一种高级飞行器测试数据时域判读方法

盖建宁 王楠 王卫楠 沈宗月

【摘 要】 数据判读是飞行器测试系统的重要组成部分，传统测试数据判读多依赖于测试人员，效率较低，难以适应自动化程度较高的飞行器测试系统。本文设计了飞行器测试系统方案和测试数据在线判读模型，建立了测试数据的时间序列模型，完成了数据预测算法设计和判读方法设计。利用某飞行器型号的测试数据对该方法进行了工程验证。结果表明，设计的数据预测算法和判读方法兼自动化要求和实时性要求，能在先验数据集上全面地检测出异常数据，从而显著提高飞行器测试的全面性和准确性。

【关键词】 数据判读  数据预测  时间序列

【Abstract】 Data interpretation is the most critical component of spacecraft detection system. Traditional data interpretation depended on testing operators and had low efficiency. It was difficult to adapt to spacecraft detection system with higher real-time. This article designs a spacecraft detection system and online data interpretation models and time series model. The data prediction algorithm and interpretation method were obtained. Taking advantage of the spacecraft testing data， the methods proposed were verified. The results show that the data prediction algorithm and interpretation method take into account the characteristics of automatic and real-time requirements and can detect data abnormalities comprehensively on priority data test， thereby significantly improving the comprehensiveness and accuracy of the tests.

【Key words】 data interpretation  data prediction  time series

飞行器地面测试是飞行器研发过程中不可缺少的重要环节，地面测试系统始终承担着非常重要的责任。在飞行器地面测试过程中，需要监视、检测数百个部件的实时数据和状态，测试数据量庞大、信号类型复杂、数据实时性、可靠性要求高，数据随环境变化快。传统测试中的人工数据判读方法无法满足飞行器的测试需求。

传统的测试数据实时在线判读方法有基于支持向量机的方法和基于神经网络的方法，这些方法需要较大样本集，对长期运行的系统缺乏全局最优，训练神经网络需要较长时间，难以适应实时性需求，更不适合长期的测试数据监视。目前，时间序列分析方法在测试数据预测中已经有了非常广泛的应用，但这些应用主要是利用时间序列估计出的自回归参数，再利用人工智能方法进行分类，从而完成故障的分类与诊断，这些方法同样存在训练周期长，需要样本集庞大等问题。

本文利用时间序列分析基本思想，研究一种能够在线实时预测下一周期测试数据的数据判读方法，并在此基础上设计实现了飞行器自动测试系统中数据在线检测方法。该方法能够在较小样本集内学习，获得最新的回归参数，具有较高的执行效率，能够满足飞行器测试的实时性要求，适用于长期测试数据监视和异常数据检测，可以非常好地满足飞行器的测试需求。

1 飞行器测试系统以及测试数据判读模型

1.1 飞行器测试系统

针对传统飞行器测试系统灵活性不足、自动化程度低等问题，设计了图1所示的飞行器测试系统，该系统主要由数字仿真模型、星上设备、地面激励设备和测试数据判读模型四部分组成。数字仿真模型是飞行器测试系统重要组成部分，为地面激励设备提供必要的数据激励，数字仿真的精度和正确性直接决定了测试结果的置信度，甚至影响测试能否正确进行。星上设备是被测对象，由真实的星上部件组成，按照飞行器在轨真实状态产生各种测试数据，这些测试数据是判断其处于正常状态还是故障状态的重要依据。地面激励设备由各种部件模拟器和激励源组成，模拟产生空间环境，并由此对星上设备提供激励数据。测试数据判读模型主要负责对所有测试数据进行预测和判读。

飞行器测试系统中包含不同的功能软件。星上设备包括CAN总线通信软件，实现星上各设备之间CAN通信。飞轮、陀螺等测量单机软件以及星载计算机软件实现飞行器惯性数据采集、姿态轨道控制等功能。各地面激励设备运行针对不同测量单机的激励源软件，为各测量单机实时提供激励数据。数字仿真模型通过动力学模型、轨道姿态控制模型等软件实时解算飞行器的轨道姿态参数，并驱动各地面激励设备为飞行器提供激励数据。测试数据判读模型软件利用时间序列分析思想针对飞行器测试过程中的测试数据进行预测和判读。

1.2 测试数据判读模型

测试数据判读模型是飞行器地面测试系统的重要组成部分，其职责在于根据模型数字仿真数据、地面激励设备数据和器上设备数据判断当前飞行器是否处于故障状态，防止飞行器长期运行在故障状态。由于飞行器测试是可靠性要求较高的过程，因此需要在测试人员的监督下进行，测试数据判读模型能够辅助测试人员识别测试过程中的异常数据，具体流程如图2所示。

测试数据判读模型通过数据接口接收外部多路实时数据，经过数据预测模型，预测当前数据的取值范围，再比对真实数据和预测数据。如果是数据异常，则通过人机界面显示给测试人员;如果不是异常数据，则继续进入下一个周期的数据判读。由此可以看出，为保证测试结果的可信度，检测过程需要与测试人员进行交互，将程序分析结果提交测试人员确认，显著提高了测试人员的工作效率。

2 测试数据预处理以及时间序列模型

2.1 测试数据预处理

在飞行器地面测试系统中，数据是从飞行器上真实设备采集的真实信号（模拟量或数字量），因此数据随各个部件的不同而存在显著差别。建立这些数据的时间序列，并对其进行分析较困难，因此需要对其进行适当的预处理，以适应时间序列模型分析。数据预处理过程包括消除趋势项和零均值处理（平稳化）。

利用数据预处理方法对飞行器上飞轮电压数据进行预处理，以验证数据预处理方法，图3给出了飞行器上飞轮电压原始数据与经过2次差分消除趋势项和零均值处理后的数据对比结果。从图3中可以看出，预处理后的数据变化趋势比较平稳，均值为一个常数，已经构成一个平稳的时间序列。

2.2 时间序列模型

若时间序列值yt可以表示为它前值yt-i和一个随机值的线性函数，则称次模型为自回归模型。P阶自回归模型简称为AR（P）模型，其公式为：

（1）

式中：φ1，φ2…φp表示自回归参数，描述yt-i每改变一个单位值时，对yt所产生的影响。随机值αt为残差，是一个误差和白噪声序列，即一个不相关的随机变量序列，且服从正态分布N（0，σ2）。式（1）的矩阵形式为：Y=Xφ+A                                （2）

式中：

AR（P）模型仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，不受模型变量相互独立的假设条件约束，所构成的模型可以消除一般回归预测方法中由于自变量选择、多重共线性等造成的困难。

2.3 时间序列预测算法

时间序列预测算法总体流程包括原始数据处理、自相关系数计算、偏相关函数计算、AR（P）模型定阶、数据预测和标准化数据还原6个阶段。具体算法如下：

输入为原始数据序列，输出为下一时刻数据预测值，操作如下：

（1）对原始数据进行两次差分消除趋势项，对消除趋势项后的数据进行零均值处理;

（2）计算自协方差，公式为rk=E（xt  xt+k），其中rk为自协方差，计算自相关系数：

（3）

式中：ρk=ρ-k，ρ0=1，r0=E（xi2），i=1，2…..N。

（3）解Yule-Walker方程，系数矩阵是Toeplitz矩阵，求得偏相关函数，Yule-Walker

方程为：

（4）

（4）采用AIC准则[6～7]对模型的阶次进行适应性检验，并为模型定阶，具体为：

AIC（p）=N ln σα2 +2p                                  （5）

式中：，，

N为数据个数，σα2为残差方差，AIC（p）是模型阶次p的函数，取AIC（p）绝对值最小的模型阶次p为最佳模型阶次。

（5）预测下一时刻数据值，并根据第一步保存的差分中间数据，对数据预测值进行预测数据还原，数据预测公式为：

（6）

（6）返回预测结果，算法结束。

3 数据判读算法与测试验证

利用时间序列模型和数据预测算法，结合某型号飞行器地面测试中对测试数据在线判读的实际需求，本文设计了基于时间序列分析的数据在线判读方法，并以飞轮电流和陀螺电压数据为例进行了该方法的验证。

3.1 数据判读算法流程

图4给出了本文数据判读模块的流程图。由于器上部件通常是自主运行的，并且测试数据产生具有一定的时间特性（如周期产生），因此需要对测试数据的产生时间进行分析，判断该数据的产生时间是否正确，如果存在异常，则将异常通过人机界面提交给测试人员确认，在数据的时间特性满足后，将其提交给数据判读模块进行异常判断。

数据判读模块首先将测试的历史数据标准化，然后根据2.3节的时间序列预测算法对下一周期数据进行预测，再将预测结果与物理设备采集的真实数据进行比对。如果真实数据与预测数据的差值在合理变化范围内（部件工程参数），则不报异常，如果差值变化较大，则向测试人员发出异常提示。由于飞行器测试是可靠性要求较高的过程，测试结果的可信程度与测试过程采用的方法、技术等关系密切。因此数据判读模块将检测到的每个越界情况均通过人机界面提交给测试人员确认，充分利用测试人员的测试经验，避免由计算机自动故障诊断所带来的误诊断和漏诊断等问题，进一步提高测试过程的可靠性和结果的置信度。

3.2 测试验证

利用某型号飞行器的整器测试，对本文中设计的测试数据在线判读方法进行了试验验证。数据来源为飞行器上真实部件（飞轮、陀螺）。数据判读软件包括数据接口模块、通信协议模块、数据判读模块和人机界面模块。数据接口模块和通信协议模块根据接入的不同部件，按照相应数据协议进行数据的接收和解包，将解释出来的数据交由数据判读模块进行分析，并将数据判读结果通过人机界面反馈给测试人员。在数据判读过程中，以30个数据为一组进行自相关系数计算，飞轮电流和陀螺电压数据的初始自相关系数曲线如图5所示，这组系数在零值附近趋于稳定。

对300组飞轮电流数据进行验证，其中第0～100组数据为样本数据，用于确定模型阶数和估计参数，第101～300组数据为测试数据，测试结果如图6所示。从图6中可以看出，在电流值较平稳时，模型预测的电流值与实际采样值的差值较小，当电流值变化较大时，模型预测值与真实数据的差值稍微增大（0.3A），但也在部件允许误差范围内。在图6中第136个测试周期，真实数据从1.2A增加到2.88A，预测值也产生了突变。同样，在第247个测试周期的飞轮电流变化较大时，模型产生的预测值也相应变化较大。

按照对飞轮电流数据的处理方式，选取300组陀螺电压数据进行验证，测试结果如图7所示。从图7中可以看出，在电压值较平稳时，预测值与实际值的差值较小，当电压变化较大时，模型预测值与真实数据的差值稍微增大（0.34V），但也在部件允许误差范围内。图7中第113个测试周期，真实数据从4.2V下降到3.3V，模型产生的预测值也相应变小。

4 结论与展望

本文针对飞行器地面测试过程中数据判读问题，提出了基于时间序列分析的飞行器地面测试中数据在线判读方法。该方法在传统数据判读基础上进行改进，利用时间序列分析技术，设计数据预测方法，再根据设备数据和预测数据判断数据异常情况。仿真结果表明，数据预测方法能较准确地预测出下一周期数据，对数据异常区域反映较迅速，能及时发现并预报数据异常。利用本文提出的数据判读方法，能较全面地检测出当前系统或部件是否处于异常状态，并且算法执行效率较高，较好地满足飞行器地面测试要求。使用本文提出的数据快速判读方法能够在线检测数据异常，为提高系统的自动化程度，未来研究可以从以下3个方面着手进行改进：

（1）引入神经网络、支持向量机等分类算法对检测出的异常进行分类，最终实现故障的在线实时诊断;（2）中引入统计学和精确性再训练方法，使得模型的各项权重参数能够适应不同类型测试数据的自变量和因变量的分步，扩大算法的使用范围;（3）进一步改进算法，建立异常数据检测专家库，进一步提高故障检测的可靠性和结果的可信度。

参考文献

[1]方泽南，傅尚新，张勇.时间序列在故障诊断中的应用[J].清华大学学报：自然科学版，1998，38（9）：123-126.

FANG Zenan，FU Shangxin，ZHANG Yong.Fault diagnosis based on time series[J].Journal of Tsinghua University：Science and Technology，1998，38（9）：123-126.

[2]张海龙，关根志，周金，等.基于改进ART2神经网络的绝缘子故障在线诊断[J].湖南大学学报：自然科学版，2008，35（10）：41-45.

ZHANG Hailong，GUAN Genzhi，ZHOU Jin，et al.Appli-cation of improved ART2 neural network for the on-line diagnosis of faulty insulators[J].Journal of Hunan Universi-ty：Natural Sciences，2008，35（10）：41-45.

[3]DEMETGUL M，TANSEL L N，TASKIN S.Fault diagnosis of pneumatic systems with artificial neural network algorithms[J].Expert Systems with Applications，2009，36（7）：10512-10519.

[4]XU Zengbing，XUAN Jianping，SHI Tielin，et al.Application of a modified fuzzy ARTMAP with feature-weight learning for the fault diagnosis of bearing[J].Expert Systems with Applications，2009，36（6）：9961-9968.