān)視，并使用火箭實際試車數(shù)據(jù)對算法有效性進行了驗證。文獻［4］提出建立有限元模型來進行航天器防熱系統(tǒng)的健康狀態(tài)監(jiān)視，這類建立模型的方法需要提前對故障知識和機理有深入的理解，不能使用歷史數(shù)據(jù)，因此應(yīng)用范圍比較有限。文獻［5］使用BEAM（Beacon－based Exception Analysis for Multi－Missions）系統(tǒng)進行航天飛機主引擎數(shù)據(jù)的健康狀態(tài)監(jiān)視，BEAM系統(tǒng)是一個典型的單參數(shù)監(jiān)視系統(tǒng)，不能進行多維參數(shù)聯(lián)合判讀。文獻［6］使用基于決策樹的方法來進行J－2X火箭發(fā)動機的故障診斷任務(wù)。

近年來，提出了基于數(shù)據(jù)驅(qū)動的健康狀態(tài)監(jiān)視方法，是使用機器學習的技術(shù)從衛(wèi)星運行過程中積累的大量數(shù)據(jù)中訓練系統(tǒng)健康狀態(tài)模型和判據(jù)，以提高監(jiān)視發(fā)現(xiàn)異常問題并預(yù)判潛在風險的能力［7－8］。本文提出了一種推演式聚類學習算法來進行衛(wèi)星健康狀態(tài)模型訓練，實現(xiàn)了一種基于數(shù)據(jù)驅(qū)動的衛(wèi)星健康狀態(tài)監(jiān)視軟件，使用某衛(wèi)星熱控分系統(tǒng)在實際地面測試的試驗數(shù)據(jù)對該軟件的運行結(jié)果進行了驗證，結(jié)果表明該軟件對星上異常健康狀態(tài)的識別具有很高的準確率。

2 推演式聚類學習算法

2.1 聚類學習算法

聚類學習算法是一類無監(jiān)督的機器學習方法。在無監(jiān)督學習算法中，訓練數(shù)據(jù)沒有被人工加上標簽，通過一定方法根據(jù)訓練數(shù)據(jù)本身的屬性進行分簇。本文采用的聚類學習算法屬于基于距離的聚類算法。其基本思想如下：假設(shè)衛(wèi)星健康狀態(tài)由一系列特征遙測參數(shù)的值來表述。這些遙測參數(shù)值映射為多維空間中的一個向量，不同時刻向量間距離大小可以表示狀態(tài)差異的程度，這是聚類學習算法的基礎(chǔ)。聚類算法使用衛(wèi)星正常狀態(tài)的運行數(shù)據(jù)作為訓練庫，經(jīng)聚類后獲得簇集的信息，簇集的信息構(gòu)成衛(wèi)星健康狀態(tài)模型。在進行健康狀態(tài)監(jiān)視時，待評估狀態(tài)輸入該模型，模型則輸出評估結(jié)果。典型的基于距離的聚類學習算法包括k－均值算法［9］和k－中心點算法［10］。本文采用推演式的聚類學習算法來進行衛(wèi)星某系統(tǒng)的健康模型的建立。推演式聚類學習算法的思想最早由NASA的噴氣推進實驗室（JPL）提出，并已應(yīng)用于“國際空間站”的飛行控制、“戰(zhàn)神”（Ares）運載火箭地面測試等的健康狀態(tài)監(jiān)視任務(wù)，取得了良好的應(yīng)用效果［11］，與k－均值等算法相比，推演式聚類算法引入健康狀態(tài)區(qū)域和簇成長率的概念，采用迭代學習的方式對簇的建立進行推演，使得傳統(tǒng)的聚類學習算法可以應(yīng)用于衛(wèi)星健康狀態(tài)監(jiān)控中。與基于規(guī)則的健康模型建立方法相比，本算法采用了基于數(shù)據(jù)的思想，具有以下優(yōu)點：①自學習功能，通過建立健康狀態(tài)評估模型對正常數(shù)據(jù)進行歸一化處理和訓練，自動提煉出衛(wèi)星健康狀態(tài)；②定量判讀功能，通過與健康狀態(tài)的差異大小來定量描述衛(wèi)星的健康狀態(tài)，區(qū)分衛(wèi)星異常狀態(tài)的等級；③多維判讀功能，通過對描述某一分系統(tǒng)或單機設(shè)備狀態(tài)的多個參數(shù)進行組合處理，全面反映衛(wèi)星某一分系統(tǒng)或單機設(shè)備的狀態(tài)，提高判讀準確性。

2.2 推演式聚類學習算法設(shè)計思想

本文對推演式聚類學習算法參數(shù)的選擇和演算過程進行了改進，在推演式聚類學習算法中，原始訓練數(shù)據(jù)首先經(jīng)過歸一化處理后轉(zhuǎn)換成高維向量空間中的向量集。在聚類學習的過程中，向量集通過迭代的方式進行聚類。首先選擇一個初始向量作為起始的簇中心，然后，在算法執(zhí)行的每一步中，將訓練集中的一個向量根據(jù)到現(xiàn)有簇的最近距離將向量加入到現(xiàn)有的分簇中，如果距離超過簇半徑，則算法形成一個新的分簇。在每一步中，每個簇對應(yīng)的健康區(qū)域也根據(jù)向量分簇情況進行改變，形成對健康區(qū)域信息的迭代推演。上述推演式聚類過程主要由3個預(yù)先設(shè)定的參數(shù)控制：①最大簇半徑Rmax，控制分簇的大小，如果向量到簇中心的度量距離大于Rmax則建立新的分簇；②新簇起始大小比例Pinit控制分簇對應(yīng)健康區(qū)域的起始大小，在新簇建立時使用；③簇增長率Pinc，控制分簇對應(yīng)健康區(qū)域增長速度的快慢，在向量加入現(xiàn)有分簇時使用。

每個簇對應(yīng)的健康狀態(tài)區(qū)域是高維空間中的一個“方”形區(qū)域，即該區(qū)域中包含了每一個子維度上遙測參數(shù)值的上下限閾值。低于下限閾值或超過上限閾值的數(shù)據(jù)將會被認為是異常數(shù)據(jù)。簇起始大小Pinit和簇增長率Pinc的值用于控制健康狀態(tài)區(qū)域的變化速度。每當有一個新的數(shù)據(jù)向量加入簇，該簇對應(yīng)的健康狀態(tài)區(qū)域相應(yīng)維度的上下限按照簇增長率的大小進行變化。在簇起始大小一定的情況下，如果簇半徑和簇增長率越小，得到的分簇數(shù)量越大。

在算法實際運行過程中，Rmax、Pinit和Pinc的取值通過迭代的方法確定，首先計算訓練集Φ中向量兩兩之間距離的均方值：

假設(shè)通過算法獲得的期望分簇數(shù)為Nexpect，則Rmax、Pinit和Pinc的初始值為

簇半徑初始值為平均距離除以期望分簇數(shù)，簇初始大小與期望分簇數(shù)成反比，簇增長率初始設(shè)為100%，該值表示當新向量加入某簇時，如果該向量在簇范圍外，則該簇的范圍更新后一定包含該向量。進行首輪分簇后，如果分簇結(jié)果數(shù)小于期望分簇數(shù)，則將Rmax和Pinc的值各減小10%，如果分簇結(jié)果數(shù)大于期望分簇數(shù)，則將Rmax和Pinc的值各增加10%，然后進行下一輪迭代，直至分簇結(jié)果數(shù)等于或接近期望分簇數(shù)為止。

2.3 衛(wèi)星健康狀態(tài)監(jiān)視系統(tǒng)的實現(xiàn)

基于上述算法的健康狀態(tài)監(jiān)視軟件系統(tǒng)的工作過程如圖1所示。

圖1 衛(wèi)星健康狀態(tài)監(jiān)視模型工作過程圖Fig.1 Satellite health status monitoring process

衛(wèi)星健康狀態(tài)監(jiān)視系統(tǒng)首先對訓練庫中的遙測數(shù)據(jù)進行歸一化建立輸入數(shù)據(jù)集，然后采用推演式聚類學習算法建立衛(wèi)星健康狀態(tài)知識庫，健康狀態(tài)知識的結(jié)構(gòu)如表1所示。在進行健康狀態(tài)監(jiān)視應(yīng)用時，系統(tǒng)將新數(shù)據(jù)向量與知識庫中的健康區(qū)域信息進行比較。如果數(shù)據(jù)向量位于健康區(qū)域之內(nèi)，系統(tǒng)判斷分系統(tǒng)處于健康狀態(tài)。如果數(shù)據(jù)向量到健康區(qū)域的距離為一個較小的非0值，則系統(tǒng)發(fā)送一個低等級的警報信息，表示當前狀態(tài)暫時偏離正常工作狀態(tài)，但衛(wèi)星仍處于健康狀態(tài)。如果數(shù)據(jù)向量連續(xù)處于健康區(qū)域之外，且到健康區(qū)域的距離較大，則認為系統(tǒng)此時處于異常狀態(tài)，根據(jù)距離值的大小發(fā)送中等級或高等級的警報。此時系統(tǒng)根據(jù)不同維度上偏離量的大小，報告相應(yīng)的最有可能導致系統(tǒng)異常狀態(tài)的遙測參數(shù)。

為了驗證該系統(tǒng)在實際應(yīng)用中的有效性，現(xiàn)以某衛(wèi)星熱控分系統(tǒng)健康狀態(tài)評估與監(jiān)視系統(tǒng)為例，說明系統(tǒng)的構(gòu)建過程。該衛(wèi)星的熱控分系統(tǒng)主要由安全開關(guān)、加熱回路和測溫電阻構(gòu)成，用于健康狀態(tài)評估的遙測參數(shù)主要包含安全開關(guān)通斷狀態(tài)、自主控溫功能使能/禁止狀態(tài)、加熱回路溫度和測溫熱敏電阻溫度，其中i表示星上第i路加熱回路和測溫電阻。參數(shù)信息見表2。

表1 衛(wèi)星健康狀態(tài)知識示例Table 1 A sample of satellite health status knowledge

表2 熱控分系統(tǒng)健康狀態(tài)評估相關(guān)參數(shù)Table 2 Parameters used in health assessment of the thermal control subsystem

基于距離的分簇算法具有較好的通用性，不同遙測參數(shù)的組合均可以映射到多維空間中的向量，因此可以靈活地調(diào)整模型中遙測參數(shù)的類型和權(quán)重，適用不同類型的健康狀態(tài)評估任務(wù)。

3 試驗結(jié)果

為了驗證系統(tǒng)的有效性，作者開發(fā)了一套衛(wèi)星健康狀態(tài)監(jiān)視軟件，它使用C＃語言開發(fā)，目前已用于衛(wèi)星整星測試數(shù)據(jù)的監(jiān)視任務(wù)中。在該軟件中以某衛(wèi)星2014年1月24日至2014年12月31日期間的遙測數(shù)據(jù)值作為原始數(shù)據(jù)庫。其中，將2014年1月1日至2014年4月31日期間正常的遙測數(shù)據(jù)作為健康評估模型的訓練數(shù)據(jù)，將2014年5月1日至2014年12月31日期間的遙測數(shù)據(jù)作為測試數(shù)據(jù)。訓練數(shù)據(jù)通過聚類學習軟件進行健康狀態(tài)模型的學習，并將所建立的健康狀態(tài)模型作為輸出文件進行保存。其中聚類學習軟件的運行界面如圖2所示。通過對參數(shù)的取值進行調(diào)校，在推演式聚類學習算法中使用的參數(shù)設(shè)置見表3。

圖2 航天器遙測數(shù)據(jù)推演式聚類學習軟件界面Fig.2 Interface of the spacecraft telemetry data deductive clustering software

表3 試驗中使用的參數(shù)值Table 3 Value of the parameters used in the experiment

將由聚類學習軟件得到的測試數(shù)據(jù)和健康狀態(tài)模型數(shù)據(jù)輸入到Matlab軟件，經(jīng)處理后得到測試數(shù)據(jù)的評估結(jié)果。實驗?zāi)繕耸前l(fā)現(xiàn)測試數(shù)據(jù)中的異常狀態(tài)信息，通過與實際衛(wèi)星測試日報中記錄的異常狀態(tài)進行對比，驗證軟件有效性和準確度。

Matlab軟件統(tǒng)計了2014年5月1日至2014年12月31日期間的遙測數(shù)據(jù)正常的數(shù)據(jù)點的數(shù)量和軟件發(fā)送的低、中、高級警報的數(shù)量。其中針對中、高級警報來測試日報的記錄統(tǒng)計異常狀態(tài)的誤報率和漏報率，即如果該日的測試日報中無異常狀態(tài)記錄，而軟件發(fā)送了中、高等級的警報，則認為該事件為誤報事件。如果該日的測試日報中有異常狀態(tài)記錄，但軟件沒有發(fā)送中、高等級的警報，則認為該事件是漏報事件。通過Matlab軟件將每個遙測數(shù)據(jù)點到健康區(qū)域的最小距離進行計算，然后根據(jù)這個距離值的大小統(tǒng)計在這段時間內(nèi)有哪些天出現(xiàn)了低、中、高等級警報。第一組遙測參數(shù)數(shù)據(jù)的算法運行結(jié)果如圖3所示，圖中橫軸為測試數(shù)據(jù)的采集時間，縱軸為測試數(shù)據(jù)點距離在衛(wèi)星健康知識庫中健康狀態(tài)區(qū)域的最小距離，虛線為各級警報的閾值。

圖3 健康狀態(tài)評估算法運行結(jié)果Fig.3 Results of the health status assessment algorithm

對所有十組數(shù)據(jù)運行了上述算法，經(jīng)統(tǒng)計，在2014年5月1日至2014年12月31日期間出現(xiàn)過低級警報的天數(shù)共有23天，中級警報共有8天，高級警報為2天。通過與測試日報與數(shù)據(jù)判讀軟件記錄的結(jié)果進行對比，在出現(xiàn)過中級警報及高級警報的日期中，均有測試異常狀態(tài)的記錄，其中軟件發(fā)出的低級警報主要由環(huán)境溫度的變化引起，中級警報均由進行溫度遙測參數(shù)解碼時的參數(shù)設(shè)置問題引起，高級警報則來自于熱控熱敏電阻本身讀數(shù)的異常。為了驗證該算法運行的有效性，統(tǒng)計了算法對試驗過程中出現(xiàn)的異常狀態(tài)的錯報率與不漏報率。試驗中算法的錯報率很低，接近于0%。將算法的不漏報率與傳統(tǒng)基于參數(shù)門限的健康監(jiān)視算法的不漏報率進行了對比，異常狀態(tài)的不漏報率為

式中：Dr為監(jiān)視軟件報告異常狀態(tài)的數(shù)量，DT為衛(wèi)星出現(xiàn)異常狀態(tài)的總數(shù)量。

試驗結(jié)果如圖4所示。由圖4可知，基于推演式聚類的監(jiān)視方法在對低、中級異常狀態(tài)具有更好的發(fā)現(xiàn)能力，與現(xiàn)有基于規(guī)則的監(jiān)視方法相比，基于推演式聚類學習的監(jiān)視算法具有較好的異常狀態(tài)發(fā)現(xiàn)能力，由于其具有多維度和自學習判讀的特點，可以彌補基于規(guī)則和專家知識的判讀方法的不足，能推廣應(yīng)用于更多航天器狀態(tài)監(jiān)視中。

圖4 異常狀態(tài)不漏報率對比Fig.4 Comparison of the no false negative rate for anomaly status

4 結(jié)術(shù)語

本文設(shè)計了一種基于推演式聚類學習算法的衛(wèi)星健康狀態(tài)監(jiān)視方法，在此基礎(chǔ)上實現(xiàn)了一種衛(wèi)星健康狀態(tài)監(jiān)視軟件。此方法將原始數(shù)據(jù)轉(zhuǎn)換為多維向量空間中的向量，通過迭加式的聚類學習算法對原始數(shù)據(jù)向量進行分簇，從而得到衛(wèi)星正常運行狀態(tài)下的健康區(qū)域信息，并將這些信息保存于軟件知識庫中。在監(jiān)視過程中，通過比較輸入數(shù)據(jù)與知識庫中的信息來判斷分系統(tǒng)當前的運行狀態(tài)。該算法具有自學習和多維數(shù)據(jù)聯(lián)合判讀功能，為衛(wèi)星健康狀態(tài)監(jiān)視工作提供了一種新的思路與方法。本文以熱控分系統(tǒng)為例，測試驗證了該健康狀態(tài)監(jiān)視方法在衛(wèi)星綜合測試應(yīng)用中的有效性，可有效推廣應(yīng)用于衛(wèi)星各個分系統(tǒng)的綜合測試以及衛(wèi)星在軌監(jiān)測工作中，能降低數(shù)據(jù)判讀門檻，提高狀態(tài)判讀的全面性和準確性。

（

）

［1］Iverson D L.Data mining applications for space mission operations system health monitoring［C］//Proceedings of the SpaceOps 2008Conference.Washington D.C.：AIAA，2008

［2］龔學兵.基于聚類分析衛(wèi)星姿態(tài)控制系統(tǒng)故障診斷方法研究［D］.哈爾濱：哈爾濱工業(yè)大學，2011 Gong Xuebing.The research on satellite attitude control system diagnosis based on clustering analysis［D］.Harbin：Harbin Institute of Technology，2011（in Chinese）

［3］劉洪剛，魏鵬飛，謝廷風，等.液體火箭發(fā)動機地面試車過程的實時故障檢測方法研究［J］.宇航學報，2007，28（6）：1660－1663 Liu Honggang，Wei Pengfei，Xie Tingfeng，et al.Research of real—time fault detection method for liquid propellant rocket engines in ground test［J］.Journal of Astronautics，2007，28（6）：1660－1663（in Chinese）

［4］張茂.重復(fù)使用跨大氣層飛行器防熱系統(tǒng)健康監(jiān)視技術(shù)研究［D］.西安：西北工業(yè)大學，2006 Zhang Mao.Health monitoring for thermal protection systems on reusable launch vehicles［D］.Xi’an：Northwestern Polytechnical University，2006（in Chinese）

［5］Park H，Mackey R，James，et al.Analysis of space shuttle main engine data using beacon－based exception analysis for multi－missions［C］//Proceedings of the Aerospace Conference.New York：IEEE，2002

［6］Schwabacher M，Aguilar R，F(xiàn)igueroa F.Using decision trees to detect and isolate simulated leaks in the J－2X rocket engine［C］//Proceedings of the IEEE Aerospace Conference.New York：IEEE，2009

［7］Quinlan J R.Programs for machine learning［M］.San Mateo，CA：Morgan Kaufmann，1993

［8］Tao Zan，Min Wang.Information integration and diagnosis analysis of equipment status and production quality for machine process［C］//Fourth International Seminar on Modern Cutting and Measurement Engineering.Bellingham：SPIE，2011

［9］雷小鋒，謝昆青，林帆，等.一種基于K－Means局部最優(yōu)性的高效聚類算法［J］.軟件學報，2008，19（7）：1683－1692 Lei Xiaofeng，Xie Kunqing，Lin Fan，et al.A efficient clustering algorithm based on K－Means local optimization［J］.Journal of Software，2008，19（7）：1683－1692（in Chinese）

［10］Julia H，Knowles J，Kell D.Computational cluster validation in post—genomic data analysis［J］.Bioinformatics，2005，21（15）：3201－3212

［11］Iverson D，Matin R，Schwabacher M，et al.Generalpurpose data－driven system monitoring for space operations［J］.Journal of Aerospace Computing，Information，and Communication，2012，9（2）：26－44

（編輯：李多）

A Satellite Health Status Monitoring System Based on Deductive Clustering Algorithm

YU Sheng ZHANG Haixiang SONG Hongjiang HE Xiaoyu YAN Jindong
（Beijing Institute of Spacecraft System Engineering，Beijing 100094，China）

This paper proposes a satellite health status monitoring system based on a deductive clustering algorithm.The system constructs vector sets based on real data in satellite operations，and then builds a satellite health knowledge database.The system monitors satellite telemetry parameters in real time.The authors verify the correctness of the software based on a real test data set：the results show that the system can achieve high accuracy of satellite health assessment and diagnose，and can be a reference for selection of satellite health status monitoring measures.

V557.1

A

10.3969/j.issn.1673－8748.2016.05.013

2016－03－14；

2016－07－28

余晟，男，博士，工程師，從事星載軟件開發(fā)技術(shù)研究。Email：yusheng00@hotmail.com。