一种航天器状态异常检测方法技术

本发明专利技术提供了一种航天器状态异常检测方法，用于解决现有航天器异变早期发现困难的技术问题；首先是利用卫星遥测参数建立正常状态下的关联关系模型，然后对卫星正常状态下的关联关系模型参数做统计分析，可以得到关联关系模型参数的统计特征及其变化范围，通过判断关联关系模型参数的大小是否在预测范围内来确定模型建立的正确性，最后将需要检测的数据代入正确的关联关系模型中，通过比较检测数据的变化规律与正常状态数据的变化规律来实现卫星状态异常检测。本发明专利技术的异常检测过程简洁明了，可为航天器异常状态检测的工程化应用提供有力的方法支撑。

Method for detecting abnormal state of spacecraft

The present invention provides an anomaly detection method is used to solve the existing state of the spacecraft, the spacecraft found mutation early technical problems difficult; the first is the relationship model under the normal state is established by using satellite remote sensing parameters, then the relationship between model parameters under the normal state of the satellite do statistical analysis, statistical characteristics and the range of model parameters can be obtained the relationship, by judging whether the size of the correlation parameter model in the prediction range to determine the validity of the model, finally will need the relation model of correct detection data into the state, to realize satellite anomaly detection by comparing the detected variation data and normal data. The anomaly detection process of the invention is simple and clear, and can provide a powerful method for the engineering application of abnormal state detection of spacecraft.

【技术实现步骤摘要】

本专利技术属于航天测量与控制领域，具体涉及一种针对航天器状态异常检测的方法。
技术介绍
卫星的异常检测技术是随着卫星的飞行任务扩展、控制精度提高以及工作寿命延长等要求而发展起来的。国外以美国为代表的航天大国在该领域起步较早，在技术上也领先国内很多。IMS算法是一种基于数据关联性分析的异变检测方法，利用健康数据自动定义系统参数之间的关联关系，将实测数据向量与知识库的族类对比分析，推理、预测系统的行为是否正常。但是IMS算法要求建立详尽的知识库才能完成对预测系统的行为是否正常的检测。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种航天器异常状态检测的方法，通过关联关系模型的建立、模型参数的估计、关联关系模型的统计特性分析及正常状态模型参数与实际模型参数比较四个步骤，从航天器实测数据、历史信息获取航天器异常状态检测的结果。本专利技术解决其技术问题所采用的技术方案包括以下步骤：步骤一，将太阳敏感器输出记作太敏输出，将太阳敏感器温度记作太敏温度，建立两者的正常状态关联关系模型其中，y为太敏输出，x1为太敏温度，e为关联关系模型的误差；步骤二，测量设定时段的太敏输出和太敏温度，对离差平方和求导并令其为0，得到参数估计值b0、b1、b2；步骤三：选择要分析的数字特征，包括均值中位数M、分位数等Mp、方差σ2、标准差σ和极差R；步骤四，测量另一时段的太敏输出y′和太敏温度x1′，得到关联关系模型y'＝b0'+b1'x1'+b2'(x1')2；当关联关系模型y'＝b0'+b1'x1'+b2'(x1')2和中要分析的数字特征的相对误差在10％以内时，认为正常状态关联关系模型是正确的，进入步骤五；否则返回步骤一；步骤五：将航天器实测数据代入步骤一建立的关联关系模型，将得到的曲线图与正常状态关联关系模型的曲线图进行比对，当两个曲线图变化规律相同，且实测数据中太敏输出的方差和均值与正常状态关联关系模型的方差和均值的相对误差均不超过10％，则判定航天器正常工作；否则认为航天器为状态异常。本专利技术的有益效果是：利用航天器参数之间的关联关系检测航天器可能出现的异常状况，本专利技术根据航天器的遥测数据建立航天器两参数之间关联关系模型，计算关联关系模型参数的数字特征，通过曲线图来验证建立关联关系模型的正确性，最后，通过发现的参数之间的相关特性来判定航天器是否发生异变。本专利技术的异常检测过程简洁明了，可为航天器异常状态检测的工程化应用提供有力的方法支撑。附图说明图1是本专利技术的方法流程图；图2是实施例中太阳敏感器温度和太阳敏感器输出的示意图，其中，(a)是太阳敏感器温度，(b)是太阳敏感器输出；图3是太阳敏感器温度和太阳敏感器输出关联关系图；图4是实际数据与仿真数据比较示意图。具体实施方式下面结合附图和实施例对本专利技术进一步说明，本专利技术包括但不仅限于下述实施例。本专利技术的技术方案具体如下：步骤一：从太阳敏感器工作原理可以看出，无论是数字还是模拟太阳敏感器，基本上都是一套电路系统。而其测量值的判断准则，基本上为变化不连续。因此，可以采用统计分析方法，进行时间关联关系的建模。对满足关系的太阳敏感器输出(以下简称太敏输出)和太阳敏感器温度(以下简称太敏温度)两个遥测参数，建立正常状态的关联关系模型：其中，y为太敏输出，x1为太敏温度，e为关联关系模型的误差；步骤二：关联关系模型参数的计算，采用最小二乘方法来估计关联关系模型中的各个参数。其原理是使离差平方和达到最小，即达到最小。对上式(2)求导并令其为0，即得参数估计值b0,b1,b2。步骤三：本实施例以太敏输出和太敏温度的均值作为分析对象，但是作为本专利技术的延伸，也可以选择不同的待分析数字特征，包括：(1)表示位置的特征参数，表示位置的数字特征有均值中位数M、分位数等Mp；(2)表示分散性的统计特征，表示数据分散性的参数有方差σ2、标准差σ、极差R。步骤四：验证建立的关联关系模型的正确性，确保这种关联关系的建立是在卫星工作过程中存在的，而不是某个时刻表现出来的特例，需要用另外一个时间段的数据来验证，将这部分数据代入式(1)，得到y'＝b0'+b1'x1'+b2'(x1')2…………………………………………(3)针对式(1)和式(3)建立的关联关系模型，选择步骤三中列出的需要分析的数字特征进行比较，当式(3)建立的关联关系模型的数字特征与式(1)建立的关联关系模型数字特征的相对误差在10％以内时，则认为模型建立是正确的，符合参数之间的关联关系；当式(3)建立的关联关系的数字特征与式(1)建立的关联关系模型数字特征的相对误差超过10％时，则认为关联关系模型建立不符合参数之间的关联关系，模型建立的不正确，需要返回步骤一重新建模。步骤五：将测试数据代入建立的关联关系模型，式(1)中，两参数之间的关联关系可以通过曲线图来表示，当实际的曲线图与步骤四验证后模型的曲线图的变化规律不同时，根据对太阳敏感器工作原理的分析，认为曲线图中测试数据太敏输出的方差和均值与正常状态关联关系模型的方差和均值的相对误差超过10％，则判定航天器有状态异常的问题；否则认为航天器正常工作。以太阳敏感器关联关系模型为例，对本方法进行进一步描述：在进行本方法之前需要先对获取的遥测数据进行选取和划分，选择航天器正常运行时太阳敏感器输出和太阳敏感器温度两个参数，并将数据分为三个部分，遥测数据1(为三天的数据每日3000个，共9000)、遥测数据2(10000)和测试数据(10000)。从模拟太阳敏感器输出和模拟太阳敏感器温度时间序列中(图2)可以看出，在太阳光照区，即数据的前两个时间段，两个数据具有很强的负相关性。后两个测控时间段，由于模拟太阳敏感器的视场关系，太阳不在其视场内，输出近似为零，而温度没有这个限制，所以非太阳光照区，该关系不成立。步骤1-1，对满足关系的太阳敏感器输出(以下简称太敏输出)和太阳敏感器温度(以下简称太敏温度)两个遥测参数，建立正常状态的关联模型，其中，S1为太敏输出，T1为太敏温度；太敏输出和太敏温度的关联关系图，如图3，x轴为太敏温度，y轴为太敏输出。步骤1-2：将正常数据1以日为单位，取平均值Sp1,Sp2,Sp3，Tp1,Tp2,Tp3，Sp1,Sp2,Sp3分别为正常状态下太敏输出三天的平均值；Tp1,Tp2,Tp3分别为正常状态下太敏温度三天的平均值。步骤1-3：将步骤1-2计算得到的Sp1,Sp2,Sp3,、Tp1,Tp2,Tp3,代入步骤1-1的关联关系模型中得到3个式子：计算得关联关系模型参数为：b(0)＝0.35613，b(1)＝-0.0204，b(2)＝0.00029。步骤1-4：将正常状态数据2带入关联关系模型式(4)中，计算出相应的太敏输出值Si，得到太敏输出与太敏温度的曲线，如图3中方形表示的曲线所示，遥测数据中的太敏输出和太敏温度的关系如图3中星形表示的曲线所示，得到其绝对误差：0.0013，相对误差为6％，符合预测要求，可以看出该相关性成立，并得到太敏温度和太敏输出关系的曲线图。步骤1-5：将测试数据代入步骤1-4的关联关系模型中，得到测试数据的太敏温度和太敏输出的曲线图如图4，比较此曲线图与步骤1-4中的曲线图，从图中可以看出步骤1-5得到曲线图与步骤1-4曲线特性符合，变化规律相同；本文档来自技高网...

【技术保护点】
一种航天器状态异常检测方法，其特征在于包括下述步骤：步骤一，将太阳敏感器输出记作太敏输出，将太阳敏感器温度记作太敏温度，建立两者的正常状态关联关系模型其中，y为太敏输出，x1为太敏温度，e为关联关系模型的误差；步骤二，测量设定时段的太敏输出和太敏温度，对离差平方和求导并令其为0，得到参数估计值b0、b1、b2；步骤三：选择要分析的数字特征，包括均值中位数M、分位数等Mp、方差σ2、标准差σ和极差R；步骤四，测量另一时段的太敏输出y′和太敏温度x1′，得到关联关系模型y'＝b0'+b1'x1'+b2'(x′1)2；当关联关系模型y'＝b0'+b1'x1'+b2'(x′1)2和中要分析的数字特征的相对误差在10％以内时，认为正常状态关联关系模型是正确的，进入步骤五；否则返回步骤一；步骤五：将航天器实测数据代入步骤一建立的关联关系模型，将得到的曲线图与正常状态关联关系模型的曲线图进行比对，当两个曲线图变化规律相同，且实测数据中太敏输出的方差和均值与正常状态关联关系模型的方差和均值的相对误差均不超过10％，则判定航天器正常工作；否则认为航天器为状态异常。

【技术特征摘要】
1.一种航天器状态异常检测方法，其特征在于包括下述步骤：步骤一，将太阳敏感器输出记作太敏输出，将太阳敏感器温度记作太敏温度，建立两者的正常状态关联关系模型其中，y为太敏输出，x1为太敏温度，e为关联关系模型的误差；步骤二，测量设定时段的太敏输出和太敏温度，对离差平方和求导并令其为0，得到参数估计值b0、b1、b2；步骤三：选择要分析的数字特征，包括均值中位数M、分位数等Mp、方差σ2、标准差σ和极差R；步骤四，测量另一时段的太敏输出y′和太敏温度x1′，得到关联关系模型y'＝b...

【专利技术属性】
技术研发人员：杨天社，赵静，王徐华，赵宜康，高宇，吴冠，王小乐，高波，刘兴淼，张海龙，邢楠，杨旭，张蔚，
申请(专利权)人：中国西安卫星测控中心，
类型：发明
国别省市：陕西;61