趙文 董云峰

(北京航空航天大學宇航學院, 北京 100191)

衛(wèi)星在軌故障地面診斷系統(tǒng)設計

趙文 董云峰

(北京航空航天大學宇航學院, 北京 100191)

為解決衛(wèi)星在軌故障診斷問題，提出了一種故障地面診斷方法，并進行了診斷系統(tǒng)設計。在診斷方法中，建立了衛(wèi)星各系統(tǒng)耦合的整星模擬器，利用衛(wèi)星遙測與模擬器預測值形成殘差，濾除遙測信息中已知的動態(tài)規(guī)律部分，縮小故障診斷閾值，提高故障檢測的準確性，最后運用信號分析或機器學習的方法對殘差實現診斷。診斷系統(tǒng)由遙測接口程序、整星模擬器、殘差診斷程序、診斷調度程序、相關數據庫和配套工具構成。從系統(tǒng)結構設計和算法的參數化設計兩方面，分析了衛(wèi)星故障地面診斷系統(tǒng)設計，并用建成的系統(tǒng)樣機進行了驗證。系統(tǒng)樣機運行結果表明，這種方法和系統(tǒng)設計思路是可行、有效的。

衛(wèi)星故障診斷；整星模擬器；復雜系統(tǒng)；殘差診斷

1 引言

隨著我國航天事業(yè)的發(fā)展，在軌衛(wèi)星的數量越來越多，其安全也越來越受到關注。如果不能及時準確發(fā)現衛(wèi)星故障，將可能造成嚴重損失。地面診斷系統(tǒng)作為衛(wèi)星地面服務系統(tǒng)的重要組成部分，能夠根據衛(wèi)星的遙測數據診斷衛(wèi)星當前的健康狀態(tài)，自動發(fā)現并報告故障，及時將影響降到最小。

目前，針對衛(wèi)星的在軌故障診斷問題，國內外提出了諸多診斷算法和系統(tǒng)構建方案。文獻[1]研究了基于統(tǒng)計方法的診斷問題，但統(tǒng)計方法需要大量的歷史經驗數據，在實際故障數據缺乏或者參數變化范圍較大的情況下難以實現準確診斷。文獻[2-5]應用基于模型的方法，對衛(wèi)星的姿態(tài)控制系統(tǒng)進行故障診斷，這類方法利用解析冗余代替硬件冗余實現故障診斷，但衛(wèi)星是一個復雜的耦合系統(tǒng)，其他系統(tǒng)的狀態(tài)或者人工操作指令都會造成模型的改變，單獨考慮某一個系統(tǒng)建立的模型難以適用于衛(wèi)星整個生命周期。文獻[6-9]使用支持向量機(SVM)、神經網絡、分形等基于數據分析的智能方法，實現了衛(wèi)星的故障診斷，這類機器學習的方法不依賴于模型，僅通過對樣本的學習自主提取出故障數據的特征，是故障診斷技術發(fā)展的新方向。不過，機器學習方法有時無法很好實現對系統(tǒng)固有變化規(guī)律的學習，容易造成過學習或者誤診斷。文獻[10]針對導航衛(wèi)星設計了一套故障診斷演示驗證方案，但該方案主要解決算法的有效性驗證問題，無法實現長期無人值守運行。

本文提出了一種應用整星模擬器與機器學習相結合的衛(wèi)星在軌故障診斷方法。該方法具有診斷準確、抗干擾能力強等特點?；诖朔椒ǎ岢隽艘惶紫到y(tǒng)設計方案，并給出了實例，可證明所提出的故障診斷方法和系統(tǒng)設計方案是可行、有效的。

2 衛(wèi)星在軌故障地面診斷方法

2.1總體思路

地面系統(tǒng)了解衛(wèi)星當前狀態(tài)的唯一途徑是通過衛(wèi)星的遙測。遙測信息中有一部分是能夠用數學模型進行描述的規(guī)律部分，剩下的是無法建?；蛎枋龅牟糠?。地面系統(tǒng)對衛(wèi)星的狀態(tài)診斷應充分利用目前已知的規(guī)律信息。這些規(guī)律信息包括靜態(tài)的規(guī)律信息(如閾值規(guī)則和數據的統(tǒng)計規(guī)律)，以及隨系統(tǒng)狀態(tài)變化的動態(tài)規(guī)律信息(如已知的模型)。故障診斷應在當前遙測值的基礎上，濾除系統(tǒng)固有的變化規(guī)律，再進行故障的分析與判斷，以避免對正常規(guī)律部分的誤判斷。

本文提出的診斷方法總體思路(見圖1)是：建立與在軌衛(wèi)星同步運行的整星模擬器，然后利用遙測數據減去模擬器輸出的遙測值形成殘差。如果殘差超過對應的閾值，說明檢測出衛(wèi)星發(fā)生了故障，再使用故障診斷算法對殘差進行診斷。

用于地面預測的遙測數據由兩部分構成：一部分來自數學建模方法建立的數學模型，另一部分是來自機器學習方法建立的機器模型。數學模型只能在一定的精度范圍內逼近實際的物理過程，對于無法建模的部分，可以使用機器學習方法來逼近，通過機器學習形成機器模型，進一步提高預測的精度。

圖1 故障診斷方法總體思路

2.2整星模擬器的建立

衛(wèi)星是一個復雜系統(tǒng)，其組成部分間是有耦合關系的。以姿態(tài)軌道控制系統(tǒng)為例，它作為衛(wèi)星平臺的基本系統(tǒng)之一，與推進、遙測遙控、電源等其他系統(tǒng)存在耦合性。推進系統(tǒng)的主要部件推力器擔負著衛(wèi)星姿態(tài)和軌道的保持、機動等功能，同時也可看作姿態(tài)軌道控制系統(tǒng)執(zhí)行機構的一部分。姿態(tài)軌道控制系統(tǒng)與測控數傳系統(tǒng)的耦合性，體現在大型可展開天線指向控制等方面。姿態(tài)軌道控制系統(tǒng)與電源系統(tǒng)的耦合性，體現在太陽電池陣遮擋控制等方面，衛(wèi)星各系統(tǒng)的耦合關系如圖2所示。

圖2 衛(wèi)星各系統(tǒng)的耦合關系

要對衛(wèi)星的當前狀態(tài)進行準確的動態(tài)估計，須在考慮衛(wèi)星各系統(tǒng)間耦合關系的基礎上，建立整星模擬器。模擬器與在軌衛(wèi)星同步運行，衛(wèi)星飛行過程中會受到地面遙控指令干預，遙控指令發(fā)給衛(wèi)星的同時，也發(fā)送給整星模擬器，模擬器接收并解析遙控指令，作出與實際衛(wèi)星一致的響應。在正常情況下，模擬器輸出的遙測數據與實際衛(wèi)星保持一致。

整星模擬器主要由衛(wèi)星各系統(tǒng)與部件模型及衛(wèi)星運行環(huán)境模型組成。衛(wèi)星各系統(tǒng)與部件模型包括姿態(tài)軌道控制系統(tǒng)模型、推進系統(tǒng)模型、電源系統(tǒng)模型、測控數傳系統(tǒng)模型、熱控系統(tǒng)模型、綜合電子系統(tǒng)模型和有效載荷模型。衛(wèi)星運行環(huán)境模型包括動力學環(huán)境模型、熱力學環(huán)境模型和空間鏈路模型。在建立整星模擬器時，須根據實際的工程技術條件考慮測軌精度、衛(wèi)星各部件的工作精度及模型的平滑處理等。衛(wèi)星運行環(huán)境的模擬須考慮地球的非球形因素、重力場的不均勻性和地磁場的擾動等。整星模擬器的各部件要在統(tǒng)一的基準下進行仿真。

2.3模型修正

衛(wèi)星故障診斷的效果取決于整星模擬器對當前狀態(tài)的估計精度。通過數據挖掘技術，可以對模型進行迭代修正，提高預測精度。模型修正分為兩個步驟：一是盡可能修正數學模型；二是利用機器學習方法，對無法建模的部分進行學習，形成機器模型。模型修正的方法如圖3所示。

圖3 模型修正方法

數學模型的預測值與參考系統(tǒng)輸出值形成殘差，利用數據挖掘方法提取殘差中能夠用數學方法描述的部分，作為模型的修正項添加到系統(tǒng)的數學模型中。修正后再形成新的殘差，利用新的殘差進行數據挖掘，如此迭代，直到殘差小于預設精度或無法再提取出能夠用數學方法描述的部分。殘差中無法用數學方法描述的部分，通過機器學習方法(如神經網絡、支持向量機等)形成機器模型，作為計算機的知識存儲到系統(tǒng)中。地面預測時，將修正后的數學模型與機器模型之和作為預測的結果。

機器學習安排在建好整星模擬器以后的模型修正階段，即通過數據挖掘方法已無法再提高數學模型精度時，利用機器學習方法對殘差進行分析建模，形成機器模型。

根據參考系統(tǒng)的不同，模型可進行三種不同程度的修正：第一種是利用其他數字化仿真結果進行修正；第二種是利用研制中的測試測量數據進行修正；第三種是利用運行中的遙測數據進行修正。

2.4殘差診斷

對衛(wèi)星的故障診斷分為兩個步驟：一是確定系統(tǒng)是否發(fā)生了故障，二是確定系統(tǒng)發(fā)生了什么故障。第一步，通過實際遙測值與地面預測的正確值對比實現，如果二者的殘差大于一定的程度，說明實際系統(tǒng)已經偏離正常狀態(tài)運行，進入故障狀態(tài)。第二步，通過對殘差的特性分析，確定殘差處于哪種故障模式。殘差的特性分析要建立一套診斷算法庫，針對不同的診斷對象選擇適用的診斷算法；也可以根據需要調用多種算法對同一遙測信息進行診斷，然后將多種診斷算法的結果進行融合，避免單一診斷算法不完備造成的漏診斷與誤診斷。

診斷算法庫中的算法分為基于信號分析的方法和基于機器學習的方法。

信號分析方法包括閾值分析、均值分析、方差分析、頻譜分析和小波分析等。它對殘差信號進行特征提取，然后將提取出來的特征量與歷史經驗值進行比較，根據預設的故障判斷規(guī)則形成診斷結果。例如，設定某幾個遙測數據殘差的特征量與經驗值的差異超過一定的閾值范圍時，就確診為系統(tǒng)進入了該種故障模式。信號分析方法需要設計人員根據經驗建立一定的規(guī)則，但由于遙測數據已經與預測模型作差，濾掉了大部分固有規(guī)律部分，因此，殘差特征提取以后的規(guī)律將變得簡單，并且能夠準確反映故障特征。

機器學習方法包括支持向量機、神經網絡、聚類分析、決策樹和馬田系統(tǒng)等。其特點是直接對殘差樣本數據進行學習，無需人為去總結或者描述故障判斷的規(guī)則。該方法根據不同樣本數據本身的差異特性進行數據分類，通過對樣本的學習訓練形成計算機能夠識別的故障特征文件，再將新的數據根據這些特征進行分類，形成診斷信息。機器學習方法可以學習并描述一些用規(guī)則難以描述的特征，也避免了人工對故障規(guī)則描述不準確造成的錯誤。殘差診斷階段的機器學習，安排在診斷算法訓練階段，當獲得了已知故障模式的殘差數據以后，通過機器學習對殘差的類型進行有監(jiān)督的學習，生成故障特征文件。

2.5故障樣本的產生

地面診斷系統(tǒng)測試以及機器學習方法訓練時都需要大量的故障樣本數據。衛(wèi)星本身的可靠性高，故障的概率極低，即使出現了故障，由于衛(wèi)星的冗余備份，很快又會用備份部件修復，因此故障樣本極難獲取。通過仿真的方法，可以解決樣本缺乏的問題。

在已經建立的動態(tài)仿真模型基礎上，根據衛(wèi)星設計時的故障預案和歷史故障經驗建立部件的故障模型，再通過故障注入的方式將仿真模型切換到對應故障模式運行，這樣系統(tǒng)就能夠動態(tài)產生故障時的遙測信息。

故障注入模塊將衛(wèi)星各系統(tǒng)可能出現的故障進行編碼，然后傳送給整星模擬器，整星模擬器收到故障代碼后啟動對應的故障模型。故障代碼包括衛(wèi)星的編號、故障的部件編號、故障模式和故障參數信息。

衛(wèi)星的各系統(tǒng)間是有耦合關系的，某些部件的故障將會對其他系統(tǒng)產生耦合。整星模擬器使用了包含衛(wèi)星各系統(tǒng)耦合關系的仿真模型，這種方式能夠模擬出耦合故障情況下的遙測輸出。

3 系統(tǒng)的設計與實現

3.1系統(tǒng)的結構設計

衛(wèi)星在軌故障地面診斷系統(tǒng)由遙測接口程序、整星模擬器、殘差診斷程序、診斷調度程序、相關數據庫和配套工具組成。系統(tǒng)結構如圖4所示。

圖4 地面診斷系統(tǒng)結構框圖

(1)遙測接口程序接收遙測信息，并將其解析后按照系統(tǒng)預定的格式存入遙測數據庫中。系統(tǒng)可以接收真實衛(wèi)星的遙測數據，也可以接收故障樣本生成工具產生的遙測數據，以便對算法進行訓練和測試。

(2)整星模擬器是包含衛(wèi)星各系統(tǒng)耦合關系的仿真程序。模擬器與實際衛(wèi)星同步運行，能夠對衛(wèi)星當前狀態(tài)進行正確估計，其輸出作為殘差診斷程序診斷的依據。整星模擬器的模型包含修正后的數學模型和機器學習產生的機器模型。

(3)殘差診斷程序根據衛(wèi)星遙測和模擬器遙測的殘差進行故障診斷。它是所有故障診斷算法的集合，受控于診斷調度程序，根據調度指令調用相應的診斷算法，從診斷參數庫中提取對應的診斷參數以完成診斷，并將診斷的結果寫入診斷結果數據庫中。

(4)診斷調度程序控制殘差診斷程序的運行。它根據調度信息庫中預先制定的計劃安排，發(fā)送調度指令給殘差診斷程序。調度指令包括診斷時間段、診斷算法和所需參數編號等信息。診斷調度程序的調度計劃支持兩個級別的計劃：一是由人工通過調度信息配置工具在數據庫中編制計劃任務，然后系統(tǒng)按照時間順序逐步執(zhí)行，這樣可以實現簡單的自動化運行；二是根據整星模擬器對衛(wèi)星當前狀態(tài)的預測以及當前任務對設備監(jiān)測的緊迫性需求，調度優(yōu)化工具利用遺傳編程方法和計算智能技術自主規(guī)劃與優(yōu)化調度計劃。

(5)相關數據庫是衛(wèi)星故障診斷程序的數據樞紐，包括用于存儲衛(wèi)星遙測數據的遙測數據庫，存儲診斷算法中所需參數的診斷參數庫，存儲診斷結果的診斷結果數據庫，以及存儲調度信息的調度信息庫等。

(6)配套工具是地面診斷系統(tǒng)進行數據處理與分析的工具，供技術人員進行數據分析和故障確認。配套工具及其對應的功能如表1所示。

表1 系統(tǒng)配套工具

3.2診斷算法參數化設計

對不同的衛(wèi)星，使用的診斷算法基本是一致的，不同的只是算法的參數，或者算法需要的特征文件。將算法和所需的參數分離設計，可以使算法變得通用，便于衛(wèi)星數量的擴展和算法數量的擴展。因此，應建立故障診斷算法庫，將算法所需參數存入數據庫或者文件中。在故障診斷算法庫中，每種算法的輸入是診斷調度指令和遙測數據，輸出是將結果寫入數據庫。不同的算法間是沒有耦合關系的，可以獨立調試、修改或者追加。對于新增算法，只需在調

度信息庫中追加新算法的調用信息，不會影響系統(tǒng)的其他部分。對于新增衛(wèi)星，只需新增與之相應的參數?？梢?，診斷算法的參數化設計使系統(tǒng)能夠支持診斷算法的擴展和衛(wèi)星數量的擴展。

診斷算法的參數化要考慮衛(wèi)星間設備參數的繼承性。對于某些部件，可能在多種衛(wèi)星上都使用，相同部件的參數或者故障特性可能是一致的，這樣就可以直接將參數庫中的數據直接引用過來，從而縮短研究和驗證的周期。加入的新衛(wèi)星，也只要追加少量新設備的故障參數特性即可。

3.3系統(tǒng)運行實例

根據以上系統(tǒng)設計思路，本文建成了一套衛(wèi)星故障地面診斷系統(tǒng)樣機。以某導航衛(wèi)星為原型，建立了整星的仿真模型。該模型能夠對衛(wèi)星各部件注入預設的故障，動態(tài)生成故障狀態(tài)下的遙測數據。系統(tǒng)在調度程序的控制下，能夠應用多種算法對遙測數據和整星模擬器的殘差進行故障診斷。以X軸動量輪摩擦力矩增大故障為例，說明系統(tǒng)的工作過程。

正常情況下，衛(wèi)星能夠與整星模擬器同步運行，輸出一致的遙測數據，整星模擬器運行效果如圖5所示。第21 s時，給衛(wèi)星的X軸動量輪注入摩擦力矩增大的故障，故障前后動量輪的轉速、軸溫、電流的變化情況如圖6所示?？梢钥吹剑瑥?2 s開始，由于摩擦力矩增大，轉速出現了下降，軸溫升高，電流增大。調用支持向量機算法對衛(wèi)星遙測數據和整星模擬器數據形成的殘差進行診斷，診斷結果如圖7所示。系統(tǒng)準確診斷出了在22 s時發(fā)生了X軸動量輪摩擦力矩增大的故障。

圖5 系統(tǒng)運行效果

圖6 X軸動量輪遙測數據

圖7 診斷結果顯示

4 結論

本文提出了一種應用整星模擬器的衛(wèi)星在軌故障地面診斷系統(tǒng)設計，并給出實例驗證了設計方案的可行性，得出主要結論如下。

(1)建立包含各系統(tǒng)耦合關系的整星模擬器，獲得衛(wèi)星遙測與模擬器預測值形成的殘差，再運用故障診斷算法進行診斷處理。

(2)利用數據挖掘方法迭代修正整星模擬器的數學模型，無法用數學模型描述的部分通過機器學習方法變成機器模型加入到整星模擬器中，提高模擬器的預測精度。

(3)診斷算法和相關參數應分離設計，使系統(tǒng)能夠支持衛(wèi)星的擴展、算法的擴展，以及診斷參數的繼承。

(4)對整星模擬器注入所需的故障代碼數據，使衛(wèi)星的相應部件進入故障模式運行，產生故障樣本數據，這樣可解決故障樣本缺乏的問題。

目前，本文設計的系統(tǒng)已在仿真層面得到驗證，不過使用的模型與參數并未針對具體的衛(wèi)星，在后續(xù)研究中，將針對工程應用優(yōu)化相關設計參數，使系統(tǒng)更具針對性與實用性。

References)

[1]趙海濤. 衛(wèi)星在軌故障數據的統(tǒng)計分析方法與應用[J]. 質量與可靠性，2010(6)：43-46

Zhao Haitao. Statistical analyis method and application of satellite on-orbit fault data[J]. Quality and Reliability, 2010(6): 43-46 (in Chinese)

[2]Talebi H A, Patel R V, Khorasani K. Fault detection and isolation for uncertain nonlinear systems with application to a satellite reaction wheel actuator[C]//Proceedings of IEEE International Conference on Systems, Man and Cybernetics, 2007. ISIC. New York： IEEE, 2007: 3140-3145

[3]Barua A, Khorasani K. Intelligent model-based hierarchical fault diagnosis for satellite formations[C]//Proceedings of IEEE International Conference on Systems, Man and Cybernetics, 2007. ISIC. New York：IEEE, 2007: 3191-3196

[4]Tudoroiu N, Khorasani K. Fault detection and diagnosis for satellite’s attitude control system (ACS) using an interactive multiple model (IMM) approach[C]//Proceedings of 2005 IEEE Conference on Control Applications, 2005. CCA. New York：IEEE, 2005: 1287-1292

[5]Wang Y, Ma G, Li C. Fault diagnosis using cascade H∞ observers with application to spacecraft attitude control[C]//Proceedings of 2010 the 5th IEEE Conference on Industrial Electronics and Applications (ICIEA). New York：IEEE, 2010: 1976-1981

[6]安若銘，秦振漢，姜興渭．神經網絡專家系統(tǒng)在姿控系統(tǒng)診斷中的應用[J]．中國空間科學技術，2009，29(3)：71-77

An Ruoming, Qin Zhenhan, Jiang Xingwei. Application of neural network-expert system for fault diagnosis of satellite attitude control system[J]. Chinese Space Science and Technology, 2009,29(3)：71-77 (in Chinese)

[7]胡迪，董云峰．基于RVM回歸的姿控系統(tǒng)多故障檢測[J]．電機與控制學報，2011，15(9)：68-73

Hu Di, Dong Yunfeng. Multi-fault detection for attitude control system based on RVM regression [J]. Electric Machines and Control, 2011,15(9): 68-73 (in Chinese)

[8]Talebi H A, Khorasani K, Tafazoli S. A recurrent neural-network-based sensor and actuator fault detection and isolation for nonlinear systems with application to the satellite’s attitude control subsystem[J]. IEEE Transactions on Neural Networks, 2009, 20(1): 45-60

[9]Hu D, Sarosh A, Dong Y F. A novel KFCM based fault diagnosis method for unknown faults in satellite reaction wheels[J]. ISA transactions, 2012, 51(2):309-316

[10]潘宇倩，張弓，白東煒，等．衛(wèi)星健康管理故障診斷算法的設計及其實現[J]．航天器工程，2011，20(5)：37-42

Pan Yuqian, Zhang Gong, Bai Dongwei, et al. Design and implementation of fault diagnosis algorithm for satellite health management [J]. Spacecraft Engineering, 2011,20(5): 37-42 (in Chinese)

(編輯：夏光)

Design of Ground Diagnosis System for Satellite In-orbit Fault

ZHAO Wen DONG Yunfeng

(School of Astronautics, Beihang University, Beijing 100191, China)

To solve the satellite in-orbit fault diagnosis problem, a fault diagnosis method and system design proposal are proposed. In the diagnosis method, a whole satellite simulator is established with every subsystems coupled, and the satellite telemetry and simulator predict value are subtracted to form residuals, the known dynamic regulation contained in the telemetry is removed, the diagnosis threshold is reduced and the fault detecting accuracy is improved. The signal analysis methods and machine learning methods are used to diagnose the residuals. Diagnosis system consists of telemetry interface program, whole satellite simulator, residuals diagnosis program, databases and relative tools. A design proposal of satellite fault ground diagnosis system consists of system structure design and parameterized algorithm design, and then a demonstration system is established to verify this proposal. The operation results indicate that the method and design proposal are practicable and effective.

satellite fault diagnosis; whole satellite simulator; complex system; residual diagnosis

2013-05-31；

：2013-08-14

趙文，男，博士研究生，研究方向為衛(wèi)星故障診斷與智能計算。zhaowen@sa.buaa.edu.cn。

TP277

：ADOI：10.3969/j.issn.1673-8748.2014.03.017