模型数据混合驱动的航天器健康监测技术

刘 潺,陈立平,屈 严,蒋兴沛

1. 华中科技大学, 武汉 430074 2. 苏州同元软控信息技术有限公司, 苏州 215000

0 引 言

航天器日益增长的功能密度和在轨运行时长促使对其运维的可靠性提出更高的要求,因为单一设备的故障或性能下降可能对整个系统产生灾难性的影响.为保证航天器在轨安全可靠的运行,很早就引入健康监测与故障诊断技术[1](fault diagnosis and health monitoring,FD-HM)来主动监测航天器系统的运行状态,并对故障进行诊断和预警.

目前,航天器任务期间的健康监测与故障诊断都是采用纯数据驱动的方式,在遥测数据监显客户端将天上下行的所有遥测参数展示给技术人员,当某一个或多个遥测参数超出预先定义的安全阈值的时候,故障诊断算法和技术人员在客户端得到反馈并尝试进行故障定位.这种方式的缺点是:1)依赖于实时遥测数据,当航天器进入非测控弧段没有遥测数据时,数据驱动的方式不再适用[2];2)数据驱动的健康监测技术存在滞后性[3],因为很多故障不是突然产生的,航天器部件退化初期导致的异常行为十分微妙,技术人员单纯使用遥测数据监控时很容易忽略,当故障以超出安全阈值的形式出现时,表明故障没有及时被发现,并且很可能已经损坏了相关部件;3)传感器测量变量可能对故障特征敏感度较低[4],会降低故障检测的效率和准确度.在这样的背景下,引入航天器的数字模型来描述航天器物理实体的行为,通过数字模型与遥测数据的交互,弥补遥测数据的不足[5].

国内外对于航天器健康监测技术的研究分别集中在基于模型或基于数据的方法研究,在模型数据融合方面的研究较少.文献[3]提出一种基于定量模型的故障检测与诊断系统,并在纳米卫星SONATE的供电系统上验证模型的有效性.文献[4]通过设计一种通用的数据驱动故障诊断方法,在卫星电源系统故障诊断中表现出比现有方法更好的性能.文献[2]从数字孪生的角度描述模型与数据融合的方法与应用,对于模型在健康监测和故障诊断方面的阐述较少.文献[6]总结了数据驱动方法在航天器故障诊断方面的应用,并提出机器学习严重依赖数据对航天器故障诊断的工程应用带来巨大的挑战.

本文提出一种适用于航天器系统的模型数据混合驱动的健康监测方法,用于改善上述纯数据驱动的航天器健康监测技术的不足.基于多领域物理系统统一建模语言Modelica建立航天器综合系统数字模型,一般包含GNC、能源和测控数传等子系统;建立数字模型与物理世界的连接,实现二者的数据融合;基于融合数据与先进的异常检测、故障诊断算法,实现更可靠、高效的航天器在轨运行健康监测.

1 系统架构设计

参考现有航天器健康管理系统的设计思想[7],本文提出的模型数据混合驱动健康监测系统架构如图1所示,包含基础数据层和健康管理层.其中基础数据层提供支撑健康管理所需的数据,健康管理层包含实现在轨航天器健康管理所需要的健康监测、故障诊断功能.

图1 航天器在轨运行健康监测系统架构Fig.1 On-orbit health monitoring system architecture for spacecraft

1.1 基础数据层

基础数据层的主要功能描述如下:

1)数据注入.一方面,通过遥测数据接口模块接收航天器在轨遥测数据(包括环境参数、轨道参数和系统参数),并解析处理为具有实际物理意义的工程值;另一方面,通过程控指令文件获取在轨飞行事件时序.基于映射关系,将识别后的遥测数据和飞行事件注入数字模型,驱动模型仿真.

2)数字模型伴飞.实时遥测数据注入到数字模型,能确保航天器在数字空间的飞行状态与物理实体一致,从而得到高保真性的、更全面的状态数据,支撑实时状态监控、故障诊断等服务.

3)仿真预示.在数字伴飞的数据基础上,启动另一仿真线程进行超实时仿真,获得航天器后续状态变化数据.

1.2 健康管理层

基于遥测数据和仿真数据融合,健康管理层可以提供信息物理融合的健康管理服务,如图1所示可以分为4个方面:健康监测、故障诊断、处置决策和飞行任务预示.

1)健康监测.健康管理服务的基础是对航天器数字模型运行状态的实时监控,借助实时遥测数据的注入,数字模型可以跟踪在轨航天器的动态变化.然后,从数字模型中提取仿真数据、真实数据以及二者之间的融合数据,利用可视化技术全面反映航天器在轨运行状态.同时,通过阈值分析、偏差分析等手段,对监测数据按照特定的判读规则进行实时判读,如果数据判定为异常,则需要进行故障诊断.

2)故障诊断.故障诊断服务在健康监测发生故障警告时启用,通过结合异常遥测参数和对应的模型仿真参数,分析异常遥测参数变化过程的特征.然后,以仿真数据为参考,利用先进的故障识别算法确定故障部件和故障原因.

3)故障处置决策.在故障诊断服务确认故障原因后,运维人员从预先安排的维修计划中选择一组维修策略,在执行所选策略以前,可以在数字模型上验证维修策略的有效性.

4)飞行状态预示.在下一任务阶段前,通过飞行程序驱动超实时仿真获得下一时间段或任务阶段的飞行状态数据,运维人员能基于预测数据评估任务的风险性,并对任务计划进行预测性地调整.

2 关键技术

2.1 航天器系统模型构建

航天器系统模型是其物理实体的数字镜像,是实现健康管理的基础,通常由控制、能源、推进和信息等专业子系统构成,载人航天器还会包括环热控子系统.为了实现模型与数据最大程度的融合,系统模型应该在设备层次保持与物理实体一一对应的关系,并且不同专业子系统对建模方式的需求也不一样,例如控制系统需要因果的、信号流的建模方式来描述控制回路,而能源系统则需要非因果的、能量流的建模方式来贴近物理实体,所以表达模型的语言应当满足面向对象的、多领域统一的、支持因果和非因果混合建模等特征,于是选用面向对象的多领域统一建模语言Modelica来描述航天器系统的功能行为模型.Modelica语言从电流和电压的关系中抽象出了在不同领域中适用的流变量和势变量的概念,以流变量、势变量来描述组件间能量传递过程,并采用层次化封装的原则,降低了模型功能实现和模型集成的难度[8-9].

物理设备的行为可以归纳为机械、电气、液压、控制和热学5个主要层面.机械即设备的动力学特性,包含设备的质量惯性等机械特性;电气即能源特性,太阳翼的发电、能源控制器的充放电控制、用电设备的功耗都属于电气的范畴;液压即流体的特性,热流管道内的冷却液、燃料贮箱内的液体燃料都包含液压特性;控制主要包含姿态轨道控制和设备的指令控制;热即设备的热控特性,设备的产热、风机冷板的散热、温控设备的温度控制都属于热的范围.图2展示基于Modelica语言对航天器系统建模的过程.首先,需要由各个领域的专家依据专业知识提取物理行为方程并建立各个领域组件模型库,在Modelica标准库中已经包含机械(一维、三维)、电气、电磁、流体和热学等专业的通用组件模型;其次,由航天器各个子系统的研制单位将不同领域的组件模型关联到同一个设备模型或者子系统模型(视模型粒度需求而定),例如,GNC子系统的星敏感器设备,除了实现基本的姿态测量功能之外,还需要关联能源、热控和信息的组件模型及接口,从而实现功耗计算、热耗计算、指令响应等功能,并与其他设备通过接口连接构成GNC子系统;最后,通过各子系统的接口按照图3所示的连接关系集成形成航天器系统模型.

图2 多领域航天器系统模型构建过程Fig.2 Multi-domain spacecraft system model construction process

航天器系统模型正式用于辅助运维之前,需要经过多次不同层次的模型校正工作,以保证模型仿真结果的可信度.首先,在设备级模型建设阶段,就要借助于与设备模型对应的物理实体试验数据来对设备模型参数进行校准,以保证设备层面模型与实物的一致性[10];其次,在子系统、系统模型搭建过程中,设备模型的误差可能累积导致系统级的性能参数不满足误差范围,所以系统模型同样要与航天器地面测试数据比对,如果存在不一致,需要将分析原因,并将差异分解到设备层级,通过调整模型结构或者模型参数,最小化差值;最后,在航天器在轨运行初期,用真实的遥测数据来进一步微调模型,将复杂空间环境对航天器系统的影响通过修正值或者模型参数变化的方式考虑进来.

图3 航天器子系统模型接口连接Fig.3 Connection of spacecraft subsystem model interface

2.2 数据融合

前言中提到,纯数据驱动的航天器健康监测技术存在3点不足,而数据融合可以弥补其中的2点.数据融合指的是用遥测数据驱动模型产生可靠的仿真数据后再用仿真数据来对遥测数据进行补充的技术.仿真数据对遥测数据的补充体现在2个维度:1)时间维度,由于非测控区的存在,航天器在轨运行的每个周期内有较长一段时间不能进行遥测数据的下行,而数据融合产生的仿真数据可以填补这段时间的空缺,从而实现对在轨航天器全时间段的监测;2)数量维度,由于传输带宽和传感器数量的限制,航天器下行的遥测数据是有限的,很可能出现传感器测量变量对故障特征敏感度较低的情况,而仿真数据不存在这样的限制,凡是模型中涉及到的变量都可以直接获取,所以数据融合能够扩展故障监测的输入维度,从而实现更准确的故障检测.

要实现数据融合需要搭建数字模型与物理实体间数据交互的桥梁,建立模型数据与遥测数据的双向映射关系.在航天器发射后,地面飞控中心负责直接监测、控制航天器的运行,是地面遥测数据的数据源.如图4(a)所示,平台通过TCP/IP或者UDP协议与地面飞控中心建立连接后,将订阅数据帧源码解析并注入数字模型,驱动模型仿真.其产生的仿真数据与遥测数据一同为上层的健康管理服务提供数据支撑.

数据融合的过程如图4(b)所示,根据数据特性将遥测数据分为两类,分别是环境参数和状态参数,二者注入模型的频率不同.为保证航天器数字模型和物理实体的运行环境一致,太阳光照强度、太阳入射角、轨道信息等环境参数需要在每个仿真步注入数字模型;而对于设备功耗、母线电压电流、器内温度、航天器姿态角和姿态角速度等状态参数,在数字模型伴飞的第一个仿真步作为初始状态注入一次即可,后续仿真值由模型原理推导求解获得.随着仿真时间的推进,状态参数仿真数据与遥测数据的误差会逐渐累积直至超过预设阈值,运维人员手动或者自动在测控区将上述状态参数的遥测值再次注入模型,以同步数字模型与物理实体的状态,保证数字模型的准确性.

图4 数据融合流程图Fig.4 Flow chart of data fusion

2.3 健康监测

健康监测不仅仅要在仿真数据和遥测数据的基础上,借助可视化手段,将航天器的运行状态信息全面充分地展现给地面航天器运维人员,更重要的是,还要对航天器运行状态进行实时评估,预防故障的发生.

针对多态化的航天器运行状态,传统的监测方式需要定义航天器的健康状态划分依据,通过细化或者量化设备的健康状态,为后续健康状态评估提供评价标准.健康状态划分包括定性和定量两种方式,在实际的工程应用当中,大多采用定量划分的方式,即通过确定关键状态参数的状态边界来进行划分,各个性能参数的阈值确定需要丰富的专业知识和设备试验数据支撑.而异常状态检测是在定量状态划分确定健康状态阈值后,每隔N秒对M个参数进行判断,当某个状态参数超出健康阈值大于等于X次时,认为发生异常.该异常检测方法一般是某个参数连续多次超出某个区间或者多个判断条件的“与”“或”组合,更复杂的情况则是在某个条件满足后还需要转入其他条件进一步判断.

显然,传统极限检查方式存在不可避免的限制.首先,存在大量的异常或者症状,仅通过阈值检查是无法检测到的;其次,阈值取值高度依赖领域知识,费时费力,并且阈值取值的不合理会导致要么检测不到异常,要么发出大量假警报,使得检测系统对真实异常数据不敏感.为解决上述传统方法的局限性,各种基于机器学习的异常检测方法被提出来,如非线性回归、核主成分分析和支持向量机等.其中,在支持向量机(support vector machine,SVM)基础上结合单类分类算法(one-class classification,OCC)的单类支持向量机(OCSVM)在异常检测方面表现出巨大的潜力[11-12].

图5 OCSVM原理图Fig.5 Principle diagram of OCSVM

OCSVM的基本原理如图5所示,该模型使用航天器正常运行的数据作为训练样本,通过核函数映射到高维特征空间,其中运行数据可以来自历史数据也可以是可信的仿真数据[13].将坐标原点假设为唯一的异常样本点,则存在一个最优超平面使得训练样本与坐标原点分离并使其间隔最大化.其优化目标可以由式(1)表达

(1)

式中,zi为给定数据集中元素,n为数据集的大小,φ(zi)为核函数对应映射函数,w是与决策边界垂直的向量,ρ是偏差项,ξi为允许点违反边界约束的松弛变量,v是控制训练集中异常数据占比的参数.

通过引入拉格朗日算子并选用高斯核函数K(zi,zj),对于一个新的数据点,其决策函数如下所示,当决策函数返回+1时,说明无异常,返回-1,则说明航天器运行状态数据异常,需要运维人员进行确认

(2)

式中,高斯核函数K(zi,zj)的表达式如式(3)所示,ρ的计算如式(4)所示

(3)

(4)

2.4 故障诊断

当航天器健康监测系统发出数据异常警告时,表明航天器系统可能发生故障,需要故障诊断技术介入来确认故障原因.深度学习作为一种数据驱动的故障诊断技术,采用多隐藏层网络逐层学习的方式从训练样本中提取故障特征,其强大的特征学习和提取能力能极大地提高故障诊断的效率.但是,深度学习故障诊断技术[13-14]的成功是以能获得大量有标签的训练样本数据为前提的.对于航天器而言,尽管数据来源有多种,如航天器系统中各台设备单机的测试数据、航天器系统在地面测试阶段获得的数据以及航天器在轨运行过程中产生的遥测数据,但由于航天器的高可靠性、高安全性的设计原则,航天器大部分情况下都是运行在正常工作状态下,并且航天器造价昂贵、生产周期长,不可能进行系统级的故障试验,这就会导致航天器的正常运行数据样本丰富而故障数据样本稀缺,不利于故障诊断神经网络的训练.

在解决数据不平衡的问题中,基于数字模型的故障仿真技术能发挥极大的价值.故障诊断架构如图6所示,在2.1节所描述的经过多次校正的可信数字模型基础上,通过故障模式参数的注入,就能产生深度神经网络训练所需的带标记的航天器故障数据样本.然而故障模式在模型中的表现形式、故障模式与模型参数的关联关系还是需要设计人员进行大量的前期梳理,可能不是所有的故障模式都能用模型的方式来表达;并且故障模式关联模型参数的越多,对数字模型颗粒度也有越精细化的要求,这会大大增加样本数据的产生所需要的时间.但是与实物测试获取样本相比,不论是时间成本还是经济成本具有相当大的优势.

目前用于故障诊断的深度学习算法有许多,如自编码器(AE)[15]、深度信念网络(DBN)[16]、卷积神经网络(CNN)[17-18]和循环神经网络 (RNN)[19]等,它们各有优缺点,如何借助上述深度学习算法在工程应用中获得较高的诊断率是后续研究工作的重点.

图6 故障诊断架构Fig.6 Fault diagnosis architecture

2.5 飞行状态预示

飞行状态预示技术[20]是以数字模型伴飞为基础,将当前时刻的状态参数为起始点,在后续计划好的飞行程序驱动下,结合轨道计算模块提供的轨道和环境参数,进行超实时仿真,从而实现对航天器未来一段时间内飞行状态变化的预测,如图7所示.飞行状态预示功能在故障预警和故障处置决策方面有很大的价值.

飞行状态预示产生的预示数据不仅可以作为故障检测模块的输入,从而达到对后续可能出现的故障起到提前警示的作用,还能在出现故障预警时输入到故障诊断模块以实现故障定位,它能保障运维人员有充分的准备时间来应对可能出现的故障.

图7 飞行状态预示实现过程Fig.7 Realization process of flight status prediction

2.6 故障处置决策

在航天器的设计过程中,设计人员会充分考虑潜在的故障模式,制定相应的维修计划.在故障诊断确认了故障原因后,需要从预先计划的维修方案中选择一组实施.而基于数字模型,在执行选择的维修策略之前,可以将维修策略以参数或者模块的形式注入模型并开启仿真预示来验证维修策略的有效性;此外,运维人员还能借助于预示状态预测性地调整维修策略,以实现最优的运维.

3 实例验证

航天器供配电系统在航天器中主要承担产生、贮存、变换、调节和分配电能的功能,是航天器的心脏和血液.供配电系统能否保证可靠、充裕的能源供给,将直接决定航天器的有效载荷能否正常运行以及飞行任务能否顺利完成.基于本架构实现的针对航天器供配电系统的地面健康监测系统在某型号航天器任务过程中,为全面掌握航天器在轨运行状态、辅助指定在轨运行策略、故障状态模拟起到重要作用.

依据航天器供配电系统的拓扑[21],采用Modelica语言建立供配电系统的数字模型,如图8～9所示.航天器供配电系统健康监测平台以多领域统一建模仿真软件MWorks为底层,集成供配电系统数字模型、健康监测和故障诊断算法以及状态预示功能而成.在实际工程应用中的效果如图10～11所示,图8展示了航天器健康监测系统的主界面,图11则以蓄电池组荷电状态为例(其中,蓝色曲线代表仿真值,绿色曲线代表实时遥测值,红色曲线代表基于实时遥测数据的预示曲线)展示在航天器运行过程中SOC的遥测值、仿真值的对比,以及基于当前时刻数据的仿真预示情况.从图11中可以看出,经过试验数据校验的模型仿真值与实时遥测数据能保持较好的一致性,稳态下最大误差小于5%,满足工程可靠性的要求.

图8 航天器供配电系统拓扑Fig.8 Topology of spacecraft power supply and distribution system

图9 航天器供配电系统模型Fig.9 Model of spacecraft power supply anddistribution system

图11 遥测数据、仿真数据和预示数据比较Fig.11 Comparison of telemetry data, simulation data, and predictive data

4 结 论

本文提出一种模型数据混合驱动的航天器在轨运行健康监测技术架构,主要思路是以Modelica语言构建航天器系统的多领域数字模型,通过模型校正、遥测数据注入等手段,实现数字模型对物理实体的状态跟踪与预示,再在仿真数据与遥测数据融合的基础上,借助先进的机器学习算法进行异常检测和故障诊断,从而为在轨航天器的运维和监测提供一种可实现的数字化框架.该框架能让运维人员全面直观地监测航天器的健康状态,并且辅助运维人员进行飞行策略的制定与评估,提高航天器执行任务的安全性.