一种基于云边端协同的星群故障诊断系统的制作方法

本发明涉及一种基于云边端协同的星群故障诊断系统，属于星群故障诊断。

背景技术：

1、对于主从式星群，故障诊断主要分为主星故障诊断、从星故障诊断和地面故障诊断，各部分由于获取信息和计算资源的不同而具有不同的特点。从星星载计算机的计算能力和存储能力有限，因此从星故障诊断仅能基于单星的测量数据，重点针对关键故障开展较为简单的诊断。主星能够与各从星进行信息交互，因此主星故障诊断可基于多星数据，通过多信息融合实现故障诊断，对于配置较为简单的从星，当部件逐渐发生故障而不具有可诊断性时，此时主星故障诊断至关重要，可以利用星间信息进行故障诊断。对于地面故障诊断单元，由于采用的计算机不受算力和存储空间的限制，采用的信息更丰富、方法更先进、功能更强大。现有的技术还停留在单一层面进行故障诊断，缺乏一个统一的云边端协同框架，无法在资源约束条件下实现星群故障诊断的实时性、准确性与全生命周期管理能力的统一。

技术实现思路

1、本发明解决的技术问题是：克服现有技术的不足，提出了一种基于云边端协同的星群故障诊断系统，根据星群结构形成集从星前端计算-主星边缘计算-地面云计算的云边端协同星群故障诊断方式，实现星群故障的快速准确诊断。

2、本发明的技术解决方案是：

3、一种基于云边端协同的星群故障诊断系统，包括“端”故障诊断单元、“边”故障诊断单元和“云”故障诊断单元；

4、所述“端”故障诊断单元部署于星群中的各从星，各从星根据在轨运行数据，进行初步故障检测与定位，将从星的在轨运行数据和定位后的故障数据通过星间链路发送至“边”故障诊断单元；

5、所述“边”故障诊断单元，部署于星群中的主星，利用星间多源信息融合，对“端”故障诊断单元的结果进行完善和修正，将完善修正后的结果、各星在轨运行数据通过星地链路发送至“云”故障诊断单元；

6、所述“云”故障诊断单元部署于地面系统，对星群中的各星进行故障预测、健康状态分析与评估和剩余寿命预测。

7、进一步地，所述“端”故障诊断单元包括数据预处理模块、特征提取模块和故障诊断模块；

8、所述数据预处理模块对本星敏感器采集的在轨运行数据进行清洗、增维、重采样，输出标准化后的时间序列数据；

9、所述特征提取模块提取时间序列数据中与判定故障相关的数据并组成特征向量；

10、所述故障诊断模块基于特征向量，监测星上各部件是否发生故障；若监测到发生故障，则定位故障部件，输出定位后的数据，包括在轨运行数据、压缩后的特征向量、故障部件编号、故障类型、故障发生时间、诊断置信度。

11、进一步地，所述“边”故障诊断单元包括多源数据接收与对齐模块、坐标系转换与信息映射模块和多信息融合诊断模块；

12、多源数据接收与对齐模块接收各从星“端”故障诊断单元输出的数据，同时采集本星在轨运行数据及星间相对位置、相对姿态数据，对各从星的数据进行时间戳对齐与坐标系归一化；

13、坐标系转换与信息映射模块将邻居卫星的敏感器视为当前卫星的远端敏感器，利用经多源数据接收与对齐模块处理后的星间相对位置和姿态信息，构建多星坐标系转换矩阵，将卫星n的部件测量信息通过所述多星坐标系转换矩阵映射到卫星m的坐标系下，实现异构数据的统一表示；

14、多信息融合诊断模块采用多星多信息融合方法，对多源数据接收与对齐模块输出的数据进行交叉验证与修正，对于单星自身信息无法诊断的故障，利用坐标系转换与信息映射模块映射后的邻居星数据进行补充诊断，输出最终的单星故障诊断结果。

15、进一步地，所述“云”故障诊断单元包括故障预测模块、健康状态分析与评估模块、剩余寿命预测模块；

16、所述故障预测模块根据接收到的各星在轨运行数据，在故障尚未发生或处于发展初期时进行预测；

17、所述健康状态分析与评估模块分层构建部件、单星、星群的健康状态评估指标体系，逐层进行健康状态评估，得到单星与星群的健康状态评分、故障预测结果；

18、所述剩余寿命预测模块基于健康状态评分、故障预测结果，面向星群任务要求，进行各层次剩余寿命的概率预测。

19、进一步地，所述故障预测模块利用统计方法或深度学习方法，根据历史数据和卫星测量信息，建立从故障初期到征兆显著的演化模型：

20、

21、式中，为单星

i上部件

j的初始退化量，为单星

i上部件

j的退化速率，为随机噪声，为在轨运行时间；

22、计算均值函数描述退化过程的总体趋势：

23、

24、式中，代表单星

i初始退化水平，为单星

i退化速率；

25、核函数估计模型参数描述不同时间点退化值额度相关性：

26、

27、式中，为信号方差，控制退化过程的波动幅度；

l为长度尺度，控制时间相关性持续的长度；为指数函数；

28、得到的以上三个故障预测函数用于分析故障的演化过程。

29、进一步地，所述健康状态分析与评估模块分层构建部件、单星、星群的健康状态评估指标体系，逐层进行健康状态评估，具体为：

30、部件层：构建部件健康性能退化函数：

31、

32、式中，、和为退化参数先验估计，为基础退化率，为负载敏感系数，为其他因素的综合修正项；为任务负载强度，为随机噪声；为部件健康状态评分；

33、根据部件故障阈值，评估部件是否发生故障；

34、单星层：基于部件健康状态评分，结合部件故障情况和冗余关系，计算单星整体健康性能退化函数：

35、

36、式中，为单星

i的关键部件数量，为单星

i上部件

j的重要性权重，为单星

i上部件

j的冗余因子，为单星健康状态评分；

37、根据单星故障阈值，评估单星是否发生故障；

38、星群层：基于单星的健康状态评分，结合单星故障情况和星间链路状态，计算星群整体健康性能退化函数：

39、

40、式中，为单星

i的任务关键性权重，为单星

i的星间链路状态因子，为星群健康状态评分；

41、根据星群故障阈值，评估星群是否发生故障。

42、进一步地，所述健康状态分析与评估模块通过建立部件层、单星层、星群层的三层递阶退化模型，实现各层次剩余寿命的概率预测；

43、部件层采用高斯过程对单星上部件的退化轨迹进行建模：

44、

45、式中，为单星

i上部件

j的退化预测值，

t为在轨运行时间，为真实潜在退化过程，为测量噪声，为高斯过程，用于拟合非线性退化形态；

46、单星层将部件层的真实退化过程与单星的任务负载、个体差异相结合：

47、

48、式中，代表单星

i初始退化水平，为单星

i退化速率，为任务负载重要度，为任务负载强度；

49、星群层聚合星群内所有单星的退化状态，形成星群整体健康指标：

50、

51、式中，为贝叶斯推断估计的星群层截距项；为第个单星权重系数；为星群层随机效应项，

n为星群内所有单星的数量。

52、进一步地，采用历史数据、星上敏感器获取的测量信息与故障诊断数据，对部件层、单星层、星群层的三层递阶退化模型进行训练，基于训练后的部件层、单星层、星群层的三层递阶退化模型进行剩余寿命预测，具体为：

53、部件层剩余寿命概率分布预测：

54、

55、式中，表示下确界，表示预测时间，为部件故障阈值，部件在时刻

t的健康状态，为未来退化预测引导项；

56、单星层剩余寿命概率分布预测：

57、

58、式中，为单星故障阈值，由健康状态分析与评估模块输出；

59、星群层剩余寿命概率分布预测：

60、

61、式中，为星群故障阈值，由健康状态分析与评估模块输出。

62、进一步地，将星群层剩余寿命概率分布与星群任务要求剩余寿命对比，若，则认为满足执行任务需求；若，则反馈星群层任务调整建议，包括任务重分配、冗余切换、降级运行。

63、进一步地，针对第个单星任务求解单星的剩余寿命要求，使下式取值最小：

64、

65、根据单星的剩余寿命要求反馈单星任务调整建议。

66、本发明与现有技术相比的优点在于：

67、（1）本发明提出了一种基于“云-边-端”三层协同的诊断架构与功能解耦分配机制，将从星部署为“端”诊断单元、主星部署为“边”诊断单元、地面系统部署为“云”诊断单元，并定义了三层之间的双向数据流与诊断指令接口。解决了现有技术中各层级诊断功能割裂、信息孤岛严重、无法形成协同闭环的问题，实现了诊断对象、诊断信息与诊断功能的全覆盖与协同优化

68、（2）本发明针对寿命预测建立了一种从单星到星群的递阶贝叶斯退化模型与任务约束反向传播闭环机制，在“端”单元提取单星级健康特征，在“边”单元构建星间故障诊断体系，在“云”单元利用大数据训练退化模型，并通过反向传播机制将剩余寿命预测结果逐层分解为对部件、单星和星群的任务约束建议。解决了现有技术中寿命预测各自独立、无法跨层级关联、难以支撑星群任务决策的问题。实现了寿命预测结果对在轨诊断策略的实时引导，以及剩余寿命对星群任务规划的定量支撑。