一種高級(jí)飛行器測(cè)試數(shù)據(jù)時(shí)域判讀方法

蓋建寧 王楠 王衛(wèi)楠 沈宗月

【摘 要】 數(shù)據(jù)判讀是飛行器測(cè)試系統(tǒng)的重要組成部分，傳統(tǒng)測(cè)試數(shù)據(jù)判讀多依賴于測(cè)試人員，效率較低，難以適應(yīng)自動(dòng)化程度較高的飛行器測(cè)試系統(tǒng)。本文設(shè)計(jì)了飛行器測(cè)試系統(tǒng)方案和測(cè)試數(shù)據(jù)在線判讀模型，建立了測(cè)試數(shù)據(jù)的時(shí)間序列模型，完成了數(shù)據(jù)預(yù)測(cè)算法設(shè)計(jì)和判讀方法設(shè)計(jì)。利用某飛行器型號(hào)的測(cè)試數(shù)據(jù)對(duì)該方法進(jìn)行了工程驗(yàn)證。結(jié)果表明，設(shè)計(jì)的數(shù)據(jù)預(yù)測(cè)算法和判讀方法兼自動(dòng)化要求和實(shí)時(shí)性要求，能在先驗(yàn)數(shù)據(jù)集上全面地檢測(cè)出異常數(shù)據(jù)，從而顯著提高飛行器測(cè)試的全面性和準(zhǔn)確性。

【關(guān)鍵詞】 數(shù)據(jù)判讀 ?數(shù)據(jù)預(yù)測(cè) ?時(shí)間序列

【Abstract】 Data interpretation is the most critical component of spacecraft detection system. Traditional data interpretation depended on testing operators and had low efficiency. It was difficult to adapt to spacecraft detection system with higher real-time. This article designs a spacecraft detection system and online data interpretation models and time series model. The data prediction algorithm and interpretation method were obtained. Taking advantage of the spacecraft testing data， the methods proposed were verified. The results show that the data prediction algorithm and interpretation method take into account the characteristics of automatic and real-time requirements and can detect data abnormalities comprehensively on priority data test， thereby significantly improving the comprehensiveness and accuracy of the tests.

【Key words】 data interpretation ?data prediction ?time series

飛行器地面測(cè)試是飛行器研發(fā)過(guò)程中不可缺少的重要環(huán)節(jié)，地面測(cè)試系統(tǒng)始終承擔(dān)著非常重要的責(zé)任。在飛行器地面測(cè)試過(guò)程中，需要監(jiān)視、檢測(cè)數(shù)百個(gè)部件的實(shí)時(shí)數(shù)據(jù)和狀態(tài)，測(cè)試數(shù)據(jù)量龐大、信號(hào)類型復(fù)雜、數(shù)據(jù)實(shí)時(shí)性、可靠性要求高，數(shù)據(jù)隨環(huán)境變化快。傳統(tǒng)測(cè)試中的人工數(shù)據(jù)判讀方法無(wú)法滿足飛行器的測(cè)試需求。

傳統(tǒng)的測(cè)試數(shù)據(jù)實(shí)時(shí)在線判讀方法有基于支持向量機(jī)的方法和基于神經(jīng)網(wǎng)絡(luò)的方法，這些方法需要較大樣本集，對(duì)長(zhǎng)期運(yùn)行的系統(tǒng)缺乏全局最優(yōu)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要較長(zhǎng)時(shí)間，難以適應(yīng)實(shí)時(shí)性需求，更不適合長(zhǎng)期的測(cè)試數(shù)據(jù)監(jiān)視。目前，時(shí)間序列分析方法在測(cè)試數(shù)據(jù)預(yù)測(cè)中已經(jīng)有了非常廣泛的應(yīng)用，但這些應(yīng)用主要是利用時(shí)間序列估計(jì)出的自回歸參數(shù)，再利用人工智能方法進(jìn)行分類，從而完成故障的分類與診斷，這些方法同樣存在訓(xùn)練周期長(zhǎng)，需要樣本集龐大等問(wèn)題。

本文利用時(shí)間序列分析基本思想，研究一種能夠在線實(shí)時(shí)預(yù)測(cè)下一周期測(cè)試數(shù)據(jù)的數(shù)據(jù)判讀方法，并在此基礎(chǔ)上設(shè)計(jì)實(shí)現(xiàn)了飛行器自動(dòng)測(cè)試系統(tǒng)中數(shù)據(jù)在線檢測(cè)方法。該方法能夠在較小樣本集內(nèi)學(xué)習(xí)，獲得最新的回歸參數(shù)，具有較高的執(zhí)行效率，能夠滿足飛行器測(cè)試的實(shí)時(shí)性要求，適用于長(zhǎng)期測(cè)試數(shù)據(jù)監(jiān)視和異常數(shù)據(jù)檢測(cè)，可以非常好地滿足飛行器的測(cè)試需求。

1 飛行器測(cè)試系統(tǒng)以及測(cè)試數(shù)據(jù)判讀模型

1.1 飛行器測(cè)試系統(tǒng)

針對(duì)傳統(tǒng)飛行器測(cè)試系統(tǒng)靈活性不足、自動(dòng)化程度低等問(wèn)題，設(shè)計(jì)了圖1所示的飛行器測(cè)試系統(tǒng)，該系統(tǒng)主要由數(shù)字仿真模型、星上設(shè)備、地面激勵(lì)設(shè)備和測(cè)試數(shù)據(jù)判讀模型四部分組成。數(shù)字仿真模型是飛行器測(cè)試系統(tǒng)重要組成部分，為地面激勵(lì)設(shè)備提供必要的數(shù)據(jù)激勵(lì)，數(shù)字仿真的精度和正確性直接決定了測(cè)試結(jié)果的置信度，甚至影響測(cè)試能否正確進(jìn)行。星上設(shè)備是被測(cè)對(duì)象，由真實(shí)的星上部件組成，按照飛行器在軌真實(shí)狀態(tài)產(chǎn)生各種測(cè)試數(shù)據(jù)，這些測(cè)試數(shù)據(jù)是判斷其處于正常狀態(tài)還是故障狀態(tài)的重要依據(jù)。地面激勵(lì)設(shè)備由各種部件模擬器和激勵(lì)源組成，模擬產(chǎn)生空間環(huán)境，并由此對(duì)星上設(shè)備提供激勵(lì)數(shù)據(jù)。測(cè)試數(shù)據(jù)判讀模型主要負(fù)責(zé)對(duì)所有測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)和判讀。

飛行器測(cè)試系統(tǒng)中包含不同的功能軟件。星上設(shè)備包括CAN總線通信軟件，實(shí)現(xiàn)星上各設(shè)備之間CAN通信。飛輪、陀螺等測(cè)量單機(jī)軟件以及星載計(jì)算機(jī)軟件實(shí)現(xiàn)飛行器慣性數(shù)據(jù)采集、姿態(tài)軌道控制等功能。各地面激勵(lì)設(shè)備運(yùn)行針對(duì)不同測(cè)量單機(jī)的激勵(lì)源軟件，為各測(cè)量單機(jī)實(shí)時(shí)提供激勵(lì)數(shù)據(jù)。數(shù)字仿真模型通過(guò)動(dòng)力學(xué)模型、軌道姿態(tài)控制模型等軟件實(shí)時(shí)解算飛行器的軌道姿態(tài)參數(shù)，并驅(qū)動(dòng)各地面激勵(lì)設(shè)備為飛行器提供激勵(lì)數(shù)據(jù)。測(cè)試數(shù)據(jù)判讀模型軟件利用時(shí)間序列分析思想針對(duì)飛行器測(cè)試過(guò)程中的測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)和判讀。

1.2 測(cè)試數(shù)據(jù)判讀模型

測(cè)試數(shù)據(jù)判讀模型是飛行器地面測(cè)試系統(tǒng)的重要組成部分，其職責(zé)在于根據(jù)模型數(shù)字仿真數(shù)據(jù)、地面激勵(lì)設(shè)備數(shù)據(jù)和器上設(shè)備數(shù)據(jù)判斷當(dāng)前飛行器是否處于故障狀態(tài)，防止飛行器長(zhǎng)期運(yùn)行在故障狀態(tài)。由于飛行器測(cè)試是可靠性要求較高的過(guò)程，因此需要在測(cè)試人員的監(jiān)督下進(jìn)行，測(cè)試數(shù)據(jù)判讀模型能夠輔助測(cè)試人員識(shí)別測(cè)試過(guò)程中的異常數(shù)據(jù)，具體流程如圖2所示。

測(cè)試數(shù)據(jù)判讀模型通過(guò)數(shù)據(jù)接口接收外部多路實(shí)時(shí)數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)預(yù)測(cè)模型，預(yù)測(cè)當(dāng)前數(shù)據(jù)的取值范圍，再比對(duì)真實(shí)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)。如果是數(shù)據(jù)異常，則通過(guò)人機(jī)界面顯示給測(cè)試人員;如果不是異常數(shù)據(jù)，則繼續(xù)進(jìn)入下一個(gè)周期的數(shù)據(jù)判讀。由此可以看出，為保證測(cè)試結(jié)果的可信度，檢測(cè)過(guò)程需要與測(cè)試人員進(jìn)行交互，將程序分析結(jié)果提交測(cè)試人員確認(rèn)，顯著提高了測(cè)試人員的工作效率。

2 測(cè)試數(shù)據(jù)預(yù)處理以及時(shí)間序列模型

2.1 測(cè)試數(shù)據(jù)預(yù)處理

在飛行器地面測(cè)試系統(tǒng)中，數(shù)據(jù)是從飛行器上真實(shí)設(shè)備采集的真實(shí)信號(hào)（模擬量或數(shù)字量），因此數(shù)據(jù)隨各個(gè)部件的不同而存在顯著差別。建立這些數(shù)據(jù)的時(shí)間序列，并對(duì)其進(jìn)行分析較困難，因此需要對(duì)其進(jìn)行適當(dāng)?shù)念A(yù)處理，以適應(yīng)時(shí)間序列模型分析。數(shù)據(jù)預(yù)處理過(guò)程包括消除趨勢(shì)項(xiàng)和零均值處理（平穩(wěn)化）。

利用數(shù)據(jù)預(yù)處理方法對(duì)飛行器上飛輪電壓數(shù)據(jù)進(jìn)行預(yù)處理，以驗(yàn)證數(shù)據(jù)預(yù)處理方法，圖3給出了飛行器上飛輪電壓原始數(shù)據(jù)與經(jīng)過(guò)2次差分消除趨勢(shì)項(xiàng)和零均值處理后的數(shù)據(jù)對(duì)比結(jié)果。從圖3中可以看出，預(yù)處理后的數(shù)據(jù)變化趨勢(shì)比較平穩(wěn)，均值為一個(gè)常數(shù)，已經(jīng)構(gòu)成一個(gè)平穩(wěn)的時(shí)間序列。

2.2 時(shí)間序列模型

若時(shí)間序列值yt可以表示為它前值yt-i和一個(gè)隨機(jī)值的線性函數(shù)，則稱次模型為自回歸模型。P階自回歸模型簡(jiǎn)稱為AR（P）模型，其公式為：

（1）

式中：φ1，φ2…φp表示自回歸參數(shù)，描述yt-i每改變一個(gè)單位值時(shí)，對(duì)yt所產(chǎn)生的影響。隨機(jī)值αt為殘差，是一個(gè)誤差和白噪聲序列，即一個(gè)不相關(guān)的隨機(jī)變量序列，且服從正態(tài)分布N（0，σ2）。式（1）的矩陣形式為：Y=Xφ+A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

式中：

AR（P）模型僅通過(guò)時(shí)間序列變量的自身歷史觀測(cè)值來(lái)反映有關(guān)因素對(duì)預(yù)測(cè)目標(biāo)的影響和作用，不受模型變量相互獨(dú)立的假設(shè)條件約束，所構(gòu)成的模型可以消除一般回歸預(yù)測(cè)方法中由于自變量選擇、多重共線性等造成的困難。

2.3 時(shí)間序列預(yù)測(cè)算法

時(shí)間序列預(yù)測(cè)算法總體流程包括原始數(shù)據(jù)處理、自相關(guān)系數(shù)計(jì)算、偏相關(guān)函數(shù)計(jì)算、AR（P）模型定階、數(shù)據(jù)預(yù)測(cè)和標(biāo)準(zhǔn)化數(shù)據(jù)還原6個(gè)階段。具體算法如下：

輸入為原始數(shù)據(jù)序列，輸出為下一時(shí)刻數(shù)據(jù)預(yù)測(cè)值，操作如下：

（1）對(duì)原始數(shù)據(jù)進(jìn)行兩次差分消除趨勢(shì)項(xiàng)，對(duì)消除趨勢(shì)項(xiàng)后的數(shù)據(jù)進(jìn)行零均值處理;

（2）計(jì)算自協(xié)方差，公式為rk=E（xt ?xt+k），其中rk為自協(xié)方差，計(jì)算自相關(guān)系數(shù)：

（3）

式中：ρk=ρ-k，ρ0=1，r0=E（xi2），i=1，2…..N。

（3）解Yule-Walker方程，系數(shù)矩陣是Toeplitz矩陣，求得偏相關(guān)函數(shù)，Yule-Walker

方程為：

（4）

（4）采用AIC準(zhǔn)則[6～7]對(duì)模型的階次進(jìn)行適應(yīng)性檢驗(yàn)，并為模型定階，具體為：

AIC（p）=N ln σα2 +2p ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）

式中：，，

N為數(shù)據(jù)個(gè)數(shù)，σα2為殘差方差，AIC（p）是模型階次p的函數(shù)，取AIC（p）絕對(duì)值最小的模型階次p為最佳模型階次。

（5）預(yù)測(cè)下一時(shí)刻數(shù)據(jù)值，并根據(jù)第一步保存的差分中間數(shù)據(jù)，對(duì)數(shù)據(jù)預(yù)測(cè)值進(jìn)行預(yù)測(cè)數(shù)據(jù)還原，數(shù)據(jù)預(yù)測(cè)公式為：

（6）

（6）返回預(yù)測(cè)結(jié)果，算法結(jié)束。

3 數(shù)據(jù)判讀算法與測(cè)試驗(yàn)證

利用時(shí)間序列模型和數(shù)據(jù)預(yù)測(cè)算法，結(jié)合某型號(hào)飛行器地面測(cè)試中對(duì)測(cè)試數(shù)據(jù)在線判讀的實(shí)際需求，本文設(shè)計(jì)了基于時(shí)間序列分析的數(shù)據(jù)在線判讀方法，并以飛輪電流和陀螺電壓數(shù)據(jù)為例進(jìn)行了該方法的驗(yàn)證。

3.1 數(shù)據(jù)判讀算法流程

圖4給出了本文數(shù)據(jù)判讀模塊的流程圖。由于器上部件通常是自主運(yùn)行的，并且測(cè)試數(shù)據(jù)產(chǎn)生具有一定的時(shí)間特性（如周期產(chǎn)生），因此需要對(duì)測(cè)試數(shù)據(jù)的產(chǎn)生時(shí)間進(jìn)行分析，判斷該數(shù)據(jù)的產(chǎn)生時(shí)間是否正確，如果存在異常，則將異常通過(guò)人機(jī)界面提交給測(cè)試人員確認(rèn)，在數(shù)據(jù)的時(shí)間特性滿足后，將其提交給數(shù)據(jù)判讀模塊進(jìn)行異常判斷。

數(shù)據(jù)判讀模塊首先將測(cè)試的歷史數(shù)據(jù)標(biāo)準(zhǔn)化，然后根據(jù)2.3節(jié)的時(shí)間序列預(yù)測(cè)算法對(duì)下一周期數(shù)據(jù)進(jìn)行預(yù)測(cè)，再將預(yù)測(cè)結(jié)果與物理設(shè)備采集的真實(shí)數(shù)據(jù)進(jìn)行比對(duì)。如果真實(shí)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的差值在合理變化范圍內(nèi)（部件工程參數(shù)），則不報(bào)異常，如果差值變化較大，則向測(cè)試人員發(fā)出異常提示。由于飛行器測(cè)試是可靠性要求較高的過(guò)程，測(cè)試結(jié)果的可信程度與測(cè)試過(guò)程采用的方法、技術(shù)等關(guān)系密切。因此數(shù)據(jù)判讀模塊將檢測(cè)到的每個(gè)越界情況均通過(guò)人機(jī)界面提交給測(cè)試人員確認(rèn)，充分利用測(cè)試人員的測(cè)試經(jīng)驗(yàn)，避免由計(jì)算機(jī)自動(dòng)故障診斷所帶來(lái)的誤診斷和漏診斷等問(wèn)題，進(jìn)一步提高測(cè)試過(guò)程的可靠性和結(jié)果的置信度。

3.2 測(cè)試驗(yàn)證

利用某型號(hào)飛行器的整器測(cè)試，對(duì)本文中設(shè)計(jì)的測(cè)試數(shù)據(jù)在線判讀方法進(jìn)行了試驗(yàn)驗(yàn)證。數(shù)據(jù)來(lái)源為飛行器上真實(shí)部件（飛輪、陀螺）。數(shù)據(jù)判讀軟件包括數(shù)據(jù)接口模塊、通信協(xié)議模塊、數(shù)據(jù)判讀模塊和人機(jī)界面模塊。數(shù)據(jù)接口模塊和通信協(xié)議模塊根據(jù)接入的不同部件，按照相應(yīng)數(shù)據(jù)協(xié)議進(jìn)行數(shù)據(jù)的接收和解包，將解釋出來(lái)的數(shù)據(jù)交由數(shù)據(jù)判讀模塊進(jìn)行分析，并將數(shù)據(jù)判讀結(jié)果通過(guò)人機(jī)界面反饋給測(cè)試人員。在數(shù)據(jù)判讀過(guò)程中，以30個(gè)數(shù)據(jù)為一組進(jìn)行自相關(guān)系數(shù)計(jì)算，飛輪電流和陀螺電壓數(shù)據(jù)的初始自相關(guān)系數(shù)曲線如圖5所示，這組系數(shù)在零值附近趨于穩(wěn)定。

對(duì)300組飛輪電流數(shù)據(jù)進(jìn)行驗(yàn)證，其中第0～100組數(shù)據(jù)為樣本數(shù)據(jù)，用于確定模型階數(shù)和估計(jì)參數(shù)，第101～300組數(shù)據(jù)為測(cè)試數(shù)據(jù)，測(cè)試結(jié)果如圖6所示。從圖6中可以看出，在電流值較平穩(wěn)時(shí)，模型預(yù)測(cè)的電流值與實(shí)際采樣值的差值較小，當(dāng)電流值變化較大時(shí)，模型預(yù)測(cè)值與真實(shí)數(shù)據(jù)的差值稍微增大（0.3A），但也在部件允許誤差范圍內(nèi)。在圖6中第136個(gè)測(cè)試周期，真實(shí)數(shù)據(jù)從1.2A增加到2.88A，預(yù)測(cè)值也產(chǎn)生了突變。同樣，在第247個(gè)測(cè)試周期的飛輪電流變化較大時(shí)，模型產(chǎn)生的預(yù)測(cè)值也相應(yīng)變化較大。

按照對(duì)飛輪電流數(shù)據(jù)的處理方式，選取300組陀螺電壓數(shù)據(jù)進(jìn)行驗(yàn)證，測(cè)試結(jié)果如圖7所示。從圖7中可以看出，在電壓值較平穩(wěn)時(shí)，預(yù)測(cè)值與實(shí)際值的差值較小，當(dāng)電壓變化較大時(shí)，模型預(yù)測(cè)值與真實(shí)數(shù)據(jù)的差值稍微增大（0.34V），但也在部件允許誤差范圍內(nèi)。圖7中第113個(gè)測(cè)試周期，真實(shí)數(shù)據(jù)從4.2V下降到3.3V，模型產(chǎn)生的預(yù)測(cè)值也相應(yīng)變小。

4 結(jié)論與展望

本文針對(duì)飛行器地面測(cè)試過(guò)程中數(shù)據(jù)判讀問(wèn)題，提出了基于時(shí)間序列分析的飛行器地面測(cè)試中數(shù)據(jù)在線判讀方法。該方法在傳統(tǒng)數(shù)據(jù)判讀基礎(chǔ)上進(jìn)行改進(jìn)，利用時(shí)間序列分析技術(shù)，設(shè)計(jì)數(shù)據(jù)預(yù)測(cè)方法，再根據(jù)設(shè)備數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)判斷數(shù)據(jù)異常情況。仿真結(jié)果表明，數(shù)據(jù)預(yù)測(cè)方法能較準(zhǔn)確地預(yù)測(cè)出下一周期數(shù)據(jù)，對(duì)數(shù)據(jù)異常區(qū)域反映較迅速，能及時(shí)發(fā)現(xiàn)并預(yù)報(bào)數(shù)據(jù)異常。利用本文提出的數(shù)據(jù)判讀方法，能較全面地檢測(cè)出當(dāng)前系統(tǒng)或部件是否處于異常狀態(tài)，并且算法執(zhí)行效率較高，較好地滿足飛行器地面測(cè)試要求。使用本文提出的數(shù)據(jù)快速判讀方法能夠在線檢測(cè)數(shù)據(jù)異常，為提高系統(tǒng)的自動(dòng)化程度，未來(lái)研究可以從以下3個(gè)方面著手進(jìn)行改進(jìn)：

（1）引入神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等分類算法對(duì)檢測(cè)出的異常進(jìn)行分類，最終實(shí)現(xiàn)故障的在線實(shí)時(shí)診斷;（2）中引入統(tǒng)計(jì)學(xué)和精確性再訓(xùn)練方法，使得模型的各項(xiàng)權(quán)重參數(shù)能夠適應(yīng)不同類型測(cè)試數(shù)據(jù)的自變量和因變量的分步，擴(kuò)大算法的使用范圍;（3）進(jìn)一步改進(jìn)算法，建立異常數(shù)據(jù)檢測(cè)專家?guī)?，進(jìn)一步提高故障檢測(cè)的可靠性和結(jié)果的可信度。

參考文獻(xiàn)

[1]方澤南，傅尚新，張勇.時(shí)間序列在故障診斷中的應(yīng)用[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，1998，38（9）：123-126.

FANG Zenan，F(xiàn)U Shangxin，ZHANG Yong.Fault diagnosis based on time series[J].Journal of Tsinghua University：Science and Technology，1998，38（9）：123-126.

[2]張海龍，關(guān)根志，周金，等.基于改進(jìn)ART2神經(jīng)網(wǎng)絡(luò)的絕緣子故障在線診斷[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，35（10）：41-45.

ZHANG Hailong，GUAN Genzhi，ZHOU Jin，et al.Appli-cation of improved ART2 neural network for the on-line diagnosis of faulty insulators[J].Journal of Hunan Universi-ty：Natural Sciences，2008，35（10）：41-45.

[3]DEMETGUL M，TANSEL L N，TASKIN S.Fault diagnosis of pneumatic systems with artificial neural network algorithms[J].Expert Systems with Applications，2009，36（7）：10512-10519.

[4]XU Zengbing，XUAN Jianping，SHI Tielin，et al.Application of a modified fuzzy ARTMAP with feature-weight learning for the fault diagnosis of bearing[J].Expert Systems with Applications，2009，36（6）：9961-9968.