卫星镍氢蓄电池氢压下降故障的识别方法

xiaoxiao2021-2-25  235

卫星镍氢蓄电池氢压下降故障的识别方法
【技术领域】
[0001] 本发明涉及卫星镍氢蓄电池故障检测领域,具体地,涉及一种卫星镍氢蓄电池氢 压下降故障的识别方法。
【背景技术】
[0002] 为了提高发现在轨卫星故障的及时性和准确性以及预判卫星故障的能力,需利用 卫星遥测数据,并结合遥控、轨道、空间等信息进行分析。卫星在轨遥测数据的研究包括航 天器故障诊断预警、趋势分析、过程异变检测、故障预想及故障预案的研究。
[0003] 聚类算法在探索数据内在结构方面具有全面性和客观性等特点,在数据挖掘领域 有广泛应用。聚类分析是一种建立分类的多元统计分析方法,能够将一批样本(或变量)数 据根据其诸多特征,按照性质上的亲疏关系在没有先验知识的情况下进行分类,产生多个 分类结果。
[0004] 聚类算法中的两步聚类适合于大型数据集的聚类研究,主要特点表现在既可处理 数值型聚类变量,也可同时处理分类型变量,能够根据一定准则确定聚类数目,并且能够诊 断样本中的利群点和噪声数据。
[0005] SPSS Modeler拥有丰富的数据挖掘算法,支持与数据库之间的数据和模型交换, 同时具有可视化操作界面,分析结构直观,图形功能强大。

【发明内容】

[0006] 针对现有技术中的缺陷,本发明的目的是提供一种卫星镍氢蓄电池氢压下降故障 的识别方法。
[0007] 根据本发明提供的卫星镍氢蓄电池氢压下降故障的识别方法,包括如下步骤:
[0008] 步骤A:根据卫星电源的工作模式对卫星电源分系统进行层次化建模;
[0009] 步骤B:根据电源分系统建立的层次化模型,选定所要用到的相关遥测变量作为选 定变量;
[0010] 步骤C:使用卫星在轨遥测数据提取工具将卫星氢镍蓄电池的相关遥测变量进行 时间纵向的数据提取;
[0011] 步骤D:利用两步聚类算法对提取的步骤B中的选定变量的数据进行建模分析,计 算聚类分析的结果;其中,在选定变量中,电池氢压检测值作为两步聚类算法中的关键变 量,其他变量作为两步聚类算法中的辅助变量;
[0012] 步骤E:将聚类分析的结果用聚类分析图表示,在聚类分析图中识别出故障发生 点。
[0013] 优选地,所述步骤A包括:根据卫星电源的工作模式将卫星电源分系统分为:系统 层、模式层及变量层,其中,所述系统层为卫星所包含的各个分系统,模式层为各个分系统 所包含的在轨工作模式,变量层为卫星电源不同工作模式下涉及的各个遥测变量;具体地, 卫星电源分系统的模式层依照电源的工作模式进行划分,包括:太阳电池阵供电模式、蓄电 池组工作模式、联合供电模式、主备工作状态、τ-ν曲线状态。
[0014] 优选地,所述步骤Β包括:分析卫星电源分系统变量层的各个遥测变量,选定所要 用到的相关遥测变量作为选定变量;
[0015] 所述相关遥测变量包括:电池氢压检测值,电池电压,电池组电压,电池充电量,平 台母线电压,平台母线电流,太阳电池阵平台总电流。
[0016] 优选地,所述步骤C包括:使用卫星在轨遥测数据提取工具将蓄电池相关遥测变量 进行时间纵向的数据提取,提取时间为故障发生点的前八天和后两天数据;
[0017] 其中,提取的数据表里的遥测变量在时间上不连续,即卫星氢镍蓄电池相关遥测 变量并非每帧都有下传,需在提取数据中将空格进行填充,空格中所填的值为上一行对应 单元格的内容。
[0018] 优选地,所述步骤D包括:
[0019]步骤D1:聚类算法第一步,从步骤Β中的选定变量中选择关键变量,采用CF树的存 储方式对关键变量进行预聚类处理,即读入一个样本数据后,根据亲疏程度决定该样本应 派生出新类,或是合并到已有的某个子类中,最终形成L个类,其中,所述关键变量为电池氢 压检测值;
[0020] 步骤D2:聚类算法第二步,在预聚类的基础上再次进行聚类,在L个类中根据亲疏 关系决定能够合并的类,最终形成L '类;
[0021] 步骤D3:得到聚类分析的结果,即标示出关键变量对应的每一个时间点的遥测数 据归属于L'类中的哪一类,在提取的遥测数据表中形成新的聚类结果列,记为$XC-autocluster〇
[0022] 优选地,所述步骤E包括:使用Origin工具对提取数据中的关键变量和$XC-autocluster以时间为横坐标进行画图,得到聚类分析图,当蓄电池氢压开始下降但并未达 到预警点时,通过聚类分析图将故障数据与正常数据分离出来,即在该聚类分析图中识别 出故障发生点。
[0023]优选地,CF树的存储方式预聚类处理包括:以叶节点为子类,具有同一父节点的若 干子类合并为一个大类形成更高层次的中间节点,直到根节点表示所有数据形成一类。 [0024]优选地,CF树中的叶节点均为数值型统计量,叶节点之间的距离采用欧氏距离公 式计算?县?彳rh管公式加下*.
[0025]
[0026]式中:坐标点(x,y)表示某一叶节点,EUCLID(x,y)表示坐标点(x,y)的欧氏距离, Xl是点X的第i个变量值,是点y的第i个变量值,η表示变量总数;
[0027]使用CF树节点计算出叶节点距离后找到距离最小的叶节点,判断该叶节点的值是 否小于阈值t,如果小于阈值t则合并为一个叶节点;若不小于阈值t,则作为一个新的叶节 点。
[0028]与现有技术相比,本发明具有如下的有益效果:
[0029] 1、本发明中的方法对卫星的电源分系统进行层次化建模,确定卫星氢镍蓄电池相 关遥测变量;将蓄电池相关遥测变量进行数据提取后,选定一个关键遥测变量,利用两步聚 类算法对数据进行建模,并计算聚类分析的结果,最后将聚类分析结果与原数据中的关键 遥测变量进行作图比对,从图中可以准确、及时地识别出故障点。
[0030] 2、本发明中的方法不依赖于复杂的算法,能直观地从聚类分析结果与原数据中的 关键遥测变量对比图中找到故障点,适用于蓄电池的各种遥测变量检测,具有很好的适用 性。
【附图说明】
[0031] 通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、 目的和优点将会变得更明显:
[0032] 图1为本发明提供的卫星镍氢蓄电池氢压下降故障的识别方法的原理框图;
[0033] 图2为卫星电源分系统的层次化建模图;
[0034] 图3为SPSS Modeler创建的建模流图;
[0035] 图4为聚类分析建模的结果图;
[0036] 图5为蓄电池氢压变化曲线与聚类结果曲线比较图。
【具体实施方式】
[0037] 下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术 人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术 人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明 的保护范围。
[0038]对卫星的电源分系统工作模式进行划分,包括:太阳电池阵供电模式、蓄电池组工 作模式、联合供电模式、主备工作状态、τ-v曲线状态等,并对卫星各分系统进行层次化建 模。在本发明中主要涉及电源分系统的层次化建模,具体如图2所示。
[0039] 根据电源分系统的层次化建模,确定卫星氢镍蓄电池相关遥测变量,包括电池氢 压检测,电池电压,电池组电压,电池充电量,平台母线电压,平台母线电流,太阳电池阵平 台总电流。
[0040] 使用卫星在轨遥测数据提取工具将蓄电池相关遥测变量进行时间纵向的数据提 取,提取时间为故障发生点的前八天和后两天数据;提取的数据表里的变量并非每个时间 点都有数据,这是因为卫星氢镍蓄电池相关遥测变量并非每帧都有下传,需 在提取数据中 将空值进行填充,这里使用EXCEL宏语句进行批量填充,空格中所填的值为上一行对应单元 格的内容。故障发生前期遥测变量数据有异变,为了更好地预测故障的发生以及监测故障 解决后的恢复情况,提取故障前后的数据。卫星氢镍蓄电池相关遥测变量并非每帧都有下 传,需在提取数据中将空值进行填充。
[0041] 利用两步聚类算法对数据进行分析。在两步聚类算法应用中,第一步预聚类的存 储方式采用CF树(Clustering Feature Tree),叶子节点为子类,具有同一父节点的若干子 类合并为一个大类形成更高层次的中间节点,直到根节点表示所有数据形成一类。CF树中 的树节点i均为数值型统计量,则点与点的距离采用欧氏距离公式计算得出。
[0042]
[0043]其中,Xi表示点x的第i个变量值,yi表示点y的第i个变量值。
[0044]对于卫星蓄电池氢压值在卫星下传遥测中相关的变量有多个,在对提取的遥测数 据聚类分析之前,要确定一个关键变量进行分析,此处的分析变量确定为:电池氢压检测。 利用两步聚类算法对数据中的变量"电池氢压检测"进行分析。第一步是预聚类,读入一个 样本数据后,根据亲疏程度决定该样本应派生出新类,或是合并到已有的某个子类中,最终 形成L个类;在预聚类的基础上进行聚类,在L个类中根据亲疏关系决定可以合并的类,最终 形成L'类。
[0045]聚类分析的结果将"电池氢压检测"对应的每一个时间点的遥测数据归属于L'类 中的哪一类标示出来,在提取的遥测数据表中形成新的一列"$XC_autocluster"。
[0046] 使用Origin工具对提取数据中的变量"电池氢压检测"和"$XC_autocluster"以时 间为横坐标进行画图,比较聚类分析结果的有效性。
[0047]具体地,如图3所示,使用CF树节点计算出节点距离后找到距离最小的叶节点,判 断其值是否小于阈值t,如果小于则被该叶节点吸收,否则作为一个新的叶节点。利用两步 聚类对数据建模,可以有效的将此大型数据集进行类别的划分。将聚类结果作图显示,具体 地如图4所示。更近一步地,如图5所示,将提取的数据的图形显示与聚类结果的图示进行比 较,得出聚类分析的故障预警点准确性很高。由图5可以看出,当蓄电池氢压开始下降但并 未达到预警点时,通过聚类分析的算法就可以将故障数据与正常数据分离出来,这比传统 的故障识别方法更为提前。
[0048]以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述 特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影 响本发明的实质内容。
【主权项】
1. 一种卫星镍氢蓄电池氢压下降故障的识别方法,其特征在于,包括如下步骤: 步骤A:根据卫星电源的工作模式对卫星电源分系统进行层次化建模; 步骤B:根据电源分系统建立的层次化模型,选定所要用到的相关遥测变量作为选定变 量; 步骤C:使用卫星在轨遥测数据提取工具将卫星氢镍蓄电池的相关遥测变量进行时间 纵向的数据提取; 步骤D:利用两步聚类算法对提取的步骤B中的选定变量的数据进行建模分析,计算聚 类分析的结果;其中,在选定变量中,电池氢压检测值作为两步聚类算法中的关键变量,其 他变量作为两步聚类算法中的辅助变量; 步骤E:将聚类分析的结果用聚类分析图表示,在聚类分析图中识别出故障发生点。2. 根据权利要求1所述的卫星镍氢蓄电池氢压下降故障的识别方法,其特征在于,所述 步骤A包括:根据卫星电源的工作模式将卫星电源分系统分为:系统层、模式层及变量层,其 中,所述系统层为卫星所包含的各个分系统,模式层为各个分系统所包含的在轨工作模式, 变量层为卫星电源不同工作模式下涉及的各个遥测变量;具体地,卫星电源分系统的模式 层依照电源的工作模式进行划分,包括:太阳电池阵供电模式、蓄电池组工作模式、联合供 电模式、主备工作状态、T-V曲线状态。3. 根据权利要求2所述的卫星镍氢蓄电池氢压下降故障的识别方法,其特征在于,所述 步骤B包括:分析卫星电源分系统变量层的各个遥测变量,选定所要用到的相关遥测变量作 为选定变量; 所述相关遥测变量包括:电池氢压检测值,电池电压,电池组电压,电池充电量,平台母 线电压,平台母线电流,太阳电池阵平台总电流。4. 根据权利要求1所述的卫星镍氢蓄电池氢压下降故障的识别方法,其特征在于,所述 步骤C包括:使用卫星在轨遥测数据提取工具将蓄电池相关遥测变量进行时间纵向的数据 提取,提取时间为故障发生点的前八天和后两天数据; 其中,提取的数据表里的遥测变量在时间上不连续,即卫星氢镍蓄电池相关遥测变量 并非每帧都有下传,需在提取数据中将空格进行填充,空格中所填的值为上一行对应单元 格的内容。5. 根据权利要求1所述的卫星镍氢蓄电池氢压下降故障的识别方法,其特征在于,所述 步骤D包括: 步骤Dl:聚类算法第一步,从步骤B中的选定变量中选择关键变量,采用CF树的存储方 式对关键变量进行预聚类处理,即读入一个样本数据后,根据亲疏程度决定该样本应派生 出新类,或是合并到已有的某个子类中,最终形成L个类,其中,所述关键变量为电池氢压检 测值; 步骤D2:聚类算法第二步,在预聚类的基础上再次进行聚类,在L个类中根据亲疏关系 决定能够合并的类,最终形成L '类; 步骤D3:得到聚类分析的结果,即标示出关键变量对应的每一个时间点的遥测数据归 属于L '类中的哪一类,在提取的遥测数据表中形成新的聚类结果列,记为$XC-autocluster〇6. 根据权利要求5所述的卫星镍氢蓄电池氢压下降故障的识别方法,其特征在于,所述 步骤E包括:使用Origin工具对提取数据中的关键变量和$XC-aut〇CluSter以时间为横坐标 进行画图,得到聚类分析图,当蓄电池氢压开始下降但并未达到预警点时,通过聚类分析图 将故障数据与正常数据分离出来,即在该聚类分析图中识别出故障发生点。7. 根据权利要求5所述的卫星镍氢蓄电池氢压下降故障的识别方法,其特征在于,CF树 的存储方式预聚类处理包括:以叶节点为子类,具有同一父节点的若干子类合并为一个大 类形成更高层次的中间节点,直到根节点表示所有数据形成一类。8. 根据权利要求7所述的卫星镍氢蓄电池氢压下降故障的识别方法,其特征在于,CF树 中的叶节点均为数值型统计量,叶节点之间的距离采用欧氏距离公式计算得出,计算公式 如下:式中:坐标点(x,y)表示某一叶节点,EUCLID(x,y)表示坐标点(x,y)的欧氏距离,Xi是点 X的第i个变量值,是点y的第i个变量值,η表示变量总数; 使用CF树节点计算出叶节点距离后找到距离最小的叶节点,判断该叶节点的值是否小 于阈值t,如果小于阈值t则合并为一个叶节点;若不小于阈值t,则作为一个新的叶节点。
【专利摘要】本发明提供了一种卫星镍氢蓄电池氢压下降故障的识别方法,包括步骤A:根据卫星电源的工作模式对电源分系统进行层次化建模;步骤B:根据电源分系统建立的层次化模型,确定卫星氢镍蓄电池相关的遥测变量;步骤C:使用卫星在轨遥测数据提取工具将卫星氢镍蓄电池的相关遥测变量进行时间纵向的数据提取;步骤D:利用两步聚类算法对提取的步骤B中的选定变量进行建模分析,计算聚类分析的结果;步骤E:将聚类分析的结果用聚类分析图表示,在聚类分析图中识别出故障发生点。本发明不依赖于复杂的算法,能直观地从聚类分析结果与原数据中的关键遥测变量对比图中找到故障点,适用于蓄电池的各种遥测变量检测,具有很好的适用性。
【IPC分类】G06K9/62
【公开号】CN105488540
【申请号】CN201510947467
【发明人】韩凤宁, 张国勇, 周军, 钱威, 陈熙之, 谭震昊
【申请人】上海卫星工程研究所
【公开日】2016年4月13日
【申请日】2015年12月16日

最新回复(0)