導(dǎo)航衛(wèi)星載荷分系統(tǒng)健康評估方法設(shè)計

趙欣奕，劉 蕾，段思佳，仵 博

(1.中國電子科技集團(tuán) 第15研究所，北京 100083；2.航天系統(tǒng)部裝備部 信息保障室，北京 100094)

0 引言

衛(wèi)星在軌健康狀態(tài)評估是衛(wèi)星健康管理的重要環(huán)節(jié)，在對衛(wèi)星在軌狀態(tài)進(jìn)行異常、異變檢測和預(yù)測的基礎(chǔ)上，對衛(wèi)星在軌的實際健康狀態(tài)進(jìn)行科學(xué)、準(zhǔn)確評估，是制定衛(wèi)星測控與使用計劃及逆行故障處置的依據(jù)和前提[1]，對提高衛(wèi)星在軌可靠性、延長衛(wèi)星在軌使用壽命、充分發(fā)揮衛(wèi)星效能十分重要[2]。

隨著航天技術(shù)的不斷發(fā)展，高軌資源逐漸耗盡[3-7]，面向下一代導(dǎo)航系統(tǒng)結(jié)合高中低軌構(gòu)建導(dǎo)航星座的設(shè)想[8]，激增的衛(wèi)星數(shù)量給導(dǎo)航衛(wèi)星的健康評估帶來了新的挑戰(zhàn)。一方面，隨著監(jiān)測衛(wèi)星數(shù)量的增加，傳統(tǒng)的人工監(jiān)測衛(wèi)星健康狀態(tài)的方法需要花費較高的人力物力，難以繼續(xù)適用；另一方面，評估單顆衛(wèi)星健康狀態(tài)需要監(jiān)測的遙測參數(shù)也大幅度增長，傳統(tǒng)基于知識和經(jīng)驗的健康狀態(tài)評估方法無法有效利用海量遙測數(shù)據(jù)，準(zhǔn)確度較低，面對未知故障時，故障機(jī)理推斷時間較長。

針對傳統(tǒng)健康評估方法存在的問題，國內(nèi)外學(xué)者結(jié)合機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等新型技術(shù)，提出了許多基于數(shù)據(jù)驅(qū)動的衛(wèi)星健康評估方法。文獻(xiàn)[9]提出一種基于概率降維與聚類的衛(wèi)星健康監(jiān)測和異常檢測方法，并驗證了其有效性；文獻(xiàn)[10]根據(jù)元件健康狀態(tài)依賴關(guān)系和運行數(shù)據(jù)開發(fā)了一種編隊衛(wèi)星故障分級診斷和健康評估框架；文獻(xiàn)[11]針對衛(wèi)星遙測數(shù)據(jù)，采用離群點檢測算法尋找數(shù)據(jù)集中存在異常的部分以達(dá)到健康檢測和異常識別的目的。

國內(nèi)方面，我國學(xué)者在健康評估方面的研究最早為文獻(xiàn)[12]運用了層次分析法對衛(wèi)星姿態(tài)控制系統(tǒng)進(jìn)行分析，采用模糊無量綱化函數(shù)和穩(wěn)定更新過程計算衛(wèi)星的健康狀態(tài)。此后，文獻(xiàn)[13]采用非參數(shù)回歸法綜合評估部件的健康狀態(tài)，建立基于可重構(gòu)度的系統(tǒng)結(jié)構(gòu)樹，實現(xiàn)從部件到系統(tǒng)的加權(quán)綜合和衛(wèi)星系統(tǒng)的健康狀態(tài)評估；文獻(xiàn)[14]發(fā)明了一種基于緩變模擬量遙測數(shù)據(jù)的衛(wèi)星單機(jī)部件健康性評估方法；文獻(xiàn)[15]針對了當(dāng)時無法準(zhǔn)確量化反映在軌衛(wèi)星健康狀態(tài)的問題，提出一種基于衛(wèi)星部組件邏輯連接關(guān)系的健康狀態(tài)分層評估模型并且詳細(xì)討論了遙測參數(shù)的變化類型；文獻(xiàn)[16]基于高斯混合模型來提供衛(wèi)星系統(tǒng)的健康評估方法。多數(shù)研究表明，健康評估方法需要具體分為單機(jī)/部件級健康評估以及系統(tǒng)級健康評估。根據(jù)評估對象的不同選取不同的健康評估算法。

研究分析和工程實踐表明，貝葉斯網(wǎng)絡(luò)由于其優(yōu)秀的可解釋性，在衛(wèi)星健康評估領(lǐng)域有著較為優(yōu)秀的前景。文獻(xiàn)[17]基于貝葉斯網(wǎng)絡(luò)的方法構(gòu)建了衛(wèi)星姿態(tài)控制分系統(tǒng)的健康評估模型，但是并未對健康評估方法做系統(tǒng)級和單機(jī)級的詳細(xì)區(qū)分；文獻(xiàn)[18]構(gòu)建了供配電系統(tǒng)的貝葉斯網(wǎng)絡(luò)評估模型，并簡單描述了蓄電池組底層遙測參數(shù)異常判別方法，但未根據(jù)參數(shù)變化類型進(jìn)行詳細(xì)區(qū)分。行業(yè)內(nèi)某機(jī)構(gòu)建立了一套完整的導(dǎo)航衛(wèi)星健康評估貝葉斯網(wǎng)絡(luò)，但是網(wǎng)絡(luò)的構(gòu)建為手動構(gòu)建，較為依賴專家的先驗知識，不能充分利用遙測數(shù)據(jù)進(jìn)行深度發(fā)掘。

本文擬采用局部異常因子檢測法進(jìn)行導(dǎo)航衛(wèi)星基礎(chǔ)遙測參數(shù)異常檢測并生成載荷分系統(tǒng)單機(jī)級健康評估結(jié)果；利用基于結(jié)構(gòu)學(xué)習(xí)的貝葉斯網(wǎng)絡(luò)方法構(gòu)建系統(tǒng)級健康評估模型。相較前人研究，本文優(yōu)勢在于：

1)行業(yè)內(nèi)大多數(shù)研究集中于姿態(tài)控制系統(tǒng)以及供配電系統(tǒng)等平臺分系統(tǒng)，對于導(dǎo)航衛(wèi)星的載荷分系統(tǒng)尚無充分研究。

2)總結(jié)了導(dǎo)航衛(wèi)星載荷分系統(tǒng)遙測參數(shù)的變化規(guī)律，根據(jù)參數(shù)異常類型選擇健康評估算法。

3)基于結(jié)構(gòu)學(xué)習(xí)的方式構(gòu)建貝葉斯網(wǎng)絡(luò)，比較了3種不同評分函數(shù)對于衛(wèi)星數(shù)據(jù)集的適應(yīng)性。

1 健康評估流程

導(dǎo)航衛(wèi)星載荷分系統(tǒng)的健康評估基本流程如圖1所示。

圖1 載荷分系統(tǒng)健康評估基本流程

流程內(nèi)各環(huán)節(jié)功能如下：

1)數(shù)據(jù)集構(gòu)建：通過預(yù)先分析近年來衛(wèi)星發(fā)生的故障，整理相關(guān)故障涉及的單機(jī)，查找其所處分系統(tǒng)，將其余單機(jī)遙測參數(shù)納入，補全原始數(shù)據(jù)集。

2)數(shù)據(jù)預(yù)處理：衛(wèi)星在軌運行時會面臨復(fù)雜的宇宙環(huán)境，極易產(chǎn)生電平跳變、單粒子反轉(zhuǎn)等異?，F(xiàn)象，導(dǎo)致傳輸數(shù)據(jù)發(fā)生誤碼。因此需要對下行遙測數(shù)據(jù)進(jìn)行野值剔除，常見方法有53H法與前推差分算法等。

3)單機(jī)級健康評估：單機(jī)級健康評估由基礎(chǔ)遙測參數(shù)直接反映，按影響因素劃分可分為單一參數(shù)影響和多參數(shù)影響[12]；按遙測參數(shù)異常變化規(guī)律劃分，可將算法分為針對跳變型參數(shù)和針對緩變型參數(shù)，依據(jù)遙測參數(shù)異常變化規(guī)律選擇適應(yīng)的單機(jī)級健康評估算法，常見方法包括基于模糊無量綱化函數(shù)的方法、基于非參數(shù)回歸的方法、基于局部異常因子檢測的方法等。

4)系統(tǒng)級健康評估：系統(tǒng)級健康評估無法直接由底層遙測參數(shù)反映得出，因此一般都采用層次分析的思想進(jìn)行賦權(quán)，自底向上逐層計算，綜合得出頂層的健康評估結(jié)果。

5)模型檢驗：模型的檢驗分為定性檢驗和定量檢驗兩種，定性檢驗指計算出的衛(wèi)星系統(tǒng)健康狀態(tài)要與實際一致，定量檢驗指模型的準(zhǔn)確度需要到達(dá)一定門限。

6)輸出結(jié)果：輸出結(jié)果分為定性輸出和定量輸出，定性輸出指以健康/不健康作為粗粒度的評價結(jié)果輸出，定量輸出指使用百分比的方式表示衛(wèi)星系統(tǒng)健康程度。

2 關(guān)鍵技術(shù)與方法

在導(dǎo)航衛(wèi)星載荷分系統(tǒng)的健康評估流程中，需要處理以下幾個關(guān)鍵問題：1)導(dǎo)航衛(wèi)星載荷分系統(tǒng)的重點單機(jī)的遙測參數(shù)規(guī)律總結(jié)；2)導(dǎo)航衛(wèi)星載荷分系統(tǒng)的單機(jī)級健康評估方法選用；3)導(dǎo)航衛(wèi)星載荷分系統(tǒng)的系統(tǒng)級健康評估方法選用。

針對上述問題，確定本文的技術(shù)路線，即導(dǎo)航衛(wèi)星載荷分系統(tǒng)的健康評估流程中每個環(huán)節(jié)所需的關(guān)鍵技術(shù)，于2.1至2.4節(jié)進(jìn)行詳細(xì)描述。

2.1 遙測參數(shù)異常規(guī)律總結(jié)

根據(jù)變化方式的不同，可以將遙測參數(shù)的異常類型分為兩種：一是跳變型異常，即該類參數(shù)在部件正常工作狀態(tài)下，處于特定的數(shù)值區(qū)間，呈現(xiàn)平穩(wěn)或波動的態(tài)勢，如載荷分系統(tǒng)中的銣鐘電壓、溫度等參數(shù)。當(dāng)部件發(fā)生故障時，此類參數(shù)會跳出正常區(qū)間，離散或連續(xù)地分布在正常區(qū)間之外，另一種是緩變型異常，該類參數(shù)一般會處于一個特定的數(shù)值區(qū)間中，呈現(xiàn)一種退化過程，即數(shù)值越低(或是數(shù)值越高)，部件的健康狀態(tài)就越差，如姿軌控分系統(tǒng)中的姿態(tài)角誤差、供配電分系統(tǒng)中的蓄電池當(dāng)前電量參數(shù)等。

經(jīng)過查閱衛(wèi)星參數(shù)相關(guān)文檔并查驗已有數(shù)據(jù)集，導(dǎo)航衛(wèi)星載荷分系統(tǒng)關(guān)鍵單機(jī)的遙測參數(shù)異常類型以跳變型異常為主。

2.2 53H法

53H法的基本思想是產(chǎn)生一個曲線的平滑估計，然后通過測量值與該估計值的比較來識別野值。首先對數(shù)據(jù)值序列求兩次中值得到新的數(shù)據(jù)值序列，然后將新序列通過下式組合成參考值[19]：

x3(i)=0.25x2(i-1)+0.5x2(i)+0.25x2(i-1)

如果有下式成立則xi為野值，并用參考值替換，k為一預(yù)定值：

|x(i)-x3(i)|>k

2.3 局部異常因子檢測算法

LOF算法(Local Outlier Factor，局部離群因子檢測方法)，是一種無監(jiān)督的離群檢測方法，是基于密度的離群點檢測，通過比較每個數(shù)據(jù)點與其周圍鄰近點的密度來確定異常程度[20]。

使用LOF算法進(jìn)行單機(jī)級健康評估的優(yōu)勢在于對專業(yè)先驗知識的需求較低，可以通過調(diào)整參數(shù)來動態(tài)修正健康評估結(jié)果的準(zhǔn)確性和可靠性。

2.4 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)一般指在給定數(shù)據(jù)集的情況下，通過窮舉所有可能的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，并根據(jù)一定的評分策略，將評分最高的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)作為結(jié)構(gòu)學(xué)習(xí)的最終結(jié)果。

通過貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，可以在相關(guān)故障知識欠缺的情況下，通過積累相關(guān)故障的歷史數(shù)據(jù)集，自動構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，同時，由于其具備白盒網(wǎng)絡(luò)的特點，構(gòu)建的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)可以通過專家評定的方式進(jìn)行進(jìn)一步修正，使其更加貼合實際故障模式。

3 系統(tǒng)軟件設(shè)計

3.1 實驗環(huán)境

本實驗使用Python 3.7.6進(jìn)行開發(fā)，使用Anaconda進(jìn)行Python環(huán)境管理，Anaconda版本為4.8.2，使用Jupyter Notebook以交互式Web應(yīng)用的形式為Python提供代碼執(zhí)行和交互環(huán)境，Jupyter Notebook版本為6.0.3，系統(tǒng)環(huán)境為Windows7。

3.2 軟件架構(gòu)

根據(jù)第一節(jié)中健康評估流程中各環(huán)節(jié)所需功能，導(dǎo)航衛(wèi)星載荷分系統(tǒng)健康評估系統(tǒng)包括數(shù)據(jù)準(zhǔn)備模塊、數(shù)據(jù)預(yù)處理模塊、單機(jī)級健康評估模塊、系統(tǒng)級健康評估模塊、模型檢驗?zāi)K和輸出結(jié)果模塊，各模塊功能與健康評估流程中各環(huán)節(jié)描述一致，在結(jié)果輸出模塊，還需要將訓(xùn)練好的模型進(jìn)行保存和輸出，如圖2所示。

圖2 導(dǎo)航衛(wèi)星載荷分系統(tǒng)健康評估軟件架構(gòu)

3.3 軟件設(shè)計思路和編程方法

本實驗使用Jupyter Notebook進(jìn)行交互式開發(fā)。Jupyter Notebook是一款交互式的Web應(yīng)用程序，可以便捷地創(chuàng)建和共享程序文檔，支持實時代碼，即以代碼塊為編譯單元，可以及時地查看代碼結(jié)果。

因此，本實驗將導(dǎo)航衛(wèi)星載荷分系統(tǒng)的健康評估系統(tǒng)的每一個環(huán)節(jié)作為一個單獨的代碼塊進(jìn)行處理，基于健康評估流程設(shè)計各代碼塊，設(shè)計思路和編程方法如下：

1)數(shù)據(jù)集構(gòu)建。由于采集到的原始二進(jìn)制數(shù)據(jù)經(jīng)處理后以csv文件格式進(jìn)行存儲，因此使用Python提供的pandas包對數(shù)據(jù)進(jìn)行分析和處理。pandas包提供了read_csv方法，用于從csv文件中讀取數(shù)據(jù)。

2)數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理包括野值剔除、歸一化以及劃分訓(xùn)練集和測試集。構(gòu)建好的數(shù)據(jù)集存儲在pandas包中定義的DataFrame數(shù)據(jù)結(jié)構(gòu)中，可以通過Python的循環(huán)邏輯遍歷DataFrame，使用53H方法逐列進(jìn)行野值剔除。53H方法根據(jù)其判別公式，通過Python條件語句進(jìn)行實現(xiàn)。

歸一化使用pandas提供的to_numpy方法、factorize方法實現(xiàn)。to_numpy方法將DataFrame中的數(shù)據(jù)規(guī)范為NumPy數(shù)組，factorize方法將各種類型的數(shù)據(jù)映射為數(shù)字，reshape方法將映射后的數(shù)字按比例縮放至指定的區(qū)間內(nèi)。

訓(xùn)練集與測試集的劃分使用Python的機(jī)器學(xué)習(xí)庫sklearn中提供的train_test_split函數(shù)來隨機(jī)劃分?jǐn)?shù)據(jù)集，一般將數(shù)據(jù)集70%劃分為訓(xùn)練集，30%劃分為測試集。

3)單機(jī)級健康評估。使用局部異常因子檢測方法進(jìn)行單機(jī)級健康評估，用粗粒度的健康/不健康來對單機(jī)健康狀態(tài)進(jìn)行劃分，即檢測到特征參數(shù)異常時，標(biāo)記單機(jī)為“不健康”狀態(tài)。使用Python機(jī)器學(xué)習(xí)庫sklearn.cluster中的DBSCAN方法來實現(xiàn)局部異常因子檢測方法。需要根據(jù)不同數(shù)據(jù)集進(jìn)行調(diào)整的參數(shù)有2個，分別是eps和min_samples。

在LOF算法中，密度相近的鄰近點群可以成為主群，對于每個數(shù)據(jù)點，其局部密度即其k個最近鄰點的平均距離的倒數(shù)。由此可見，待檢測點離主群的距離越遠(yuǎn)，越有可能被判定為離群點，也就是局部異常因子。eps代表檢測半徑，即當(dāng)待檢測點離主群的距離大于eps時，就會被判定為離群點；min_samples代表最小樣本數(shù)，只有當(dāng)某一簇密度相近的點群中樣本點的數(shù)量超過min_samples規(guī)定的個數(shù)時，才會被判定為主群。

4)系統(tǒng)級健康評估。使用貝葉斯網(wǎng)絡(luò)的方法把獲得的單機(jī)級健康狀態(tài)統(tǒng)合，形成系統(tǒng)級的健康評估結(jié)果。使用Python概率圖模型庫中的pgmpy進(jìn)行實現(xiàn)，從數(shù)據(jù)中學(xué)習(xí)到最優(yōu)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和對應(yīng)的節(jié)點概率表。

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)需要根據(jù)數(shù)據(jù)集進(jìn)行調(diào)整的參數(shù)主要為評分函數(shù)，Python提供的評分函數(shù)主要包括K2Score、BDeuScore以及BicScore。BDeuScore基于貝葉斯方法，適用于離散變量的網(wǎng)絡(luò)，考慮分布的先驗知識，適用于規(guī)模較小的數(shù)據(jù)集；K2Score基于最大似然估計，對每個節(jié)點使用一個虛擬計數(shù)防止出現(xiàn)概率為零的情況，適用于大型數(shù)據(jù)集；BicScore同樣基于最大似然估計，適用于連續(xù)變量的網(wǎng)絡(luò)。

5)模型檢驗。從數(shù)據(jù)集中學(xué)習(xí)到的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點概率表構(gòu)成一個貝葉斯模型。將測試集中某一列數(shù)據(jù)作為預(yù)測結(jié)果檢驗數(shù)據(jù)，從測試集中去除，將剩余參數(shù)輸入訓(xùn)練好的貝葉斯模型，對被去除列的數(shù)據(jù)進(jìn)行預(yù)測輸出。將預(yù)測結(jié)果與實際結(jié)果進(jìn)行比對，得到模型的預(yù)測正確率。

6)結(jié)果輸出。使用Python提供的pickle庫對訓(xùn)練好的模型進(jìn)行存儲和加載。使用pickle.dump方法將訓(xùn)練好的模型以pkl格式的文件進(jìn)行存儲，使用pickle.load的方法對存儲的pkl格式的模型進(jìn)行加載并使用。

4 實驗結(jié)果與分析

4.1 實驗步驟和方法

4.1.1 數(shù)據(jù)集構(gòu)建

本實驗數(shù)據(jù)采集自某衛(wèi)星系統(tǒng)共計13小時內(nèi)導(dǎo)航載荷分系統(tǒng)下行的遙測參數(shù)，結(jié)合一定數(shù)量的仿真數(shù)據(jù)，共采集到870條數(shù)據(jù)。每條數(shù)據(jù)包括銣種、導(dǎo)航單元等不同單機(jī)的電壓、狀態(tài)字等共96個特征參數(shù)，總數(shù)據(jù)量共計83 520個數(shù)據(jù)點。使用pandas的read_csv方法進(jìn)行讀取，由于列名為中文，需要在方法可選參數(shù)中將encoding參數(shù)設(shè)為“gbk”。

根據(jù)專家知識，能夠觀察到部分參數(shù)異常。結(jié)合仿真數(shù)據(jù)，將異常數(shù)據(jù)開始出現(xiàn)和異常數(shù)據(jù)恢復(fù)正常期間內(nèi)所有數(shù)據(jù)標(biāo)記為衛(wèi)星“不健康”的特征數(shù)據(jù)。

4.1.2 數(shù)據(jù)預(yù)處理

使用53H方法對讀取到的數(shù)據(jù)集逐列進(jìn)行野值剔除。野值剔除完成后，由于數(shù)據(jù)集中包含字符串類型的數(shù)據(jù)，需要對數(shù)據(jù)集進(jìn)行歸一化處理，本實驗中，reshape方法的參數(shù)設(shè)定為(-1，1)，表示將所有特征參數(shù)映射后的數(shù)字按比例縮放為一個(-1，1)之間的小數(shù)。歸一化處理結(jié)束后，對數(shù)據(jù)集按照70%/30%的比例劃分為訓(xùn)練集與測試集。由于異常數(shù)據(jù)占比較低，需要對劃分后的訓(xùn)練集與測試集進(jìn)行檢查，確保訓(xùn)練集與測試集中都包含異常數(shù)據(jù)。

4.1.3 單機(jī)級健康評估

使用局部異常因子檢測算法對剔除野點后的數(shù)據(jù)集進(jìn)行處理，得到單機(jī)級健康評估結(jié)果。

使用Python機(jī)器學(xué)習(xí)庫sklearn.cluster中的DBSCAN方法來實現(xiàn)局部異常因子檢測方法，將初始參數(shù)eps設(shè)為0.5，min_samples設(shè)為10。由于某些參數(shù)在一定范圍內(nèi)進(jìn)行波動屬于正常現(xiàn)象，將eps設(shè)為0.5會導(dǎo)致某些正常參數(shù)被視為異常，因此需要調(diào)整eps的值。本實驗以eps=0.5為起始點，以0.1為調(diào)整步長，逐漸增大eps的值，觀察已知波動范圍的參數(shù)能否被正確檢測到。完成調(diào)整后，將所有被歸集為主群的樣本點置0，意為健康，將離群點置1，表示此刻該單機(jī)狀態(tài)為不健康。

使用Python提供的seaborn庫對離群點檢測結(jié)果進(jìn)行可視化展示。

4.1.4 系統(tǒng)級健康評估

基于得到的單機(jī)級健康評估結(jié)果，使用貝葉斯結(jié)構(gòu)學(xué)習(xí)的方法，得到系統(tǒng)級的健康評估結(jié)果。

使用Python概率圖模型庫中的pgmpy.models和pgmpy.estimators進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)和節(jié)點參數(shù)表的生成。分別將貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的參數(shù)調(diào)整為K2Score、BDeuScore和BicScore，通過引入Graphviz提供的Digraph方法在Jupyter Notebook界面對生成的貝葉斯網(wǎng)絡(luò)進(jìn)行可視化展示。

4.1.5 模型檢驗

在測試集中利用pandas.Dataframe.drop方法去除“健康/非健康”的標(biāo)記列，將剩余參數(shù)輸入到訓(xùn)練好的貝葉斯模型中，使用pgmpy.model中的predict方法對去除的數(shù)據(jù)列進(jìn)行預(yù)測，將預(yù)測結(jié)果與衛(wèi)星實際健康狀態(tài)進(jìn)行比對得到3個模型各自的準(zhǔn)確度指標(biāo)。

4.1.6 結(jié)果輸出

利用Python提供的pickle庫分別將3個訓(xùn)練好的模型進(jìn)行存儲。

4.2 實驗數(shù)據(jù)、曲線圖等

4.2.1 單機(jī)級健康評估結(jié)果

局部異常因子檢測算法的調(diào)參結(jié)果如下：

1)由于衛(wèi)星下行遙測參數(shù)多數(shù)較為穩(wěn)定，因此幾乎所有特征參數(shù)的主群都僅有一個，調(diào)整min_samples的值對結(jié)果的影響較小。

2)調(diào)整eps的值較為關(guān)鍵，在數(shù)據(jù)集完成歸一化之后，若eps的值較小，則會導(dǎo)致某些在正常范圍內(nèi)波動的特征參數(shù)被視為異常；若eps的值較大，則會導(dǎo)致某些異常點無法被檢測到。eps的調(diào)整值及結(jié)果如表1所示。

表1 eps調(diào)整值

某一特征參數(shù)樣本的可視化結(jié)果如圖3所示，圖中橫軸與縱軸均為樣本數(shù)據(jù)具體數(shù)值，由于對數(shù)據(jù)進(jìn)行了統(tǒng)一的映射處理，且為了觀察方便，未縮放至(-1，1)區(qū)間前截圖，因此圖中“0”值代表正常的樣本點，“1”至“7”為被映射的異常值，表明此樣本中除正常參數(shù)外，還有7類異常數(shù)據(jù)。

圖3 標(biāo)準(zhǔn)化異常數(shù)據(jù)展示

為更直觀地觀察樣本中樣本點的分布，附歸一化之前的樣本可視化結(jié)果如圖4所示，圖中122為正常數(shù)值，其余點均為異常數(shù)據(jù)，標(biāo)記為因此特征數(shù)據(jù)異常導(dǎo)致單機(jī)“不健康”狀態(tài)。

圖4 原始異常數(shù)據(jù)展示

4.2.2 系統(tǒng)級健康評估結(jié)果

當(dāng)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的參數(shù)調(diào)整為BDeuScore時，輸入數(shù)據(jù)包括96個特征參數(shù)樣本，實際輸出48個貝葉斯網(wǎng)絡(luò)節(jié)點，原因為被篩選的48個特征參數(shù)數(shù)據(jù)保持穩(wěn)定，未顯示異常。學(xué)習(xí)到的貝葉斯結(jié)構(gòu)部分如圖5所示，可以觀察到當(dāng)評分函數(shù)選用BDeuScore時，爬山算法采用一種全關(guān)聯(lián)的方式組織貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，即考慮盡可能多的參數(shù)之間的影響關(guān)系。圖中的有向邊表示當(dāng)銣鐘參數(shù)1變化時會引起銣鐘參數(shù)2、銣鐘參數(shù)3和銣鐘參數(shù)4的變化，而銣鐘參數(shù)2發(fā)生的變化也會導(dǎo)致銣鐘參數(shù)3和銣鐘參數(shù)4發(fā)生變化。因此銣鐘參數(shù)3和銣鐘參數(shù)4的節(jié)點概率表中會包含銣鐘參數(shù)1和銣鐘參數(shù)2的條件概率分布，并且銣鐘參數(shù)3和銣鐘參數(shù)4的概率分布相對獨立。

圖5 BDeuScore學(xué)習(xí)部分結(jié)構(gòu)圖

當(dāng)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的參數(shù)調(diào)整為BDeuScore時，節(jié)點概率表包含兩部分：一部分為使用單機(jī)級健康評估方法獲得的節(jié)點自身的異常概率；另一部分為少節(jié)點的條件概率分布。如銣鐘參數(shù)1為異常的概率為16.2%，正常的概率為83.8%，而銣鐘參數(shù)2除了擁有自己的異常概率外，還包含了銣鐘參數(shù)1的條件概率分布。

當(dāng)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的參數(shù)調(diào)整為K2Score時，同樣輸出48個貝葉斯網(wǎng)絡(luò)節(jié)點，學(xué)習(xí)到的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)部分如圖6所示，觀察到相較于BDeuScore，K2Score計算出的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)忽略了銣鐘參數(shù)2對銣鐘參數(shù)3和4造成的影響，這是因為Python中封裝的K2Score計算公式是在BDeuScore計算公式上增加了邊計數(shù)的減益函數(shù)，因此會生成更精簡的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。

圖6 K2Score學(xué)習(xí)部分結(jié)構(gòu)圖

當(dāng)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)的參數(shù)調(diào)整為BicScore時，輸出48個貝葉斯網(wǎng)絡(luò)節(jié)點，學(xué)習(xí)到的貝葉斯結(jié)構(gòu)部分如圖7所示，可以看到評分函數(shù)設(shè)定為BicScore時，能夠在簡化結(jié)構(gòu)的同時，依靠依賴傳遞來保留節(jié)點之間的依賴關(guān)系，即由于銣鐘參數(shù)1與銣鐘參數(shù)3在同一路徑上，因此當(dāng)銣鐘參數(shù)1發(fā)生變化時，銣鐘參數(shù)3因為銣鐘參數(shù)2發(fā)生變化，間接受到銣鐘參數(shù)1的影響。

圖7 BicScore學(xué)習(xí)部分結(jié)構(gòu)圖

選用不同評分函數(shù)計算得到的模型可以使用模型生成時間以及模型準(zhǔn)確率作為評價，如表2所示?？梢杂^察到BDeuScore由于考慮較復(fù)雜的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，生成時間較長，準(zhǔn)確率也較高；K2Score考慮較為簡單的貝葉斯網(wǎng)絡(luò)，造成了一定的節(jié)點依賴信息丟失，雖然生成時間較快但是準(zhǔn)確度有所降低；BicScore在保持準(zhǔn)確率的同時，相較于BDeuScore節(jié)約了28%的生成時間。

表2 貝葉斯網(wǎng)絡(luò)學(xué)習(xí)結(jié)果比較

4.3 實驗結(jié)果分析

實驗證明，在缺乏相關(guān)故障機(jī)理和行業(yè)專家知識較少的情況下，本文設(shè)計方法能夠以健康/非健康的粗粒度方法對導(dǎo)航衛(wèi)星載荷分系統(tǒng)健康狀態(tài)進(jìn)行輸出。

在單機(jī)級健康評估環(huán)節(jié)，使用局部異常因子檢測方法可以有效地檢測到遙測參數(shù)的緩變型異常和跳變型異常，但是在某些極端情況下，如當(dāng)采集的樣本數(shù)量較少，且異常數(shù)據(jù)數(shù)量大于正常數(shù)據(jù)數(shù)量時，異常數(shù)據(jù)就會占據(jù)多數(shù)，成為主群，導(dǎo)致正常數(shù)據(jù)被檢測為“異?！睌?shù)據(jù)，因此使用異常因子檢測方法進(jìn)行單機(jī)級健康評估仍需一定的專家知識輔助，或者保證積累足夠的數(shù)據(jù)量。

在系統(tǒng)級健康評估環(huán)節(jié)，使用貝葉斯結(jié)構(gòu)學(xué)習(xí)的方法能夠在相關(guān)故障機(jī)理不明時，根據(jù)衛(wèi)星故障發(fā)生的時間點，對特征參數(shù)進(jìn)行分析。由于貝葉斯結(jié)構(gòu)學(xué)習(xí)會關(guān)注數(shù)據(jù)的變化對其他數(shù)據(jù)的影響，因此相對穩(wěn)定的正常數(shù)據(jù)會在學(xué)習(xí)過程中被篩選掉，相比傳統(tǒng)人為構(gòu)建貝葉斯網(wǎng)絡(luò)的方式，省略了主成分分析等選取特征參數(shù)的過程，對專家知識的需求大幅度降低。然而使用貝葉斯結(jié)構(gòu)學(xué)習(xí)的方法仍然存在以下問題：

1)準(zhǔn)確率較低。由于衛(wèi)星的高可靠性，現(xiàn)今的衛(wèi)星系統(tǒng)發(fā)生故障的頻率較低，故障持續(xù)時間較短，難以積累足夠的故障數(shù)據(jù)對模型進(jìn)行訓(xùn)練，而使用仿真數(shù)據(jù)又難以準(zhǔn)確構(gòu)建真實衛(wèi)星的貝葉斯結(jié)構(gòu)，導(dǎo)致推斷正確率較低。后續(xù)還需繼續(xù)積累衛(wèi)星故障數(shù)據(jù)，對模型進(jìn)行多次訓(xùn)練，以得到穩(wěn)定的貝葉斯網(wǎng)絡(luò)模型。

2)部份依賴關(guān)系難以解釋。貝葉斯網(wǎng)絡(luò)相比于深度學(xué)習(xí)等黑盒網(wǎng)絡(luò)，一大優(yōu)勢就是可以利用已有的專家知識對生成網(wǎng)絡(luò)進(jìn)行評價和修改。由于貝葉斯網(wǎng)絡(luò)只關(guān)注數(shù)據(jù)之間的相互影響關(guān)系，有時會生成一些不合理的依賴關(guān)系。一方面，這些與傳統(tǒng)專家知識相違背的依賴關(guān)系在經(jīng)過分析和驗證后有可能成為對傳統(tǒng)專家知識補充；另一方面，對于經(jīng)過驗證后確實不合理的依賴關(guān)系，可以通過手動修改，或在結(jié)構(gòu)學(xué)習(xí)開始前，通過調(diào)整參數(shù)，如加入不可翻轉(zhuǎn)邊等，對貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)過程進(jìn)行人為指導(dǎo)，提高生成結(jié)構(gòu)的可解釋性和可靠性。

5 結(jié)束語

針對傳統(tǒng)健康評估無法充分發(fā)揮遙測參數(shù)潛力的問題，本文提出了基于局部異常因子檢測-貝葉斯結(jié)構(gòu)學(xué)習(xí)方法的導(dǎo)航衛(wèi)星健康評估方法，并在導(dǎo)航衛(wèi)星載荷分系統(tǒng)上進(jìn)行了實驗驗證。實驗證明此方法能夠在缺乏相關(guān)故障知識的情況下，以健康/非健康的定性角度對導(dǎo)航衛(wèi)星載荷分系統(tǒng)的健康程度進(jìn)行評估，評估準(zhǔn)確度基本達(dá)到預(yù)期。然而，局部異常因子檢測方法和貝葉斯結(jié)構(gòu)學(xué)習(xí)方法各自還存在一些問題。局部異常因子檢測方法較為依賴數(shù)據(jù)集質(zhì)量，在某些情況下會對單機(jī)級健康程度產(chǎn)生誤判；貝葉斯結(jié)構(gòu)學(xué)習(xí)方法得到的評估結(jié)果，其正確率仍有提升空間，從數(shù)據(jù)集中學(xué)習(xí)到的結(jié)構(gòu)則仍需經(jīng)過專家知識的檢驗和進(jìn)一步修正。盡管如此，本文為導(dǎo)航衛(wèi)星分系統(tǒng)乃至整星的健康評估提出了新的思路和方向，在未來的研究中應(yīng)重點研究導(dǎo)航衛(wèi)星各分系統(tǒng)特征參數(shù)的特點和異常類型，繼續(xù)提高各系統(tǒng)貝葉斯模型的準(zhǔn)確度和可解釋度，使之能夠達(dá)到工程應(yīng)用的指標(biāo)。