控制力矩陀螺剩余寿命预测系统的制作方法

1.本发明涉及面向控制力矩陀螺退化特性的剩余寿命预测系统，尤其涉及控制力矩陀螺故障机理建模、退化特征分析以及剩余寿命预测模块。


背景技术：

2.随着航天技术的快速发展，对航天器用机电产品的长寿命运行提出了更高要求。近十年以来，以遥感卫星为代表的大型航天器发展迅速，在应对工况复杂的同时既要求精度高，又要求寿命长。其中作为代表性航天器机电设备，控制力矩陀螺是航天器姿态控制的关键部件，其性能关系到航天器的姿态控制精度、机动指标以及工作寿命。
3.根据设计需要，控制力矩陀螺需要在轨服役(8年以上)期间，持续工作在极端工况下：控制力矩陀螺产品工作在真空环境，散热条件较差。同时，高速转子长期保持恒定高速运转，当航天器机动时，控制力矩陀螺产品会受到星体转动引起的巨大耦合力矩作用。因此，根据上述情况，在正常工况和极端工况下，控制力矩陀螺产品始终受到多物理场(热场、力场、振动场等)作用：控制力矩陀螺高速转子始终工作在运转时产生的不平衡力矩作用下、以及星体转动造成的耦合力矩作用下；在高速旋转时产生的热量以及外部热真空环境下，控制力矩陀螺始终处于比较复杂的热环境中；由于高速转子产品的结构复杂性，以及高速运转时产品的不间断不平衡力矩，始终使控制力矩陀螺产品处于振动场中。
4.结合上述背景，目前国内针对控制力矩陀螺寿命预测研究处于起步阶段，本发明以控制力矩陀螺产品为研究对象，针对在轨极端工况(长期高速运转、真空环境以及耦合力矩频繁施加等)和多物理场(热、力、振动等)作用下，实现控制力矩陀螺的多性能联合退化分析及寿命预测，并开发相应平台以实现技术应用。


技术实现要素：

5.本课题技术内容主要围绕控制力矩陀螺故障机理，结合控制力矩陀螺各组件角色及系统结构关系，采用多信号流图的方法实现对控制力矩陀螺的组件级和整机级进行建模。
6.通过对控制力矩陀螺的系统级模型关联，针对低速框架轴温、低速框架转速、高速转子轴温、高速转子转速、高速转子电流以及电压的相互影响关系，分析控制力矩陀螺的故障机理，整理得到控制力矩陀螺中典型的故障模式以及测点。在此基础上，构建控制力矩陀螺的多信号流图模型，描述传感器信号在模型中的传递关系。
7.依据多组轴承部件的共性数据，考虑极端工况和多场耦合的影响，通过建立深度学习模型。通过模型在线更新，实现由共性数据到单产品数据的迁移，完成单产品的退化趋势预测。
8.开发控制力矩陀螺剩余寿命预测系统，实现实时数据接收、故障诊断、寿命预测等核心功能。设计浏览器/服务器模型为基础架构的分布式服务平台，实现算法平台和监控平台的解耦，保证健康管理算法的在线更新。
9.本发明的优点在于：
10.1.控制力矩陀螺故障机理采用多信号流图的方式进行构建，相比采用表格和文档梳理的方式，一方面对于人机交互更加优化；另一方面，采用图形化描述方式对于故障在同层级、多层级的传递关系具有更加清晰的描述。
11.2.控制力矩陀螺退化特征分析以及剩余寿命预测方法，采用数据驱动的深度学习模型，有效的避免了由于控制力矩陀螺系统复杂程度加剧带来的物理模型难以构建的问题，并且较为有效的实现了不同单机产品之间的模型共用及切换问题。
12.3.所述控制力矩陀螺剩余寿命预测系统采用浏览器/服务器架构，相比起客户端/服务器架构，具有系统轻便、实时性强、移植性强、多任务并行的特点，尤其适合多节点、分任务在轨任务监测。
13.4.控制力矩陀螺剩余寿命预测系统地面推理平台采用restful api访问数据资源。restful架构遵循统一接口原则，包含了一组受限的预定义操作，通过使用相同的接口进行所有资源的访问。同时，按照http方法的语义暴露的资源，接口具有幂等性的特性，保证了服务器在访问量大、网络不稳定时的安全性。
附图说明
14.图1为系统硬件框架图
15.图2为系统框架流程图
16.图3为多信号流图建模及故障检测
17.图4为多信号流图设计与显示模块
18.图5为特征选择流程图
19.图6为常见信号特征表
20.图7为极限学习机示意图
21.图8为寿命预测神经网络框架
22.图9为工作流程图
23.图10为推理平台工作流程图
具体实施方案
24.下面结果附图对本发明描述的控制力矩陀螺剩余寿命预测系统进行详细说明：
25.1 系统框架
26.1.1 系统总设计
27.控制力矩陀螺寿命预测系统架构如图1所示。根据应用需求对于系统平台的要求，数据接收与显示功能作为数据监控平台的核心功能之一，实时性是其重要指标，然而在控制力矩陀螺数据量大的背景下，与寿命预测推理存在性能上的冲突。因此，为了既能够保证数据接收、显示的实时性，又能保证状态评估与寿命预测算法的有效执行，同时基于部署方便、配置灵活、适配于低性能硬件的原则，系统采用基于浏览器/服务器架构的软件结构，实现数据监控平台与寿命预测推理机模块的解耦，保证数据接收和可视化的实时性，同时对于资源消耗相对较大的算法，能够满足其基本的配置环境要求。
28.本节描述在地面控制中心部署的用于控制力矩陀螺健康管理的软件体系结构，其
功能包括信息管理，遥测数据管理，异常值检测和故障诊断。
29.系统包含两个子系统。数据中心子系统通过接收在轨卫星实时数据并提供数据管理、可视化等功能。此外，作为数据集中节点，它将数据发送到系统的计算平台子系统，以进行复杂的数据处理和健康评估算法。图2显示了系统的整体结构。
30.1.2数据中心子系统
31.数据中心子系统的功能包括数据接收，数据存储以及与人机交互。数据中心被视为数据库与功能服务器的组合。
32.首先，考虑到多个计算节点和多个客户同时访问系统，所有信息，包括实时监测数据，历史监测数据，异常检测算法，诊断算法和专家知识都存储在数据中心。
33.存储在数据库中的历史数据用于训练异常值检测模型和诊断模型。在飞行任务中，地面控制中心将从卫星接收传感器数据。这些数据将指示卫星健康状态。同时，数据中心为客户提供人机界面，以检查卫星的健康状态，数据曲线以及与飞行任务相关的其他信息。
34.此外，数据中心提供丰富的人机接口，包括多信号流图的绘制、特征提取与剩余寿命预测方法的选择、导入数据、导出数据等功能类结构，以及用户管理、项目管理、数据管理等管理类接口。
35.数据的实时接收和显示包括对数据进行接收，存库和实时显示。数据接收部分采用restful api的方式，由数据发送者主动向系统按照http协议向数据中心发送数据。一方面，这样做可以将系统人机交互模块与数据接收模块解耦；另一方面，考虑到实时性的要求，当django框架对于更高速的数据传输要求无法满足的时候，可以通过开发其它语言的数据接收模块进行解析，只要按照http协议的要求，能够发送请求数据中心存储数据就可以保证数据能过及时的传输。
36.1.3计算平台子系统
37.为了与数据中心子系统解耦和提供更高效的计算执行方式，计算平台将对数据进行预处理并从数据中心接收的数据中故障诊断，提取特征，实现退化特征分析及剩余寿命预测的计算部分，向数据中心返回计算及分析结果。
38.首先，计算平台将在部署开始时向数据中心发送请求以进行处理环境配置，包括计算模型和知识数据库。部署后，历史数据将被发送到新的计算平台进行模型训练。由于模型训练是一个耗时的过程，因此它将离线执行。
39.在执行飞行任务时，来自数据中心的实时数据将用于在线异常值检测和诊断，以及退化特征分析及剩余寿命预测。计算平台将处理具有模型和知识的数据，以固定格式打包结果，并将其发送回数据中心，为数据中心提供结论性结果，满足用户对于控制力矩陀螺监控的需求。
40.2.基于多信号流图的控制力矩陀螺故障机理建模
41.针对传统建模方法的不足，本发明采用多信号流图的方法对控制力矩陀螺的组件级和整机级进行建模。多信号流图以信号流为研究对象，分析控制力矩陀螺润滑系统、转子电机各组件故障模式传播的信号流以及各测点检测的信号流，并以此为依据在系统结构模式之上增加对信号依赖关系的描述，完成多信号流图建模过程。该方法融合了结构性建模和依赖性建模方法，克服了二者的使用缺陷，具有较好的模型表现。
42.多信号流图模型采用有向图描述控制力矩陀螺各组件间的故障传播依赖关系，通过分层有向图表示控制力矩陀螺的组成、性能特性以及测试流关系，将系统信号体系区分为组件相关属性和检测相关属性，两者之间具有因果关系，并按照故障的影响范围，结合故障种类描述，重新整理得到灾难性故障和一般性故障。
43.多信号流图模型是系统内信号流通情况模型，将系统信号划分为来源于组件和来源于测试的二维属性，并建立信号间的流通和因果联系，其中来源于组件的信号属性通常包括故障模式及相关参数，来源于测试的信号属性则是测点检测到的信号数据。多信号流图中的主要元件包括模块、子系统、测试、开关、“与”节点、连接线。其中模块组件与故障模式对应，子系统模块则用于实现系统的多层次建模，开关组件可用于表示系统的多模式特性、与节点组件则用于表示系统的冗余特性、连接线表示了信号的流向。多信号模型由以下八个部分组成：
44.1)l个系统构成组件集合c＝{c1,c2……
c
l
}
45.2)k个系统测试信号集合s＝{s1,s2……
s
k
}
46.3)n维有限测试集合t＝{t1,t2……
t
n
}
47.4)p维测点集合tp＝{tp1,tp2……
tp
p
}
48.5)任一测点tp
t
对应的一组测试集sp(tp
t
)
49.6)任一组件c
i
对应的一组信号机sc(c
i
)
50.7)任一测试t
j
检测一组信号st(t
j
)
51.8)有向图构成dg＝{c,tp,e}，其中有向边e代表系统的物理连接。
52.故障诊断流程如图3所示，针对多信号流图中的每个测点，通过数据驱动的方法，采用spot聚类算法的思想，得到时间序列阈值的上下限，在实际故障诊断过程中，接收到实时数据，与上下值进行比较，得到参数的状态，然后与多信号流图如何，采用规则方法，逐级推理得到系统、子系统、分系统和单机产品的异常情况。
53.多信号流图设计界面如图4所示，用户可以通过拖拽的方式，在界面中放置节点，并通过设计将系统各模块链接起来，设计工具提供了单机产品、子系统系统和测试三个层次的节点，通过保存模型，可以导出一个描述节点的json格式文件，该文件既可以作为模型加载的源文件，同时也可以作为故障诊断中，测点推断单机产品、子系统故障的推理依据。
54.3.特征参数分析及剩余寿命预测
55.3.1特征分析
56.作为控制力矩陀螺健康状况的关键部件，高速转子轴承中的电机电流作为重要的健康因子，在无法获取轴承振动数据的前提下，可以选择作为控制力矩陀螺的寿命预测依据。由于电流信号在时间域中的表现为类振动信号，所以需要对原始时间序列进行处理，选择合适的特征作为健康因子。一般来说，对于呈现振动特征的传感器信号，可以从时间域、频域、时间
‑
频率域三个角度对原始信号进行特征提取，常见的信号特征主要包括以下部分：
57.针对上述特征，将所有特征进行提取，并作为健康因子在理论上是可行的，但是在应用中，这样做一方面增加了信号的维度，这样对后续数据的训练无形中增加了计算量，另一方面，根据信号特征自身的特性，并不是所有特征都具有退化趋势。因此，将这些特征加入数据训练非但不会增加寿命预测的准确度，反而会无形中增加计算量。这在实时性高、数
据量大的控制力矩陀螺在线寿命预测会降低系统的效能。因此，在数据集训练阶段，需要对控制力矩陀螺高速转子的退化趋势进行分析，更进一步讲，在本发明中，就是通过对数据进行分析，选择合适的特征，作为高速转子寿命预测的健康因子。
58.高速转子电流信号特征选择的工作流程如下图5所示
59.针对原始信号，由于存在传感器噪声和外部影响因素，所以首先需要对采集到的信号去噪，本发明采用小波分析降噪方法，在频率域上对数据进行频域去噪；将去噪后的数据按照时间序列进行分组，通过图6中常见信号特征表中的特征提取方法，分别每一组采集数据序列中提取特征，得到多组不同特征的序列。如果特征具有退化趋势，则理论上该特征的时间序列能够呈现下降或上升的近似单调趋势；对每一个特征的序列提取自适应回归模型，构建一种递归的模型方式，输出值为当前模型中下一个信号值，如果模型成立，则能够近似看作数据具有一定的趋势变化；构建极端学习机模型，评估自回归模型的效率和作用，选择合适的指标和阈值，将最符合指标的前n个特征提取出来。理论上，这些特征与剩余寿命具有相对较好的相关度，这样，在实际环境中，不需要考虑外部环境和其他信号的影响，依靠历史数据和实验数据，可以找到能够表示剩余寿命的健康因子。
60.(1)特征提取
61.作为序列中特征提取的候选方案，得到不同的时间序列，核心特征选择定义如图6所示
62.针对图6中的特征，分别对数据进行特征处理，得到合适的特征选择图像
63.(2)自回归模型
64.自回归模型是统计上一种处理时间序列的方法，用同一变数例如x的之前各期，亦即x1至x
t
‑1来预测x
t
的表现，并假设它们具有线性关系。因为这是从回归分析中的线性回归发展而来，只是不用x预测y，而是用x预测x(自己)；所以叫做自回归。
65.在本发明中，每一个特征都构建一个自回归模型模型，假设模型窗口为p,则构架的模型表示为：
[0066][0067]
其中a
k
为模型参数，p为模型阶数，也就是值预测的窗口，e
n
为模型误差，n为特征序列总的长度，在本发明中，模型参数通过yule
‑
walker方法进行确定，同时，为了衡量模型的有效程度，采用赤池信息准则(akaike information criterion,aic)系数作为标注，计算方式如下：
[0068][0069]
其中
[0070][0071]
为了衡量窗口值，本发明依然采取遍历的方式，选取从1到100的值作为候选值，以aic作为衡量标准，最终选择10为值预测窗口。
[0072]
(3)极限学习机模型
[0073]
构建自回归模型模型后，通过elm模型构建自回归模型模型与剩余寿命的联系，极限学习机模型的网络结构与单隐层前馈神经网络一样，只不过在训练阶段不再是传统的神经网络中屡试不爽的基于梯度的算法(后向传播)，而采用随机的输入层权值和偏差，对于输出层权重则通过广义逆矩阵理论计算得到。所有网络节点上的权值和偏差得到后极限学习机的训练就完成了，这时测试数据过来时利用刚刚求得的输出层权重便可计算出网络输出完成对数据的预测。
[0074]
假定训练集{x
i
,y
i
|x
i
∈r
d
,t
i
∈r
d
,i＝1,2,3,4
……
n},x
i
表示第i个数据实例，y
i
表示第i个数据实例对应的标记，极限学习机的隐藏层节点数为l，与单隐层前馈神经网络的结构一样，极限学习机的网络结构如下图7所示
[0075]
3.2剩余寿命预测
[0076]
由于控制力矩陀螺实时采样率相对较低，造成针对转子电流信号频域分析困难的问题。因此，需要采用特定手段对信号进行高频重构。压缩感知技术作为一种信号压缩技术，最初的目的是能够实现稀疏信号在信息尽可能保留的基础上，对信号进行降维。随着进一步的研究，压缩感知技术根据选择特定的观测矩阵和压缩矩阵的，能够在一定程度上实现对于低频信号的重构。由于电流信号在频域稀疏性的弱约束，使得电流信号能够在一定频域范围内实现信号的高频重构。同时，考虑到针对信号的能量描述，使信号重构后信息的完整性约束降低，因此，压缩感知技术可以作为信号预处理的核心部分。
[0077]
寿命预测模型架构如图8所示。随着系统结构的日益复杂，对于精确的物理模型构建日益困难，与之对应的是，随着计算机技术的发展，对于数据的采集量日益提高，通过深度学习技术，结合大量数据，对于黑箱式的模型构建成为可能。作为时间序列分析的重要工具，长短时神经网络(lstm)能够有效实现时间序列预测。同时，基于动态贝叶斯(dbn)思想，可认为某一时刻的寿命与lstm的隐状态和输出有关，通过大量数据，可以大致估算状态与寿命的概率关系，因此，算法首先通过lstm神经网络模型对数据隐状态进行拟合，然后通过概率计算的方式，给出剩余寿命的概率估计区间。
[0078]
根据模型框图，本发明采用压缩感知技术与循环神经网络的结合模型对寿命进行预测。首先，低频电流时间数据通过压缩感知技术映射到带宽为0～100hz的频域，通过帕斯瓦尔定理，将带宽分为10部分，分别取能量
[0079][0080]
得到10维向量后，每一维都代表了某一带宽的能量。组成10维向量的时间序列送入到模型中，输出隐藏状态，同时基于动态贝叶斯更新方法，预测剩余寿命。
[0081]
自学习寿命预测推理机模块流程如图9所示，完整的模型训练包括线上训练和线下训练两部分。
[0082]
线下训练中，依靠实验数据和历史数据，对模型进行完整训练，实现模型从无到有的过程，该训练过程由于为线下训练，其根本目的在于构建相对通用的模型，所以对于训练数据量要求较高，同时由于处于前期准备阶段，所以对时间的实时性要求不高。
[0083]
与线上训练要求不同，由于模型已经应用于实际要求中，所以需要考虑两个方面：
1.由于线上运行的特点，所以模型更新有实时性的要求，所以要求在数据量要求不是很大的基础上，能够实现模型的动态更新。针对这一需求，本发明采用降低历史数据窗口的方式，在线下训练的模型基础上，进行权重参数的微调，既降低了历史数据的需求，由能够保证模型的实时更新。2.设计的模型怎样部署到现有系统中。过去的软件设计中，通常做法是将系统停机，载入模型后重新启动。这一方式一方面会造成系统功能的短时间丧失，这在重要任务中无法接受，另一方面，对于重新部署需要专门人员完成，操作难度大。针对这一现象，本发明采用在线加载的方式，保留备份模型，即保证错误模型可回退，又可以实现在一个工作周期中模型的切换。
[0084]
4运行流程
[0085]
控制力矩陀螺剩余寿命预测系统运行流程如图10所示。用户在登录系统后，上传或选择试验对象及推理知识库并提交，浏览器前端根据用户选择生成表单以http post方式发送至主控服务器后端，服务器django后端视图接收并解析参数，根据用户指令及所需数据url生成http post请求发送至地面推理平台。地面推理平台接收请求后开启推理线程，并通过restful api向数据保障中心发送数据请求，获得json格式数据资源后根据推理知识库执行算法，并将运算结果转换为json格式以http response的形式返回主控服务端，主控服务端再将数据按格式渲染为html页面返回给客户端浏览器供用户浏览。具体流程描述如下：
[0086]
步骤1：地面推理机通过python manage.py runserver指令推理平台服务器，加载数据库和相关配置；
[0087]
步骤2：开启推理机线程，序列化测试操作对象实例；
[0088]
步骤3：根据主控服务器选择的推理机和知识库，在数据库中加载相应的推理算法文件和推理算法需要的知识库；
[0089]
步骤4：接收主控服务器通过http post方式发送过来的遥测参数，解析之后将测试结果量化；
[0090]
步骤5：将测试量化结果输入到故障诊断算法中，得到故障诊断结果。
[0091]
步骤6：将实时参数送入计算平台子系统，完成特征提取、退化特征分析以及控制力矩陀螺剩余寿命预测
[0092]
步骤7：将测试结果整合为json文件格式，通过http response将测试结果返回给主控服务端。
[0093]
步骤8：关闭线程，操作信息写入log文件，测试操作实例销毁。