CN103699118B - 一种航天器运行异常状态的分析方法及装置 - Google Patents
一种航天器运行异常状态的分析方法及装置 Download PDFInfo
- Publication number
- CN103699118B CN103699118B CN201310701222.1A CN201310701222A CN103699118B CN 103699118 B CN103699118 B CN 103699118B CN 201310701222 A CN201310701222 A CN 201310701222A CN 103699118 B CN103699118 B CN 103699118B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data
- fault
- parameters
- machine equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 abstract description 19
- 230000007257 malfunction Effects 0.000 abstract 1
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种航天器运行异常状态的分析方法及装置,其中,该方法包括:将待检测时间段内的遥测数据与正常状态下的历史数据进行比较,以确定遥测数据的异常情况;在遥测数据存在异常的情况下,根据上述两组数据对应序列的相关系数,确定遥测数据对应参数的异常程度信息;根据航天器设计数据建立遥测数据对应参数与单机设备的关联矩阵;根据关联矩阵对应的关联数据及异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性。本发明利用了遥测数据,以对其异常情况进行分析,解决了缺少一种对航天器运行时的异常状态进行分析的方法,导致航天器在运行出现异常时,无法对出现问题的部件进行确定的问题。
Description
技术领域
本发明涉及故障预测与检测领域,特别是涉及一种航天器运行异常状态的分析方法及装置。
背景技术
在轨航天器长期运行在空间环境中,受复杂环境、工作状态及载荷等多因素影响,其功能和性能可能会发生异常变化,而这些异常变化通常可以通过遥测参数反映出来,但是并没有对上述信息进行充分利用。
现有技术中,缺少一种对航天器运行时的异常状态进行分析的方法,导致航天器在运行出现异常时,无法对出现问题的部件进行确定。
发明内容
本发明提供一种航天器运行异常状态的分析方法及装置,用以解决现有技术中,缺少一种对航天器运行时的异常状态进行分析的方法,导致航天器在运行出现异常时,无法对出现问题的部件进行确定的问题。
为解决上述技术问题,一方面,本发明提供一种航天器运行异常状态的分析方法,包括:将待检测时间段内的遥测数据与正常状态下的历史数据进行比较,以确定所述遥测数据的异常情况;在所述遥测数据存在异常的情况下,根据上述两组数据对应序列的相关系数,确定所述遥测数据对应参数的异常程度信息;根据航天器设计数据建立所述遥测数据对应参数与单机设备的关联矩阵;根据所述关联矩阵对应的关联数据及所述异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性。
进一步,将待检测时间段内的遥测数据与正常状态下的历史数据进行比较,以确定所述遥测数据的异常情况包括:计算所述两组数据对应序列的相关系数,并将所述相关系数与预设系数阈值比较;在所述相关系数小于所述预设系数阈值的情况下,确定所述遥测数据存在异常情况。
进一步,计算所述两组数据对应序列的相关系数,并将所述相关系数与预设系数阈值比较包括:预设x、y分别为某一参数的遥测数据的工程值序列,Cov为相关系数,则两序列x和y的相关系数计算公式如下:
其中,分别为序列x、y平均值,Cov取值范围[-1,1],如果Cov小于预设系数阈值,则确认两组序列的相关度较低,参数存在异常。
进一步,根据上述两组数据对应序列的相关系数,确定所述遥测数据对应参数的异常程度信息包括:预设异常程度信息为Yi,则Yi=1-|Cov|,其中,Yi取值范围为[0,1]。
进一步,根据所述关联矩阵对应的关联数据及所述异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性包括:取所述关联矩阵中所有异常参数所在的行对应的列进行与运算,以得到单机设备与故障的关联矩阵;如果所述单机设备与故障的关联矩阵中存在为1的列,则对应单机设备确定为故障关联单机,对所述单机设备与故障的关联矩阵进行归一化,以得出对应单机设备的故障概率;如果所述单机设备与故障的关联矩阵中存在的所有列均为0,则对异常参数所在行进行归一化,以使其概率和为1;再根据所有异常参数中每个异常参数的异常程度信息分配所述异常参数的权重,以使其权重总和为1;再对加权后的异常参数相应的单机设备对应列进行求和运算,以得到单机设备与故障的关联矩阵,以得出对应单机设备的故障概率。
另一方面,本发明还提供了一种航天器运行异常状态的分析装置,包括:异常参数检测模块,用于将待检测时间段内的遥测数据与正常状态下的历史数 据进行比较,以确定所述遥测数据的异常情况;在所述遥测数据存在异常的情况下,根据上述两组数据对应序列的相关系数,确定所述遥测数据对应参数的异常程度信息;关联矩阵建立模块,用于根据航天器设计数据建立所述遥测数据对应参数与单机设备的关联矩阵;单机异常概率确定模块,用于根据所述关联矩阵对应的关联数据及所述异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性。
进一步,所述异常参数检测模块包括:比较单元,用于计算所述两组数据对应序列的相关系数,并将所述相关系数与预设系数阈值比较;确定单元,用于在所述相关系数小于所述预设系数阈值的情况下,确定所述遥测数据存在异常情况。
进一步,所述比较单元,还用于在预设x、y分别为某一参数的遥测数据的工程值序列,Cov为相关系数的情况下,按照如下的计算公式计算两序列x和y的相关系数:
其中,分别为序列x、y平均值,Cov取值范围[-1,1],如果Cov小于预设系数阈值,则确认两组序列的相关度较低,参数存在异常。
进一步,所述关联矩阵建立模块,还用于在预设异常程度信息为Yi的情况下,确定Yi=1-|Cov|,其中,Yi取值范围为[0,1]。
进一步,所述单机异常概率确定模块,还用于取所述关联矩阵中所有异常参数所在的行对应的列进行与运算,以得到单机设备与故障的关联矩阵;在所述单机设备与故障的关联矩阵中存在为1的列的情况下,对应单机设备确定为故障关联单机,对所述单机设备与故障的关联矩阵进行归一化,以得出对应单机设备的故障概率;在所述单机设备与故障的关联矩阵中存在的所有列均为0的情况下,对异常参数所在行进行归一化,以使其概率和为1;再根据所有异常参数中每个异常参数的异常程度信息分配所述异常参数的权重,以使其权重 总和为1;再对加权后的异常参数相应的单机设备对应列进行求和运算,以得到单机设备与故障的关联矩阵,以得出对应单机设备的故障概率。
本发明利用了遥测数据,通过将遥测数据确定异常程度信息,再结合遥测数据对应参数与单机设备的关联矩阵确定哪一个单机设备最可能发生故障,给出分析依据,以对其异常情况进行分析,解决了现有技术中缺少一种对航天器运行时的异常状态进行分析的方法,导致航天器在运行出现异常时,无法对出现问题的部件进行确定的问题。
附图说明
图1是本发明实施例中航天器运行异常状态的分析方法的流程图;
图2是本发明实施例中航天器运行异常状态的分析装置的结构示意图;
图3是本发明实施例中航天器运行异常状态的分析装置异常参数检测模块的结构示意图;
图4是本发明优选实施例中航天器运行异常状态的分析方法的流程图;
图5是本发明优选实施例中故障关联矩阵计算方法的流程图。
具体实施方式
为了解决现有技术中,缺少一种对航天器运行时的异常状态进行分析的方法,导致航天器在运行出现异常时,无法对出现问题的部件进行确定的问题,本发明提供了一种航天器运行异常状态的分析方法及装置,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不限定本发明。
本发明实施例提供了一种航天器运行异常状态的分析方法,该方法需要研究航天器正常运行状态下的参数特征,利用当前遥测数据与历史正常状态的遥测数据进行比较,找出存在异常的参数,利用异常参数信息结合航天器设计知识,实现航天器异常工作状态的综合分析。本发明实施例克服了航天器***在 轨遥测数据维度高、变化复杂,设备关联复杂、诊断困难的问题,对于辅助进行航天器在轨异常状态捕获和排除决策具有较为重要的意义。下面对本实施例提供的方法进行说明。
本实施例提供的航天器运行异常状态的分析方法的流程如图1所示,包括步骤S102至步骤S108:
S102,将待检测时间段内的遥测数据与正常状态下的历史数据进行比较,以确定遥测数据的异常情况;
S104,在遥测数据存在异常的情况下,根据上述两组数据对应序列的相关系数,确定遥测数据对应参数的异常程度信息;
S106,根据航天器设计数据建立遥测数据对应参数与单机设备的关联矩阵;
S108,根据关联矩阵对应的关联数据及异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性。
本发明实施例利用了遥测数据,通过将遥测数据确定异常程度信息,再结合遥测数据对应参数与单机设备的关联矩阵确定哪一个单机设备最可能发生故障,给出分析依据,以对其异常情况进行分析,解决了现有技术中缺少一种对航天器运行时的异常状态进行分析的方法,导致航天器在运行出现异常时,无法对出现问题的部件进行确定的问题。
在实施过程中,将待检测时间段内的遥测数据与正常状态下的历史数据进行比较,以确定遥测数据的异常情况的过程如下,包括:计算两组数据对应序列的相关系数,并将相关系数与预设系数阈值比较;在相关系数小于预设系数阈值的情况下,确定遥测数据存在异常情况。如果相关系数并未小于预设系数阈值,则确定遥测数据正常。
其中,计算两组数据对应序列的相关系数,并将相关系数与预设系数阈值比较的过程可以包括:预设x、y分别为某一参数的遥测数据的工程值序列,Cov为相关系数,则两序列x和y的相关系数计算公式如下:
其中,分别为序列x、y平均值,Cov取值范围[-1,1],如果Cov小于预设系数阈值,则确认两组序列的相关度较低,参数存在异常。
在通过上述确定了相关系数后,则预设异常程度信息为Yi,则 Yi=1-|Cov|,其中,Yi取值范围为[0,1]。
具体实现时,根据关联矩阵对应的关联数据及异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性包括:
取关联矩阵中所有异常参数所在的行对应的列进行与运算,以得到单机设备与故障的关联矩阵;如果单机设备与故障的关联矩阵中存在为1的列,则对应单机设备确定为故障关联单机,对单机设备与故障的关联矩阵进行归一化,以得出对应单机设备的故障概率;如果单机设备与故障的关联矩阵中存在的所有列均为0,则对异常参数所在行进行归一化,以使其概率和为1;再根据所有异常参数中每个异常参数的异常程度信息分配异常参数的权重,以使其权重总和为1;再对加权后的异常参数相应的单机设备对应列进行求和运算,以得到单机设备与故障的关联矩阵,以得出对应单机设备的故障概率。
本发明实施例还提供了一种航天器运行异常状态的分析装置,该装置的结构示意如图2所示,包括:
异常参数检测模块10,用于将待检测时间段内的遥测数据与正常状态下的历史数据进行比较,以确定遥测数据的异常情况;在遥测数据存在异常的情况下,根据上述两组数据对应序列的相关系数,确定遥测数据对应参数的异常程度信息;关联矩阵建立模块20,与异常参数检测模块10耦合,用于根据航天器设计数据建立遥测数据对应参数与单机设备的关联矩阵;单机异常概率确定模块30,与建立模块20耦合,用于根据关联矩阵对应的关联数据及异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性。
图3示出了上述异常参数检测模块10的结构示意图,异常参数检测模块 10包括:比较单元102,用于计算两组数据对应序列的相关系数,并将相关系数与预设系数阈值比较;确定单元104,与比较单元102耦合,用于在相关系数小于预设系数阈值的情况下,确定遥测数据存在异常情况。
其中,比较单元102,还用于在预设x、y分别为某一参数的遥测数据的工程值序列,Cov为相关系数的情况下,按照如下的计算公式计算两序列x和y的相关系数:
其中,分别为序列x、y平均值,Cov取值范围[-1,1],如果Cov小于预设系数阈值,则确认两组序列的相关度较低,参数存在异常。
实施过程中,关联矩阵建立模块20,还用于在预设异常程度信息为Yi的情况下,确定Yi=1-|Cov|,其中,Yi取值范围为[0,1]。
单机异常概率确定模块30,还用于取关联矩阵中所有异常参数所在的行对应的列进行与运算,以得到单机设备与故障的关联矩阵;在单机设备与故障的关联矩阵中存在为1的列的情况下,对应单机设备确定为故障关联单机,对单机设备与故障的关联矩阵进行归一化,以得出对应单机设备的故障概率;在单机设备与故障的关联矩阵中存在的所有列均为0的情况下,对异常参数所在行进行归一化,以使其概率和为1;再根据所有异常参数中每个异常参数的异常程度信息分配异常参数的权重,以使其权重总和为1;再对加权后的异常参数相应的单机设备对应列进行求和运算,以得到单机设备与故障的关联矩阵,以得出对应单机设备的故障概率。
优选实施例
本发明优选实施例提供了一种航天器运行异常状态的分析方法,该方法包括如下过程:
步骤1、对遥测数据变化特征进行分析,建立参数正常状态样本。
实施过程中,可以通过对不同遥测数据变化特征进行分析,找出在一定时 间内具有变化规律的关键参数,建立参数正常状态样本。
步骤2、通过将待检测时间段的遥测数据与历史正常状态的对应数据进行比较,提取出存在异常的遥测参数,并计算得到参数异常程度信息。
通过将参数待检测时间段数据与历史正常状态数据进行比较,如计算两序列的相关系数,并与设定的相关度阈值进行比较,得到存在异常的遥测参数。利用两序列的相似度,计算得到参数异常程度信息。
步骤3、根据航天器设计知识(航天器设计数据),建立遥测参数与单机设备的关联矩阵。其中,根据航天器***设计知识,如参数与哪些设备相关联,建立遥测参数与单机设备的关联矩阵。
步骤4、根据参数单机关联知识(即关联矩阵)及参数异常程度计算各单机故障概率,最后对各相关设备的异常概率进行排序,给出最可能导致异常的单机设备。
其中,利用参数单机关联知识建立的关联矩阵和参数异常程度信息,计算各单机故障概率,最后对各相关设备的异常概率进行排序,给出最可能导致异常的单机设备。
本发明还提供一种航天器运行异常状态的分析装置,包括:
异常参数检测模块,用于根据待检测序列与正常样本的相似度判断参数是否存在异常以及得到参数异常程度信息。
关联矩阵建立模块,用于设置与参数相关联的设备信息,并建立关联。
单机异常概率确定模块,利用参数单机关联知识建立的关联矩阵和参数异常程度信息,计算各单机故障概率,最后对各相关设备的异常概率进行排序,给出最可能导致异常的单机设备。
优选的,上述装置还可以包括通常都具备的卫星正常状态参数样本选取单元,用于对卫星正常状态下的参数样本进行选取,包括参数及参数时间段。
与现有技术相比,本发明实施例提供的分析方法及装置,克服了现有的异常状态检测方法对专家经验知识的依赖性问题,通过将待检测参数数据与正常 状态下的历史遥测参数样本比较,得到异常参数及参数异常程度信息;结合航天器***设计知识,利用关联矩阵运算得到可能导致异常的单机设备及其异常概率。本发明对于辅助进行航天器在轨异常状态捕获和排除决策具有较为重要的意义。
下面,结合具体实例对上述过程进行具体说明。
如图4所示,本发明实施例的方法针对利用航天器的历史遥测数据结合设计知识实现航天器状态综合分析的问题,首先对遥测数据变化特征进行分析,建立参数正常状态样本;其次,通过将待检测时间段数据与历史正常状态数据进行比较,提取出存在异常的遥测参数,并计算得到参数异常程度信息;再次,根据航天器设计知识,建立遥测参数与单机设备的关联矩阵;随后,根据参数单机关联知识及参数异常程度计算各单机故障概率,最后,对各相关设备的异常概率进行排序,给出最可能导致异常的单机设备。
上面的具体实施方式包括:
1)步骤S1:通过对不同遥测数据变化特征进行分析,找出在一定时间内具有变化规律的关键参数,建立参数正常状态样本。
由于卫星在固定轨道上周期运行,卫星遥测参数在正常状态下具有一定的变化规律,如部分温度参数以天为周期规律变化,故可以以天为周期进行正常样本采样。
2)步骤S2:通过将参数待检测时间段数据与历史正常状态的样本数据进行比较,如计算两序列的相关系数,并与设定的相关度阈值进行比较,得到存在异常的遥测参数。利用两序列的相似度,计算得到参数异常程度信息。
设x、y分别为某参数的遥测工程值序列,Cov为相关系数,两序列x、y的相关系数计算公式如下:
其中分别为序列x、y均值,Cov取值范围[-1,1],如果Cov小于设 定阈值,则认为两个序列的相关度较低,参数存在异常。
设参数异常程度为Yi,则Yi=1-|Cov|。Yi取值范围为[0,1]。
3)步骤S3:根据航天器***设计知识,如参数与哪些设备相关联,建立遥测参数与单机设备的关联矩阵。
航天器遥测参数可能和一个或几个设备相关联,建立遥测参数与单机设备的关联矩阵。关联矩阵形式如下:
参数与单机关联矩阵构造原则为:若参数与某单机有关联关系,则此参数所在行对应的单机列置1,否则置0。
4)步骤S4:利用参数单机关联知识建立的关联矩阵和参数异常程度信息,计算各单机故障概率,最后对各相关设备的异常概率进行排序,给出最可能导致异常的单机设备。
故障关联矩阵计算方法如图5所示,具体步骤如下:
(1)首先取矩阵中所有异常参数所在行进行对应列的“与”运算,得到单机与故障的关联矩阵;
(2)若该矩阵中存在为“1”的列,则对应单机即为故障关联单机,对矩阵进行归一化(矩阵中所有列和为1)得出对应单机的故障概率;
(3)若(1)中得到的单机与故障的关联矩阵所有列均为“0”,则首先对异常参数所在行进行归一化,使其概率和为1;之后根据每个参数的异常程度,分配异常参数的权重,使其权重总和为1;最后对加权后的异常参数相应的单机列进行求“和”运算,得到单机与故障的关联矩阵,得出单机故障概率。
具体的,以某卫星故障“北太阳翼输出功率下降”为例进行状态综合分析。
1)利用步骤S1、S2所述的异变检测方法,得出该故障现象存在异常的参数为:北主母线电压、北主母线误差电压、北主母线负载电流、北蓄电池充电 电流和南分流器电流。
2)如步骤S3所述,根据设计知识建立该故障涉及的参数与单机的故障关联矩阵如下:
3)根据步骤S4所述的故障关联矩阵计算方法,首先取上述参数与单机关联矩阵中异常参数所在行进行对应列的“与”运算,即取北主母线电压[110000]、北主母线误差电压[110000]、北主母线负载电流[100000]、北蓄电池充电电流[101000]和南分流器电流[000101]进行“与”运算,容易计算得出:该卫星电源***单机的故障关联矩阵为[000000]。
4)由于没有得到为“1”的列,即没有得到一致的故障单机结论,进一步根据参数异常程度对关联矩阵进行“加权求和”计算。
(1)由异变检测结果可知,各异常参数相关度为:北主母线电压:0.256;北主母线误差电压:0.617;北主母线负载电流:0.799;北蓄电池充电电流:0.013;南分流器电流:0.449。
(2)由于相关度为1表示无异常,相关度为0表示异常程度最大,得到各参数异常程度为:北主母线电压:0.744;北主母线误差电压:0.383;北主母线负载电流:0.201;北蓄电池充电电流:0.987;南分流器电流:0.551。
(3)进一步对参数异常程度进行归一化,得到各参数的异常程度系数为:北主母线电压:0.2596;北主母线误差电压:0.1339;北主母线负载电流:0.0701;北蓄电池充电电流:0.3451;南分流器电流:0.1923。
(4)利用各参数的异常程度系数对参数单机关联矩阵中归一化的异常参数行进行加权,得到加权后的参数与单机的关联矩阵:
北主母线电压:0.2596*[1/21/20000]=[0.12980.12980000];
北主母线误差电压:0.1339*[1/21/20000]=[0.066950.066950000];
北主母线负载电流:0.0701*[100000]=[0.070100000];
北蓄电池充电电流:0.3451*[100000]=[0.345100000];
南分流器电流:0.1923*[0001/201/2]=[0000.0961500.09615]。
(5)最后对对应列进行求和,得到该案例中电源***单机的故障关联矩阵为[0.619550.1967500.0961500.09615]。
5)对单机故障概率排序可得出结论:北太阳翼故障概率最高,为0.61955;其次为北分流器,故障概率为0.19675。
尽管为示例目的,已经公开了本发明的优选实施例,本领域的技术人员将意识到各种改进、增加和取代也是可能的,因此,本发明的范围应当不限于上述实施例。
Claims (10)
1.一种航天器运行异常状态的分析方法,其特征在于,包括:
将待检测时间段内的遥测数据与正常状态下的历史数据进行比较,以确定所述遥测数据的异常情况;
在所述遥测数据存在异常的情况下,根据上述两组数据对应序列的相关系数,确定所述遥测数据对应参数的异常程度信息;
根据航天器设计数据建立所述遥测数据对应参数与单机设备的关联矩阵;
根据所述关联矩阵对应的关联数据及所述异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性。
2.如权利要求1所述的方法,其特征在于,将待检测时间段内的遥测数据与正常状态下的历史数据进行比较,以确定所述遥测数据的异常情况包括:
计算所述两组数据对应序列的相关系数,并将所述相关系数与预设系数阈值比较;
在所述相关系数小于所述预设系数阈值的情况下,确定所述遥测数据存在异常情况。
3.如权利要求2所述的方法,其特征在于,计算所述两组数据对应序列的相关系数,并将所述相关系数与预设系数阈值比较包括:
预设x、y分别为某一参数的遥测数据的工程值序列,Cov为相关系数,则两序列x和y的相关系数计算公式如下:
其中,分别为序列x、y平均值,Cov取值范围[-1,1],如果Cov小于预设系数阈值,则确认两组序列的相关度较低,参数存在异常。
4.如权利要求3所述的方法,其特征在于,根据上述两组数据对应序列的相关系数,确定所述遥测数据对应参数的异常程度信息包括:
预设异常程度信息为Yi,则Yi=1-|Cov|,其中,Yi取值范围为[0,1]。
5.如权利要求1至4中任一项所述的方法,其特征在于,根据所述关联矩阵对应的关联数据及所述异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性包括:
取所述关联矩阵中所有异常参数所在的行对应的列进行与运算,以得到单机设备与故障的关联矩阵;
如果所述单机设备与故障的关联矩阵中存在为1的列,则对应单机设备确定为故障关联单机,对所述单机设备与故障的关联矩阵进行归一化,以得出对应单机设备的故障概率;
如果所述单机设备与故障的关联矩阵中存在的所有列均为0,则对异常参数所在行进行归一化,以使其概率和为1;再根据所有异常参数中每个异常参数的异常程度信息分配所述异常参数的权重,以使其权重总和为1;再对加权后的异常参数相应的单机设备对应列进行求和运算,以得到单机设备与故障的关联矩阵,以得出对应单机设备的故障概率。
6.一种航天器运行异常状态的分析装置,其特征在于,包括:
异常参数检测模块,用于将待检测时间段内的遥测数据与正常状态下的历史数据进行比较,以确定所述遥测数据的异常情况;在所述遥测数据存在异常的情况下,根据上述两组数据对应序列的相关系数,确定所述遥测数据对应参数的异常程度信息;
关联矩阵建立模块,用于根据航天器设计数据建立所述遥测数据对应参数与单机设备的关联矩阵;
单机异常概率确定模块,用于根据所述关联矩阵对应的关联数据及所述异常程度信息,确定各单机设备的故障概率,以分析各单机设备发生异常情况的可能性。
7.如权利要求6所述的装置,其特征在于,所述异常参数检测模块包括:
比较单元,用于计算所述两组数据对应序列的相关系数,并将所述相关系数与预设系数阈值比较;
确定单元,用于在所述相关系数小于所述预设系数阈值的情况下,确定所述遥测数据存在异常情况。
8.如权利要求7所述的装置,其特征在于,
所述比较单元,还用于在预设x、y分别为某一参数的遥测数据的工程值序列,Cov为相关系数的情况下,按照如下的计算公式计算两序列x和y的相关系数:
其中,分别为序列x、y平均值,Cov取值范围[-1,1],如果Cov小于预设系数阈值,则确认两组序列的相关度较低,参数存在异常。
9.如权利要求8所述的装置,其特征在于,
所述关联矩阵建立模块,还用于在预设异常程度信息为Yi的情况下,确定Yi=1-|Cov|,其中,Yi取值范围为[0,1]。
10.如权利要求6至9中任一项所述的装置,其特征在于,
所述单机异常概率确定模块,还用于取所述关联矩阵中所有异常参数所在的行对应的列进行与运算,以得到单机设备与故障的关联矩阵;
在所述单机设备与故障的关联矩阵中存在为1的列的情况下,对应单机设备确定为故障关联单机,对所述单机设备与故障的关联矩阵进行归一化,以得出对应单机设备的故障概率;
在所述单机设备与故障的关联矩阵中存在的所有列均为0的情况下,对异常参数所在行进行归一化,以使其概率和为1;再根据所有异常参数中每个异常参数的异常程度信息分配所述异常参数的权重,以使其权重总和为1;再对加权后的异常参数相应的单机设备对应列进行求和运算,以得到单机设备与故障的关联矩阵,以得出对应单机设备的故障概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310701222.1A CN103699118B (zh) | 2013-12-18 | 2013-12-18 | 一种航天器运行异常状态的分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310701222.1A CN103699118B (zh) | 2013-12-18 | 2013-12-18 | 一种航天器运行异常状态的分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103699118A CN103699118A (zh) | 2014-04-02 |
CN103699118B true CN103699118B (zh) | 2016-08-31 |
Family
ID=50360682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310701222.1A Active CN103699118B (zh) | 2013-12-18 | 2013-12-18 | 一种航天器运行异常状态的分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103699118B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105221132B (zh) * | 2014-06-30 | 2018-08-10 | 中国石油化工股份有限公司 | 一种钻井工程参数状态检测方法 |
CN104483719B (zh) * | 2014-12-31 | 2017-07-14 | 贵州东方世纪科技股份有限公司 | 一种利用雷达回波诊断遥测雨量站数据异常的方法 |
CN104765964B (zh) * | 2015-04-15 | 2017-12-08 | 北京空间飞行器总体设计部 | 一种空间环境敏感参数筛选方法 |
CN107545129B (zh) * | 2016-06-27 | 2021-06-22 | 西门子(深圳)磁共振有限公司 | 一种医疗设备的故障检查方法和装置 |
CN107622065B (zh) * | 2016-07-14 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及服务器 |
CN106249746A (zh) * | 2016-07-19 | 2016-12-21 | 中国人民解放军63920部队 | 一种航天器状态的判断方法及装置 |
JP6795093B2 (ja) * | 2017-06-02 | 2020-12-02 | 富士通株式会社 | 判定装置、判定方法及び判定プログラム |
CN108520267B (zh) * | 2018-03-06 | 2022-03-08 | 河海大学 | 一种基于时空特征的水文遥测数据异常检测方法 |
CN110858072B (zh) * | 2018-08-24 | 2023-05-09 | 阿里巴巴集团控股有限公司 | 设备运行状态的确定方法及装置 |
CN109327330B (zh) * | 2018-09-11 | 2022-02-22 | 南京科思倍信息科技有限公司 | 基于数据驱动的化工生产异常切片管理方法 |
CN109558590B (zh) * | 2018-11-23 | 2022-11-15 | 中国人民解放军63789部队 | 一种基于航天器遥测参数分词的关键故障器件定位方法 |
CN110135273B (zh) * | 2019-04-19 | 2020-05-22 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
CN110348150B (zh) * | 2019-07-17 | 2023-05-16 | 上海微小卫星工程中心 | 一种基于相关概率模型的故障检测方法 |
CN110502554B (zh) * | 2019-08-23 | 2022-10-21 | 中国西安卫星测控中心 | 一种基于皮尔逊系数的航天器相关遥测参数查找方法 |
CN111126824B (zh) * | 2019-12-19 | 2023-11-21 | ***通信集团江苏有限公司 | 多指标关联模型训练方法及多指标异常分析方法 |
JP7176543B2 (ja) * | 2020-02-18 | 2022-11-22 | 株式会社デンソー | 異常診断システム、異常診断方法およびコンピュータプログラム |
CN111680355B (zh) * | 2020-05-06 | 2022-06-28 | 北京航空航天大学 | 一种典型遥测异常检测与定位的自适应幅值几何映射方法 |
CN111444075B (zh) * | 2020-06-18 | 2020-09-15 | 南京开特信息科技有限公司 | 一种自动发现关键影响力指标的方法 |
CN111912429B (zh) * | 2020-07-20 | 2022-08-12 | 北京控制工程研究所 | 一种航天器姿态控制***不同类部件异常检测方法 |
CN111966517B (zh) * | 2020-07-20 | 2021-07-09 | 北京控制工程研究所 | 一种层级式航天器控制***在轨自主异常检测方法 |
CN112068580B (zh) * | 2020-09-10 | 2021-11-23 | 北京理工大学 | 航天器规划序列中逻辑条件不满足动作集的快速检测方法 |
CN112257755B (zh) * | 2020-09-24 | 2023-07-28 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN112257901A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 一种航天器的异常预警方法和装置 |
CN112257754B (zh) * | 2020-09-24 | 2023-07-28 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN112307619B (zh) * | 2020-10-29 | 2024-06-11 | 北京航天测控技术有限公司 | 预警模型的构建方法、装备故障预警方法及装置 |
CN113959476B (zh) * | 2021-12-22 | 2022-02-25 | 北京为准智能科技有限公司 | 一种智能化仪器仪表检定***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102252709A (zh) * | 2011-04-22 | 2011-11-23 | 上海海洋大学 | 一种非电量测量***故障诊断方法 |
EP2562614A2 (en) * | 2011-08-25 | 2013-02-27 | Hitachi Ltd. | Control device of control system and elevator systems |
CN103218515A (zh) * | 2013-03-21 | 2013-07-24 | 西北工业大学 | 基于变权分层评分的卫星健康状态评估方法 |
CN103279837A (zh) * | 2013-06-05 | 2013-09-04 | 浙江中控软件技术有限公司 | 一种生产数据分析方法及*** |
CN103309242A (zh) * | 2013-04-24 | 2013-09-18 | 上海卫星工程研究所 | 基于实时仿真平台的图像定位与配准演示验证***及方法 |
CN103425874A (zh) * | 2013-07-23 | 2013-12-04 | 北京航空航天大学 | 一种基于率模可靠性理论的航天器健康评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8209070B2 (en) * | 2008-12-17 | 2012-06-26 | Honeywell International Inc. | Methods and systems for efficiently orienting an agile vehicle using a gyroscope array |
FR2970358B1 (fr) * | 2011-01-06 | 2019-04-12 | Airbus Helicopters | Pronostic de duree avant maintenance par fusion entre modelisation et simulation, pour equipements electroniques embarques dans un aeronef |
-
2013
- 2013-12-18 CN CN201310701222.1A patent/CN103699118B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102252709A (zh) * | 2011-04-22 | 2011-11-23 | 上海海洋大学 | 一种非电量测量***故障诊断方法 |
EP2562614A2 (en) * | 2011-08-25 | 2013-02-27 | Hitachi Ltd. | Control device of control system and elevator systems |
CN103218515A (zh) * | 2013-03-21 | 2013-07-24 | 西北工业大学 | 基于变权分层评分的卫星健康状态评估方法 |
CN103309242A (zh) * | 2013-04-24 | 2013-09-18 | 上海卫星工程研究所 | 基于实时仿真平台的图像定位与配准演示验证***及方法 |
CN103279837A (zh) * | 2013-06-05 | 2013-09-04 | 浙江中控软件技术有限公司 | 一种生产数据分析方法及*** |
CN103425874A (zh) * | 2013-07-23 | 2013-12-04 | 北京航空航天大学 | 一种基于率模可靠性理论的航天器健康评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103699118A (zh) | 2014-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103699118B (zh) | 一种航天器运行异常状态的分析方法及装置 | |
Lin et al. | Review on hydrogen fuel cell condition monitoring and prediction methods | |
Gao et al. | A physically inspired data-driven model for electricity theft detection with smart meter data | |
US20190187212A1 (en) | Systems and methods for estimation and prediction of battery health and performance | |
Chakhchoukh et al. | PMU based state estimation by integrating correlation | |
WO2014054259A1 (ja) | バッテリのパラメータ推定装置およびその推定方法 | |
CN105264709A (zh) | 用于感测电化学装置的内部温度的方法和设备 | |
Scott et al. | A hybrid stochastic-deterministic input design method for active fault diagnosis | |
Chakhchoukh et al. | LTS-based robust hybrid SE integrating correlation | |
KR101223898B1 (ko) | 태양광 발전모듈의 고장 진단 및 예지 방법 | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
CN110259647A (zh) | 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 | |
CN110187242A (zh) | 一种基于时空相关性分析的配电网异常检测及定位方法 | |
Alavi et al. | Fault detection and isolation in batteries power electronics and chargers | |
CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
Konstantinou et al. | A data-based detection method against false data injection attacks | |
CN110389264B (zh) | 一种异常用电计量的检测方法 | |
CN109697330B (zh) | 一种用于信息物理***的故障检测***设计方法 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的***及方法 | |
CN113433850A (zh) | 一种fpga异态逻辑修复方法 | |
Chen et al. | Study on small multiplicative fault detection using Canonical Correlation Analysis with the local approach | |
Yang et al. | A mean-covariance decomposition method for battery capacity prognostics | |
CN104199935A (zh) | 一种游泳池的大数据量采集方法和装置及分析查找*** | |
CN110276275A (zh) | 一种能量分解中基于超平面的功率信号的滤波方法和装置 | |
Carbone et al. | A Multiple Model Based Approach for Deep Space Power System Fault Diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |