一种电推进系统的故障诊断方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种电推进系统的故障诊断方法。

背景技术

电推进系统中的离子电推进系统具有比冲高、寿命长与无尺度效应等优点，被广泛应用在航空航天领域为飞行器提供动力。因离子电推进系统的结构复杂，其出现故障的可能性较大，则对离子电推进系统进行故障诊断对飞行器的正常航行起到非常重要的作用。

在现有的离子电推进系统的故障诊断中将系统的故障分为十八种故障模式。现有技术通过电推进系统中大量的传感器信号训练神经网络，以识别不同模式的故障。由于加速电源电压异常故障和加速电源超差故障的差异仅表现为加速电源电流上的差异，且差异较小，导致利用神经网络几乎无法分辨加速电源电压异常和加速电源超差两种故障模式。

发明内容

为了解决加速电源电压与加速电源超差两种故障在加速电源电流的差异较小，导致无法分辨加速电源电压与加速电源超差两种故障模式的技术问题，本发明的目的在于提供一种电推进系统的故障诊断方法，所采用的技术方案具体如下：

本发明提出了一种电推进系统的故障诊断方法，该方法包括：

将历史时间段内电推进系统出现加速电源超差故障与加速电源电压异常故障的时间段划分为至少两个历史预设时间段，获取电推进系统在历史预设时间段与当前预设时间段内每个时刻的控制电流值与监测电流值；

根据每个历史预设时间段内同一时刻的控制电流值与监测电流值之间差值的离散程度，获取每个历史预设时间段的电流跟随度；

获取每个历史预设时间段的采样序列，与该采样序列的百分化序列；依据每个百分化序列中每相邻的两个元素出现的次数，以及每相邻的两个元素中前一个元素在对应采样序列中同一位置元素与除该元素外其他元素的数值之间的差值，获取每个百分化序列对应采样序列的状态转移概率矩阵；基于状态转移概率矩阵生成每个采样序列的马尔可夫转换场；

结合每个历史预设时间段的采样序列中每个元素在对应马尔可夫转换场中对应元素的位置，以及采样序列中每个元素分别在对应马尔可夫转换场中对应元素的数值与状态转移概率矩阵中对应元素的数值之间的差异，获取每个历史预设时间段的电流震荡混乱度；

获取当前预设时间段的电流跟随度与电流震荡混乱度；结合预设历史时间段内每个历史预设时间段与当前预设时间段的电流跟随度之间的差异，以及电流震荡混乱度之间的差异，对电推进系统进行故障诊断。

进一步地，所述每个历史预设时间段的电流跟随度的获取方法，包括：

对于每个历史预设时间段，对历史预设时间段内每个时刻进行采样，将获取的预设第一正整数个时刻作为历史预设时间段内的采样时刻；

将历史预设时间段内同一采样时刻的监测电流值与控制电流值之间的差值，作为历史预设时间段内每个采样时刻的变异电流值；获取历史预设时间段内所有采样时刻的变异电流值的变异系数，作为历史预设时间段的电流跟随度。

进一步地，所述获取每个历史预设时间段的采样序列的方法，包括：

将每个历史预设时间段内所有采样时刻的监测电流值按照时序排列构成每个历史预设时间段的采样序列；采样序列中元素的数量等于预设第一正整数。

进一步地，所述采样序列的百分化序列的获取方法，包括：

对于每个历史预设时间段的采样序列，将采样序列中元素的数值的极差与预设第二正整数的比值作为离散长度值；预设第二正整数小于预设第一正整数；

将由采样序列中元素的数值的最小值与最大值构成的区间依次划分为预设第二正整数个子区间；每个子区间的区间长度为所述离散长度值；

对于采样序列中每个元素，当元素的数值处于第一个子区间内，则元素所处的百分位为1；当元素的数值处于第二个子区间内，则元素所处的百分位为2；以此类推，获取采样序列中每个元素所处的百分位；

由采样序列中每个元素所处的百分位顺序排列构成采样序列的百分化序列。

进一步地，所述获取每个百分化序列对应采样序列的状态转移概率矩阵的方法，包括：

对于每个历史预设时间段的采样序列，根据采样序列中每个元素与除该元素外的其他元素的数值之间的差值，获取采样序列中每个元素的自震荡凸显值；

设置长度与宽度均为预设第二正整数的初始采样矩阵；所述初始采样矩阵为零矩阵；

对于采样序列的百分化序列中每相邻的两个元素，将相邻的两个元素中前一个元素的数值作为第一值，后一个元素的数值作为第二值；将初始采样矩阵中行数为第一值、列数为第二值的位置作为目标位置；利用相邻的两个元素中前一个元素在对应采样序列中同一位置的元素的自震荡凸显值与目标位置的元素的数值的和，对目标位置的元素的数值进行更新；

由初始采样矩阵的每个元素更新后的数值构成最终采样矩阵；

获取最终采样矩阵的概率矩阵作为采样序列的状态转移概率矩阵；状态转移概率矩阵的长度与宽度均为预设第二正整数。

进一步地，所述采样序列中每个元素的自震荡凸显值的计算公式如下：

；式中，/>

进一步地，所述获取每个历史预设时间段的电流震荡混乱度的方法，包括：

对于每个历史预设时间段的采样序列，在采样序列对应马尔可夫转换场中，根据行数或列数为采样序列中每个元素的下标的元素的位置与其数值，获取采样序列中每个元素的自震荡强度特征值；

依据采样序列中每个元素在对应马尔可夫转换场中对应元素的列方向的数值，与采样序列中每个元素在状态转移概率矩阵中对应元素的列方向的数值之间的差异，获取采样序列中每个元素的震荡权重特征值；

将采样序列的每个元素的自震荡强度特征值与震荡权重特征值的乘积，作为采样序列中每个元素的初始震荡混乱度；将采样序列中所有元素的初始震荡混乱度的和作为采样序列对应历史预设时间段的电流震荡混乱度。

进一步地，所述采样序列中每个元素的自震荡强度特征值的计算公式如下：

；式中，/>

进一步地，所述采样序列中每个元素的震荡权重特征值的计算公式如下：

；式中，/>

进一步地，所述对电推进系统的故障进行诊断的方法，包括：

以电流跟随度为横轴、电流震荡混乱度为纵轴建立直角坐标系；将每个历史预设时间段在所述直角坐标系中进行标注得到每个历史预设时间段的坐标点；

对直角坐标系中的坐标点进行聚类得到两个聚类簇；将每个聚类簇的聚类中心分别与所述直角坐标系的原点之间的线段作为特征线段；将每个特征线段分别与直角坐标系的正半轴之间的夹角作为特征角度；

将最大的特征角度对应的聚类中心作为超差坐标点，将最小的特征角度对应的聚类中心作为电压异常坐标点；

将当前预设时间段的电流跟随度与电流震荡混乱度在所述直角坐标系中进行标注得到当前坐标点；将超差坐标点与当前坐标点之间欧式距离作为超差距离，将电压异常坐标点与当前坐标点之间的欧式距离作为异常距离；

当超差距离小于异常距离时，电推进系统出现加速电源超差故障；当超差距离小于异常距离时，电推进系统出现加速电源电压异常故障。

本发明具有如下有益效果：

本发明实施例中，将历史时间段内电推进系统出现加速电源电压异常与加速电源超差两种故障的时间段划分预设时间段，相较于加速电源超差故障，加速电源电压异常故障在历史预设时间段内同一时刻的控制电流值与监测电流值之间差值的相关性较低，获取历史预设时间段的电流跟随度；为便于获取采样序列的状态转移概率矩阵，获取采样序列的百分化序列，百分化序列中每个元素与除该元素外其他元素的数值之间的差值呈现该元素在监测电流值的震荡强烈程度，根据该震荡强烈程度对每相邻的两个元素出现的次数进行调整，使获取状态转移概率矩阵对电流自震荡程度特征呈现效果更强烈；基于状态转移概率矩阵获取马尔可夫转换场，采样序列中每个元素在对应马尔可夫转换场中对应元素的位置表征采样序列中每个元素的自我震荡程度，采样序列中每个元素分别在对应马尔可夫转换场中对应元素的数值与状态转移概率矩阵中对应元素的数值之间的差异，表征了采样序列中每个元素在整个时序数据的自我变化中被重视程度的高低，并利用其对采样序列中每个元素的自我震动程度进行调整，以提高获取历史预设时间段的电流震荡混乱度的准确性；预设历史时间段的电流跟随度与电流震荡混乱度，解决了两种故障在加速电源电流信号上存在较小差异的问题，结合预设历史时间段内历史预设时间段与当前预设时间段的电流跟随度之间的差异，分辨加速电源电压异常和加速电源超差两种故障模式。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种电推进系统的故障诊断方法的方法流程图；

图2为本发明一个实施例所提供的加速电源电压异常震荡示意图；

图3为本发明一个实施例所提供的加速电源超差震荡示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种电推进系统的故障诊断方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明所针对的具体场景：离子推进系统中，对于加速电源超差和加速电源电压异常两种故障模式的识别。

下面结合附图具体的说明本发明所提供的一种电推进系统的故障诊断方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种电推进系统的故障诊断方法的方法流程图，该方法包括：

步骤S1：将历史时间段内电推进系统出现加速电源超差故障与加速电源电压异常故障的时间段划分为至少两个历史预设时间段，获取电推进系统在历史预设时间段与当前预设时间段内每个时刻的控制电流值与监测电流值。

具体的，本发明针对电推进系统中的离子电推进系统进行分析，现有的离子电推进系统的故障诊断中，技术人员将系统故障分为包含加速电源电压异常和加速电源超差在内的十八种故障模式。获取历史时间段内离子电推进系统出现加速电源超差故障与加速电源电压异常故障的时间段，将该时间段划分为多个历史预设时间段，并通过离子推进器上的传感器，获取每个历史预设时间段与当前预设时间段内每个时刻的控制电流值与监测电流值。

作者为任思远，任学军，李宗良，宋飞，张宇，袁天楠，王墨戈，汤海滨，名称为离子推进系统仿真与故障诊断研究公开了除加速电源电压异常和加速电源超差两种故障模式外其他十六种故障模式的识别方法。

本发明实施例中历史预设时间段与当前预设时间段的长度为0.5秒，每个历史预设时间段与当前预设时间段内均存在至少4000个时刻的数据，实施者可根据具体情况设置预设时间段的长度。需要说明的是，控制电流值为离子电推进系统的加速电源规定设置的电流值，监测电流值为离子电推进系统的加速电源的实际的电流值。

步骤S2：根据每个历史预设时间段内同一时刻的控制电流值与监测电流值之间差值的离散程度，获取每个历史预设时间段的电流跟随度。

具体的，对于加速电源超差和加速电源电压异常两种故障模式，前者是设备老化等原因导致电源控制偏差，后者是设备直接故障导致，两种故障分辨特征为加速电源电流的大小，但是因加速电源电流本身的特性，两种故障的加速电源电流的数值差异较小，导致难以识别两种故障模式。

加速电源超差故障下，加速电源电流依旧能够受到原有系统设备的控制，但加速电源电压异常的加速电源电流几乎不受原有系统设备控制，因此两者的电流在时序上表现出一定差异，具体为：后者的加速电源电流相较于前者表现出与电流控制信号之间的相关性更低。

同一时刻的控制电流值与监测电流值之间的差值的呈现电流控制信号与电流监测信号之间的相关性，历史预设时间段内同一时刻的上述差值的离散程度准确地反映相关性，获取每个历史预设时间段的电流跟随度。

优选地，电流跟随度的具体获取方法为：对于每个历史预设时间段，对历史预设时间段内每个时刻进行采样，将获取的预设第一正整数个时刻作为历史预设时间段内的采样时刻；将历史预设时间段内同一采样时刻的监测电流值与控制电流值之间的差值，作为历史预设时间段内每个采样时刻的变异电流值；获取历史预设时间段内所有采样时刻的变异电流值的变异系数，作为历史预设时间段的电流跟随度。其中，变异系数的获取方法为本领域技术人员公知技术，在此不再赘述。

需要说明的是，对于每个历史预设时间段，将历史预设时间段内各时刻进行均匀采样，将获取的预设第一正整数个时刻作为采样时刻，两个相邻的采样时刻之间的时间间隔相等。当电流跟随度IFC越大时，说明历史预设时间段的电流控制信号对加速电源电流的控制能力越弱，则历史预设时间段出现加速电源电压故障的可能性越大。

本发明实施例中预设第一正整数A取经验值4000，实施者可根据具体情况自行设置。

步骤S3：获取每个历史预设时间段的采样序列，与该采样序列的百分化序列；依据每个百分化序列中每相邻的两个元素出现的次数，以及每相邻的两个元素中前一个元素在对应采样序列中同一位置元素与除该元素外其他元素的数值之间的差值，获取每个百分化序列对应采样序列的状态转移概率矩阵；基于状态转移概率矩阵生成每个采样序列的马尔可夫转换场。

具体的，加速电源超差故障与加速电源电压异常故障之间的区别还能呈现为时序上自身混乱程度，相较于加速电源超差故障，加速电源电压异常故障的电源电流在时序上具有更强烈与混乱的自我震荡。图2为本发明一个实施例所提供的加速电源电压异常震荡示意图，图3为本发明一个实施例所提供的加速电源超差震荡示意图。需要说明的是，图2与图3中坐标系的横坐标t为时间，纵坐标I为电流。

将每个历史预设时间段内所有采样时刻的监测电流值按照时序排列构成每个历史预设时间段的采样序列；采样序列中元素的数量等于预设第一正整数。需要说明的是，对历史预设时间段内电流震荡情况进行分析需要基于实际的电流值，因此，基于历史预设时间段内采样时刻的监测电流值获取采样序列。

为便于获取采样序列的状态转移概率矩阵，获取采样序列的百分化序列。

优选地，百分化序列的具体获取方法为：对于每个历史预设时间段的采样序列，将采样序列中元素的数值的极差与预设第二正整数的比值作为离散长度值；预设第二正整数小于预设第一正整数；将由采样序列的元素的数值的最小值与最大值构成的区间依次划分为预设第二正整数个子区间；每个子区间的区间长度为离散长度值；对于采样序列中每个元素，当元素的数值处于第一个子区间内，则元素所处的百分位为1；当元素的数值处于第二个子区间内，则元素所处的百分位为2；以此类推，获取采样序列中每个元素所处的百分位；由采样序列中每个元素所处的百分位顺序排列构成采样序列的百分化序列。

本发明实施例中预设第二正整数B取经验值10，实施者可根据具体情况自行设置。

作为一个示例，若每个采样序列中元素的数值的最小值为

对于采样序列中每个元素的数值，当元素的数值处于第1个子区间

由采样序列中每个元素所处的百分位顺序排列构成采样序列的百分化序列。需要说明的是，采样序列中的元素与百分化序列中的元素一一对应，百分化序列相当于连续时间的马尔可夫链。

采样序列的状态转移概率矩阵的获取方法为：对于每个历史预设时间段的采样序列，根据采样序列中每个元素与除该元素外的其他元素的数值之间的差值，获取采样序列中每个元素的自震荡凸显值；设置长度与宽度均为预设第二正整数的初始采样矩阵；初始采样矩阵为零矩阵；对于采样序列的百分化序列中每相邻的两个元素，将相邻的两个元素中前一个元素的数值作为第一值，后一个元素的数值作为第二值；将初始采样矩阵中行数为第一值、列数为第二值的位置作为目标位置；利用相邻的两个元素中前一个元素在对应采样序列中同一位置的元素的自震荡凸显值与目标位置的元素的数值的和，对目标位置的元素的数值进行更新；由初始采样矩阵的每个元素更新后的数值构成最终采样矩阵；获取最终采样矩阵的概率矩阵作为采样序列的状态转移概率矩阵；状态转移概率矩阵的长度与宽度均为预设第二正整数。

根据采样序列中每个元素与除该元素外的其他元素的数值之间的差值，获取采样序列中每个元素的自震荡凸显值，自震荡凸显值的计算公式如下：

式中，

需要说明的是，通过

设置初始采样矩阵，初始采样矩阵是尺寸为

C=zeros(numStates);

For i=1:length(phi)-dS-1

C(phi(i),phi(i+1))=C(phi(i),phi(i+1))+1;

end

代码中首先定义零矩阵C，遍历连续时间的马尔可夫链phi，将遍历到的马尔可夫链phi中相邻的两个时刻的状态在矩阵C中对应位置的元素数值加1，直至遍历完成，得到最终采样矩阵。其中，矩阵C的行代表前一时刻的状态，即phi(i)；矩阵C的列代表后一时刻的状态，即phi(i+1)。

以采样序列的百分化序列

本发明中对C(phi(i),phi(i+1)) = C(phi(i),phi(i+1))+1中最后一个位置的1进行改进，修改为百分化序列中每个元素在对应采样序列中同一位置的元素的自震荡凸显值ztf，使基于最终采样矩阵得到的状态转移概率矩阵对电流自震荡特征的表征效果更强烈。

百分化序列对应采样序列中每个元素的自震荡凸显值依次为：0.7、0.5、0.1、0.3、0.4、0.1、0.7、0.2、0.3，改进后获取百分化序列的最终采样矩阵的具体过程为：对于百分化序列中第一对相邻的两个元素

获取采样序列对应的最终采样矩阵的概率矩阵作为采样序列的状态转移概率矩阵。

本发明实施例中提供基于最终采样矩阵获取状态转移概率矩阵的具体过程如下：构建一个零矩阵，其大小和最终采样矩阵相同；将零矩阵设置为每一行的每一个元素等于最终采样矩阵的每一行所有元素之和，将设置后的零矩阵Pcond作为最终采样矩阵的条件矩阵。然后将最终采样矩阵和矩阵Pcond对应位置相除得到非稳态的状态转移概率矩阵X，之后将非稳态的状态转移概率矩阵X作为非稳态的马尔可夫概率分布。最后，对非稳态的状态转移概率矩阵X利用计算稳态的马尔可夫概率分布的算法进行运算，获取稳态的状态转移概率矩阵Y，以Y作为最终采样矩阵的状态转移概率矩阵。

作为一个示例：最终采样矩阵P为

基于状态转移概率矩阵获取采样序列的马尔可夫转换场。

其中，稳态的马尔可夫概率分布的算法，将状态转移概率矩阵转换为马尔可夫转换场为本领域技术人员公知技术，在此不再赘述。

需要说明的是，状态转移概率矩阵的尺寸为

步骤S4：结合每个历史预设时间段的采样序列中每个元素在对应马尔可夫转换场中对应元素的位置，以及采样序列中每个元素分别在对应马尔可夫转换场中对应元素的数值与状态转移概率矩阵中对应元素的数值之间的差异，获取每个历史预设时间段的电流震荡混乱度。

根据历史预设时间段内各时刻的监测电流值的震荡强度与震荡混乱程度，获取历史预设时间段的电流震荡混乱度。

优选地，电流震荡混乱度的具体获取方法为：对于每个历史预设时间段的采样序列，在采样序列对应马尔可夫转换场中，根据行数或列数为采样序列中每个元素的下标的元素的位置与其数值，获取采样序列中每个元素的自震荡强度特征值；依据采样序列中每个元素在对应马尔可夫转换场中对应元素的列方向的数值，与采样序列中每个元素在状态转移概率矩阵中对应元素的列方向的数值之间的差异，获取采样序列中每个元素的震荡权重特征值；将采样序列的每个元素的自震荡强度特征值与震荡权重特征值的乘积，作为采样序列中每个元素的初始震荡混乱度；将采样序列中所有元素的初始震荡混乱度的和作为采样序列对应历史预设时间段的电流震荡混乱度。

（1）获取采样序列中每个元素的自震荡强度特征值。

马尔可夫转换场中对角线上的元素代表了某一时刻状态进行自转换概率的大小，自转换概率越大表明电流监控信号的自我震荡强度越低。对于非对角线上的元素，其值越大且距离对角线越近，表明电流监控信号的自我震荡强度越低且越有序。

采样序列中每个元素的自震荡强度特征值的计算公式如下：

式中，

判断条件

以

（2）获取采样序列中每个元素的震荡权重特征值。

由于两种故障模式在数值上的差异较小，为进一步凸显两种故障模式在监控电流信号上的时序差异，获取对采样序列中元素的自震荡强度特征值进行调整的震荡权重特征值。采样序列中每个元素的震荡权重特征值的计算公式如下：

式中，

将采样序列中第m个元素在马尔可夫转换场中对应的概率在列方向求和，代表采样序列中第m个元素所处的百分位在整个时间序列中，可能被其它的采样序列中元素所处的百分位转移的概率，称为动态转入概率。

将采样序列中第m个元素在状态转移概率矩阵中对应的概率在列方向求和，表示采样序列中第m个元素所处的百分位在状态转移概率矩阵中，可能被其它百分位转移的概率，称为静态转入概率。

将动态转入概率

采样序列中元素的震荡权重特征值是由动态转入概率减去静态转入概率得到，消除了静态转移概率对动态转移概率数值上的影响，使震荡权重特征值仅代表元素在时序数据中被转入的概率。当震荡权重特征值

（3）获取采样序列对应历史预设时间段的电流震荡混乱度。

将采样序列的每个元素的自震荡强度特征值与震荡权重特征值的乘积，作为采样序列中每个元素的初始震荡混乱度；将采样序列中所有元素的初始震荡混乱度的和作为采样序列对应历史预设时间段的电流震荡混乱度。

需要说明的是，当获取电流震荡混乱度时，当采样序列中元素的震荡权重特征值越大时，说明该元素在采样序列中自我变化汇总被重视程度越高，应将该元素的震荡强度特征值赋予更高的权重，以凸显电流自我震荡的混乱程度。当电流震荡混乱度越大时，表明历史预设时间段内电流监测信号的自震荡的强度越低且越有序，则该时间段内出现加速电源超差故障的可能性越大。

根据上述方法，获取历史时间段内每个历史预设时间段的电流震荡混乱度。

步骤S5：获取当前预设时间段的电流跟随度与电流震荡混乱度；结合预设历史时间段内每个历史预设时间段与当前预设时间段的电流跟随度之间的差异，以及电流震荡混乱度之间的差异，对电推进系统进行故障诊断。

当前预设时间段的电流跟随度与电流震荡混乱度的获取方法，与每个历史预设时间段的电流跟随度与电流震荡混乱度的获取方法相同。

以电流跟随度为横轴、电流震荡混乱度为纵轴建立直角坐标系；将每个历史预设时间段在直角坐标系中进行标注得到每个历史预设时间段的坐标点；对直角坐标系中的坐标点进行聚类得到两个聚类簇；将每个聚类簇的聚类中心分别与直角坐标系的原点之间的线段作为特征线段；将每个特征线段分别与直角坐标系的正半轴之间的夹角作为特征角度；将最大的特征角度对应的聚类中心作为超差坐标点，将最小的特征角度对应的聚类中心作为电压异常坐标点；将当前预设时间段的电流跟随度与电流震荡混乱度在直角坐标系中进行标注得到当前坐标点；将超差坐标点与当前坐标点之间欧式距离作为超差距离，将电压异常坐标点与当前坐标点之间的欧式距离作为异常距离；当超差距离小于异常距离时，电推进系统出现加速电源超差故障；当超差距离小于异常距离时，电推进系统出现加速电源电压异常故障。

本发明实施例中选用K均值聚类算法对直角坐标系中的坐标点进行聚类，且K=2，K均值聚类算法为本领域技术人员公知技术，在此不再赘述。

需要说明的是，当特征角度最大时，说明该特征角度对应的聚类中心的电流跟随度更小，且电流震荡混乱度更大。电流跟随度越小，表明历史预设时间段内电流监测信号对加速电源电流的控制能力越强；电流震荡混乱度越大，说明历史预设时间段内电流监测信号的自震荡强度越低且越有序，该时间段出现加速电源超差故障的可能性越大。因此，将最大的特征角度对应的聚类中心作为超差坐标点，将最小的特征角度对应的聚类中心作为电压异常坐标点。

需要注意的是，若当前预设时间段在直角坐标系中标注的当前坐标点获取的超差距离与异常距离相等，则当前预设时间段的故障对应除加速电源超差故障与加速电源电压异常故障外的十六种故障，因此，本发明不考虑超差距离等于异常距离的情况。

至此，本发明完成。

综上所述，本发明实施例中，根据每个历史预设时间段内同一时刻的控制电流值与监测电流值的差值的离散程度获取电流跟随度；获取历史预设时间段的采样序列，获取采样序列的最终采样矩阵，进而基于最终采样矩阵将采样序列生成马尔可夫转换场；依据采样序列中元素在马尔可夫转换场的位置获取电流震荡混乱度；结合历史预设时间段与当前预设时间段的电流跟随度的差异，以及电流震荡混乱度的差异对电推进系统进行故障诊断。本发明结合时间段内电流值之间的相关性与监测电流值的自我震荡情况，分辨加速电源电压异常和加速电源超差两种故障模式。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。