数据驱动故障检测技术研究及应用

发布时间：2020-05-27 23:23

【摘要】：面对复杂航天器的故障检测问题,数据驱动的故障检测技术相比其他技术更为适用。电源系统是卫星复杂系统之一,也是保障卫星正常在轨运行的重要部分。本文以卫星电源系统为研究对象,开展数据驱动的故障检测技术研究。将数据驱动故障检测技术等效于多属性决策问题,依次研究决策标签生成问题、属性子集选择问题、属性赋权问题、决策制定问题,以及面对海量数据及新增数据的挑战问题。主要研究内容如下:针对数据驱动故障检测技术的特点,提出标签化多属性决策理论,为后续研究奠定基础。首先,根据数据驱动故障检测所使用的数据系统(信息系统和决策系统)、知识挖掘过程、检测决策生成步骤,结合多属性决策理论,提出标签化多属性决策的基本理论。然后,从故障检测的目标着手,以最小化决策风险为原则,提出标签化多属性决策的目标。最后,深入分析标签化多属性决策的本质和存在的问题,为后续问题的开展提出要求和假设。针对信息系统的知识获取问题,依次提出邻域网格聚类和邻域密度网格聚类方法,实现信息系统向决策系统的转换。首先,针对已有聚类方法的不足,基于网格子空间划分提出一种下山式邻域搜索的聚类方法。基于人工数据的聚类实验表明,所提方法无需预先输入类簇个数,自主寻找聚类中心,可以处理任意形状的数据聚类问题。然后,为解决邻域网格聚类方法不便于处理过于重叠覆盖数据的问题,增加对局部密度的利用,提出邻域密度网格聚类方法。数值实验结果表明,邻域密度网格聚类方法具备了邻域网格聚类的优点,且可以有效处理重叠覆盖的数据。随后,将所提理论应用于卫星电源系统典型故障检测中,实验结果表明,所提聚类方法优于其他常用聚类方法。最后,给出关于所提聚类方法的一些讨论和参数稳健性分析。从统计思想出发,提出模糊贝叶斯风险模型,实现决策系统的知识获取与决策制定。首先,从数据的分布特性着手,深入分析数据的潜在信息,结合标签化多属性决策的目标,提出模糊贝叶斯风险模型。该模型在综合考虑数据的模糊性、粒化关系后,解决经典贝叶斯风险模型的不便处理混合数据以及不便确定损失函数的不足。然后,依次将该模型应用于标签化多属性决策的属性子集选择和属性赋权问题中,实验结果表明,所提理论和方法占有一定优势。其中,关于属性赋权的评价问题,提出纵向偏差和横向残差的相关系数指标,人工数据实验结果表明,所提指标更为合理。然后,将模糊贝叶斯风险模型与T-S模糊模型结合,实现规则提取和决策制定。最后,将所提方法应用于卫星电源系统典型故障检测中,实验结果表明,所提方法适用于卫星电源系统故障检测,且再次验证本文方法的优越性和合理性。在最后的决策实验中,对标签化多属性决策提出的假设进行验证。为弥补统计思想的不足,改变为粗糙思想,提出单参数决策粗糙集模型及邻域单参数决策粗糙集模型,实现决策系统的知识获取。首先,分析基于统计思想知识获取和决策制定的不足,在粗糙近似空间中刻画数据信息,深入分析决策粗糙集和三支决策思想。针对决策粗糙集模型中参数过多且不确定问题,推导出新的参数确定公式,提出单参数决策粗糙集模型,并对相应参数进行分析讨论。然后,利用邻域关系将单参数决策粗糙集模型实例化,提出邻域单参数决策粗糙集模型,给出属性约简和赋权算法。在实验环节,给出单参数选取原则,并对比属性约简和属性赋权效果,结果表明,单参数决策粗糙集模型相比传统决策粗糙集模型更易于实际应用。最后,在卫星电源系统故障检测应用中验证所提理论的实际应用性。针对海量数据快速挖掘和新增数据对知识库的影响问题,提出网格聚类粗糙集模型和粗糙自学习理论,分别实现快速属性约简和新增数据的学习功能。首先,结合粗糙思想和聚类思想,提出网格子空间聚类算法和网格聚类粗糙集,并设计了启发式约简算法。然后,基于知识划分的思想,提出粗糙自学习理论,并利用网格聚类粗糙集将粗糙自学习理论实例化。在数值实验中,依次完成参数选取实验、聚类方法选取对比实验、属性约简结果对比实验、约简速度对比实验和粗糙自学习验证实验。结果表明,所提理论和方法在快速属性约简方面具有很大优势,可以有效解决新增数据对知识库的影响问题。上述问题研究属于检测的进阶技术。
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：V467

【参考文献】