CN115904791B - 一种动量轮转速带跳变过程误码识别及自适应修复方法 - Google Patents

Abstract

本发明公开了一种动量轮转速带跳变过程误码识别及自适应修复方法，本发明涉及数据诊断领域，包括：获取动量轮转速的时序数据N和多个起检点序；基于单个起检点序I，对时序数据进行预处理，得到新的时序数据；对新的时序数据进行计算，得到计算结果；基于计算结果，对时序数据中时刻数据进行判断，得到判断结果，其中判断结果包括：正常数据和误码数据；构造插值函数，基于插值函数对误码数据进行修复；通过多个起检点序，继续对时序数据进行误码识别及修复，直至时序数据都为正常数据。本发明能够解决现有技术中存在检测门限内误码的问题，能够直接用于飞行器动量轮转速数据误码识别与处理过程中。

Description

一种动量轮转速带跳变过程误码识别及自适应修复方法

技术领域

本发明属于数据诊断领域，特别是涉及一种动量轮转速带跳变过程误码识别及自适应修复方法。

背景技术

动量轮是飞行器姿态控制***的重要构成部件。动量轮转速数据的异常变化，会直接威胁到飞行器姿态控制和运行安全。由于动量轮长时间在复杂空间环境下运行，且数据采样和传输环境复杂，采样数据中难免会包含有误码甚至跳变，影响到对动量轮工作状况的准确感知。

现有的故障诊断和姿态容错控制技术，容易受误码数据的影响，影响姿控过程及飞行器姿态安全。常用的误码识别方法，如基于门限判断的误码甄别等，难以识别门限内误码，特别是小幅度误码，出现误判和误控；对于动量轮转速等带有明显周期性变化规律的周期递进过程，单纯依靠调整检测门限的大小，依然解决不了门限内误码的难题。

发明内容

本发明的目的是提供一种动量轮转速带跳变过程误码识别及自适应修复方法，本发明以时序数据一阶差分的滑动窗内上下四分位点外拓为基础，快速判定采样数据变化量是否偏离正常变化趋势，进而判定采样数据本身是否正常，进一步对异常数据进行修复，以解决现有技术中存在检测门限内误码的问题。

为实现上述目的，本发明提供了一种动量轮转速带跳变过程误码识别及自适应修复方法，包括：

获取动量轮转速的N个时序数据和多个起检点序；基于单个起检点序I，对所述时序数据进行预处理，得到新的时序数据；

对所述新的时序数据进行计算，得到计算结果；基于计算结果，对时序数据中时刻数据进行判断，得到判断结果，其中所述判断结果包括：正常数据和误码数据；

构造插值函数，基于所述插值函数对所述误码数据的误码情况进行检测、识别和修复处理；

通过所述多个起检点序，继续对所述时序数据进行误码识别及修复，直至所述时序数据都为正常数据。

优选地，获取动量轮转速的时序数据和起检点序的过程包括：

对动量轮转速数据进行记录，得到动量轮转速的时序数据，基于所述时序数据，得到起检点序。

优选地，对所述时序数据进行预处理的过程：

基于所述起检点序，得到所述时序数据中最大值和最小值，基于所述最大值和最小值，对所述时序数据进行归一化处理，得到新的时序数据。

优选地，对所述新的时序数据进行计算的过程包括：

将所述新的时序数据进行点数相等分段，得到第一段时序数据和第二段时序数据，分别计算得到所述第一段时序数据的第一中值和第二段时序数据的第二中值，将所述第一中值和第二中值相乘，得到中值乘积；

基于所述第一中值和所述第二中值，得到最小值和最大值，基于所述最小值和所述最大值，得到由最小值到最大值的最值区间。

优选地，对时序数据中时刻数据进行判断的过程包括：

若所述中值乘积小于零且时刻数据属于所述最值区间，则/>时刻数据为正常数据；

若所述中值乘积小于零且时刻数据不属于所述最值区间，则/>时刻数据为误码数据；

若所述中值乘积超过零且时刻数据属于所述最值区间，则/>时刻数据为正常数据；

若所述中值乘积超过零且时刻数据不属于所述最值区间，则/>时刻数据为误码数据。

优选地，构造插值函数的过程包括：

基于所述第一中值、所述第二中值及时序数据中的时间参数，构建插值函数。

优选地，对所述误码数据进行修复的过程包括：

基于所述插值函数，获取误码校正函数，基于所述误码校正函数，得到代替数值，将所述误码数据进行剔除且替换为所述代替数值。

优选地，继续对所述时序数据进行误码识别及修复的过程包括：

重新设置起检点序I+1，通过归一化处理、分段计算及时序数据判断，继续对所述时序数据进行误码识别及修复，直至所述时序数据都为正常数据。

本发明的技术效果为：

本发明获取动量轮转速的N个时序数据和多个起检点序；基于单个起检点序I，对时序数据进行预处理，得到新的时序数据；对新的时序数据进行计算，得到计算结果；基于计算结果，对时序数据中时刻数据进行判断，得到判断结果，其中判断结果包括：正常数据和误码数据；构造插值函数，基于插值函数对误码数据的误码情况进行检测、识别和修复处理；通过多个起检点序，继续对时序数据进行误码识别及修复，直至时序数据都为正常数据。

本发明能够快速可靠地识别和修复飞控***动量轮在其长时间运转等过程中带周期递进分量的强非平稳时变数据误码检测及修复处理，克服常规方法容易发生误检和漏检的问题。本发明可直接用于飞行器动量轮转速数据误码识别与处理，也可推广应用到各种旋转机械转速数据的杂质清洗，效果显著。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例中的方法流程图；

图2为本发明实施例中的动量轮带跳变转速数据示意图；

图3为本发明实施例中的野值检测结果示意图；

图4为本发明实施例中的野值修复结果示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

简记动量轮转速数据时间序列为{y(t_i)|i＝1,2,3,…}，如图2所示。所谓误码，通常表现为明显偏离大部分数据所呈现变化趋势的小部分数据点。数据清洗是结合数据特性建立一套误码识别和修复方法，剔除所有误码，并用相对合理的数值代替，避免因误码剔除带来的数据缺失。

如图1所示，本实施例中提供一种动量轮转速带跳变过程误码识别及自适应修复方法，实施过程包括：

第1步：设定滑动窗宽度参数N(缺省值N＝10)，起检点序I＝1；

第2步：提取滑动窗口[t_I,t_N+I]内采样数据S_I＝{y(t_i)|i＝I,…,I+N}；

第3步：对S_I＝{y(t_i)|i＝I,…,I+N}中的数据进行归一化处理：

式中Y_max和Y_min分别为S_I＝{y(t_i)|i＝I,…,I+N}的最大值与最小值；

第4步：将滑动窗口内的归一化序列片段分为点数相等的两段，分别计算各段的中值：

第5步：误码判断：

(1)如果M₁·M₂＜0且则判定样本数据正常；

(2)如果M₁·M₂＜0且则判定样本数据可能是误码；

(3)如果M₁·M₂≥0且则判定样本数据正常；

(4)如果M₁·M₂≥0且判定样本数据可能是误码；

第6步：误码修复：

(1)构造插值函数

(2)误码校正：如果判定样本数据可能是误码，则用式(4)计算结果代替

第7步：置重复第2—第6步，直到数据序列结束。

按照本实施例中的误码识别方法，识别出原带跳变数据序列中包含的跳变点和误码点，如图3所示，本实施例中的跳变及误码识别方法可以准确识别出采样数据中包含的误码及周期性带跳变数据的复杂非光滑变化形态；自适应误码修复效果示意图，如图4所示，可以看出本实施例中的自适应修复误码方法对异常数据进行了修复，实现了对飞行器动量轮转速数据的杂质清洗。

本实施例有益效果：

本实施例能够快速可靠地识别和修复非线性非平稳带跳变过程的采样数据误码与周期性跳变的复杂非光滑变化形态，特别适合于飞行器姿控***动量轮在长时间运转过程中带周期递进分量的时序带跳变数据的误码检测及修复处理，克服常规方法容易发生误检和漏检的问题。

本实施例明显不同于常规的直接诊断采样数据本体的方法，可以有效地处理带周期或周期递变过程的误码检测，可有效拓宽被检测对象的范围和确保强非平稳过程的有效性。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种动量轮转速带跳变过程误码识别及自适应修复方法，其特征在于，包括以下步骤：

获取动量轮转速的N个时序数据和多个起检点序；基于单个起检点序I，对所述时序数据进行预处理，得到新的时序数据；

对所述新的时序数据进行计算，得到计算结果；基于计算结果，对时序数据中时刻数据进行判断，得到判断结果，其中所述判断结果包括：正常数据和误码数据；

对所述新的时序数据进行计算的过程包括：

将所述新的时序数据进行点数相等分段，得到第一段时序数据和第二段时序数据，分别计算得到所述第一段时序数据的第一中值和第二段时序数据的第二中值，将所述第一中值和第二中值相乘，得到中值乘积；

基于所述第一中值和所述第二中值，得到最小值和最大值，基于所述最小值和所述最大值，得到由最小值到最大值的最值区间；

对时序数据中时刻数据进行判断的过程包括：

若所述中值乘积小于零且时刻数据属于所述最值区间，则/>时刻数据为正常数据；

若所述中值乘积小于零且时刻数据不属于所述最值区间，则/>时刻数据为误码数据；

若所述中值乘积超过零且时刻数据属于所述最值区间，则/>时刻数据为正常数据；

若所述中值乘积超过零且时刻数据不属于所述最值区间，则/>时刻数据为误码数据；

构造插值函数，基于所述插值函数对所述误码数据的误码情况进行检测、识别和修复处理；通过所述多个起检点序，继续对所述时序数据进行误码识别及修复，直至所述时序数据都为正常数据。

2.根据权利要求1所述的动量轮转速带跳变过程误码识别及自适应修复方法，其特征在于，获取动量轮转速的时序数据和起检点序的过程包括：

对动量轮转速数据进行记录，得到动量轮转速的时序数据，基于所述时序数据，得到起检点序。

3.根据权利要求1所述的动量轮转速带跳变过程误码识别及自适应修复方法，其特征在于，对所述时序数据进行预处理的过程：

基于所述起检点序，得到所述时序数据中最大值和最小值，基于所述最大值和最小值，对所述时序数据进行归一化处理，得到新的时序数据。

4.根据权利要求1所述的动量轮转速带跳变过程误码识别及自适应修复方法，其特征在于，构造插值函数的过程包括：

基于所述第一中值、所述第二中值及时序数据中的时间参数，构建插值函数。

5.根据权利要求4所述的动量轮转速带跳变过程误码识别及自适应修复方法，其特征在于，对所述误码数据进行修复的过程包括：

基于所述插值函数，获取误码校正函数，基于所述误码校正函数，得到代替数值，将所述误码数据进行剔除且替换为所述代替数值。

6.根据权利要求1所述的动量轮转速带跳变过程误码识别及自适应修复方法，其特征在于，继续对所述时序数据进行误码识别及修复的过程包括：

重新设置起检点序I+1，通过归一化处理、分段计算及时序数据判断，继续对所述时序数据进行误码识别及修复，直至所述时序数据都为正常数据。