小衛(wèi)星健康狀態(tài)自主模糊綜合評估方法

周治國 馬文浩 劉杰強 馮榮尉

①(北京理工大學信息與電子學院 北京 100081)

②(北京東方計量測試研究所 北京 100094)

1 引言

地面測試是衛(wèi)星發(fā)射前的重要階段，測試結果直接影響發(fā)射任務進程，其主要進行系統(tǒng)級電氣功能、性能指標及健康性狀況的全面驗證，以便及時調(diào)整發(fā)射計劃和返廠檢修。作為衛(wèi)星地面測試工作的最后一個環(huán)節(jié)，對衛(wèi)星的健康狀態(tài)自主評估系統(tǒng)也越來越受工程界和科研界的關注重視。衛(wèi)星健康狀態(tài)評估主要對星上測控通道下傳的遙測數(shù)據(jù)進行局部和整體的綜合評估?！熬C合評估”一方面是要求評估方法滿足融合類型特點，另一方面則是要求評估過程遵從系統(tǒng)性原則[1]，所評估的目標指標不是其下級指標的簡單相加，而是適應指標之間的線性與非線性關系。

目前針對衛(wèi)星健康狀態(tài)自主評估的問題，國內(nèi)外學者提出了各種評估方法，并在工程應用中取得了一定的成果。最初美國國家航空航天局(National Aeronautics and Space Administration, NASA)提出了飛行器綜合健康管理(Integrated Vehicle Health Management, IVHM)的概念，通過持續(xù)監(jiān)測設備故障，以采取對應的恢復手段[2]。美國研制的測試性工程和系統(tǒng)維護系統(tǒng)(Testability Engineering And Maintenance System, TEAMS)工具集[3]和“深空間一號”運用的軟件包Livingstone2[4]都實際運用了此技術。國內(nèi)研究人員針對健康狀態(tài)評估技術也進行了一定的研究，楊軍[5]利用模糊數(shù)學和層次分析法對衛(wèi)星導航系統(tǒng)的綜合能效評估進行了嘗試，宿晨庚等人[6]對北斗三號空間信號質(zhì)量進行了比較全面定量評估，代京等人[7]研究了基于面向?qū)ο蟮呢惾~斯網(wǎng)絡的健康評估實現(xiàn)技術，文獻[8]研究了基于Petri網(wǎng)建模的衛(wèi)星綜合評估算法，劉帆等人[9]設計了基于業(yè)務中臺與數(shù)據(jù)中臺的多航天器綜合評估系統(tǒng)架構。

我國航天測試部門對關于自動或智能化的衛(wèi)星狀態(tài)自主評估技術研究已久，但現(xiàn)階段實用效果并不理想，主要存在以下問題：(1)利用現(xiàn)有衛(wèi)星測試系統(tǒng)可實現(xiàn)衛(wèi)星各項參數(shù)的全面測試，實時屬性比較突出，但是數(shù)據(jù)挖掘分析不足，大都停留在單機級數(shù)據(jù)異常檢出的階段，對有效評估衛(wèi)星系統(tǒng)級的健康狀態(tài)尚處于探索階段。(2)衛(wèi)星綜合狀態(tài)評估過程仍是以專家的經(jīng)驗和知識為主：通過對衛(wèi)星遙測參數(shù)、狀態(tài)等進行人工觀察，輔之以簡單的統(tǒng)計分析方法，對衛(wèi)星綜合狀態(tài)進行分析。這種方式目前不能達到理想的效果，由于過于依賴專家的先驗主觀經(jīng)驗和水平，結果存在一定的偏差，且通用性不足。(3)衛(wèi)星狀態(tài)的評估診斷結果通常是用故障發(fā)生概率或一些自定義系數(shù)來表述，這種表達方式對設計人員是可理解的，而對部分測試人員及衛(wèi)星使用單位存在一定困難，使用推廣性差。

針對以上問題，本文提出一種用于實現(xiàn)衛(wèi)星狀態(tài)自主評估的計算方法，通過改進模糊綜合評判法的單一指標模糊向量和權重向量的來源與生成方式，將以往只把專家的主觀評價作為評判因子的評價方法，引入數(shù)據(jù)異常檢測評估算法并與主客觀組合賦權法的結果進行模糊計算，提高狀態(tài)綜合評估的客觀性與效率，實現(xiàn)自動化、智能化的評估流程。結果將采用“健康等級”這一直觀表述來描述衛(wèi)星健康狀態(tài)，降低地面衛(wèi)星測試、檢修環(huán)節(jié)對專業(yè)人員的依賴，很大程度地減少人力資源和成本，總體評估流程如下：

(1)對衛(wèi)星復雜大系統(tǒng)進行梳理并建立評估指標體系，明確各層評估備擇的對象集(各層評估的對象，整星系統(tǒng)或分系統(tǒng))和指標集(對目標對象要從下一層的哪些單機部件參數(shù)或分系統(tǒng)來進行評判描述)。

(2)利用單項評估算法得到量化健康值，經(jīng)過健康等級評語集的隸屬度函數(shù)計算模糊向量，確定單因素評判矩陣。

(3)采用復合賦值的方法確立評價指標的主客觀組合權重值，生成權值向量。

(4)選擇合理的模糊算子，對同步緩沖池內(nèi)的數(shù)據(jù)指標進行自底向上的模糊綜合評價遍歷運算。以最大歸依度準則，得到各層“健康等級”。

在小衛(wèi)星半實物仿真模型上對本文提出的健康狀態(tài)綜合評估系統(tǒng)進行上機驗證，實驗結果表明本系統(tǒng)在算法運行效率、實時性、可解釋性都表現(xiàn)良好，具備一定的實用價值。

2 衛(wèi)星綜合評估系統(tǒng)結構

以小衛(wèi)星測控通道1 Hz的遙測數(shù)據(jù)下傳的幀率，會產(chǎn)生大量測試數(shù)據(jù)。為了得到合理的評估結果，本文提出了嚴密的綜合評估系統(tǒng)結構。其主要分為硬件設備、軟件平臺和評估算法3個層面。其中硬件設備包括衛(wèi)星自主評估設備、衛(wèi)星日常巡檢設備、衛(wèi)星模擬訓練平臺，如圖1所示。衛(wèi)星自主評估設備可應用于長時間存儲階段以及交付驗收階段，完成對衛(wèi)星全面的地面測試；衛(wèi)星日常巡檢設備可應用于發(fā)射前測試及存儲階段健康檢查，完成對衛(wèi)星的快速測試；衛(wèi)星模擬訓練平臺，可生成模擬衛(wèi)星數(shù)據(jù)，建立衛(wèi)星評估模型以及評估結果的驗證。

軟件平臺結構(圖2)包括分系統(tǒng)前端插件、數(shù)據(jù)服務系統(tǒng)、應用客戶端、分布式消息中間件和數(shù)據(jù)庫。分系統(tǒng)前端插件實現(xiàn)與分系統(tǒng)軟件的數(shù)據(jù)和指令交互，通過插件管理各分系統(tǒng)前端設備，采集硬件設備數(shù)據(jù)，并對硬件設備進行監(jiān)控；數(shù)據(jù)服務系統(tǒng)采用后臺服務的模式，實現(xiàn)測試數(shù)據(jù)處理、判讀、存儲、分系統(tǒng)設備控制、指令發(fā)送等；應用客戶端為人機交互接口，實現(xiàn)自動化測試、實時數(shù)據(jù)顯示、數(shù)據(jù)查詢分析和基礎信息管理等功能；分布式消息中間件實現(xiàn)測試數(shù)據(jù)緩存、數(shù)據(jù)訂閱和發(fā)布、消息隊列功能，作為數(shù)據(jù)服務系統(tǒng)與應用客戶端、數(shù)據(jù)服務器內(nèi)部功能模塊間數(shù)據(jù)與指令的交互接口；數(shù)據(jù)庫用于存儲衛(wèi)星型號信息、測試設備參數(shù)、指令列表、指令判據(jù)、參數(shù)列表、評估指標、評估方法及測試用例等，為自主評估提供基礎信息；同時存儲測試結果數(shù)據(jù)和過程數(shù)據(jù)，用于歷史數(shù)據(jù)查詢和分析。其中，框架程序使用C#語言設計，算法及部分圖形用戶界面(Graphical User Interface, GUI)展示使用MATLAB語言實現(xiàn)，衛(wèi)星數(shù)據(jù)存儲在SQL Server數(shù)據(jù)庫中，使能鍵值和關鍵變量存放在Redis數(shù)據(jù)庫中。

衛(wèi)星評估體系建立在直觀、層次化的衛(wèi)星功能模塊劃分及內(nèi)部結構耦合關系之上。通過解析某衛(wèi)星的協(xié)議，結合衛(wèi)星任務屬性、遙測包類型和待測衛(wèi)星實際狀態(tài)，將其層級劃分為整星級、分系統(tǒng)級、子系統(tǒng)級及單機級。其中分系統(tǒng)級包括熱控、供配電、數(shù)傳等，下屬子系統(tǒng)包括熱控速變遙測、溫度遙測、能源組件速變、能源組件緩變等。而單機級參數(shù)則直接來源于遙測數(shù)據(jù)，根據(jù)遙測數(shù)據(jù)的類型、重要程度等，選擇100條左右關鍵的單機部件納入整星評估體系中，其中包括遙控通道信噪比(Signal-Noise Ratio, SNR)等通信質(zhì)量參數(shù)、光纖陀螺等物理量參數(shù)、前鏡筒溫度等溫度參數(shù)、射頻電路模塊電壓等電學參數(shù)、星上時鐘等統(tǒng)計標志量參數(shù)，最終建立一個龐大復雜的、多層次的、異構的衛(wèi)星綜合評估體系，如圖3所示。

對應于綜合評估體系，算法結構包括單項指標評估算法和綜合評估算法。根據(jù)部件數(shù)據(jù)本身特性和對時間關聯(lián)度的要求，將單項指標評估算法分為對緩變量的快照分析算法、對急變量的片段分析算法和對特殊變量的統(tǒng)計分析算法。對衛(wèi)星狀態(tài)的綜合評估算法則以模糊綜合評判為框架，使各單機級的評估結果在各系統(tǒng)級模糊評價過程中傳遞，并最終影響整星的評估結果。

為了與特定業(yè)務處理的分析應用組件的開發(fā)和擴展功能兼容，以上的單項評估、綜合評估算法具備良好的隔離度，并以.dll方法庫的形式調(diào)用，以支持在不同的評估任務背景下調(diào)用合適的評估方法，方法庫構成如圖4所示。

3 異構單機部件級評估生成模糊向量

以往對模糊綜合評估的算法運用，是通過調(diào)研問卷等形式，讓專家對設備系統(tǒng)的狀態(tài)、能效水平等在備擇集內(nèi)進行主觀評價，根據(jù)反饋結果占比等數(shù)據(jù)生成單因素模糊向量，用于完成模糊綜合評價運算[10]。其過程既費時費力，又會使專家的主觀感受決定整個衛(wèi)星的綜合評估結果。為了得到更加客觀的健康評估結果，實現(xiàn)實時性評估，本文根據(jù)衛(wèi)星異構部件的特性，在異常數(shù)據(jù)檢測算法的基礎上，分別改進并設計了3類單項評估算法，對衛(wèi)星的各個單機部件的健康狀態(tài)進行量化評估，利用健康等級隸屬度函數(shù)自主生成對應的模糊向量。

3.1 基于高斯分布的快照分析評估算法

在衛(wèi)星電路系統(tǒng)中，帶來誤差的主要干擾因素是熱噪聲，這是無源器件如電阻、饋線由于電子布朗運動而引起的噪聲，其特性接近于高斯白噪聲。本文在針對單項緩變量的快照評估過程中，不考慮前后幀數(shù)據(jù)在時域、頻域上的關聯(lián)，僅僅關注衛(wèi)星最近時刻采樣點，根據(jù)即時數(shù)據(jù)完成分析算法邏輯并得出結果，這屬于多次獨立觀測實驗，符合高斯過程的特性。經(jīng)過實驗選擇，快照分析評估采用了基于高斯分布模型的方法，主要有兩個好處：一方面，算法過程較為簡單，運算效率高，符合快照評估即時性要求。另一方面，此算法為非監(jiān)督學習，所有數(shù)據(jù)都是無標簽的，不需要采集一定量的衛(wèi)星故障數(shù)據(jù)進行訓練，可以只針對狀態(tài)正常的部件樣本進行建模。通常衛(wèi)星數(shù)據(jù)異常狀況的樣本很少，并且出現(xiàn)異常的數(shù)據(jù)特征和其對應原因也不盡相同，所以此算法具備良好的可用性和通用魯棒性。

基于高斯分布的數(shù)據(jù)異常檢測方面的研究已經(jīng)比較深入[11]，整體思路也很直觀：小概率事件一般不會發(fā)生，一旦發(fā)生為異常事件。而部件狀態(tài)的評估還與數(shù)據(jù)異常判定不同：不僅需要“0/1”2元的判定數(shù)據(jù)異常與否，還要在一定范圍內(nèi)表述部件的健康程度。為此本文將高斯分布的異常檢測算法用于快照評估過程中進行了改進，主要流程如下：

(1)預處理衛(wèi)星數(shù)據(jù)，將其去噪、剔除異常值和刪除、平滑缺失值等；

(2)計算部件的特征均值與方差，進而擬合對應的高斯分布；

(3)基于高斯分布檢測算法的基本理論，計算部件參數(shù)特征值數(shù)據(jù)樣本的概率分布二段閾值，構建逆向型無量綱化處理模型；

(4)將評估幀數(shù)據(jù)輸入無量綱化處理模型，快速評估出設備的快照健康狀態(tài)量化數(shù)值。

輸入快照評估的某一部件歷史數(shù)據(jù)以1維數(shù)據(jù)X(i)={x(1),x(2),...,x(i)}表示，x(i)∈R。對于給定的數(shù)據(jù)集x(1),x(2),...,x(i)，利用極大似然估計的方法，估算出兩個重要的特征值。

由高斯分布式

根據(jù)極大似然準則得

確定X(n)雙段門限值，根據(jù)實際數(shù)據(jù)質(zhì)量以及專家建議，選取一段偏離警戒門限值ε1=σ，二段偏離異常門限值ε2=3σ作為評估無量綱化函數(shù)的生成依據(jù)。這種門限值設定隱含了部件健康基準恒定的假設，實際上衛(wèi)星健康水平的界定范圍存在一個難以準確定義的范圍，因此系統(tǒng)還支持將樣本數(shù)據(jù)可視化后由專家判別并確定門限ε1,ε2的初值，再通過驗證樣本對門限值進行微調(diào)。此外，若某單機數(shù)據(jù)特征與高斯分布偏離較大，則需要同時觀測與其處在同一子系統(tǒng)的部件數(shù)據(jù)特征和功率譜。若其他部件所受噪聲為高斯白噪聲，則此部件所受為局部色噪聲，利用其噪聲特征分布作為粒子濾波算法的先驗信息，可求得濾波后的單機部件數(shù)據(jù)；若其他部件也與高斯分布偏離較大，則可能整個子系統(tǒng)都受到了有色噪聲影響或者這些數(shù)據(jù)本身為非高斯分布，這需要在數(shù)據(jù)預處理階段引入獨立元分析(Independent Component correlation Algorithm,ICA)，進行盲源信號分離，使各單機數(shù)據(jù)與非高斯影響變量間變得獨立不相關，再重構各單機數(shù)據(jù)進行建模評估。

衛(wèi)星系統(tǒng)作為一個典型的復雜異構系統(tǒng)，反映衛(wèi)星健康狀態(tài)的數(shù)據(jù)復雜多樣，如溫度、電壓、SNR等，都具有不同的性質(zhì)和量綱。在利用衛(wèi)星單項評估特征參數(shù)進行綜合評估前，需要將部件健康水平進行規(guī)范化處理以得到區(qū)間一致、度量相同的可以進行綜合的量化值，本文將其定義為“健康度”。考慮到實際系統(tǒng)性能退化特點，最終采用如圖5所示逆向型無量綱模型，無量綱化后的健康值范圍在0～100，當|x(i)-μj|≤ε1時，f(x)=100，當|x(i)-μj|≥ε2時，f(x)=0。

無量綱處理函數(shù)為

其中，f(x)為單項評估的健康值；ε1為一段偏離警戒門限值；ε2為二段偏離異常門限值；b為形狀調(diào)節(jié)參數(shù)。將衛(wèi)星數(shù)據(jù)送入訓練后生成的逆向型無量綱化處理模型中，會得到百分制的單項快照評估健康值，是后續(xù)綜合評估的直接依據(jù)之一。

3.2 基于LSTM預測的片段分析評估算法

與快照分析評估的方法不同，片段分析評估重視數(shù)據(jù)序列在一定時間段內(nèi)時域、頻域的前后關聯(lián)，尤其數(shù)據(jù)處于連續(xù)變化時，快照分析方法很難有效地表示出動態(tài)時變的門限值，無法合理地構建無量綱化函數(shù)。比較典型的是衛(wèi)星蓄電池剩余電量指標的評估：如果從快照分析的數(shù)據(jù)離散異常角度出發(fā)而不考慮參數(shù)的前后幀的關聯(lián)，即使剩余電量發(fā)生驟變，參數(shù)將仍被評估為正常，這顯然不符合事實。因此，此類需要考慮動態(tài)趨勢的部件參數(shù)需要在一定時間內(nèi)多維度、多次采樣地進行分析。而長短期記憶網(wǎng)絡(Long-Short Term Memory,LSTM)，作為遞歸神經(jīng)網(wǎng)絡(Recurrent Neural Network, RNN)的一種特殊類型，既保留了標準RNN的優(yōu)勢，能夠利用歷史數(shù)據(jù)對時間序列進行推演預測，善于提取時域關聯(lián)信息，又在大多數(shù)情況無需特征工程步驟直接應用于時間序列。而衛(wèi)星數(shù)據(jù)屬于時間序列，且隨時間有一定的規(guī)律。這決定了LSTM模型是用于片段評估合適的選擇[12]。

基于LSTM預測方法的數(shù)據(jù)片段評估流程如圖6所示，主要包含4個步驟：(1)衛(wèi)星數(shù)據(jù)片段預處理：該步驟對衛(wèi)星原始數(shù)據(jù)進行數(shù)據(jù)篩選、清理、歸一化等預處理，由此構造模型樣本；(2)LSTM模型訓練：該步驟主要利用LSTM模型對步驟(1)處理后的數(shù)據(jù)進行訓練，并得出訓練數(shù)據(jù)的模型訓練誤差；(3)LSTM模型預測執(zhí)行：該步驟利用訓練后的LSTM模型對衛(wèi)星的數(shù)據(jù)片段執(zhí)行預測；(4)LSTM模型執(zhí)行評估：該步驟是利用預測數(shù)據(jù)與模型訓練誤差程度生成逆向型無量綱模型，對被測時間段內(nèi)的片段數(shù)據(jù)執(zhí)行評估。

在利用衛(wèi)星片段數(shù)據(jù)對LSTM模型訓練的過程中，模型預測結果通過選擇適合的損失函數(shù)對比其與實際值的偏差，優(yōu)化函數(shù)能夠基于偏差值對各個權重進行更新，直至模型的性能滿足需求，最終實現(xiàn)LSTM對衛(wèi)星單機部件時間序列的預測。

而最終模型訓練誤差為RMSE，稱為均方根誤差

為了對離散型的預測結果進行函數(shù)表示，采用拉格朗日插值算法進行函數(shù)構建，最終預測數(shù)據(jù)的插值連續(xù)函數(shù)為

將以上的2段門限值，作為無量綱化模型的關鍵節(jié)點，以此來進行健康程度的量化

判斷片段分析數(shù)據(jù)健康程度的直接依據(jù)為：根據(jù)預測值與實際值的偏差程度超過模型 RMSE的程度，來判斷實際值出現(xiàn)異常的可能性，得出量化后的健康值，這將是綜合評估的另一個直接依據(jù)。

3.3 單項評估指標模糊向量的生成

傳統(tǒng)模糊綜合評價集往往是利用咨詢的滿意度等級來反映人們對指標的滿意程度，是一個非自主的評價過程。而本文從數(shù)據(jù)異常檢測算法改進而來的單項評估算法是機器決策的過程，無法直接生成主觀的模糊滿意度。為了后續(xù)自主地實現(xiàn)衛(wèi)星狀態(tài)綜合評估，需要借助模糊處理方法得出性能指標的模糊滿意度，即“健康等級”。過程中需要根據(jù)領域?qū)＜医o出有關滿意度的定性判斷來構建健康等級評價的隸屬函數(shù)，以此為依據(jù)生成狀態(tài)模糊向量。

衛(wèi)星狀態(tài)由健康到失效是一個隨時間發(fā)展的過程，為反映衛(wèi)星狀態(tài)變化趨勢，在單項評估輸出的健康值域[0,100]內(nèi)定義健康度 [良好，正常，一般，惡化，病態(tài)] 5個等級，如圖8所示。為了計算方便，采用中間型梯形模糊數(shù)，其隸屬函數(shù)如式(16)—式(18)所示。其健康等級隸屬函數(shù)的上下界系統(tǒng)設計初始設定為a1=10,a2=30,a3=60,a4=90,b2=20,b3=40,b4=70,b5=95。系統(tǒng)也支持領域?qū)＜腋鶕?jù)單項指標的特性，調(diào)整對應的模糊集隸屬函數(shù)。

同一指標層參量通過隸屬函數(shù)計算出的多個模糊向量，可生成同層評判矩陣

3.4 基于統(tǒng)計算法的關鍵量評估

本文考慮的關鍵量主要為“星上時間”，利用其按生成時間等步長疊加的特性，定制基于統(tǒng)計的檢錯算法：使用多個特征向量進行依次差分，根據(jù)依次差分結果向量的特征，將故障幀檢出，主要包括的故障類型有：數(shù)據(jù)與生成時間頻率不一致型錯誤、數(shù)據(jù)停止迭代型錯誤、數(shù)據(jù)連續(xù)下降型錯誤、數(shù)據(jù)缺漏型錯誤、數(shù)據(jù)重置型等，具體步驟如下：

步驟1 觀測時間內(nèi)的“星上時間”數(shù)據(jù)為Value，對應的生成時間為CT。

步驟2 利用逐差法計算星上數(shù)值標志位Signti=Valueti-Valueti+1(ti=1,2,...,L-1)和生成時間標志位Timesignti=CTti-CTti+1(ti=1,2,...,L-1)，當“星上時間”數(shù)據(jù)正常時：Signti=Timesignti=1(ti=1,2,...,L)。

步驟3 將步驟2 產(chǎn)生的兩個標志位逐差CLKti=Signti-Timesignti,CLKti?=0的t i時間位置是數(shù)據(jù)頻率與生成時間頻率不一致型錯誤。

步驟4 Signti=0的t i時間位置是數(shù)據(jù)停止迭代型錯誤；Signti＜0 且Signti+1＜0的t i時間位置是數(shù)據(jù)連續(xù)下降型錯誤；Signti＞1的t i時間位置是數(shù)據(jù)缺漏型錯誤；Signti＜0 且Signti+1≥0的t i時間位置是數(shù)據(jù)重置型。

為了更好地展示效果，可以將連續(xù)錯誤幀進行歸類，并自動命名。把孤立錯誤幀進行檢出，單獨圖片顯示，還將輸出響應的正確參考數(shù)據(jù)，大體效果如圖9所示。

考慮到“星上時間”參數(shù)對于定位、通信同步等方面的重要程度，本文將此參數(shù)的健康狀態(tài)設定為綜合評估的使能信號，在“星上時間”參數(shù)正常的狀態(tài)下，才能進行全流程的健康狀態(tài)綜合評估。此外，不同任務類型的衛(wèi)星具有不同偏向的關鍵量，還有一些如文獻[6,13]這類需要由下傳數(shù)據(jù)進行一定規(guī)則運算的指標參數(shù)，本衛(wèi)星綜合評估系統(tǒng)將單項評估以方法庫的形式進行調(diào)用，支持根據(jù)不同的參數(shù)再定制專用的單項評估算法，可通過模塊化擴充方法庫的形式，進一步提高評估系統(tǒng)的置信度和可用性。

4 主客觀組合賦權生成模糊權重

在對衛(wèi)星整星進行模糊綜合評價的過程中，各個評估指標所對應的健康狀態(tài)權重是必不可少的，其反映了下層單機部件狀態(tài)變化對上層系統(tǒng)影響的大小。目前，確定權值的方法大體上分兩類：主觀賦權法和客觀賦權法。前者依靠專家經(jīng)驗知識判斷所得，隨意性較大，但其所得結果反映的屬性或相對重要程度可能會更符合人們的直觀認知；后者是根據(jù)被評估指標的樣本數(shù)據(jù)特性計算所得，一定程度上保證了客觀性，能更好地反映系統(tǒng)評估指標的數(shù)據(jù)動態(tài)信息，但是更容易受到數(shù)據(jù)方差和極值的影響，使求得權重結果不準確，偏離人們對系統(tǒng)的認知的情況。

考慮到以上兩類權值確定方法的特點及不足，同時為了將定性思考與定量計算相融合。本文在確定評價指標權重的賦權方法上分別通過層次分析法(Analytic Hierarchy Process, AHP)和熵值賦權法(Entropy Weight Method, EWM)得到衛(wèi)星健康狀態(tài)評估指標的主、客觀權重，然后利用離差最大化方法求出合理的組合賦權[14]。這使得模糊權重向量更加接近指標的實際權重，從而得到更加準確的綜合評估結果，基于離差最大化主客觀組合賦權原理如圖10所示。

4.1 層次分析法生成主觀權重

在綜合評估賦權系統(tǒng)中，首先運用AHP法，利用領域?qū)＜业慕?jīng)驗判定，將實驗和運行中各部件參數(shù)對航天器總體健康的影響程度的感性認識轉化為程度遞進的兩兩比較分數(shù)，對于不同的故障類型，根據(jù)其對系統(tǒng)運行情況的影響程度，賦予不同的權重，從而獲得同一層次指標對上一層的影響程度權重矩陣。其主要流程如下：

(1)根據(jù)衛(wèi)星資料數(shù)據(jù)和相關專家意見以相對重要性比較作為矩陣元素確定成對判斷矩陣Aij=(aij)n×n，其也稱正互反矩陣。

(5)保證YCR＜0.1，賦權矩陣符合一致性要求 ，得出主觀賦權向量W=(W1,W2,...,WN)T。

4.2 熵權法生成客觀權重

本文采用EWM法確定衛(wèi)星健康評估下層指標相對于其上層系統(tǒng)的客觀權值。利用EWM法可充分利用衛(wèi)星健康狀態(tài)評估指標的數(shù)據(jù)變化信息：指標變異程度越大，提供的信息量也就是信息熵也越大，在綜合評估中起到的故障信息傳遞的作用就越大，其客觀權重也隨之越大。EWM法主要流程如下：

4.3 基于離差最大化的主客觀權重組合

為了將主觀權重與客觀權重有效結合，使得最終權值分配更加合理接近實際，本文采用離差最大化的思想進行組合賦權：若組合后賦權結果與主觀賦權值之間存在較大差異，即權值經(jīng)歷主客觀組合后的結果相對專家的評判出現(xiàn)了較大差異時，說明某部件的變化程度脫離了專家的認知，導致這種情況出現(xiàn)的部件指標對最終的評價結果貢獻度較大，應賦予較大權重。

基于離差最大化的思想，求解最優(yōu)化賦權，可得最優(yōu)化賦權模型為

為求解該賦權模型，構建拉格朗日函數(shù)為

求解式(23)，可得α,β,φ的取值分別為

5 基于自底向上遍歷的模糊綜合評價

傳統(tǒng)的模糊綜合評價通常在評估系統(tǒng)的全部內(nèi)容先驗已知的情況下，只進行一次模糊運算，得出各級的計算結果[15]。而本文參與模糊運算的各項指標參數(shù)由單項評估和組合賦權的結果自主運算而來，因此不同指標的單項評估結果生成時間差異或者不同結構的待測衛(wèi)星，綜合評估的體系結構可能會隨時發(fā)生變化，而模糊綜合評價作為評估系統(tǒng)方法庫中的模塊，必須適應模糊運算指標的所有變化可能，因此本文在模糊綜合評價算法的基礎上結合了遍歷的思想，提出了基于自底向上遍歷的模糊綜合評價方法，實現(xiàn)了通用化的綜合評估功能。

考慮到衛(wèi)星系統(tǒng)的評估體系存在鮮明的層次性，在模糊評價的過程中，對每個評價指標都需要由下一層的若干評價指標來決定。評估實現(xiàn)流程都是以單個評估指標的評估結果為基礎，整體的評估流程是一個自底向上的過程?；谧缘紫蛏媳闅v的模糊綜合評價，就是面對任意的評估結構樹圖，都能完成一套自下而上的各個節(jié)點和枝干的遍歷過程，在遍歷過程中依靠符合要求的模糊運算指標完成各層的模糊運算。主要流程如下：

步驟1 初始化樹圖，將已完成單項評估并遞交分數(shù)的葉節(jié)點模糊向量R輸入，將目前健康值數(shù)據(jù)為空的葉節(jié)點對應權值置為“0”，并歸一化同層權重向量U。

步驟2 找出本時刻完成單項評估的葉節(jié)點，輸入其模糊向量R，其余的全部葉節(jié)點的模糊向量置為零矩陣[0,0,0,0,0]。

步驟3 找出全部由非零矩陣構成的父子節(jié)點，進行一輪模糊運算U ?R，保存運算結果。

步驟4 向已進行模糊計算的父節(jié)點遞交模糊向量R，并隱藏此父節(jié)點的全部子節(jié)點。

步驟5 重復步驟1—步驟4，直到隱藏了除頂層節(jié)點的全部子節(jié)點。

到了各個父節(jié)點的模糊向量后，根據(jù)最大歸依度準則，衛(wèi)星各層系統(tǒng)的健康度隸屬于第r等級Mr=max{mj}, j=1,2,...,5，即可完成對各層子系統(tǒng)、分系統(tǒng)和整星的綜合評估，實現(xiàn)了良好的兼容性和可用性。

6 實驗校驗

實驗在小衛(wèi)星半實物仿真平臺(圖11)上進行，通過SQL Server數(shù)據(jù)庫調(diào)取半實物仿真衛(wèi)星生成的數(shù)據(jù)。經(jīng)過專家在配置界面對關鍵參數(shù)的單項評估類型、特定參數(shù)的雙段閾值和層次分析法的正互反矩陣進行配置后，在“星上時鐘”和Redis鍵值使能信號都正常的情況下，開始進行整星的綜合評估。

考慮到上百條數(shù)據(jù)的配置難度和可觀性，選取“能源分系統(tǒng)”的健康狀態(tài)進行試驗。初始狀態(tài)下，使用正常的能源分系統(tǒng)數(shù)據(jù)進行訓練及驗證。其中，初始配置指標集正互反矩陣如表1—表3所示。

表1 “能源分系統(tǒng)”正互反矩陣

表2 “能源速變分系統(tǒng)”正互反矩陣

表3 “能源緩變分系統(tǒng)”正互反矩陣

經(jīng)過第3節(jié)的運算后，可得能源分系統(tǒng)內(nèi)的各項指標對應的權值如表4所示。

表4 “能源分系統(tǒng)”下的各權值

對以上AHP的一致性進行檢驗：其中A1為2階矩陣，本身具有完全一致性，不需要檢驗；A2對應的CR=0.0039＜0.1，一致性可以接受；A3對應的CR=0，一致性可以接受。

在引入故障數(shù)據(jù)后，基于LSTM預測方法的片段評估的“28 V電源電壓”的實驗中，設置LSTM模型的輸入為200個節(jié)點，輸出層為20個節(jié)點；訓練時反向傳播算法的迭代次數(shù)為100，學習率為0.005，隱含層神經(jīng)元數(shù)為200。經(jīng)過訓練，生成的損失隨迭代次數(shù)變化如圖12所示。得到每個輸入向量的預測值，按照3.2節(jié)對預測值序列進行拉格朗日插值，計算預測結果的均方根誤差RMSE，設置評估上下二段門限值。

結果如圖13所示，可以發(fā)現(xiàn)從“10:46:50”左右開始，此參數(shù)開始出現(xiàn)明顯欠壓，與預測數(shù)據(jù)片段出現(xiàn)明顯的偏差，經(jīng)過無量綱模型處理后得出最終健康值為“32”，轉化為單因素模糊向量為

[0,0.8,0.2,0,0]。

如圖14，基于高斯分布快照分析評估的“+5 V電源電壓”的實驗中，通過對訓練樣本的區(qū)間分布圖分析可以發(fā)現(xiàn)，樣本數(shù)據(jù)采集點大部分位于5.04～5.1 ，在此區(qū)間之內(nèi)的數(shù)據(jù)大體近似于高斯分布模型，經(jīng)過計算可得μj=5.070,ε1= 0.0117,ε2= 0.0351，將其代入無量綱化模型，求得“10:46:50”左右，數(shù)據(jù)最新幀為4.4326 V，被判定為異常值，無量綱健康值為“0”，其單因素模糊向量為[1,0,0,0,0]。

由以上故障數(shù)據(jù)進一步經(jīng)過多級模糊運算可以求得“10:46:50”左右對象集健康等級模糊向量如表5所示。

表5 對象集的健康等級模糊向量

由最大歸依度準則可以得到各分系統(tǒng)的健康狀態(tài)等級，其中“能源分系統(tǒng)”為“正常”，“能源速變分系統(tǒng)”為“惡化”，沒有受到故障數(shù)據(jù)影響的“能源緩變分系統(tǒng)”為“良好”。各級評估結果都不同程度地受到兩組故障數(shù)據(jù)的影響：小衛(wèi)星母線穩(wěn)態(tài)電壓波動伴隨瞬降，機能下降，但是波動幅度有限，持續(xù)時間較短，并沒有對衛(wèi)星的實際運行狀態(tài)產(chǎn)生不可逆的影響。且穩(wěn)態(tài)電壓波動期間單機指標“當前電量”、“充電電量”與“放電電量”均被判定為“良好”。專家實際判定，此時蓄電池組整體工作狀態(tài)正常，個別蓄電池單體的饋線出現(xiàn)了波動，導致串聯(lián)蓄電池組電壓瞬時降低，隨即恢復正常，與本綜合評估算法判定結果基本保持一致。

在觀測窗口期內(nèi)各算法與實際狀態(tài)評定一致率對比如表6所示，其中原模糊評價法采用了最大最小算子，且需要忽略“星上時間”的故障；而本自主模糊評價法，經(jīng)過數(shù)據(jù)預處理與時鐘同步。在故障注入的階段，本文方法的一致性明顯提高，對小衛(wèi)星數(shù)據(jù)的異常程度有相對準確評估。

表6 觀測窗口期內(nèi)各算法的一致率對比

在算法運行過程中，基于高斯分布的快照評估算法的單步運行時間為53 ms，基于LSTM的片段評估算法的單步運行時間為203 ms，“星上時間”統(tǒng)計評估單步運行時間為21 ms，因此設定1 Hz的信號同步緩沖池，在每個時隙末周期性調(diào)用綜合評估算法。從圖15的“能源分系統(tǒng)”健康度評估結果也容易發(fā)現(xiàn)，雖然評估結果延遲了一個時序周期，但是本文提出的綜合評估方法的計算結果與能源分系統(tǒng)實際的健康度具有較好的一致性 ，而采用最大最小算子的原模糊評價方法更容易受到未處理的數(shù)據(jù)離群值等因素的影響，個別單機部件的極端指標決定整個系統(tǒng)的評估結果，導致計算結果與實際指標的結果相差很大。如圖16，不同的賦權結果對異常部件的直接父節(jié)點“能源速變分系統(tǒng)”的影響較明顯，組合賦權的方法與實際評定結果最為一致，證實本文提出的多層異構的綜合評估方法確實具有更強的準確性和合理性。

7 結束語

本文針對地面測試衛(wèi)星的健康狀態(tài)綜合評估自主性、可實現(xiàn)性、實時性以及客觀性等方面存在的問題，提出了包括硬件、配套軟件和算法等一整套解決方法。其中算法包括針對各異構部件特性的快照評估、片段評估和統(tǒng)計量評估的單項評估方法，還包括基于單項評估結果模糊轉化后的系統(tǒng)級綜合評估方法。首先，采用基于高斯分布模型、LSTM模型和統(tǒng)計量模型結合模糊無量綱模型定量計算單機部件“健康度”，再結合主客觀組合賦權和樹圖遍歷的方法定性計算各級系統(tǒng)的“健康等級”。本文不僅建立了開放性的衛(wèi)星評估體系，而且對于傳統(tǒng)大多依靠專家主觀評定的衛(wèi)星健康評估問題，采用了客觀量化評估模型和主客觀組合賦權的方法。經(jīng)驗證，該方法可行性高，在考慮了專家意見的同時力求客觀，最大限度減輕領域?qū)＜邑摀拖嚓P測試維修人員的專業(yè)性要求。且通過開放性方法庫的擴展，可以快速地將故障檢測領域的研究成果進行合理的轉化利用，用于各型衛(wèi)星的系統(tǒng)評估，這對于地面衛(wèi)星發(fā)射前的健康狀態(tài)管理具有重要意義。