CN102542159B - 一种在轨航天器状态预测方法 - Google Patents

Abstract

一种在轨航天器状态预测方法，首先接收航天器的遥测数据，剔除遥测数据中的野值并对剔除野值后的遥测数据进行采样，生成具有时间间隔的数据。然后判断预测参数是否与航天器状态或者测控事件有关，如果有关则采用与航天器状态或者遥控事件有关的参数预测方法进行预测；如果无关则开始累积与预测参数对应的遥测数据，然后判断遥测数据是否为周期性变化，如果遥测数据为周期变化的，则采用周期变化规律的预测模型进行参数预测；如果遥测数据为非周期变化的，则采用与航天器状态或者遥控事件无关的参数预测方法进行预测。

Description

一种在轨航天器状态预测方法

技术领域

本发明涉及一种在轨航天器状态预测方法。

背景技术

随着在轨航天器数量、设计寿命和型号种类的不断增加，维持其安全稳定运行变得越来越重要。在轨航天器长期运行在空间环境中，受到多种不确定性因素的作用，其性能与功能可能会出现变化。因此，分析在轨航天器的遥测参数变化趋势，对遥测数据进行预测并在此基础上实现在轨航天器状态预测，可以在早期及时发现遥测数据的异常变化，有效避免可能发生的重大故障，降低航天器在轨运行的风险，对于提高航天器在轨运行的安全性和可靠性具有重要的意义。

现有虽然已经有技术成熟的状态预测方法，但在轨航天器状态变化情况复杂，现有方法不能完全适应在轨航天器状态的多种变化规律，在用于在轨航天器状态进行预测时其预测的性能无法满足要求，对于某些特殊情况预测性能甚至可能出现严重下降。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供了一种采用动态预测策略的在轨航天器状态预测方法，根据数据的变化规律建立匹配机制，实现数据变化规律的识别，选择相适应的预测方法并给出高精度的预测结果，满足在轨航天器状态预测的需求。

本发明的技术解决方案是：一种在轨航天器状态预测方法，步骤如下：

(1)接收航天器的遥测数据，剔除遥测数据中的野值并对剔除野值后的遥测数据进行采样，生成具有时间间隔的数据，所述的遥测数据包括历史遥测数据和实时遥测数据；

(2)判断预测参数是否与航天器状态或者测控事件有关，如果有关则转步骤(3)，采用与航天器状态或者测控事件有关的参数预测方法进行预测；如果无关则开始累积与预测参数对应的遥测数据，然后判断遥测数据是否为周期性变化，如果遥测数据为周期变化的，则转步骤(4)采用周期变化规律的预测模型进行参数预测；如果遥测数据为非周期变化的，则转步骤(5)采用与航天器状态或者测控事件无关的参数预测方法进行预测；

(3)判断预测参数为AR模型或是ARMA模型，通过模型检测建立时间序列模型，选取能够表征系统状态的参数来组成向量并利用时间序列模型进行状态预测；当出现连续N个奇异点后，获取与奇异点参数对应的航天器实时状态，航天器状态预测结束；如果未能获取实时状态，则确定所述奇异点是否由于航天器状态正常切换而导致，如果奇异点不是航天器状态切换而导致的，则转步骤(5)采用与航天器状态或者测控事件无关的参数预测方法进行预测；如果奇异点是航天器状态切换而导致的，则累积数据，重新建立时间序列模型，直至预测出航天器的状态后结束；

(4)通过对各遥测参数的历史数据进行分析并建立待匹配的模型，然后用待预测参数的抽样点对待匹配的模型进行匹配和调整，直至找到最终匹配的模型并用该匹配的模型进行航天器状态的预测，航天器状态预测结束；

(5)根据遥测数据的类型选择时间序列法或者曲线拟合法进行处理；如果是采用时间序列法，则转步骤(3)进行航天器的状态预测；如果采用曲线拟合法，则利用遥测数据拟合出曲线拟合法中的相关参数后进行航天器的状态预测。

本发明与现有技术相比的优点在于：本发明方法在对遥测数据变化规律深入分析的基础上，将航天器的状态预测参数划分为与航天器运行状态和测控事件有关的参数、周期变化规律的参数、与航天器运行状态和测控事件无关的参数三种情况，并根据三种情况分别选择相适应的数据预测方法，并采取动态的预测方式，可在预测过程中根据预测的效果修改预测方法的配置，提高航天器状态预测的精度。

附图说明

图1为本发明方法的流程图；

图2为本发明与状态或事件有关的状态预测方法流程；

图3为本发明依据周期变化规律参数进行航天器状态预测的流程；

图4为本发明与状态或事件无关的状态预测方法流程。

具体实施方式

开始接收航天器状态数据以后，需要对数据进行预处理，剔除野值，并提供特定时间间隔的数据。然后需要进行状态解读，判断预测参数是否与状态或事件有关，如果有关，则调用与状态有关参数预测方法(图1中的算法1)进行预测；如果无关，累积数据，对当前的数据是否为周期变化规律进行判断。如果经过判断，判决当前数据为周期变化，则建立周期变化规律的预测模型，并根据该模型进行预测(图中1的算法2)。如果在给定的数据量内，未能判断出该数据为周期变化规律，则按与状态和事件无关的实时预测方法(图1中的算法3)的流程进行处理。

与状态有关参数预测方法流程如图2所示。首先通过数据预处理、平稳性检测，计算出AR模型或是ARMA模型的参数，并通过模型检测以及优化得到建立好的时间序列模型。之后，对遥测数据进行实时预测，当出现连续N个奇异点(拐点)后，获取实时状态，并在没有成功获取实时状态时利用模式特征识别以及模式匹配分析该拐点是否由于状态正常切换而导致。如果不是状态切换而导致的拐点，则采用与状态无关的实时预测方法进行预测，如果是，则累计样本，切换模型，如此循环下去，直到结束。

与状态或者测控事件有关参数预测方法步骤如下：

1)获取与状态和测控事件有关的参数设置信息，包括卫星型号、分系统、参数、预测的置信区间、距离判别函数、实时预测模型采样点数等相关的信息，以及参数状态模式配置信息等。

2)建立参数变化的时间序列模型。包括平稳性检验、白噪声检验、时间序列建模等步骤。

3)形成模式向量。选择时序方法中能够表征系统状态的参数来组成向量，用以反映系统的状态。不同方法模型下(如AR模型、ARMA模型等)选取的模式向量不同。

4)提取特征值。由于模式向量中各参数的重要性不同，同时，它们也不一定相互独立的，因此，需通过恰当的变换，选择较少的参数来形成低维向量，即特征值。

5)构造距离函数。利用时序模型的参数构造距离判别函数，作为模式特征判据。距离判别函数包括Euclide距离判别函数、残差偏移距离判别函数、Mahalaobis距离判别函数、Mann距离判别函数等。

6)确定门限值。根据系统状态的变动情况，合理的确定能将状态进行分类的门限值。例如门限值可选取为拟合值的95％置信区间。

7)状态监测和参数预测。根据前面定义好的距离判别函数和门限值，识别状态是否出现异常。分为两种情况：当状态未发现变化时，可利用前面建立的时间序列预测模型来预测配置文件中规定的时间段内的参数变化情况；当状态发现变化时，根据配置文件信息记录变化记录(如100秒或100次记录)，累积数据，并结合状态解读得到的实时状态，判断是否发生正常的状态切换(如从地影转入光照状态)，如果是正常的状态切换，则直接用状态对应的预测模型进行预测，如果不是正常的状态切换(即不是通过状态解读得到状态变化的信息)，说明发生了变化，则调用状态无关实时预测方法进行预测(奇异点检测、实时预测模型建模预测等)。

如图3所示，建立周期变化规律的预测模型进行航天器状态预测的如下：

1)模式匹配。(1)通过对各参数历史数据的分析建立若干待匹配的模型。如多项式、正弦、余弦、指数等变化规律。(2)对于模型未知的待预测参数，提取一定数量的抽样点并在待匹配模型库中寻找并建立匹配模型。

2)模式验证。用待预测参数的抽样点检验上步计算出的模型，如果在置信区间内则进行下一步，否则返回上步继续寻找匹配模型。

3)分支匹配。确定上步验证后的模型参数。

4)再次验证。用待测参数非抽样点检验上述模型，如在置信区间内则进行下一步，否则返回到“模式匹配”寻找相匹配的模型。

5)预测。用待预测参数的已知数据和上步确定的模型进行预测。

如图4所示，与状态无关的航天器状态预测主要过程为：读入遥测数据后，通过判断是否选择的是时间序列法，如果不是，则进行数据的预处理，计算出曲线拟合法中的相关参数；如果是采用时间序列法，则进行数据预处理，并且判断处理后的数据是否平稳，平稳后，则利用该数据计算出选择的AR模型法或是ARMA模型法中的参数，并且检测该模型并进行优化。在得到模型后，根据设定的门限值进行预测。在预测过程中，根据新的实时数据，进行模型参数的优化，以提高预测的精度，如此循环，直到结束。

与状态或者测控事件无关参数预测方法步骤如下：

1)获取与状态和测控事件无关的参数设置信息，包括卫星型号、分系统、参数、预测的置信区间、距离判别函数、实时预测模型采样点数等相关的信息设置。

2)建立参数变化的自回归(AR)模型。包括平稳性检验、白噪声检验、时间序列建模等步骤。

3)奇异点检测。定义距离判别函数，识别是否出现异常。这里直接采用欧几里得距离函数。若根据定义好的距离函数判断出序列的相邻若干点的值连续超越置信区间，找出发生异常的时间和该时间点上的数值提前报告。

4)利用故障点附近处的观测值，建立新的预测模型，同时不断加入新的观测值，对模型进行滚动优化。

5)参数值预测。采用前述的多项式拟合外推预测或其他方法进行预测，给出一定时间后的参数预测值。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (1)

1.一种在轨航天器状态预测方法，其特征在于步骤如下：

(1)接收航天器的遥测数据，剔除遥测数据中的野值并对剔除野值后的遥测数据进行采样，生成具有时间间隔的数据，所述的遥测数据包括历史遥测数据和实时遥测数据；

(2)判断预测参数是否与航天器状态或者测控事件有关，如果有关则转步骤(3)，采用与航天器状态或者测控事件有关的参数预测方法进行预测；如果无关则开始累积与预测参数对应的遥测数据，然后判断遥测数据是否为周期性变化，如果遥测数据为周期变化的，则转步骤(4)采用周期变化规律的预测模型进行参数预测；如果遥测数据为非周期变化的，则转步骤(5)采用与航天器状态或者测控事件无关的参数预测方法进行预测；

(3)判断预测参数为AR模型或是ARMA模型，通过模型检测建立时间序列模型，选取能够表征系统状态的参数来组成向量并利用时间序列模型进行状态预测；当出现连续N个奇异点后，获取与奇异点参数对应的航天器实时状态，航天器状态预测结束；如果未能获取实时状态，则确定所述奇异点是否由于航天器状态正常切换而导致，如果奇异点不是航天器状态切换而导致的，则转步骤(5)采用与航天器状态或者测控事件无关的参数预测方法进行预测；如果奇异点是航天器状态切换而导致的，则累积数据，重新建立时间序列模型，直至预测出航天器的状态后结束；

(4)通过对各遥测参数的历史数据进行分析并建立待匹配的模型，然后用待预测参数的抽样点对待匹配的模型进行匹配和调整，直至找到最终匹配的模型并用该匹配的模型进行航天器状态的预测，航天器状态预测结束；

(5)根据遥测数据的类型选择时间序列法或者曲线拟合法进行处理；如果是采用时间序列法，则转步骤(3)进行航天器的状态预测；如果采用曲线拟合法，则利用遥测数据拟合出曲线拟合法中的相关参数后进行航天器的状态预测。