论文部分内容阅读
航天事业的飞速发展对航天测控技术提出了更高的要求,近些年来航天测控任务日益复杂化,测控设备的实时性和稳定性是航天任务圆满完成的重要保障。测控系统在运行过程中会出现设备老化、元件损坏、参数漂移等故障现象,如果不能及时发现设备运行中的故障状态,将会对测控任务的执行造成重大影响,严重的还会对航天任务造成重大损失,因此针对航天测控设备进行健康管理势在必行。本文主要研究设备状态监测和故障类型诊断相关方法,建立测控设备健康管理系统,从而发现并识别故障。由于测控设备种类多且系统组成复杂,过程状态监测数据呈现出非线性、高维度的特点,同时故障发生频率不同造成历史故障数据具有显著的不平衡性,因此选用基于数据驱动的状态监测和故障诊断方法,分别为核主成分分析法KPCA和梯度提升决策树GBDT分类算法。本文在前人的研究基础上结合实际应用做了以下工作:(1)对设备状态监测方法展开研究,针对设备运行过程中的时变性,引入基于滑动窗口的KPCA算法,建立随时间变化的动态监视模型,并对传统算法中滑动窗口大小难以确定的问题提出一种动态更新窗口大小的方法。传统KPCA算法忽视了不同样本和变量对模型训练贡献度不同的问题,本文提出了从样本维度和变量维度进行二维加权的KPCA算法,强化正常样本和重要变量对模型建立的影响,并将该方法应用于可变滑动窗口KPCA的建模过程中,得到基于二维加权的可变滑动窗口TWVMKPCA算法。仿真实验表明使用两种改进算法进行状态监视比使用传统KPCA具有更好的故障识别能力,在设备运行的动态过程中对于故障变量具有更高的识别率和更低的漏报率。(2)在故障类型诊断方法研究中,为了优化GBDT在不平衡故障样本集上的分类能力,分别从样本和模型层面提出改进。首先在GBDT算法中引入SMOTE过采样技术,通过SMOTE过采样对于每一个类别生成不同的训练样本,应用于每一轮的弱分类器训练中。其次在引入随机子采样的随机梯度提升决策树中对损失函数进行改进,通过在损失函数中使用每一类的样本个数对类概率进行加权达到损失平衡的效果。通过多组对比实验表明两种改进的GBDT算法较传统GBDT对于不平衡样本集都有更好的分类性能,在分类精度和AUC值上均有一定的提升。(3)在系统设计与实现中,将本文提出的TW-VMKPCA算法和BL-SGBT算法分别应用到设备状态监测和故障类型诊断模块的详细实现中,目前系统已在试运行中表现出不错的效果,各项功能均满足用户的使用需求。