《1 概述》
1 概述
笔者研究用多形式推理进行卫星故障诊断和趋势预测方法。此方法能使卫星故障诊断与预测更加准确、全面和自动化, 改善在轨卫星的管理, 增加在轨卫星的有效应用时间。卫星故障诊断与趋势预测通常是一项耗时、重复和劳动强度很大的工作。目前, 在大部分情况下, 卫星管理人员采用手工检查卫星遥测数据的方式来确定卫星是处于健康状态还是故障状态, 以及卫星是否存在危险的趋势, 以预测卫星是否在不久的将来处于故障状态。应用的具体方法或者是一些统计学估计方法, 或者是通过比较卫星遥测参数的实测值与期望值之间的差异方法。这些方法存在严重的缺陷, 主要是过分依赖人工经验以及难以实现故障诊断与预测的自动推理
卫星故障诊断与趋势预测或许可基于卫星绕地球运行一圈的数据, 但在多数情况下, 要基于较长期的数据, 如数圈、数天、数月甚至卫星寿命期数年的数据
在KSFDRS运行中, 先应用基于规则库中的规则进行故障诊断和趋势预测推理, 对于那些无法使用基于规则的推理方法诊断的故障和预测的趋势, 则应用基于模型的推理方法。对于新的故障, 则应用基于案例的推理方法进行诊断。应用规则推理方法进行故障诊断时, 系统中基于规则的推理模块根据规则库中的诊断与恢复规则自动给出诊断结果, 生成用于故障恢复的可自动执行的命令序列或提醒卫星管理人员注意卫星的运行情况。应用模型推理方法进行故障诊断时, 系统中基于模型的推理模块对卫星遥测数据与相关模型进行比较, 根据模型库自动给出诊断结果;同基于规则的推理模块一样, 产生用于故障恢复的可执行的命令序列或提醒卫星管理人员注意卫星的运行情况, 在此过程中可能需要人工干预。应用案例推理方法进行故障诊断和趋势预测时, 系统中基于案例的推理模块在案例库中寻找与该故障和趋势相似的案例。如果存在相似的案例, 则给出供参考的故障诊断结果, 以及应用于故障恢复、避免危险趋势进一步恶化的命令序列;若找不到相似的案例, 则应提醒卫星管理人员进行综合分析。一旦解决了新故障的诊断问题, 就要根据实际诊断情况更新规则库和模型库, 并把描述该故障及诊断方法的新案例添加到案例库中。
KSFDRS的具体运作过程为:根据获取的航天测控系统测量数据, 应用基于知识的多形式推理进行故障诊断和趋势预测, 输出相关结果, 如图1所示。
《图1》
图1KSFDRS基本运作过程 Fig.1 Basic operating process of KSFDRS
KSFDRS中用于卫星故障诊断与趋势预测的两种知识源为:a. 专家知识;b. 从卫星历史事件或数据中导出的知识。
专家知识主要用于故障诊断与趋势预测过程中的诊断规则、状态模型、期望状态和基本概率知识的初始设计。KSFDRS的一个重要目标是在实时运作中拥有足够的自学习能力, 以获取更多知识的同时自动更新其相关库
从卫星历史事件或数据中导出的知识, 在KSFDRS中被设计为一系列故障案例和危险趋势案例, 案例的数据结构中必须包括故障和危险趋势的恢复方法及其执行结果, 不论这些方法的执行结果是成功还是失败。
在开发KSFDRS系统时, 建立案例库存在的一个主要障碍是现有的知识一般不能直接形式化。解决此问题的主要途径是借助专家的指导。但即使是专家的知识, 有时也缺乏标准的数学表述, 或者难以用数学方法表述, 这也增加了建立案例库的难度
《2 KSFDRS多形式推理机制》
2 KSFDRS多形式推理机制
KSFDRS的多形式推理原理如图2所示。
《图2》
图2KSFDRS推理原理 Fig.2 KSFDRS reasoning principle
《2.1卫星模型化》
2.1卫星模型化
在卫星模型化推理过程中, 生成故障诊断和趋势预测期间卫星与反映卫星所处模式的遥测数据的期望状态。
在卫星模型化的过程中, 遥测数据值以组的形式表示, 并按层次排列, 以表示部件、分系统或整星的状态。例如, 在卫星姿态控制分系统 (ACS) 中, 最底层的红外地球敏感器头部的状态可以表示为若干遥测参数值 (电机电流、电机温度、地球辐射强度等) 。上一级的红外地球敏感器 (IRES) 的状态可以表示为“头部状态”和“电路状态”的组合, 每一个部件都有属于它自己的参数特征。再上一级的姿态控制分系统的状态可以由其各种组成部件, 如红外地球敏感器 (IRES) 、陀螺 (Gyro) 、数字太阳敏感器 (DSS) 、模拟太阳敏感器 (ASS) 、动量轮 (MW) 和磁力矩器 (MT) 等的状态定义。最高层为整星状态, 可以由卫星的所有分系统, 如姿态控制分系统 (ACS) 、星上数据管理分系统 (OBDH) 、测控分系统 (TT&C) 、电源分系统 (PSS) 及各种应用分系统等的状态定义。通过模型化过程, 卫星各部件、分系统或整星的状态能够根据遥测参数进行实时评估
在部件和分系统的物理模型中, 遥测参数值指物理部件或分系统的状态。例如, 红外地球敏感器的电机电流、电机温度和地球红外信号辐射强度等参数值表示红外地球敏感器的状态, 测控应答机 (接收机和发射机) 的电流和电压等参数值表示测控分系统的状态。卫星的正常和异常状态都可以被模型化
其中部件 (Part) 的含义为:Part-1表示IRES, Part-2表示Gyro, Part-3表示MW, Part-4表示MT。
如果遇到一个故障状态, KSFDRS系统即产生一组相应故障的恢复措施, 执行这些措施可使卫星姿态控制分系统从异常状态恢复到正常状态。如果遇到一个危险趋势, KSFDRS系统即产生一组排除该危险趋势的措施, 执行这些措施可使卫星姿态控制分系统排除危险趋势, 或避免危险趋势进一步恶化, 以尽可能不影响卫星其他操作, 在卫星可观测弧段允许的条件下, 尽快排除危险趋势。
故障恢复和危险趋势预防措施或者自动被执行, 或者作为一个建议, 供卫星管理人员参考。
《2.2比较》
2.2比较
比较推理是把航天测控系统接收到的卫星遥测参数实测状态与卫星模型期望状态和遥测参数的期望值进行比较, 找出两者之间的差异, 并给出这些差异的数学描述。
《2.3故障诊断和趋势预测及恢复措施生成》
2.3故障诊断和趋势预测及恢复措施生成
该功能获取比较功能的输出, 确定故障或危险趋势是否存在。若发现了一个故障或危险趋势, 则根据规则库、模型库和案例库确定一系列假设。仿真器中的仿真模型验证这些按可能性大小排列的假设, 并验证确定这些假设的方法。假设确定后, 即生成故障或危险趋势的恢复措施。在此过程中, 历史经验和数据可能是很有帮助的。
预测卫星遥测数据中是否存在危险趋势有若干种方法, 然而, 没有任何一种单一的方法适合于所有类型的数据, 因此必须彻底分析每类数据的特性, 针对每种数据选择一种合适的预测方法。还应意识到, 能引起未来失效的危险趋势可能难以发现, 因为这些危险趋势可能会以不同形式被隐藏起来, 如逐渐偏离门限值 (渐变) 、噪声突变等
故障诊断和趋势预测过程可实时进行。
《3 KSFDRS故障诊断推理过程》
3 KSFDRS故障诊断推理过程
KSFDRS故障诊断推理的基本过程是:
1) 对于熟悉的故障, 由基于规则的推理方法处理。若诊断出的故障属于可以用执行自主恢复措施排除的, 则基于规则推理产生的命令序列即被自动执行。
2) 对于知识不完整 (如数据不完整、参数不完整、信息不完整等) 的故障, 由基于模型的推理方法处理。
3) 基于案例的推理可以改善KSFDRS的故障诊断与恢复的性能。在KSFDRS中, 有用的信息 (如分系统和部件的描述、故障症状、故障原因、故障恢复措施以及恢复措施的执行结果等) 存储于一系列案例中。
故障案例数据结构为:
故障名称
{ 分系统和部件的描述;
故障症状变量集;
故障日期和时间;
故障原因;
故障恢复措施 (命令序列) ;
恢复措施执行结果;
必要的说明。}
危险趋势案例数据结构为:
危险趋势名称
{ 分系统和部件的描述;
危险趋势症状变量集;
发生日期和时间;
发生原因;
可能导致的故障
建议的预防措施 (命令序列) ;
预防措施是否实际执行;
措施的执行结果;
必要的说明。}
4) 对于无法预见的故障或危险趋势, 且用基于规则、模型和案例推理无法处理时, 则需要进行人工干预。
KSFDRS诊断推理由“假设确定”和“恢复措施确定”两部分组成:
a. 假设确定。假设确定寻找可以根据故障部件解释故障的假设, 或寻找可以根据将要失效的部件解释危险趋势的假设, 直到“假设确定”的输出状态与实际故障、危险趋势匹配时, 这些部件方能最后确定。
b. 恢复措施确定。“恢复措施确定”通过调整故障模型中部件的操作模式寻找给定假设的解决方法 (恢复措施) , 直到达到期望的输出状态。
基于模型的推理过程如图4所示。
《4 结论》
4 结论
笔者提出了一种应用多形式推理进行卫星故障诊断和趋势预测的新方法, 实践证明它是一种非常有效的方法。根据笔者研究和开发KSFDRS的实践, 得出以下结论:
1) 对于卫星的不同故障类型和危险趋势, 需要应用不同的推理方法进行诊断。只有这样, 才能使卫星故障诊断和危险趋势预测更加准确、有效。
2) 在应用多形式推理方法进行卫星故障诊断和危险趋势预测中, 相关知识的形式化描述是其中的一个难点, 这也是专家系统中研究的一个热点问题, 它直接影响着推理的自动化。
3) 建立正确、合理的规则库、模型库和案例库是应用多形式进行卫星故障诊断和危险趋势预测的关键。
京公网安备 11010502051620号
