基于GAN序列的衛(wèi)星數(shù)據(jù)接收系統(tǒng)故障定位*

王正晟，李亞林，張洪群

(1 中國(guó)科學(xué)院空天信息創(chuàng)新研究院， 北京 100094； 2 中國(guó)科學(xué)院大學(xué)電子電氣與通信工程學(xué)院， 北京 100049)

衛(wèi)星數(shù)據(jù)接收系統(tǒng)利用天線對(duì)經(jīng)過(guò)無(wú)線傳輸?shù)男l(wèi)星高頻微波信號(hào)進(jìn)行接收后，通過(guò)各個(gè)信號(hào)處理環(huán)節(jié)將其處理為二進(jìn)制數(shù)據(jù)。接收系統(tǒng)的故障定位就是在故障發(fā)生時(shí)確定發(fā)生故障的信號(hào)處理環(huán)節(jié)。由于接收系統(tǒng)組成復(fù)雜且各信號(hào)處理環(huán)節(jié)相互耦合[1]，難以對(duì)其建立精確的故障定位模型。目前已有的故障定位方法大致分為3類：基于專家系統(tǒng)(expert system，ES)的方法[2]、基于故障樹分析(fault tree analysis，F(xiàn)TA)的方法[3-9]、基于人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks，ANNs)的方法[10]。

ES方法利用專家知識(shí)根據(jù)故障現(xiàn)象制定故障定位所需要的條件和結(jié)果，形成故障定位規(guī)則存入數(shù)據(jù)庫(kù)。在實(shí)際使用中其推理機(jī)通過(guò)規(guī)則匹配確定故障源。

FTA方法將基于二叉樹構(gòu)建的故障樹模型引入推理機(jī)的設(shè)計(jì)，成為目前接收系統(tǒng)故障定位的主流方法。由根節(jié)點(diǎn)到葉節(jié)點(diǎn)的層次和邏輯關(guān)系對(duì)應(yīng)于故障樹的推理過(guò)程。因?yàn)槎鏄鋽?shù)據(jù)結(jié)構(gòu)可以方便地實(shí)現(xiàn)節(jié)點(diǎn)的匹配與遍歷、插入與刪除，所以緩解了規(guī)則的沖突和冗余。文獻(xiàn)[5]利用案例推理(case based reasoning)加快了FTA的推理速度。文獻(xiàn)[6]用包含自動(dòng)化測(cè)試的FTA檢測(cè)方法降低了故障樹葉節(jié)點(diǎn)的虛警率，減少了故障排查時(shí)間。文獻(xiàn)[7]將對(duì)接收流程的檢測(cè)納入了故障定位的范疇以延展FTA方法的檢測(cè)范圍。文獻(xiàn)[8]為克服FTA方法的計(jì)算復(fù)雜度問(wèn)題，將雙向聯(lián)想記憶(bidirectional associative memory)網(wǎng)絡(luò)用于定位故障源。因?yàn)橥ǔo(wú)法在故障樹中找到偶發(fā)故障的處置方法，文獻(xiàn)[9]用各種故障模式之間的關(guān)系構(gòu)建了接收系統(tǒng)的模糊Petri網(wǎng)(fuzzy Petri net)，并結(jié)合維護(hù)經(jīng)驗(yàn)和資源的流動(dòng)推理出故障源。

上述兩個(gè)方法均在對(duì)接收系統(tǒng)建模的基礎(chǔ)上進(jìn)行故障定位。與此相對(duì)，利用ANNs對(duì)復(fù)雜系統(tǒng)強(qiáng)非線性特性的擬合能力，可從數(shù)據(jù)驅(qū)動(dòng)的角度嘗試故障定位。郎國(guó)偉等[10]討論了反向傳播(back propagation，BP)網(wǎng)絡(luò)在接收系統(tǒng)的故障定位中的應(yīng)用，將故障定位問(wèn)題轉(zhuǎn)化為多目標(biāo)分類問(wèn)題。首先分別在每個(gè)信號(hào)處理環(huán)節(jié)出現(xiàn)故障的情況下實(shí)測(cè)各監(jiān)測(cè)點(diǎn)的信號(hào)電平，總結(jié)出代表正常狀態(tài)和各個(gè)環(huán)節(jié)發(fā)生故障的異常狀態(tài)的信號(hào)電平特征向量，并用其訓(xùn)練BP網(wǎng)絡(luò)分類器。訓(xùn)練后的分類器可以根據(jù)異常電平向量分類出其對(duì)應(yīng)的故障環(huán)節(jié)，從而實(shí)現(xiàn)故障定位。

前述方法雖然都在一定程度上完成了定位工作，但是它們有兩個(gè)方面的缺陷：1)ES、FTA還有它們的拓展方法都是專家知識(shí)方法的變體。它們將接收系統(tǒng)的各部分之間的耦合信息融入故障定位規(guī)則或者故障樹的結(jié)構(gòu)以實(shí)現(xiàn)信號(hào)處理環(huán)節(jié)之間的解耦。但當(dāng)涉及到不同設(shè)備之間或復(fù)雜設(shè)備的內(nèi)部環(huán)節(jié)之間的耦合關(guān)系時(shí)，相應(yīng)的專家知識(shí)難以獲取，這使得該類方法的虛警率較高、定位精度低并且難以適應(yīng)系統(tǒng)的更新升級(jí)和設(shè)備更換；2)ANNs方法雖然從信號(hào)電平特征向量本身出發(fā)完成了故障定位，但是為了使向量能夠代表整個(gè)系統(tǒng)的狀態(tài)從而使訓(xùn)練出的分類器達(dá)到較高的分類準(zhǔn)確度，監(jiān)測(cè)點(diǎn)的選取工作仍需大量的專家知識(shí)，所以該方法并沒(méi)有真正意義上實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)。除此之外，由于接收系統(tǒng)在通常情況下處于正常運(yùn)行狀態(tài)，訓(xùn)練分類器所需的異常樣本極難獲得。當(dāng)不同種類樣本的數(shù)量不平衡時(shí)，分類器會(huì)通過(guò)犧牲少數(shù)樣本來(lái)保證多數(shù)樣本的分類準(zhǔn)確度，這意味著訓(xùn)練后的分類器在檢測(cè)階段會(huì)偏向于做出系統(tǒng)無(wú)故障的判斷。

在執(zhí)行衛(wèi)星數(shù)據(jù)接收任務(wù)期間，所有信號(hào)處理環(huán)節(jié)的狀態(tài)參數(shù)都會(huì)被記錄并整合為狀態(tài)參數(shù)向量存入運(yùn)行日志。日志所蘊(yùn)含的大量數(shù)據(jù)為使用深度學(xué)習(xí)的方法解決故障定位問(wèn)題提供了基礎(chǔ)。基于此，本論文提出基于生成對(duì)抗網(wǎng)絡(luò)(generative adversarial network,GAN)序列的故障定位方法GANseq。該方法能夠解決數(shù)據(jù)接收系統(tǒng)樣本數(shù)量不平衡的問(wèn)題，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的故障定位。具體地，首先：本文引入信號(hào)處理單元(signal processing unit，SPU)的概念，基于對(duì)接收系統(tǒng)故障傳播特性方面的研究，將信號(hào)處理環(huán)節(jié)劃分到各個(gè)SPU中，從而將接收系統(tǒng)分解為一個(gè)按照信號(hào)處理順序排列的SPU序列，并將SPU作為故障源進(jìn)行定位。其次：針對(duì)每個(gè)SPU以及可能對(duì)其狀態(tài)造成影響的其他SPU，構(gòu)建基于GAN的檢測(cè)模型用于檢測(cè)它們的聯(lián)合狀態(tài)，進(jìn)而形成一個(gè)GAN序列。最后：在訓(xùn)練階段，僅用正常狀態(tài)參數(shù)訓(xùn)練每個(gè)GAN模型；在故障定位階段，綜合所有模型對(duì)相應(yīng)SPU的聯(lián)合狀態(tài)的檢測(cè)結(jié)果以確定故障SPU，從而完成故障定位。

本方法的主要貢獻(xiàn)包括兩點(diǎn)：1)實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的故障定位：GAN檢測(cè)模型在訓(xùn)練和檢測(cè)中均只需信號(hào)處理環(huán)節(jié)的狀態(tài)參數(shù)，而無(wú)需建立復(fù)雜的故障診斷模型。此外，由于訓(xùn)練后的模型相比于專家知識(shí)能夠更加全面、細(xì)致地反映接收系統(tǒng)在相應(yīng)區(qū)域的特性，所以在完全避免專家知識(shí)獲取環(huán)節(jié)的同時(shí)也降低了虛警率；2)提升故障定位精度：GANseq首次將SPU分解方法引入接收系統(tǒng)故障定位中，將很多原本不能被獨(dú)立分析的信號(hào)處理環(huán)節(jié)映射于不同的SPU，進(jìn)而從整個(gè)系統(tǒng)中分離出故障環(huán)節(jié)，從總體上提升了故障定位的精度。

1 GANseq方法概述

GANseq的流程如圖1所示。首先引入SPU的概念，將SPU定義為信號(hào)處理環(huán)節(jié)的集合。隨后在對(duì)接收系統(tǒng)故障傳播特性研究的基礎(chǔ)上提出SPU分解方法，將接收系統(tǒng)的所有信號(hào)處理環(huán)節(jié)映射至SPU中，從而將接收系統(tǒng)分解為M個(gè)不可分割且硬件獨(dú)立SPU，形成一個(gè)按照信號(hào)處理順序排列的SPU序列。本文用SPUm表示序列中的第m個(gè)SPU。GANseq以SPU作為故障源進(jìn)行定位，利用故障狀態(tài)在SPU序列中的傳播特點(diǎn)，將接收系統(tǒng)的故障定位問(wèn)題分解為M個(gè)有序排列的異常檢測(cè)子問(wèn)題，其中第m(m=1,2,…,M)個(gè)子問(wèn)題對(duì)應(yīng)于前m個(gè)SPU的聯(lián)合狀態(tài)的檢測(cè)。在故障定位中，若前m-1個(gè)SPU的聯(lián)合狀態(tài)的檢測(cè)結(jié)果正常，而前m個(gè)SPU異常，則可判定SPUm為故障源。

圖1 GANseq技術(shù)路線Fig.1 GANseq Technical Route

運(yùn)行日志中的大量狀態(tài)參數(shù)為應(yīng)用基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)方法解決每個(gè)異常檢測(cè)子問(wèn)題提供了基礎(chǔ)。由于接收系統(tǒng)的故障率較低、異常樣本獲取困難，所以GANseq通過(guò)引入GAN來(lái)應(yīng)對(duì)由此引發(fā)的不平衡數(shù)據(jù)集問(wèn)題。鑒于圖像檢測(cè)模型GANomaly[11]的優(yōu)良性能，GANseq在每個(gè)子問(wèn)題m中應(yīng)用了基于GANomaly構(gòu)建的檢測(cè)器ganm，形成一個(gè)GAN序列。具體地，用前m個(gè)SPU的正常狀態(tài)參數(shù)訓(xùn)練ganm，訓(xùn)練完成后的ganm在檢測(cè)中輸出待測(cè)狀態(tài)參數(shù)向量中前m個(gè)SPU對(duì)應(yīng)的參數(shù)的異常分?jǐn)?shù)Am，隨后通過(guò)Am是否超過(guò)閾值Tm判定前m個(gè)SPU的聯(lián)合狀態(tài)是否異常。

2 理論

2.1 故障傳播特性

由于不同設(shè)備之間、單個(gè)設(shè)備內(nèi)部信號(hào)處理環(huán)節(jié)之間均存在耦合性，一個(gè)環(huán)節(jié)發(fā)生故障可能導(dǎo)致其他環(huán)節(jié)的狀態(tài)出現(xiàn)異常。以往的定位方法通常依賴于維護(hù)經(jīng)驗(yàn)和專業(yè)知識(shí)解耦信號(hào)處理環(huán)節(jié)，對(duì)于無(wú)法解耦的環(huán)節(jié)，只能將其整合為一個(gè)故障源進(jìn)行定位。在這種情況下，專家知識(shí)掣肘了定位性能。

通過(guò)對(duì)故障傳播特性的研究可知，多個(gè)信號(hào)處理環(huán)節(jié)之間的耦合關(guān)系源于信號(hào)的流動(dòng)：在形成有效數(shù)據(jù)之前，接收系統(tǒng)需要依次調(diào)用不同的信號(hào)處理環(huán)節(jié)對(duì)同一衛(wèi)星射頻信號(hào)進(jìn)行處理，被調(diào)用的環(huán)節(jié)按照信號(hào)處理順序的方向形成了一個(gè)信號(hào)處理環(huán)節(jié)序列。任一中間環(huán)節(jié)的故障導(dǎo)致其輸出信號(hào)發(fā)生的異常會(huì)影響后續(xù)環(huán)節(jié)的狀態(tài)。耦合關(guān)系的這種誘因意味著故障在信號(hào)處理環(huán)節(jié)之間的傳播方向與接收信號(hào)的流向相同，即使能夠檢測(cè)出某個(gè)環(huán)節(jié)的狀態(tài)參數(shù)異常也不能確定其本身為故障源。

但另一方面，信號(hào)處理環(huán)節(jié)的故障狀態(tài)并不會(huì)影響先于其對(duì)信號(hào)進(jìn)行處理的其他環(huán)節(jié)。利用這一點(diǎn)，可以對(duì)一個(gè)調(diào)用了C個(gè)信號(hào)處理環(huán)節(jié)的接收任務(wù)使用如下故障定位策略。

策略1：首先按照信號(hào)處理順序?qū)⒔邮杖蝿?wù)分解為信號(hào)處理環(huán)節(jié)1至C，然后依次設(shè)計(jì)狀態(tài)參數(shù)檢測(cè)模型檢測(cè)前c(c=1,2,…,C)個(gè)環(huán)節(jié)的聯(lián)合狀態(tài)，如果前c-1個(gè)環(huán)節(jié)的聯(lián)合狀態(tài)正常而前c個(gè)環(huán)節(jié)的聯(lián)合狀態(tài)異常，就可以確定第c個(gè)環(huán)節(jié)為故障源。

2.2 接收系統(tǒng)的SPU分解

由于不同衛(wèi)星的工作模式可能不同，不同衛(wèi)星的接收任務(wù)對(duì)應(yīng)的信號(hào)處理環(huán)節(jié)序列不盡相同。如果使用策略1，則必須針對(duì)不同衛(wèi)星的接收任務(wù)單獨(dú)設(shè)計(jì)聯(lián)合狀態(tài)檢測(cè)模型，而如今衛(wèi)星的工作體制種類繁多，這種方法沒(méi)有可行性。

為解決這一問(wèn)題，引入SPU的概念，并提出接收系統(tǒng)的SPU分解方法，利用接收系統(tǒng)分解產(chǎn)生的SPU序列將所有衛(wèi)星接收任務(wù)的信號(hào)處理環(huán)節(jié)序列統(tǒng)一起來(lái)。以SPU為故障源，針對(duì)每個(gè)SPU和能夠?qū)ζ錉顟B(tài)產(chǎn)生影響的其他SPU的聯(lián)合狀態(tài)設(shè)計(jì)唯一的檢測(cè)模型以實(shí)現(xiàn)故障定位。

2.2.1 SPU分解

SPU被定義為信號(hào)處理環(huán)節(jié)的集合，它的故障狀態(tài)被定義為其所包含的任意一個(gè)信號(hào)處理環(huán)節(jié)出現(xiàn)故障的狀態(tài)。通過(guò)將信號(hào)處理環(huán)節(jié)按照一定的規(guī)則映射到SPU中從而將接收系統(tǒng)分解為一個(gè)按照信號(hào)處理順序排列的SPU序列。

映射規(guī)則包含以下2條：1)建立從信號(hào)處理環(huán)節(jié)到SPU的“多對(duì)一”映射，使得不同的SPU不包含相同的信號(hào)處理環(huán)節(jié)，從而保證SPU之間的硬件獨(dú)立性，使得SPU可以作為獨(dú)立故障源進(jìn)行定位；2)將在不同衛(wèi)星接收任務(wù)的信號(hào)處理順序中兩兩之間相對(duì)位置不確定的信號(hào)處理環(huán)節(jié)映射至同一SPU，并將2個(gè)SPU之間的相對(duì)位置定義為任意兩個(gè)分別被映射于此二者的信號(hào)處理環(huán)節(jié)在所有衛(wèi)星接收任務(wù)信號(hào)處理順序中的相對(duì)位置。由于所有相對(duì)位置不確定的環(huán)節(jié)都在同一SPU內(nèi)，所以屬于不同SPU的2個(gè)信號(hào)處理環(huán)節(jié)在信號(hào)處理順序中具有唯一的相對(duì)位置關(guān)系，從而將接收系統(tǒng)分解為了一個(gè)按照信號(hào)處理順序排列的SPU序列。

原則1)和原則2)共同保證了SPU序列的唯一性，而且還使得序列中的每個(gè)SPU都不可被再次分割，從而將故障定位的粒度最小化，保證了定位的精度。

2.2.2 針對(duì)SPU序列的故障定位

由于SPU序列的方向與信號(hào)處理順序的方向相同，所以類比于故障在信號(hào)處理環(huán)節(jié)間的傳播特性，故障狀態(tài)在SPU間的傳播方向也與接收系統(tǒng)分解產(chǎn)生的SPU序列的方向相同——故障SPU在SPU序列中只會(huì)影響其后續(xù)SPU的狀態(tài)，而對(duì)其之前的SPU不會(huì)產(chǎn)生影響。假設(shè)接收系統(tǒng)分解產(chǎn)生的SPU序列含有M個(gè)SPU，基于故障狀態(tài)在SPU序列中的這種傳播特性，GANseq將策略1推廣至SPU序列得到故障定位策略2，將其用于定位故障SPU。

策略2：以SPU為故障源。將接收系統(tǒng)的故障定位問(wèn)題分解為M個(gè)有序排列的異常檢測(cè)子問(wèn)題，其中第m(m=1,2,…,M)個(gè)子問(wèn)題對(duì)應(yīng)于前m個(gè)SPU的聯(lián)合狀態(tài)的檢測(cè)，并依此設(shè)計(jì)相應(yīng)的檢測(cè)模型。在對(duì)任何衛(wèi)星的接收任務(wù)進(jìn)行故障定位時(shí)，依次檢測(cè)SPU序列中前m個(gè)SPU的聯(lián)合狀態(tài)。如果發(fā)現(xiàn)前m-1個(gè)SPU的聯(lián)合狀態(tài)正常，而前m個(gè)SPU的聯(lián)合狀態(tài)異常，就可以判定故障源為SPUm。

3 方法

如圖1所示，GANseq包含3個(gè)步驟：1)接收系統(tǒng)的SPU分解；2)GAN序列的構(gòu)造和訓(xùn)練；3)故障定位。在將接收系統(tǒng)分解為含有M個(gè)SPU的SPU序列后，根據(jù)策略2，需要在每個(gè)子異常檢測(cè)問(wèn)題m中構(gòu)建以前m個(gè)SPU的狀態(tài)參數(shù)為輸入的異常檢測(cè)模型從而能夠根據(jù)前m個(gè)SPU的狀態(tài)參數(shù)判斷其聯(lián)合狀態(tài)異常與否。因?yàn)檫\(yùn)行日志中含有異常狀態(tài)參數(shù)的向量較少，所以在每個(gè)子問(wèn)題中構(gòu)建結(jié)構(gòu)相似的GAN檢測(cè)模型。

3.1 GAN序列的構(gòu)造和訓(xùn)練

3.1.1 基于GANomaly的檢測(cè)模型

圖2 ganmFig.2 ganm

A(xm)=‖GE,m(xm)-Em(Gm(xm))‖2.

(1)

因?yàn)樯删W(wǎng)絡(luò)在訓(xùn)練中只擬合了正常樣本的內(nèi)部結(jié)構(gòu)，它的參數(shù)不適合產(chǎn)生異常樣本，所以當(dāng)一個(gè)代表前m個(gè)SPU中存在故障的異常樣本xm被編碼器GE,m映射為隱含向量zm時(shí)，解碼器GD,m無(wú)法重構(gòu)這個(gè)樣本。生成網(wǎng)絡(luò)Gm此時(shí)的輸出Gm(xm)被剔除了異常特征，這致使編碼器Em編碼得到的重構(gòu)隱含向量與原始隱含向量之間存在較大差異、產(chǎn)生較大的異常分?jǐn)?shù)A(xm)，從而使得模型可以將異常樣本xm甄別出來(lái)。

3.1.2 預(yù)處理

GAN模型通常希望輸入值為取值范圍在0到1之間的數(shù)值類型，并且在GANseq中，每個(gè)檢測(cè)模型的輸入樣本對(duì)應(yīng)于SPU序列的不同子序列，所以在將狀態(tài)參數(shù)向量送至GAN序列進(jìn)行故障定位前需要對(duì)其進(jìn)行預(yù)處理(如圖1中的“預(yù)處理”方框所示)。

假設(shè)需要進(jìn)行故障定位的接收任務(wù)的狀態(tài)參數(shù)向量用P表示。預(yù)處理工作首先將P中屬于每個(gè)SPU的參數(shù)提取出來(lái)，形成M個(gè)SPU特有參數(shù)向量Pm。

然后，在特有參數(shù)向量Pm上針對(duì)不同類型的參數(shù)采用不同的處理方式，以形成SPU特有樣本fm。狀態(tài)參數(shù)向量中的數(shù)據(jù)分為二元、標(biāo)稱、數(shù)值3種類型，接下來(lái)分類型敘述預(yù)處理方法：1)二元類型：取值為0或1，已處于0～1區(qū)間內(nèi)，不需要進(jìn)行處理；2)標(biāo)稱類型：可能的取值為數(shù)量有限的離散整數(shù)，需要將每個(gè)標(biāo)稱數(shù)據(jù)獨(dú)熱編碼[18]為一個(gè)長(zhǎng)度為取值種類數(shù)的比特序列；3)數(shù)值類型：包含普通型和累積型2種。對(duì)于普通型直接正則化至0～1區(qū)間即可。累積數(shù)值類型參數(shù)的值為該參數(shù)從信號(hào)處理開始直到參數(shù)采集時(shí)刻的累積量，所以需要將其與上一采集時(shí)刻的值做差以得到采樣時(shí)刻的增量，然后再正則化至0～1區(qū)間；此處需要注意的是，在正則化的過(guò)程中必須根據(jù)信號(hào)處理環(huán)節(jié)的使能開關(guān)二元參數(shù)略過(guò)沒(méi)有實(shí)際參與信號(hào)處理的閑置環(huán)節(jié)的無(wú)效狀態(tài)參數(shù)值，這是因?yàn)殚e置環(huán)節(jié)的參數(shù)隨機(jī)取值，而隨機(jī)值會(huì)偏離有效值的取值范圍，從而造成有效值被正則化至一個(gè)很小的區(qū)間內(nèi)影響模型的擬合。除此之外，任由Pm中的無(wú)效參數(shù)被輸入檢測(cè)模型會(huì)引起模型在訓(xùn)練階段的發(fā)散、故障定位階段的誤檢，因此在正則化工作結(jié)束后將特有樣本fm中沒(méi)有參與正則化的隨機(jī)值置零以消除它們的狀態(tài)信息，如此一來(lái)，訓(xùn)練后的模型能夠在檢測(cè)中自動(dòng)屏蔽閑置信號(hào)處理環(huán)節(jié)所攜帶的噪聲。

最后，將M個(gè)SPU特有樣本fm組合為M個(gè)檢測(cè)器的輸入樣本。ganm的輸入樣本xm為SPU1至SPUm的特有樣本f1至fm的組合。如下所示

(2)

3.1.3 訓(xùn)練流程

對(duì)抗損失Ladv

Ladv=‖Dm,f(xm)-Dm,f(Gm(xm))‖2.

(3)

其中Dm,f是判斷網(wǎng)絡(luò)Dm倒數(shù)第2層的等效輸出函數(shù)。

語(yǔ)境損失Lcon

Lcon=‖xm-Gm(xm)‖1.

(4)

綜上所述，損失函數(shù)Lg為

Lg=ωadvLadv+ωconLcon+αA(xm).

(5)

其中ωadv、ωcon和α是權(quán)重參數(shù)。

用判斷誤差Lfraud訓(xùn)練判斷網(wǎng)絡(luò)Dm

(6)

其中σ為交叉熵。

3.2 故障定位步驟

在進(jìn)行定位前，先取一定數(shù)量的正常狀態(tài)參數(shù)向量組成分?jǐn)?shù)閾值計(jì)算集。對(duì)于檢測(cè)前m個(gè)SPU狀態(tài)的子問(wèn)題，首先預(yù)處理閾值計(jì)算集中的向量產(chǎn)生相應(yīng)的樣本xm。然后用訓(xùn)練好的模型ganm依次計(jì)算樣本xm的異常分?jǐn)?shù)，并取其中的最大值作為在定位中用于判斷前m個(gè)SPU的聯(lián)合狀態(tài)異常與否的分?jǐn)?shù)閾值Tm。

在定位中，GAN序列中的每個(gè)檢測(cè)模型ganm依次為待進(jìn)行故障定位的接收任務(wù)的狀態(tài)參數(shù)向量中相應(yīng)SPU的參數(shù)打分，得到異常分?jǐn)?shù)序列[A1,A2,…,AM]。然后遍歷序列，判斷分?jǐn)?shù)是否大于相應(yīng)閾值，若前m-1個(gè)SPU對(duì)應(yīng)的異常分?jǐn)?shù)Am-1≤Tm-1而前m個(gè)SPU對(duì)應(yīng)的異常分?jǐn)?shù)Am>Tm則可判定故障源為SPUm；倘若沒(méi)有任何異常分?jǐn)?shù)超出閾值，則可認(rèn)為接收任務(wù)正常執(zhí)行；

4 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證GANseq的有效性，用其對(duì)某實(shí)際運(yùn)行的接收站的數(shù)據(jù)接收系統(tǒng)進(jìn)行故障定位實(shí)驗(yàn)。同時(shí)，該站目前使用的基于FTA和自動(dòng)化測(cè)試的故障診斷ES(以下簡(jiǎn)稱“原方法”)被用作對(duì)比對(duì)象。

實(shí)驗(yàn)采用的數(shù)據(jù)取自該站的運(yùn)行日志。將用于實(shí)驗(yàn)的狀態(tài)參數(shù)向量集劃分為20 000個(gè)訓(xùn)練向量、1 000個(gè)閾值計(jì)算向量、6 987個(gè)測(cè)試向量，測(cè)試向量由5 987個(gè)代表每個(gè)特定信號(hào)處理環(huán)節(jié)故障的異常狀態(tài)參數(shù)向量和1 000個(gè)正常狀態(tài)參數(shù)向量組成。按照信號(hào)處理順序?qū)⒔邮障到y(tǒng)分解為包含22個(gè)SPU(M=22)[19]的SPU序列(表1)。SPU序號(hào)增大的方向?yàn)樾盘?hào)處理順序的方向。

表1 接收系統(tǒng)分解Table 1 Receving system decomposition

因?yàn)樵O(shè)備的電源、電流、電壓信號(hào)處理環(huán)節(jié)為支撐其余環(huán)節(jié)的輔助環(huán)節(jié)，其正常工作是其他環(huán)節(jié)處于正常狀態(tài)的必要條件，又因?yàn)槠浔旧聿惶幚硇盘?hào)從而其運(yùn)行狀態(tài)不受其他環(huán)節(jié)影響，所以其所屬的SPU位于相應(yīng)設(shè)備的最前端。由于所有輔助環(huán)節(jié)均為控制整個(gè)設(shè)備的全局性環(huán)節(jié)，它們?cè)谛盘?hào)處理順序中沒(méi)有確定的相對(duì)位置關(guān)系，所以將一個(gè)設(shè)備的所有輔助環(huán)節(jié)劃歸于同一SPU。

由于不同的衛(wèi)星對(duì)信號(hào)進(jìn)行加擾和編碼的順序可能不同，所以將解調(diào)器內(nèi)部的解擾環(huán)節(jié)、LDPC譯碼環(huán)節(jié)和RS譯碼環(huán)節(jié)劃歸于同一SPU(SPU22)。

4.1 模型的訓(xùn)練

表2 ganm結(jié)構(gòu)Table 2 Structure of ganm

圖3 隱含向量和重構(gòu)隱含向量Fig.3 Latent vector and reconstructed latent vector

4.2 評(píng)價(jià)指標(biāo)

利用虛警率(fault alarm rate，F(xiàn)AR)和召回率(recall，R)比較兩種方法在每個(gè)故障源上的定位性能。定義虛警率FAR和召回率R如下：

(7)

(8)

對(duì)于某故障源而言：TP是該故障源的異常測(cè)試向量集中被正確定位的向量個(gè)數(shù)；FP是正常測(cè)試向量集中被錯(cuò)誤定位為該故障源的向量個(gè)數(shù)(虛警個(gè)數(shù))；FN是該故障源的異常測(cè)試向量集中沒(méi)有被正確定位的向量個(gè)數(shù)；召回率R越大，相應(yīng)方法對(duì)于該故障源發(fā)生故障的敏感性越強(qiáng)。需要注意的是，對(duì)于GANseq而言故障源為SPU；對(duì)于原方法而言故障源為信號(hào)處理環(huán)節(jié)；根據(jù)SPU故障狀態(tài)的定義，SPU故障源的異常測(cè)試向量集為該SPU包含的所有信號(hào)處理環(huán)節(jié)故障源的異常測(cè)試向量集的并集。

4.3 實(shí)驗(yàn)結(jié)果

測(cè)得原方法和GANseq的虛警率FAR(表3的3、4列)和召回率R(表3的6、7列)。作為對(duì)GANseq的補(bǔ)充，當(dāng)定位出的SPU對(duì)應(yīng)多個(gè)輔助信號(hào)處理環(huán)節(jié)時(shí)，對(duì)相應(yīng)的輔助環(huán)節(jié)進(jìn)行進(jìn)一步的點(diǎn)檢(“GANseq+點(diǎn)檢”)，即檢查電源狀態(tài)指示位是否異常、電壓值或電流值是否超過(guò)正常限度。“GANseq+點(diǎn)檢”的FAR和R分別如表3的第5、8列所示。

表3 實(shí)驗(yàn)結(jié)果Table 3 Experiment result

由于解調(diào)器結(jié)構(gòu)復(fù)雜，故障樹難以擬合其內(nèi)部信號(hào)處理環(huán)節(jié)的耦合關(guān)系，所以原方法沒(méi)有對(duì)解調(diào)器內(nèi)部的環(huán)節(jié)進(jìn)行定位，只是監(jiān)控了電路板上的溫控系統(tǒng)和電平值，并且在實(shí)際運(yùn)行中，原方法在只有一個(gè)監(jiān)控點(diǎn)報(bào)警的情況下就會(huì)做出解調(diào)器異常的警告，所以本實(shí)驗(yàn)計(jì)算其在解調(diào)器的所有非輔助信號(hào)處理環(huán)節(jié)整體上的虛警率和召回率。

與原方法相比，GANseq將除解調(diào)器和輔助信號(hào)處理環(huán)節(jié)之外的環(huán)節(jié)上的定位虛警率FAR平均降低49.8%。由于GANseq在將接收系統(tǒng)分解為SPU序列的過(guò)程中通過(guò)保證SPU的不可分割性最小化了故障定位粒度，所以絕大多數(shù)SPU只包含一個(gè)信號(hào)處理環(huán)節(jié)，并且在加入點(diǎn)檢之后，“GANseq+點(diǎn)檢”在輔助環(huán)節(jié)上的虛警率也與原方法基本持平，所以GANseq在實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)故障定位的同時(shí)從整體上降低了虛警率。

GANseq將解調(diào)器內(nèi)部大多數(shù)原本作為整體定位的信號(hào)處理環(huán)節(jié)按照映射規(guī)則一對(duì)一地映射至SPU中，并且以70%以上的召回率和14%以下的虛警率實(shí)現(xiàn)了它們的故障定位，提高了故障定位的精度。

原方法的召回率R不受信號(hào)流動(dòng)的影響，而GANseq的R值沿著信號(hào)處理順序的方向呈現(xiàn)下降趨勢(shì)。GANseq出現(xiàn)這一趨勢(shì)的原因在于其在定位的過(guò)程中只要檢測(cè)出故障SPU就立即輸出定位結(jié)果，所以如果在真正的故障SPU之前產(chǎn)生了誤檢，那么定位工作會(huì)提前結(jié)束從而導(dǎo)致定位失敗，而誤檢的累積使得在信號(hào)處理順序中的位置越靠后的SPU受到誤檢的影響越明顯、具有更小的召回率。

與“GANseq+點(diǎn)檢”相比，原方法在輔助信號(hào)處理環(huán)節(jié)上獲得較低虛警率的同時(shí)保證了較高的召回率。這歸因于輔助環(huán)節(jié)結(jié)構(gòu)簡(jiǎn)單，原方法在故障樹推理中對(duì)其所進(jìn)行的點(diǎn)檢就可以精確地檢測(cè)出異常狀態(tài)。但是由于“GANseq+點(diǎn)檢”中的點(diǎn)檢階段在GANseq的基礎(chǔ)上進(jìn)行，所以其在輔助環(huán)節(jié)上的召回率受制于GANseq在包含該環(huán)節(jié)的SPU上的召回率，從而導(dǎo)致“GANseq+點(diǎn)檢”在位置靠后的某些輔助環(huán)節(jié)上的R值低于原方法。

5 結(jié)論

本文提出基于GAN序列的衛(wèi)星數(shù)據(jù)接收系統(tǒng)故障定位方法GANseq。該方法利用接收系統(tǒng)故障傳播特性將整個(gè)接收系統(tǒng)的故障定位問(wèn)題按照信號(hào)處理順序分解為多個(gè)基于GAN的異常檢測(cè)問(wèn)題，全面地利用地面站已有的運(yùn)行狀態(tài)數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的實(shí)時(shí)故障定位，擺脫了一直困擾傳統(tǒng)定位方法的專家知識(shí)難以獲取問(wèn)題，并且從整體上降低了故障源的虛警率、提高了故障定位的精度。但是，GANseq目前面臨著兩個(gè)問(wèn)題：1)由于GANseq在故障定位中一旦檢測(cè)到故障源即停止檢測(cè)，所以其在每次定位工作中只能定位出一個(gè)故障源，與此同時(shí)，定位工作的提前結(jié)束也會(huì)造成后續(xù)故障源的漏檢；2)GANseq不能直接分離少數(shù)在信號(hào)處理順序中相對(duì)位置不恒定的信號(hào)處理環(huán)節(jié)，而只能將它們組合為SPU作為整體定位。在未來(lái)的工作中將會(huì)著力解決這些問(wèn)題。