一种遥测缓变参数自动判读的新方法

李 鑫，高家智，崔俊峰，谢会琴

(太原卫星发射中心，太原 030027)

0 引 言

遥测参数判读是运载火箭飞行过程中一项十分重要的环节[1-2]，其判读结果是判断火箭飞行过程中单机设备或分系统工作状态是否正常的重要依据。通常，一次飞行过程的遥测参数少则数百，多则上千，且形状不一，并且存在噪声和干扰。因此，难以实现自动判读，以专家为主的人工判读模式依然是遥测参数判读的主要模式[1]。显然，人工判读模式将耗费大量的人力资源，不仅判读效率和数据利用率低，而且存在误判和漏判等问题[3-5]。

为了解决这一关键性课题，许多学者都做了比较深入的研究，并取得了一定的成果。文献[5-8]从遥测参数判读系统平台架构设计的角度，对平台组成、实现细节及判读规则进行了详细的论述，但对于遥测参数判读方法的分析较为笼统。文献[3]提出了基于中值滤波的双边多点阈值判断方法和符号判断方法相结合的判读方法，但该方法仅适用于遥测参数中的台阶参数和脉冲参数，对于遥测参数中数量最多、判读最难的缓变参数并不适用[9]。文献[1，9-10]针对遥测缓变参数判读，分别提出了相关系数法和曲线拟合法，两种方法在一定程度上都能实现缓变参数的判读，但仅利用了本次飞行过程中有关数据的相关知识，缺乏对遥测参数历史数据的挖掘。事实上，同型号运载火箭在历次飞行过程中积累了大量的历史数据，而这些历史数据中隐含着遥测参数重要的全局性、综合性信息，充分对这些历史遥测数据进行分析挖掘，将极大地提高遥测参数判读的准确率。

针对上述问题，本文对遥测参数中缓变参数的自动判读方法进行了研究，提出了基于历史数据统计特性的遥测缓变参数自动判读方法。首先，对遥测缓变参数的自动判读方法进行了总体性论述；其次，针对参数的历史数据与目标数据时标不一致问题，提出了一种以目标数据时标为基准的时间间隔递推算法和线性插值方法，实现了时标的高精度统一；再次，针对历史数据的非平稳随机特性，提出了基于双因子等价权函数的抗差自适应估计算法，实现了参数的估计和标准差的确定，进而实现遥测缓变参数自动判读的目的。最后，通过工程数据的仿真计算和结果的分析评估，验证了该方法在遥测缓变参数自动判读过程中的实用性和有效性。

1 参数自动判读方法

遥测缓变参数自动判读采用计算机自动判读结合人工辅助决策的模式，如图1给出的计算机自动判读原理框图所示，具体过程如下：

1) 对参数的历史数据和目标数据进行预处理，使历史数据的时标统一到目标数据的时标上。

2) 通过对历史数据进行统计分析，得到目标数据的估值和标准差。

3) 依据参数的估值和标准差将目标数据的分布划分为四个区间：0～1σ，1σ～2σ，2σ～3σ，3σ～∞。

4) 统计目标数据在各个区间的概率分布，当目标数据超过极限误差(3σ)的概率大于5%或低于标准差(1σ)的概率小于50%时，将参数定性为潜在异常参数。

5) 通过分析本次飞行过程所有遥测缓变参数，得出潜在异常遥测参数表。

6) 人工专家基于该异常遥测参数表并跟据分析得到的辅助判决图对潜在异常参数进行逐一排查，最终确定本次飞行过程中的异常遥测参数。

2 时标统一方法

遥测参数中缓变参数测量的有效时刻通常是以指令为基准[6]。为消除指令以外无效数据对分析数据的污染，在数据分析前，应依据指令对历史数据和目标数据进行有效数据段截取。由于同型号运载火箭的每次飞行过程并不相同，导致同一参数基准指令的发生时刻并不一致，即历史数据和目标数据有效数据段的时标并不一致。因此，为实现目标数据的估计和标准差的确定，需要将历史数据有效数据段的时标统一到目标数据的时标上。为此，本文设计了两步实现法：首先，采用以目标数据有效数据段时标为基准的时间间隔递推算法，实现历史数据和目标数据有效数据段两端时标的对齐，即时间长度归一化；其次，利用线性插值方法实现有效数据段采样时刻的逐点对齐，即采样时刻归一化。

2.1 时间长度归一化

(1)

(2)

设历史数据和目标数据有效数据段的时间长度分别为Lj和La，则：

(3)

定义历史数据相对目标数据的时间尺度变换因子Tj为：

(4)

(5)

2.2 采样时刻归一化

(6)

根据式(6)，以目标数据有效数据段采样时刻为基准，对历史数据进行逐点计算，便可实现历史数据与目标数据有效数据段的采样时刻的归一化。

3 参数的统计特性

3.1 抗差估计

抗差估计是一种改进的最小二乘估计算法，它不像最小二乘那样过分地追求估值的有效性和无偏性等内部性质，而是着力于估值的实际抗差性和可靠性。其含义是，当理论模型与实际模型有一定差异时，其估计性能只受到微小影响，即估计方法具有一定的稳定性[11]。

V=AX-S

(7)

式中：S为观测向量，X为参数向量的估值，V为残差向量，A为系数矩阵，其中

(8)

则目标数据的抗差最小二乘估值为[12-14]：

(9)

从式(9)可以看出，抗差最小二乘保留了最小二乘的优点，与传统最小二乘估计的区别在于先验权矩阵被等价权矩阵所代替，通过选择权函数，赋予传统最小二乘抗差能力[15-18]。因此，抗差估计的关键是寻求合适的等价权函数，以保证估值的抗差性。

3.2 双因子等价权函数

既然是从历史数据曲线中寻找与目标数据曲线最为相似的特征，而评判两条确定性曲线是否相似的量化指标可通过对比两条曲线的方向和距离来实现，因此本文基于方向和距离函数构造了双因子等价权函数。

营养点评：在营养和口味上，葱与羊肉都是绝妙的组合。羊肉肉质细嫩，相比牛肉更易消化。除了和猪肉及牛肉一样含有高蛋白外，其脂肪含量较猪肉和牛肉更少，且含有丰富的磷脂，非常适于冬季进食。

(10)

式中：dj为第j条历史数据曲线与目标数据曲线的统计距离。

同样，对方向余弦函数进行平均化处理便可得到具有统计特性的两条曲线方向表达式：

(11)

式中：oj为第j条历史数据曲线与目标数据曲线的统计方向。

从式(11)可以看出，具有统计特性的两条曲线方向表达式也反应了历史曲线相对目标曲线的互相关信息。

(12)

(13)

这样，设曲线方向特性的影响因子为ko，距离特性的影响因子为kd，且ko+kd=1，则可得双因子等价权函数为：

(14)

从式(14)可以看出，双因子等价权函数能够有机融合两种相似度的判别准则，避免单一指标评判相似度的局限性。

3.3 参数的统计噪声

基于上述算法便可得到一条基于历史数据曲线生成的目标数据曲线的估值。当以生成的目标数据曲线估值为基准时，每条历史数据曲线可以看成它的一个样本。为提取每条历史数据曲线的随机噪声，应该尽可能消除数据中确定性信号的影响，因此，在计算统计噪声前，应先将历史数据曲线的“质心”归一化到目标数据估值曲线的“质心”。这里，将曲线的“质心”定义为曲线量值的平均值，则历史数据曲线和目标数据估值曲线的质心分别为：

(15)

(16)

(17)

(18)

(19)

4 仿真校验

为了评估本文所提出方法的有效性，以某型号运载火箭遥测缓变参数为例，对方法的异常参数辨识能力，以及随机噪声抑制和自适应抗差方面的特

性进行了详细检验和分析。在计算过程中，方向特性和距离特性的影响因子均取为0.5。

4.1 异常参数辨识能力

图2以参数1为分析对象，给出了基于历史数据统计特性的遥测参数自动判读方法的辅助判决图。从图2(a)可以看出，目标数据的估值是基于6条历史数据曲线生成，且6条历史数据曲线具有很好的一致性。对比图2(a)和图2(b)可以看出，目标数据曲线与历史数据曲线的末端形状存在着明显的不一致，说明该参数存在异常。

利用本文所提出的算法得到的结果如图2(c)和图2(d)所示。从图2(c)可以看出，目标数据在245 s附近明显出现了幅值提前下降的现象，且从图2(d)可以更直观地看出，虽然目标数据中84.7763%的数据都集中在0～1σ区间，但是却有10.3375%的数据超过了3σ，根据文中所提出的参数自动判读准则，相对历史数据而言，该参数属于异常参数。由此说明，本文所提出的方法能够有效地识别缓变参数中的异常参数。

此外，从图2还可以看出，参数完整的辅助判决图包括历史数据曲线图、目标数据曲线图、目标数据的区间分布图和目标数据的概率分布图四部分。

4.2 抑制随机噪声特性

图3给出了参数2的历史数据曲线，从图中可以看出，虽然6次历史数据均为成功飞行过程中积累的样本，但是由于飞行过程中存在随机扰动和干扰，使得某些历史数据存在较大的随机噪声。利用本文所提出的方法对其进行分析，得到目标数据的区间分布如图4所示。从图4可以看出，由于采用了抗差滤波的方法，使得一些噪声较大的数据得到了有效的抑制,所以目标数据估值并未受到噪声过多的污染,说明本文所提出的方法具有很好的抑制随机噪声特性。

4.3 自适应抗差特性

图5给出了参数3的历史数据曲线。从图5可以看出，由于该型号运载火箭在某些历史飞行过程中，部分器件得到了升级更新，所以历史数据曲线所表现出的特征并不一致，且主要表现为两种趋势。为了验证本文所提出的方法能很好地适应该种数据类型，分别采用位于趋势1和趋势2的数据作为目标数据。

如图6和图7所示，无论目标数据位于趋势1中还是位于趋势2中，由于算法中设计了双因子等价权函数，使得算法充分考虑了历史数据曲线与目标数据曲线的相似性，故当目标数据与趋势1的历史数据曲线相似度较高时，趋势1中的历史数据曲线在目标数据估值中将占有较大的权重，因此，趋势2的曲线将被很好地抑制。同理，当目标数据与趋势2中的历史数据曲线相似度较高时，趋势1的曲线将被很好地抑制。由此说明，本文所提出的算法具有较强的抗差自适应特性。

5 结 论

本文针对遥测参数中数量最多，判读最难的缓变参数，提出了一种基于历史数据统计特性的遥测缓变参数自动判读方法。该方法利用表征曲线相似度特征的方向和距离函数构建了双因子等价权函数，并通过抗差最小二乘估计算法得到了参数目标数据的估值和标准差。然后，依据参数的估值和标准差对目标数据进行统计分析，确定目标数据的区间分布，最终，依据目标数据的分布概率判断参数是否存在异常。仿真实例表明，该方法能有效辨识缓变参数中的异常参数，且具有较强的抑制随机噪声和抗差自适应能力。

参 考 文 献

[1] 朱良平, 陶桓美, 李靖. 运载火箭遥测参数实时自动判读研究[J]. 装备指挥技术学院学报, 2008, 19(6):67-70. [Zhu Liang-ping, Tao Huan-mei, Li Jing. Study of the launch vehicle telemetry parameter auto-interpretation in real time [J]. Journal of the Academy of Equipment Command & Technology, 2008, 19(6): 67-70.]

[2] 刘百麟, 金迪. 基于遥测数据的卫星在轨飞行温度仿真算法研究[J]. 宇航学报, 2015,36(7):763-768. [Liu Bai-lin, Jin Di. Research simulation method of satellite temperature based on telemetry data [J]. Journal of Astronautics, 2015,36(7):763-768.]

[3] 周辉峰, 王一雄, 曾少龙, 等. 运载火箭靶场测试数据自动判读方法[J]. 四川兵工学报, 2013, 34(4): 43-46. [Zhou Hui-feng, Wang Yi-xiong, Zeng Shao-long, et al. Launch vehicle test data automatic interpretation method research at launch site [J]. Journal of Ordnance Equipment Engineering, 2013, 34(4):43-46.]

[4] 尹禄高, 陈志红, 陈策, 等. 一种遥测系统自动化测试平台的设计[J]. 计算机测量与控制, 2016, 24(4):33-35. [Yin Lu-gao, Chen Zhi-hong, Chen Ce, et al. Design of automatic test platform for telemetry system [J]. Computer Measurement & Control, 2016, 24(4): 33-35.]

[5] 汪洋, 徐犇, 曾齐, 等. 基于函数解析的卫星测试数据自动判读[J]. 遥测遥控, 2016, 37(1):38-43. [Wang Yang, Xu Ben, Zeng Qi, et al. Automatic interpretation of satellite test data based on analytic function [J]. Journal of Telemetry, Tracking and Command, 2016, 37(1): 38-43.]

[6] 贺宇峰, 赵光恒, 吕从民, 等. 基于CLIPS专家系统的自动数据判读方法[J]. 中国科学院研究生院学报, 2011,28(4):505-513. [He Yu-feng, Zhao Guang-heng, Lv Cong-min, et al. Technology of automatic data discrimination based on CLIPS expert system[J]. Journal of Graduate University of Chinese Academy of Sciences, 2011, 28(4):505-513.]

[7] 张强, 郭丽丽, 马振林. 基于模型自动判读的研究与实现[J]. 计算机技术与发展, 2014,24(7):17-24. [Zhang Qiang, Guo Li-li, Ma Zhen-lin. Design and realization of automatic interpretation based on model [J]. Computer Technology and Development, 2014,24(7):17-24.]

[8] 冯俊, 张海江, 李海鹏, 等. 遥测参数实时判决系统的研制[J]. 遥测遥控, 2007,28(增刊):237-241. [Feng Jun, Zhang Hai-jiang, Li Hai-peng, et al. Development of real-time adjudicating system of telemetry parameters [J]. Journal of Telemetry, Tracing and Command, 2007, 28(Suppl.):237-241.]

[9] 金球星. 基于相关系数的火箭测试变化缓变参数自动判读方法.飞行器测控学报,2014,33(1):40-43. [Jin Qiu-xing. Method of automatic interpretation of slow variation parameters in rocket tests based on correlation coefficients [J]. Journal of Spacecraft TT&C Technology, 2014,33(1):40-43.]

[10] 朱良平, 赵岳生, 郭丽梅. 运载火箭遥测参数实时自动判读知识库研究[J].计算机工程与应用, 2007,43(专刊):131-135,176. [Zhu Liang-ping, Zhao Yue-sheng, Guo Li-mei. Real time automatic determine knowledge based research of telemeter parameter of carrier rocket[J]．Computer Engineering and Applications, 2007, 43(Special Issue):131-135,176.]

[11] 杨元喜. 自适应动态导航定位[M].北京：中国测绘出版社,2006:95-104.

[12] 赵俊, 郭建锋, 李小强. 相关观测抗差估计方案的比较分析[J]. 测绘科学技术学报, 2016,33(1):11-15. [Zhao Jun, Guo Jian-feng, Li Xiao-qiang. Comparative analysis of robust estimation for correlated observations [J]. Journal of Geomatics Science and Technology, 2016, 33(1):11-15.]

[13] 张艳, 石乾乾, 王鲲鹏, 等. 基于运动补偿和抗差计的回波光子实时检测方法[J]. 光学学报, 2017,37(2):1-10. [Zhang Yan, Shi Qian-qian, Wang Kun-peng, et al. Real-time echo-photon detection method based on motion compensation and robust estimation[J]. ACTA OPTICA SINICA, 2017, 37(2):1-10.]

[14] 鲁洋为,王振杰. 基于抗差估计的实时单站GPS同震速度获取方法[J]. 测绘工程，2016,25(12):49-54. [Lu Yang-wei, Wang Zhen-jie. Extracting real-time coseimic velocity with a stand-alone GPS receiver based on robust estimation[J]. Engineering of Surveying and Mapping, 2016,25(12):49-54.]

[15] 潘晓刚, 胡永刚, 李强, 等. 基于数据深度加权的卫星轨道确定技术[J]. 宇航学报, 2011, 32(3):529-536. [Pan Xiao-gang, Hu Yong-gang, Li Qiang, et al. Technology of orbit determination algorithm based on data depth weight [J]. Journal of Astronautics, 2011, 32(3):529-536. ]

[16] Roozbeh M. Robust ridge estimator in restricted semiparametric regression models [J]. Journal of Multivariate Analysis, 2016, 147: 127-144.

[17] Rekabdarkolaee H M, Boone E, Wang Q. Robust estimation and variable selection in sufficient dimension reduction [J]. Computational Statistics and Data Analysis, 2017, 108:146-157.

[18] Sauvageau M, Kumral M. Analysis of mining engineering data using robust estimators in the presence of outliers [J]. Natural Resources Research, 2015, 24(3):305-316.