Scientific Journal of Information Engineering April 2016, Volume 6, Issue 2, PP.36-42
Study on Spacecraft Fault Diagnosis based on the Data Driven Dan Pan1, Shimin Song2 , Xiaojun Han3 1 Institute of Spacecraft System Engineering, CAST, Beijing, 100094 †
Email: pandan_isee@126.com
2
Email: ssm_xn@126.com
Abstract: Along with the growing complexity of the spacecraft design, huge volume of data has been generated. The issue of effectively diagnose the spacecraft fault has been increasingly crucial. Based on the spacecraft test data, this paper proposes a fault diagnosis method using the feature extraction and pattern recognition technology. This method can overcome the need for huge data support to build traditional expert level database and avoid the limit of data interpretation based on the scope regulation, and thus to improve the spacecraft fault diagnosis. Keywords: Data Driven; Spacecraft Test; Fault Diagnosis
基于数据驱动的航天器故障检测技术研究 潘丹，宋世民，韩小军 中国空间技术研究院总体部，北京，100094 摘
要：随着航天器设计的日益复杂，积累了庞大测试数据，故障检测、测试数据应用的有效性问题凸显。本文基于航
天器性能测试中的测试数据，利用数据特征提取和识别技术，提出了一种基于数据驱动的故障检测技术。本文提出的技 术克服了建立传统专家知识库需要庞大数据做支撑的弊端，同时避免了基于规则的数据判读的局限性，进而解决现阶段 航天器故障检测、诊断研究过程中的不足。 关键词：数据驱动；航天器测试；故障检测
引言 航天器各个分系统呈现相互交错的耦合关系，逻辑控制策略与信息交互机制复杂，航天器系统健康状 况的重要性越来越凸显[1]。测试数据作为判断航天器健康状况的重要指标，目前范围判读的手段单一，而且 在航天器多样性的工作模式下，单机数据的指标范围不能体现航天器系统在不同工作模式下参数的过程特 性。目前的健康状态诊断更加侧重于航天器设备和系统的功能验证，对于航天器系统具体工作状态的定量 检测和评估有待进一步研究[2-3]。
1
航天器数据的特点分析 航天器数据是系统状态的直接观测量，由于航天器的复杂性，航天器数据具有多维性，非平稳性与海
量的特点[4]。描述某一分系统或部件的参数呈现出不同的模型描述，相应的航天器工作过程中的不同状态也 要求为实际的数据建立状态矢量，在数据层面为多维性，即描述单个状态或者单个工作模式需要使用多个 参数，共同完成对特定模式与状态的描述。 海量、超高维数[5]，在航天器的持续测试过程中会产生海量的测试数据，在航天器测试过程中，单个参 数在每秒钟内会有多个数据下传入库，理论估计多航天器并行测试中产生的年测试数据量不低于 2TB。 - 36 http://www.sjie.org
非平稳性[6]，指航天器在其测试过程中既有平稳的时间阶段，同时在某一阶段或几个阶段上又有突变现 象。即有些变量的变化幅度在某一或某几个时间段中有突然增大的状态，在某个时间段又回归平稳的状态。
2
方案技术研究 基于数据的诊断环节包括如下关键部分[7]：(1)数据预处理：实现特征信号的截取、降噪滤波，完成无量
纲及归一化。(2)特征提取：涉及到时域、频域、小波域、主特征(PCA)等方法的开发，选用的算法与特征有 关。(3)聚类建模：主要针对基于样本数据，即“无标签数据”，对其中尚且未知具体特征及过程特点的应用 场合实现知识或模型（以时间序列模式表现）的提取，最终固化成为专家知识库，即得到“标签数据集”。 (4)分类识别诊断：面向实测数据，依据相似性为判读原则，选取并实现各类算法，实现对实时获取数据内 容的距离比较，即将未知数据与“有标签数据”进行距离计算，并输出识别结果和具体的相异度内容。 数据预处理
特征提取
数据采集
聚类模块
分类模块
建立模型
诊断结果输出
图 1 基于数据的诊断关键部分
2.1 特征提取 在通过数据降采样、数字滤波和电信号事件捕获等预处理方法后，航天器状态判断使用的电信号具有 非平稳性，这些非平稳信号中包含着丰富的信息[8]。尤其是当某一部件潜伏着早期微弱缺陷时，症候并不明 显的缺陷信号很微弱，在频谱图上也很难找到其相应的明显的频率成分，很容易被其它部件的运行电信号 和随机噪声所淹没。为了更好的提取特征值，本文采用小波包技术对信号进行分解，把信号分解到各个频 段，利用频带分析技术提取特征值。采用正交的小波变换时，设备输出信号 f(t)∈L2(R)可表示为： J
f (t ) C j (k ) j ,k (t ) d j (k ) j ,k (t ) j 1 k
k
等式右边第一部分可看作是动态信号的平滑逼近，第二部分可看作是动态信号的细节特征信号即包含 了噪声及故障成分的信号。根据航天器数据更新周期短、更新频率快的特点，本文提出了平行的小波诊断 策略，如下图所示，不同类型的信号进行不同的小波变换。 传输类载荷
小波变换
机电类载荷
小波变换
特征提取
光电类载荷
小波变换
微波类载荷
小波变换
图 2 小波变换策略 - 37 http://www.sjie.org
2.2 聚类模块的算法 聚类是对若干特征的分析，以相似性为基础。K-means 算法中将中心点取为当前类别中所有数据点的平 均值，该算法能够较为准确的获取聚类中心，从而获得每个类别的标准，即提取出信息中的知识[9-10]。本文 选用 K-means 算法。这种算法以类别内部相似度最高，类别之间相似度最小为准则，这里的相似度即是指 样本之间的距离。K-means 算法的具体流程如下： 从人为分类的 k 个类别中分别任意选择一个对象作为该类别的初始聚类中心：(1)根据每个聚类对象的 均值（该类别的聚类中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进 行划分；(2)重新计算每个（有变化）聚类的均值（将其设为聚类中心对象）；(3)当满足一定条件，如函数收 敛时（聚类中心对象不再发生变化） ，则算法终止；如果条件不满足则回到步骤(2)。
2.3 分类模块的算法 通过组合多个两类 SVM 来实现多值分类，此分类方法主要有“一对一”(one against one)算法和“一对 多”(one against all)算法。 “一对一”算法即对 n 类样本进行两两分类，共构造 n(n-1)/2 个分类器，由这些两 类分类器的结果进行打分，如下图所示，不同的颜色表示不同的数据的打分结果，不同的高度表示不同的 分类器打分的结果，平面为可调节阈值，分数最高的类别即为测试样本的所属类别。 分类的算法依据为汉明距离，汉明距离又被称为信号距离，在电信号识别中，汉明距离可以对一定误 差内的信号进行整合。汉明距离，等长字符串 p 和 q 之间的汉明距离 H(p, q)是 p 和 q 对应位置的不同字符的 个数。主要思想是根据采集数据与标准数据之间的汉明距离小于规定阈值这一规律，对数据进行判断。两
阈值
组数据之间的汉明距离定义为在 N 轮数据搜集中，在汇聚节点接受的两组数据域之内和之外的不同个数。
种类
样本
图 3 分类器阈值判断
3
方案实施与仿真
3.1 方案实施流程 (1)系统对预处理后的信号和航天器测试数据进行特征提取，在本文中，使用小波变换的特征提取方法。 小波变换实际是输入的电信号与母小波函数进行卷积运算所获取的结果，该结果为小波系数，表征的是输 入的电信号与小波的相似度。运用小波变换提取特征统一了特征标准，同时具有较好的自由度，本文使用 DB4 小波作为小波变换函数，进行三层小波变换，实现时域、频域电信号突变、阶跃的特征提取，有助于 提高之后分类的准确性。 - 38 http://www.sjie.org
(2)系统根据提取的电信号特征对电信号进行聚类，寻找同一种类电信号的中心，即寻找该类电信号的 普遍形式，得到聚类结果，将结果及对应的电信号特征作为专家知识进行存储。 (3)当系统再次接收数据时，提取电信号特征，并对未知的电信号进行分类，获得未知电信号与专家知 识中的电信号的相似度函数值。 (4)系统预设相似度函数阈值，若小于阈值，则未识别出电信号，该电信号所对应的飞行过程未记录， 将该电信号所对应的飞行过程和提取出的电信号特征作为专家知识进行存储；大于等于预设的阈值，则识 别出电信号，输出电信号类型。 识别事件
电信号数据
数字预处理
特征提取
分类 （KNN算法） （SVM算法）
专家知识库
相似度输出 未识别事件
聚类（K-Means）
标准库特征
电信号特征
标准库特征
电信号特征
类别划分初始化
重新 计算
N
计计计计
求取与电信号最接 近的K个标准特征
通过核函数将特征 映射到高维空间
计算每个对象对中心 的距离
K个标准特征中所占比 例最大的即是结果
通过最大间隔法获 取超平面
输出结果
输出结果
（KNN算法）
（SVM算法）
函数是否收敛
输出结果
图 4 系统实施流程图
3.2 仿真运行过程
图 5 系统仿真过程
本文使用航天器测试数据库中的工作电压、电流数据进行仿真运行，将数据分为训练集数据与测试集 - 39 http://www.sjie.org
数据，训练集数据作为特征提取、模型建立的样本数据。系统将训练样本数据去除噪声，提取特征矢量， 经过聚类算法，不断丰富知识库模型；当训练结束后，系统对测试集数据进行处理，即对航天器实时数据 的健康诊断过程进行仿真，系统对数据去除噪声，提取特征矢量后，与知识库中的模型矢量进行距离计算， 使用 SVM 分类器进行分类，并输出相似度结果。
图 6 事件抓取结果
系统从训练集数据中对数据进行特征提取、聚类，系统将波形的小波变换提取到的特征进行存储，并 经过对若干相似的事件进行聚类，得到的结果如图 7 所示，完成对数据处理“贴标签”的过程：
图 7 聚类结果显示
系统从测试集数据中对电压数据进行预处理后进行特征提取，通过分类模块，计算与专家知识库中的 “标签”数据特征之间的距离，输出未知数据与已知数据（标称过程）的相似性结果，如图 8 所示，时域相 似度为 52.1%，极限偏差值为 99.31mv（其中白色曲线为训练集、红色为测试集）。
图 8 训练集与测试集数据的相似度-1/-2 结果显示 - 40 http://www.sjie.org
鉴于系统运行测试的数据量较小，相似度的阈值需要人工输入判定结果，目前不能将相似度与系统的 故障率进行定量对应，需要后续不断测试完善专家知识库，提高算法的精确度，本文为基于数据驱动的航 天器故障检测技术关键环节提供了参考依据。表 1 为两种故障监测方法的时效性对比结果。表 2 为两种方法 组合在适当样本前提下的故障预测精度。 表 1 两种故障监测方法实时性对比 方法1：聚类模块算法使用时间
方法2：分类模块算法使用时间
1.78S
3.62S
结论：方法1处理时间只有方法2处理时间的49.17%。 表 2 各种方法组合的预测精度 各项预测方法 平均相对误差（%）
4
趋势项Tt
周期项St
随机项εt
聚类曲线拟合
聚类非参数回归
聚类BP神经网络
1.10023
分类曲线拟合
分类非参数回归
分类BP神经网络
1.18213
结论及后续 本文以航天器的部分测试数据为对象，提出一种以航天器电信号为基础特征提取与识别方案，实现对
航天器系统的故障检测，同时适用于航天器各系统运行性能的在线监测，以及其他复杂系统的故障检测。 该系统不仅能够作为遥测数据正常与否的参考判据，验证航天器的关键环节，而且该系统的检测精度和速 率都有数量级上的显著提高，为面向复杂飞行过程的航天器综合测试提供了的高效的手段，提升了航天器 系统级的电性能工作状态判定的水平。
REFERENCES [1] Liu Y, Li K. The research of spacecraft electrical characteristics identification and diagnosis using PCA feature extraction Signal Processing [C]// International Conference on Signal Processing (ICSP), BJ:IEEE, 2014:1413-1417 [2] Spirkovska L, Iverson D L, Hall D R, et a1. Anomaly detection for next generation space launch ground operations, AIAA 2010— 7325[R]. Washington D.C.: AIAA. 2010. [3] Hui Zhu, Discuss about Spacecraft Prognostic and Health Management [J].Quality and Reliability, 2013,02 期: 15-19 [4] Qin Z H. Application of Neural Network Expert System in Satellite Fault Diagnosis [D], Haerbin:Harbin Institute of Technology , 2005 (in chinese) [5] Liu Y, Li K,Wang J,et al. An intelligent control method for a large multi-parameter environmental simulation cabin[J].CJA, 2013,26(6):1360-1369. [6] Hongzheng Fang, Kexu Zou, Dawei Yin, Study on the Method of Spacecraft telemetering data fitting based on Large data volume[M]. The 20th Technical Conference Proceedings of Test and fault diagnosis, 2011.8.1. [7] Yu Peng , Datong Liu Summarize on Prognostic and Health Management based on Data Driven[J]. Chinese Journal of Scientific Instrument, 2014,35(3): 481-495. [8] Zhiqing Li ,Weibao Zhu,Qingcheng Wang,Bo Sun,A method represent knowledge applied to spacecraft data monitoring [J]. Computer Measurement and Control, 2006,14(3):289-292. [9] Gang Liu. One way to represent knowledge applied to spacecraft data monitoring[D]. Master Thesis of Harbin Institute of Technology, 2010. [10] Tianzhuang Yang, Kaizhong Yang,Huaizu Li,.Spacecraft Diagnostic and Prognostic Method Based on knowledge[J].Engineering Science, 2003,5(6):64-67 - 41 http://www.sjie.org
【作者简介】 1
潘丹，女，工学学士，助工，2012 年进入中国空间技术研
3
韩小军 男，工学硕士，助工，2013 年进入中国空间技术
究院总体部工作，研究方向为航天器综合测试与专用软件研
研究院总体部工作，研究方向为航天器综合测试与专用软件
发。
研发。
2
宋世民，男，工学硕士，高工，2005 年进入中国空间技术
研究院总体部工作，研究方向为航天器综合测试与基于模型 的系统工程。
- 42 http://www.sjie.org