CN105242534B - 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 - Google Patents
基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 Download PDFInfo
- Publication number
- CN105242534B CN105242534B CN201510578150.5A CN201510578150A CN105242534B CN 105242534 B CN105242534 B CN 105242534B CN 201510578150 A CN201510578150 A CN 201510578150A CN 105242534 B CN105242534 B CN 105242534B
- Authority
- CN
- China
- Prior art keywords
- satellite
- telemetry
- satellitosis
- telemetry parameter
- characteristic quantity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Selective Calling Equipment (AREA)
Abstract
一种基于遥测参数且关联于对卫星控制行为的卫星状态监测方法,其步骤包括:通过卫星地面站设备接收卫星受控模拟量的遥测数据,判断该模拟量是否与卫星状态有关,若有关则确定为相对应的遥测参数;分析遥测参数的变化模式与对卫星控制行为的关联关系,并定义特征量;根据特征量及其历史遥测数据获得所监测卫星在不同类型状态下的特征量数据;采用统计方法建立特征量的概率模型;按时间顺序接收遥测参数的遥测数据,提取特征量数据,并根据建立的概率模型应用统计方法判定所监测卫星的状态。本发明的方法效率高,对噪声和野值不敏感,符合卫星遥测数据在有限个水平上离散取值的工程实际,可以及早判别和预警门限内异常。
Description
技术领域
本发明属于卫星在轨健康管理领域,尤其涉及一种卫星在轨状态监测方法。
背景技术
监测卫星在轨运行状态,经常需要从在轨遥测数据中提取特征量数据,并根据特征量数据判别卫星状态,如正常或异常。目前遥测数据特征提取主要采用信号处理方法,如傅立叶变换、小波变换、频谱分析等。然而,这些方法的计算效率低、抗干扰性差、特征值确定困难,且主要针对连续取值序列,难以适应卫星遥测数据下行速度快、数据量大、在有限水平上取值离散、类型复杂、噪声较大、野值较多等特点。
卫星是典型的受控制系统,整星及其设备在星上和地面控制系统的作用下,保持在要求的状态。一般来说,整星或设备处于不同状态时,有关的控制系统或控制装置所表现出来的外部行为也存在差异。比如,当卫星受到干扰而出现姿态异常时,姿控系统需以更为频繁的方式进行调节和控制卫星姿态偏差,使卫星姿态保持在阈值范围内;电池温度在规定的控温范围内稳定变化时,电池加热器在接通和断开两种状态下的持续时间基本稳定,电池温度超过控温上限时,加热器则处于不控制电池温度的断开状态。因此,可根据控制系统或控制装置的行为对遥测参数变化模式的影响,如遥测参数数值变化的次数或幅度、遥测参数处于受控制或不受控制状态的持续时间等,作为监测所关心的卫星状态的依据。
然而,现有的卫星在轨状态监测方法都没有很好地利用控制系统或控制装置的行为特征对遥测参数进行关联,现有基于信号处理的遥测数据特征提取方法也存在诸多的工程不适应性,使得现行监测方法中存在的计算效率低、抗干扰性差、对噪声和野值敏感等诸多问题长期得不到解决。
发明内容
本发明所要解决的技术问题是,克服以上背景技术中提到的不足和缺陷,提供一种计算效率高、对噪声和野值不敏感、符合卫星遥测数据在有限个水平上离散取值的工程实际、可以及早判别和预警门限内异常的基于遥测参数且关联于对卫星控制行为的卫星状态监测方法。
为解决上述技术问题,本发明提出的技术方案为一种基于遥测参数且关联于对卫星控制行为的卫星状态监测方法,其步骤包括:
(1)通过卫星地面站设备接收卫星受控模拟量的遥测数据,判断该模拟量是否与所监测的卫星状态有关,若有关则确定为与所监测卫星状态相对应的遥测参数;
(2)分析所述遥测参数的变化模式与对卫星控制行为的关联关系,并根据遥测参数在前述关联关系下的变化模式定义特征量;对卫星控制行为主要指星上或地面控制系统或控制装置对卫星施加的控制行为;
(3)根据所述遥测参数的特征量及其历史遥测数据,获得所监测卫星在不同类型状态下的特征量数据;
(4)采用统计方法建立所监测卫星在不同类型状态下特征量的概率模型;在缺乏某些状态的历史遥测数据时,根据其他状态下特征量的概率模型,采用均值平移和标准差缩放方法,建立这些状态下特征量的概率模型。;
(5)通过卫星地面站设备按时间顺序接收上述遥测参数的遥测数据,剔除遥测数据中的野值等,根据所定义的遥测参数的特征量提取特征量数据;
(6)利用所提取的特征量数据,并根据上述建立的不同类型状态下特征量的概率模型,应用统计方法判定所监测卫星的状态。
上述的卫星状态监测方法中,优选的:所述特征量包括遥测参数频度特征、遥测参数幅度特征、遥测参数时长特征中的至少一种,所述遥测参数频度特征是指在对卫星控制行为的作用下遥测参数取值变化的次数;所述遥测参数幅度特征是指在对卫星控制行为的作用下取值变化的累积幅度;所述遥测参数时长特征是指遥测参数关联于对卫星控制行为的控制(或调节)时间长度。
上述的卫星状态监测方法中,优选的:所述遥测参数频度特征包括瞬时频度ωt和区间频度Ωt,Δ,所述瞬时频度ωt定义为遥测参数在给定时刻单位时间内取值变化的次数,所述区间频度Ωt,Δ定义为遥测参数在给定的时间区间内取值变化的次数。更优选的:所述瞬时频度ωt采用滑动时间窗口方法确定(可参见图4),将当前时间窗口[t-Δ,t+Δ]向右平移δ个时间单位,并利用时间窗口[t+δ-Δ,t+δ+Δ]内的历史遥测数据估计时刻t+δ的瞬时频度ωt。所述区间频度Ωt,Δ采用不重叠时间窗口方法确定(参见图5),将当前时间窗口[t-Δ,t+Δ]向右平移2Δ个时间单位,并利用时间窗口[t+Δ,t+3Δ]内的历史遥测数据估计时间区间[t+Δ,t+3Δ]内的区间频度Ωt,Δ。
上述的卫星状态监测方法中,优选的:所述遥测参数幅度特征包括瞬时幅度ρt和区间幅度Θt,Δ,所述瞬时幅度ρt定义为遥测参数在给定时刻单位时间内取值变化的累积幅度,所述区间幅度Θt,Δ定义为遥测参数在给定的时间区间内取值变化的累积幅度。更优选的:所述瞬时幅度ρt采用滑动时间窗口方法确定(参见图4),将当前时间窗口[t-Δ,t+Δ]向右平移δ个时间单位,并利用时间窗口[t+δ-Δ,t+δ+Δ]内的历史遥测数据估计时刻t+δ的瞬时幅度ρt。所述区间幅度Θt,Δ采用不重叠时间窗口方法确定(参见图5),将当前时间窗口[t-Δ,t+Δ]向右平移2Δ个时间单位,并利用时间窗口[t+Δ,t+3Δ]内的历史遥测数据估计时间区间[t+Δ,t+3Δ] 内的区间幅度Θt,Δ。
上述的卫星状态监测方法中,优选的:所述遥测参数时长特征包括受控时长Ξt,Δ和失控时长Ζt,Δ,所述受控时长Ξt,Δ定义为受卫星控制系统或控制装置控制或调节的时间长度,所述失控时长Ζt,Δ定义为不受卫星控制系统或控制装置控制或调节的时间长度;所述遥测参数时长特征采用不重叠时间窗口方法确定(参见图5),将当前时间窗口[t-Δ,t+Δ]向右平移2Δ个时间单位,并利用时间窗口[t+Δ,t+3Δ]内的历史遥测数据估计时间区间[t+Δ,t+3Δ]内的遥测参数时长特征。
上述的卫星状态监测方法中,优选的:所监测卫星的不同类型状态包括三种以上的不同类型卫星状态,所述步骤(6)中的应用统计方法,具体是基于所述的概率模型,采用序贯贝叶斯决策方法进行卫星状态的监测,以判别卫星所处状态;具体的监测步骤包括:
(a)损失函数定义为:误判的损失为1,否则为0;
(b)先验概率定义为:对所述不同类型卫星状态赋予均匀的先验概率;
(c)根据在不同类型状态下特征量的概率模型,确定不同类型卫星状态下特征量数据的似然函数,根据贝叶斯公式得出不同类型卫星状态的后验概率;
(d)根据后验概率大小进行卫星所处状态的判别,取后验概率最大的状态确定为卫星所处的状态。
上述的卫星状态监测方法中,更优选的:在采用所述序贯贝叶斯决策方法进行状态判别时,除均匀先验概率外,还通过历史遥测数据中不同类型卫星状态出现的频数,确定不同类型卫星状态的先验概率。
上述的卫星状态监测方法中,优选的:所监测卫星的不同类型状态仅包括两种不同类型卫星状态,或将多种不同类型卫星状态合并为两种不同类型卫星状态,所述的两种不同类型卫星状态分别为正常状态和异常状态,所述步骤(6)中的应用统计方法,具体是采用序贯概率比检验进行卫星状态的监测,以判别卫星所处状态;具体的监测步骤包括:
(a)利用不同类型状态下特征量的概率模型(即卫星处于正常状态或异常状态下特征量的概率模型),分别得出已获得的特征量数据集合Χ的似然函数和Χ={x1,x2,…,xn};
(b)确定似然比
(c)按以下操作对卫星所处状态进行判别:
——如果Λn(Χ)≥B,则认为卫星所处状态异常,并置Χ为空集;
——如果Λn(Χ)≤A,则认为卫星所处状态正常,并置Χ为空集;
——如果A<Λn(Χ)<B,则不作出判别;
其中,临界值A定义为临界值B定义为α、β分别为给定的虚警率和误诊率;
(d)继续进行观测以获取所述遥测参数的遥测数据,直至所获得的遥测数据可用于获取得出特征量数据,则得出特征量数据并转向步骤(a);否则,继续进行观测。
上述本发明的技术方案提供了一种基于遥测参数的关联于控制系统或控制装置行为的变化模式的卫星状态监测方法,依据该方法所监测的卫星状态应可通过某些遥测参数进行描述,且该遥测参数的变化模式与星上或地面控制系统或控制装置的行为存在关联关系,且这样的关联关系可以通过从遥测数据中所提取的特征量进行描述。
与现有技术相比,本发明的优点在于:本发明为解决卫星等受控制的复杂系统状态监测问题提供了一条基于系统运行机理的特征量提取方法,以及基于所提取的特征量的状态监测方法,所提取的特征量具有物理意义明确、计算效率高、对噪声和野值不敏感等特点,并且符合卫星遥测数据在有限个水平上离散取值的工程实际。本发明提出的卫星状态监测方法,可以及早判别和预警门限内异常,较好地解决了目前门限检测方法的不足。
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,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地介绍,显而易见地,下面描述中的附图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他的附图。
图1是本发明具体实施方式中卫星状态监测方法的实施步骤流程示意图。
图2是本发明实施例1中的姿态遥测数据的变化示意图。
图3是本发明实施例2中的电池温度与加热器状态的遥测数据及其关联关系的示意图。
图4是本发明具体实施方式中特征提取的滑动时间窗口的示意图。
图5是本发明具体实施方式中特征提取的不重叠时间窗口的示意图。
图6是本发明实施例1中的遥测数据及其瞬时频度数据的示意图。
图7是本发明实施例1中姿态正常状态下瞬时频度数据的直方图和正态概率图。
图8是本发明实施例1中的正态总体下状态判别过程和判别结果的示意图。
图9是本发明实施例2中的失控时长数据的示意图。
具体实施方式
为了便于理解本发明,下文将结合说明书附图、具体实施方式及较佳的实施例对本发明作更全面、细致地描述,但本发明的保护范围并不限于以下具体的实施例。
除非另有定义,下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的,并不是旨在限制本发明的保护范围。
除非另有特别说明,本发明中用到的各种原材料、试剂、仪器和设备等均可通过市场购买得到或者可通过现有方法制备得到。
一种如图1所示基于遥测参数且关联于对卫星控制行为的卫星状态监测方法,包括以下在步骤:
1.通过卫星地面站设备接收卫星受控模拟量的遥测数据,判断该模拟量是否与所监测的卫星状态有关,若有关则确定为与所监测卫星状态相对应的遥测参数。
本步骤的所监测卫星状态主要是表征卫星运动(发展、变化)的某一方面的信息,例如卫星姿态、卫星温度等,而遥测参数则是与所监测卫星状态相对应的相关参数,例如与卫星姿态有关的高低角、俯仰角、偏航角等,与卫星温度有关的蓄电池温度、帆板温度、飞轮轴温等,换言之,前述卫星状态并非是指卫星运动(发展、变化)的所有方面的信息。
2.分析所述遥测参数的变化模式与对卫星控制行为的关联关系,并根据遥测参数在前述关联关系下的变化模式定义特征量。
对卫星控制行为主要指星上或地面控制系统或控制装置对卫星施加的控制行为;该控制行为是指为保持卫星处于所要求的状态,控制系统或控制装置所表现出来的外部行为,如控制系统或控制装置开启和断开的次数、时间长度、调节和控制的幅度等,而非控制系统或控制装置的内部行为或工作逻辑。控制系统或控制装置的这些外部行为会最终反映在遥测参数的变化模式上;遥测参数的变化模式与控制系统和控制装置的外部行为存在关联关系,其所反映的是对象受到或失去控制时,遥测参数所发生的变化。我们不要求遥测参数的变化模式准确反映控制系统或控制装置的内部行为或工作逻辑。
3.根据遥测参数的特征量及其历史遥测数据获得所监测卫星在不同类型状态下的特征量数据。
本步骤的卫星的不同类型状态是指依据工程知识对描述所监测卫星的遥测参数的取值集合所作的划分,例如将卫星姿态的不同类型状态划分为卫星姿态正常或卫星姿态异常,将卫星温度的不同类型状态划分为卫星温度正常或卫星温度过高。
本步骤中的特征量包括遥测参数频度特征、遥测参数幅度特征、遥测参数时长特征中的至少一种。
遥测参数频度特征是指在对卫星控制行为的作用下遥测参数取值变化的次数。遥测参数频度特征包括瞬时频度ωt和区间频度Ωt,Δ,瞬时频度ωt定义为遥测参数在给定时刻单位时间内取值变化的次数,区间频度Ωt,Δ定义为遥测参数在给定的时间区间内取值变化的次数。瞬时频度ωt采用滑动时间窗口方法确定(可参见图4),将当前时间窗口[t-Δ,t+Δ]向右平移δ个时间单位,并利用时间窗口[t+δ-Δ,t+δ+Δ]内的历史遥测数据估计时刻t+δ的瞬时频度ωt。区间频度Ωt,Δ采用不重叠时间窗口方法确定(参见图5),将当前时间窗口[t-Δ,t+Δ]向右平移 2Δ个时间单位,并利用时间窗口[t+Δ,t+3Δ]内的历史遥测数据估计时间区间[t+Δ,t+3Δ]内的区间频度Ωt,Δ。利用时间窗口[t-Δ,t+Δ]内的遥测数据确定遥测参数频度特征的方法如下:
(1)确定时间窗口[t-Δ,t+Δ]内的遥测数据xti,i=1,2,…,n,其中xti为时刻ti的遥测数据,并且t-Δ≤t1<t2<…tn≤t+Δ;变量x的下标ti表示时间,xti表示在时刻ti的x的取值(遥测参数值);
(2)遥测参数在时间区间[t-Δ,t+Δ]内的区间频度Ωt,Δ计为
(3)遥测参数在时刻t的瞬时频度ωt计为
其中,函数δ(·)定义为:当自变量非0时取值为1,否则取值为0。
遥测参数幅度特征是指在对卫星控制行为的作用下取值变化的累积幅度。遥测参数幅度特征包括瞬时幅度ρt和区间幅度Θt,Δ。瞬时幅度ρt定义为遥测参数在给定时刻单位时间内取值变化的累积幅度,区间幅度Θt,Δ定义为遥测参数在给定的时间区间内取值变化的累积幅度。瞬时幅度ρt采用滑动时间窗口方法确定(参见图4),将当前时间窗口[t-Δ,t+Δ]向右平移δ个时间单位,并利用时间窗口[t+δ-Δ,t+δ+Δ]内的历史遥测数据估计时刻t+δ的瞬时幅度ρt。区间幅度Θt,Δ采用不重叠时间窗口方法确定(参见图5),将当前时间窗口[t-Δ,t+Δ]向右平移 2Δ个时间单位,并利用时间窗口[t+Δ,t+3Δ]内的历史遥测数据估计时间区间[t+Δ,t+3Δ]内的区间幅度Θt,Δ。利用时间窗口[t-Δ,t+Δ]内的遥测数据确定遥测参数幅度特征的方法如下:
(1)确定时间窗口[t-Δ,t+Δ]内的遥测数据xti,i=1,2,…,n,其中xti为时刻ti的遥测数据,并且t-Δ≤t1<t2<…tn≤t+Δ。
(2)遥测参数在时间区间[t-Δ,t+Δ]内的区间幅度Θt,Δ计为
(3)遥测参数在时刻t的瞬时幅度ρt的估计为
遥测参数时长特征是指遥测参数关联于对卫星控制行为的控制或调节时间长度。遥测参数时长特征包括受控时长Ξt,Δ和失控时长Ζt,Δ,受控时长Ξt,Δ定义为受卫星控制系统或控制装置控制或调节的时间长度,失控时长Ζt,Δ定义为不受卫星控制系统或控制装置控制或调节的时间长度;遥测参数时长特征采用不重叠时间窗口方法确定(参见图5),将当前时间窗口 [t-Δ,t+Δ]向右平移2Δ个时间单位,并利用时间窗口[t+Δ,t+3Δ]内的历史遥测数据估计时间区间[t+Δ,t+3Δ]内的遥测参数时长特征。设控制系统或控制装置所能响应的遥测参数的取值范围为[xL,xU],利用时间窗口[t-Δ,t+Δ]内的遥测数据确定遥测参数时长特征的方法如下:
(1)确定时间窗口[t-Δ,t+Δ]内的遥测数据xti,i=1,2,…,n,其中xti为时刻ti的遥测数据,并且t-Δ≤t1<t2<…tn≤t+Δ;
(2)遥测参数在时间区间[t-Δ,t+Δ]内的受控时长Ξt,Δ计为
(3)遥测参数在时间区间[t-Δ,t+Δ]内的失控时长Ζt,Δ计为
4.采用统计方法建立所监测卫星在不同类型状态下特征量的概率模型;在缺乏某些状态的历史遥测数据时,根据其他状态下特征量的概率模型,采用均值平移和标准差缩放方法,建立这些状态下特征量的概率模型。
建立概率模型的具体步骤为:先确定不同类型卫星状态下的历史遥测数据;再参照上述步骤3的方法利用不同类型卫星状态下的历史遥测数据获取特征量数据;最后根据所提取的不同类型卫星状态所对应的特征量数据,采用统计方法确定不同类型卫星状态下特征量所服从的概率模型。我们建立的概率模型可以是概率分布模型、混合效应模型、随机过程模型中的一种特定类型的模型,包括模型的形式及参数。概率分布模型描述特征量取值的分布规律,混合效应模型和随机过程模型描述给定时间范围内特征量取值随时间的变化规律。
若某些状态下历史遥测数据缺乏,难以获得这些状态下足够的特征量数据,则参考已建模状态的概率模型并辅以工程判据。所述工程判据包括卫星长期运行管理中所依据的维修诊断知识、卫星地面测试中所采用的测试通过与否的判据、领域专家判断卫星在轨状态是否正常所依据的专家经验和判断、工程上常采用的3σ准则等。
设某状态下特征量的概率模型的均值为μ,标准差为σ。所谓均值平移是指对服从该概率模型的随机变量实施平移变换,以便所得到的随机变量服从均值为μ+M、标准差为σ的概率模型。标准差缩放是指对服从该概率模型的随机变量实施尺度变换,以便所得到的随机变量服从均值为μ、标准差置为Vσ的概率模型。参数M和V根据具体系统及其行为具体分析。
5.通过卫星地面站设备按时间顺序接收上述遥测参数的遥测数据,根据所定义特征量的计算要求剔除前述遥测数据中的野值,在此基础上提取出相应的特征量数据。
6.利用所提取的特征量数据,并根据上述建立的不同类型状态下特征量的概率模型,应用统计方法判定所监测卫星的状态。所监测卫星的不同类型状态可以为三种以上的不同类型卫星状态,也可以是两种不同类型卫星状态,或者将多种不同类型卫星状态合并为两种不同类型卫星状态。
所监测卫星的不同类型状态包括三种以上的不同类型卫星状态时,本步骤中所应用的统计方法,具体是基于所述的概率模型,采用序贯贝叶斯决策方法进行卫星状态的监测,以判别卫星所处状态;具体的监测步骤包括:
(1)损失函数定义为:误判的损失为1,否则为0;
(2)先验概率定义为:对不同类型卫星状态赋予均匀的先验概率;
(3)根据在不同类型状态下特征量的概率模型,确定不同类型卫星状态下特征量数据的似然函数,根据贝叶斯公式得出不同类型卫星状态的后验概率;
(4)根据后验概率大小进行卫星所处状态的判别,取后验概率最大的状态确定为卫星所处的状态。在采用所述序贯贝叶斯决策方法进行决策时,除均匀先验概率外,还通过历史遥测数据中不同类型卫星状态出现的频数,确定不同类型卫星状态的先验概率。
所监测卫星的不同类型状态为两种不同类型卫星状态时,可分别设为正常状态和异常状态,此时,本步骤中应用统计方法,具体是采用序贯概率比检验进行卫星状态的监测,以判别卫星所处状态;具体的监测步骤包括:
(a)利用不同类型状态下特征量的概率模型(即卫星处于正常状态或异常状态下特征量的概率模型),分别得出已获得的特征量数据集合Χ的似然函数和Χ={x1,x2,…,xn};
(b)确定似然比
(c)按以下操作对卫星所处状态进行判别:
——如果Λn(Χ)≥B,则认为卫星所处状态异常,并置Χ为空集;
——如果Λn(Χ)≤A,则认为卫星所处状态正常,并置Χ为空集;
——如果A<Λn(Χ)<B,则不作出判别;
其中,临界值A定义为临界值B定义为α、β分别为给定虚警率和误诊率;
(d)继续进行观测以获取遥测参数的遥测数据,直至所获得的遥测数据可用于获取得出特征量数据,则得出特征量数据并转向步骤(a);否则,继续进行观测。
实施例1:
考虑卫星姿态控制过程中姿态角遥测数据的变化模式,如图2所示。正常情况下,卫星姿态角偏离所要求姿态的程度较小,此时即使姿态控制系统对姿态偏差进行调整,也由于调整的幅度较小以及遥测系统采样的影响,而较少从姿态角的遥测数据中观测到变化。体现在遥测参数的变化模式上,即表现为姿态正常情况下姿态角遥测数据的变化次数较少。当干扰显著导致卫星姿态异常时,姿态角频繁偏离所要求的姿态且偏离程度较大,姿态控制系统频繁调节卫星姿态且调节幅度也较大,体现在遥测参数的变化模式上,即表现为姿态异常情况下姿态角遥测数据的变化次数较多。
针对卫星姿态异常检测问题,我们提出一种如图1所示本发明的基于遥测参数且关联于对卫星控制行为的卫星状态监测方法,其步骤包括:
(1)确定与所监测卫星状态(本实施例中对应为卫星姿态)相对应的高低角遥测参数、卫星的姿态类型及其判别依据。
(2)分析遥测参数的变化模式与对卫星控制行为的关联关系,具体到本实施例中,我们可将卫星姿态分为正常和异常两种类型(参见图2),根据卫星姿态正常和异常两种状态下,表示出卫星姿态的遥测参数的变化模式与姿态控制系统行为的关联关系,并选择瞬时频度作为该遥测参数的特征量。
(3)获取姿态正常情况下该遥测参数的历史遥测数据,再根据历史遥测数据采用滑动时间窗口法(参见图4)计算获取瞬时频度数据;所提取的瞬时频度数据如图6所示。
(4)采用统计方法建立所监测卫星在正常姿态下特征量的概率模型,正常姿态下瞬时频度数据的直方图和正态概率图如图7所示,可见正常姿态下瞬时频度服从正态分布;根据正常姿态下瞬时频度数据,采用正态分布拟合正常姿态下瞬时频度所服从的概率分布模型,确定分布的均值μ0和标准差σ0;我们认为正常和异常姿态下瞬时频度皆服从正态分布且方差保持不变;取正常姿态下瞬时频度的均值为μ=μ0;根据3σ原则以及关于姿态异常的定性判定依据,取异常姿态下瞬时频度的均值大于正常姿态下的均值,且为μ0+3σ0。
(5)按时间顺序接收获取上述遥测参数的遥测数据,根据所定义特征量瞬时频度数据的计算要求对前述遥测数据进行预处理,在此基础上提取出相应的瞬时频度数据。
(6)利用所提取的瞬时频度数据,并基于姿态正常和异常情况下瞬时频度所服从的概率分布模型,采用序贯概率比检验(SPRT)方法判定所监测卫星的姿态。
采用序贯概率比检验进行卫星状态的监测,以判别卫星所处姿态的具体监测步骤如下:
(a)设当前获得瞬时频度的n个估计值ω1,ω2,…,ωn,记
(b)按以下操作对卫星所处姿态进行判别:
——如果则认为卫星姿态异常;
——如果则认为卫星姿态正常;
——如果则不能做出决定,继续观测以获取遥测参数的遥测数据,直至所获得的遥测数据可用于获取得出特征量数据,则得出特征量数据并转向步骤(a);否则,继续进行观测。
其中,定义临界值如下:
α、β分别为给定的虚警率和误诊率。
以上实施例中似然函数的推导过程如下:卫星处于正常状态或异常状态下特征量的概率模型分别是正态分布和正态分布根据其密度函数,可以得到在此实施例中似然比的具体形式如下:
于是,判别规则Λn(Χ)≥B即为
记则类似可以得到
图8为本实施例利用图6所示遥测数据获得的状态判别过程及状态判别结果。
实施例2:
为更好地说明本发明,考虑电池加热器控制电池温度的过程及其对电池温度的变化模式的影响,如图3所示。为保持电池温度在要求的范围内,加热器在电池温度触发控温阈值下限时接通,此时电池温度将上升;电池温度达到控温上限时断开,此时电池温度下降。如果温度超出控温上限,加热器将不再控制电池温度,此时存在一个电池温度“失控”阶段,即电池温度自然上升和下降的阶段,该阶段时间的长短可以很好地反映电池温度正常还是过高的不同状态。
针对卫星温度异常检测问题,我们提出一种如图1所示本发明的基于遥测参数且关联于对卫星控制行为的卫星状态监测方法,其步骤包括:
(1)确定与所监测卫星状态(本实施例中对应为卫星蓄电池温度)相对应的蓄电池温度遥测参数、卫星的状态类型及其判别依据。
(2)分析遥测参数的变化模式与对卫星控制行为的关联关系,具体到本实施例中,我们可将卫星蓄电池温度分为正常和异常两种状态类型,根据卫星蓄电池温度正常和异常两种状态下,表示出卫星蓄电池温度的遥测参数的变化模式与蓄电池温度控制系统行为的关联关系,并选择失控时长作为该遥测参数的特征量。
(3)获取温度正常情况下该遥测参数的历史遥测数据,再根据历史遥测数据采用不重叠时间窗口法(参见图5)计算获取失控时长数据;其中,取时间区间长度为24小时,即Δ=12 小时,根据历史遥测数据获得正常状态下每隔24小时的温度失控时长数据,如图9所示。
(4)采用统计方法建立所监测卫星在不同类型状态下特征量的概率模型;具体步骤如下:
(a)采用最小二乘法拟合正常温度下失控时长所服从的回归分析模型Z=f(t),确定当前时间区间[t-Δ,t+Δ]内的失控时长与当前时间t的函数关系;
(b)取正常状态下温度失控时长数据与基于回归模型Z=f(t)所预测的失控时长之差服从均值为0、方差为的正态分布;取异常状态下失控时长与基于回归模型Z=f(t)所预测的失控时长之差服从均值为μ1>0、方差为的正态分布,μ1依工程判据确定。
(5)按时间顺序接收获取上述遥测参数的遥测数据,根据失控时长定义计算相应的失控时长数据。
(6)利用所提取的失控时长数据与模型Z=f(t)预测值之差,并基于姿态正常和异常情况下失控时长的预测误差所服从的概率分布模型,采用序贯概率比检验(SPRT)方法判定所监测卫星的状态。
采用序贯概率比检验进行卫星状态的监测,以判别卫星所处状态的具体监测步骤如下:
(a)设当前获得n个失控时长数据Z1,Δ,Zn,Δ,…,Zn,Δ,其与回归模型Z=f(t)的误差为ε1,ε2,…,εn,定义
(b)按以下操作对卫星所处状态进行判别:
——如果则认为蓄电池温度异常;
——如果则认为蓄电池温度正常;
——如果则不能做出决定,继续观测以获取遥测参数的遥测数据,直至所获得的遥测数据可用于获取得出特征量数据,则得出特征量数据并转向步骤(a);否则,继续进行观测。
其中,定义临界值如下:
α、β分别为给定的虚警率和误诊率。
以上实施例中似然函数的推导过程如下:卫星处于正常状态或异常状态下特征量的概率模型分别是正态分布和正态分布根据其密度函数,可以得到在此实施例中似然比的具体形式如下:
于是,判别规则Λn(Χ)≥B即为
记则类似可以得到
以上所述,仅为本发明优选实施例的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的技术人员在本发明所揭露的技术范围内,可不经过创造性劳动获得的变化或替换,都应涵盖在本发明的保护范围之内,本说明书内容亦不应理解为对本发明的限制。
Claims (10)
1.一种基于遥测参数且关联于对卫星控制行为的卫星状态监测方法,其步骤包括:
(1)通过卫星地面站设备接收卫星受控模拟量的遥测数据,判断该模拟量是否与所监测的卫星状态有关,若有关则确定为与所监测卫星状态相对应的遥测参数;
(2)分析所述遥测参数的变化模式与对卫星控制行为的关联关系,并根据遥测参数在前述关联关系下的变化模式定义特征量;
(3)根据所述遥测参数的特征量及其历史遥测数据获得所监测卫星在不同类型状态下的特征量数据;
(4)采用统计方法建立所监测卫星在不同类型状态下特征量的概率模型;在缺乏某些状态的历史遥测数据时,根据其他状态下特征量的概率模型,采用均值平移和标准差缩放方法,建立这些状态下特征量的概率模型;
(5)通过卫星地面站设备按时间顺序接收上述遥测参数的遥测数据,剔除遥测数据中的野值,根据所定义特征量的计算公式提取特征量数据;
(6)利用所提取的特征量数据,并根据上述建立的不同类型状态下特征量的概率模型,应用统计方法判定所监测卫星的状态。
2.根据权利要求1所述的卫星状态监测方法,其特征在于:所述特征量包括遥测参数频度特征、遥测参数幅度特征、遥测参数时长特征中的至少一种,所述遥测参数频度特征是指在对卫星控制行为的作用下遥测参数取值变化的次数;所述遥测参数幅度特征是指在对卫星控制行为的作用下取值变化的累积幅度;所述遥测参数时长特征是指遥测参数关联于对卫星控制行为的控制时间长度。
3.根据权利要求2所述的卫星状态监测方法,其特征在于:所述遥测参数频度特征包括瞬时频度ωt和区间频度Ωt,Δ,所述瞬时频度ωt定义为遥测参数在给定时刻单位时间内取值变化的次数,所述区间频度Ωt,Δ定义为遥测参数在给定的时间区间内取值变化的次数。
4.根据权利要求3所述的卫星状态监测方法,其特征在于:所述瞬时频度ωt采用滑动时间窗口方法确定,将当前时间窗口[t-Δ,t+Δ]向右平移δ个时间单位,并利用时间窗口[t+δ-Δ,t+δ+Δ]内的历史遥测数据估计时刻t+δ的瞬时频度ωt;
所述区间频度Ωt,Δ采用不重叠时间窗口方法确定,将当前时间窗口[t-Δ,t+Δ]向右平移2Δ个时间单位,并利用时间窗口[t+Δ,t+3Δ]内的历史遥测数据估计时间区间[t+Δ,t+3Δ]内的区间频度Ωt,Δ。
5.根据权利要求2所述的卫星状态监测方法,其特征在于:所述遥测参数幅度特征包括瞬时幅度ρt和区间幅度Θt,Δ,所述瞬时幅度ρt定义为遥测参数在给定时刻单位时间内取值变化的累积幅度,所述区间幅度Θt,Δ定义为遥测参数在给定的时间区间内取值变化的累积幅度。
6.根据权利要求5所述的卫星状态监测方法,其特征在于:所述瞬时幅度ρt采用滑动时间窗口方法确定,将当前时间窗口[t-Δ,t+Δ]向右平移δ个时间单位,并利用时间窗口[t+δ-Δ,t+δ+Δ]内的历史遥测数据估计时刻t+δ的瞬时幅度ρt;
所述区间幅度Θt,Δ采用不重叠时间窗口方法确定,将当前时间窗口[t-Δ,t+Δ]向右平移2Δ个时间单位,并利用时间窗口[t+Δ,t+3Δ]内的历史遥测数据估计时间区间[t+Δ,t+3Δ]内的区间幅度Θt,Δ。
7.根据权利要求2所述的卫星状态监测方法,其特征在于:所述遥测参数时长特征包括受控时长Ξt,Δ和失控时长Zt,Δ,所述受控时长Ξt,Δ定义为受卫星控制系统或控制装置控制或调节的时间长度,所述失控时长Zt,Δ定义为不受卫星控制系统或控制装置控制或调节的时间长度;所述遥测参数时长特征采用不重叠时间窗口方法确定,将当前时间窗口[t-Δ,t+Δ]向右平移2Δ个时间单位,并利用时间窗口[t+Δ,t+3Δ]内的历史遥测数据估计时间区间[t+Δ,t+3Δ]内的遥测参数时长特征。
8.根据权利要求1~7中任一项所述的卫星状态监测方法,其特征在于,所监测卫星的不同类型状态包括三种以上的不同类型卫星状态,所述步骤(6)中的应用统计方法,具体是基于所述的概率模型,采用序贯贝叶斯决策方法进行卫星状态的监测,以判别卫星所处状态;具体的监测步骤包括:
(a)损失函数定义为:误判的损失为1,否则为0;
(b)先验概率定义为:对所述不同类型卫星状态赋予均匀的先验概率;
(c)根据在不同类型状态下特征量的概率模型,确定不同类型卫星状态下特征量数据的似然函数,根据贝叶斯公式得出不同类型卫星状态的后验概率;
(d)根据后验概率大小进行卫星所处状态的判别,取后验概率最大的状态确定为卫星所处的状态。
9.根据权利要求8所述的卫星状态监测方法,其特征在于,在采用所述序贯贝叶斯决策方法进行决策时,除均匀先验概率外,还通过历史遥测数据中不同类型卫星状态出现的频数,确定不同类型卫星状态的先验概率。
10.根据权利要求1~7中任一项所述的卫星状态监测方法,其特征在于,所监测卫星的不同类型状态仅包括两种不同类型卫星状态,或将多种不同类型卫星状态合并为两种不同类型卫星状态,所述的两种不同类型卫星状态分别为正常状态和异常状态,所述步骤(6)中的应用统计方法,具体是采用序贯概率比检验进行卫星状态的监测,以判别卫星所处状态;具体的监测步骤包括:
(a)利用不同类型状态下特征量的概率模型,分别得出已获得的特征量数据集合X的似然函数和
(b)确定似然比
(c)按以下操作对卫星所处状态进行判别:
——如果Λn(X)≥B,则认为卫星所处状态异常,并置X为空集;
——如果Λn(X)≤A,则认为卫星所处状态正常,并置X为空集;
——如果A<Λn(X)<B,则不作出判别;
其中,临界值A定义为临界值B定义为α、β分别为给定的虚警率和误诊率;
(d)继续进行观测以获取所述遥测参数的遥测数据,直至所获得的遥测数据可用于获取得出特征量数据,则得出特征量数据并转向步骤(a);否则,继续进行观测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510578150.5A CN105242534B (zh) | 2015-09-11 | 2015-09-11 | 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510578150.5A CN105242534B (zh) | 2015-09-11 | 2015-09-11 | 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105242534A CN105242534A (zh) | 2016-01-13 |
CN105242534B true CN105242534B (zh) | 2017-11-21 |
Family
ID=55040215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510578150.5A Active CN105242534B (zh) | 2015-09-11 | 2015-09-11 | 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105242534B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053978B (zh) * | 2016-05-23 | 2018-12-21 | 航天东方红卫星有限公司 | 一种基于窗口的卫星非周期性遥测模拟量判读方法 |
CN106055919B (zh) * | 2016-08-09 | 2018-10-09 | 航天东方红卫星有限公司 | 一种基于遥测数据小波变换的卫星异常检测方法 |
CN106599580B (zh) * | 2016-12-14 | 2019-03-12 | 中国人民解放军国防科学技术大学 | 基于可重构度的卫星在轨健康状态评估方法及评估系统 |
CN107525686B (zh) * | 2017-08-21 | 2019-03-15 | 中国人民解放军63789部队 | 一种航天器多遥测参数分析窗口划分方法 |
CN107644148B (zh) * | 2017-09-19 | 2020-09-22 | 中国人民解放军国防科技大学 | 一种基于多参数关联的在轨卫星异常状态监测方法及系统 |
CN107885766A (zh) * | 2017-09-25 | 2018-04-06 | 上海卫星工程研究所 | 多型号多种类卫星在轨监测数据的快速提取方法 |
CN110348150B (zh) * | 2019-07-17 | 2023-05-16 | 上海微小卫星工程中心 | 一种基于相关概率模型的故障检测方法 |
CN110673543B (zh) * | 2019-09-10 | 2021-01-22 | 中国人民解放军63920部队 | 共线平动点使命轨道维持控制的系统偏差处理方法和装置 |
CN110702437B (zh) * | 2019-09-12 | 2021-06-29 | 国能大渡河流域水电开发有限公司龚嘴水力发电总厂 | 一种水轮发电机组油压系统健康状况的评价方法 |
CN112465044B (zh) * | 2020-12-03 | 2022-12-27 | 上海卫星工程研究所 | 基于敏感参数多证据融合的卫星工况识别与分割方法及系统 |
CN112596081B (zh) * | 2020-12-03 | 2023-12-01 | 北京航空航天大学 | 一种基于关联性健康基线的健康状态监测的方法 |
CN112540974B (zh) * | 2020-12-24 | 2021-09-24 | 哈尔滨工业大学 | 一种基于二阶动量的航天器遥测数据野值点去除方法 |
CN113193899A (zh) * | 2021-03-04 | 2021-07-30 | 上海航天控制技术研究所 | 分时复用的卫星遥测方法和设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003308586A (ja) * | 2002-04-18 | 2003-10-31 | Japan Radio Co Ltd | テレメータシステム、データ伝送方法およびデータ構造 |
CN102147962A (zh) * | 2010-02-10 | 2011-08-10 | 上海卫星工程研究所 | 卫星遥测信号动态在轨编程方法 |
JP2011247758A (ja) * | 2010-05-27 | 2011-12-08 | Seiko Epson Corp | 位置算出方法及び位置算出装置 |
CN102436465B (zh) * | 2011-09-01 | 2013-05-01 | 北京空间飞行器总体设计部 | 一种在轨航天器遥测数据存储与快速查询方法 |
CN102901972A (zh) * | 2012-08-23 | 2013-01-30 | 上海交通大学 | 北斗卫星搜索装置及其搜索方法 |
CN102991728B (zh) * | 2012-12-27 | 2015-03-04 | 北京航空航天大学 | 一种基于航天器间相对运动特征量的伴飞初始化控制方法 |
CN103487822A (zh) * | 2013-09-27 | 2014-01-01 | 南京理工大学 | 北斗/多普勒雷达/惯性自主式组合导航系统及其方法 |
CN104868958B (zh) * | 2015-05-07 | 2017-07-28 | 中国人民解放军国防科学技术大学 | 一种基于时分多址接入空间动态网络的数据传输测试方法 |
-
2015
- 2015-09-11 CN CN201510578150.5A patent/CN105242534B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105242534A (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105242534B (zh) | 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 | |
CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN108629073A (zh) | 一种多模式的退化过程建模及剩余寿命预测方法 | |
CN106681183B (zh) | 监测制造装置的方法、装置、系统与计算机可读储存媒介 | |
CN102013148B (zh) | 多信息融合火灾探测方法 | |
CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
JP2004524609A (ja) | 予測状態監視における変化状態の適応モデリング | |
JP6854151B2 (ja) | 異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラム | |
CN103631145B (zh) | 基于监控指标切换的多工况过程监控方法和系统 | |
CN110709789B (zh) | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 | |
CN103824130A (zh) | 一种基于svm的粮情预测预警方法及系统 | |
CN108445759A (zh) | 一种传感器饱和约束下网络化系统的随机故障检测方法 | |
CN115047839B (zh) | 一种甲醇制烯烃工业过程的故障监测方法和系统 | |
EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
CN110472335A (zh) | 基于粒子群优化算法的传感器故障诊断阈值确定方法 | |
Liu et al. | Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
CN110207827B (zh) | 一种基于异常因子提取的电气设备温度实时预警方法 | |
CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储系统及其存储方法 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
CN106444689B (zh) | 基于人体红外感应器的智能家居控制中心设备 | |
Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems | |
CN105929814B (zh) | 具有自动运行能力的工业控制器性能监控、诊断与维护方法 | |
CN104200269A (zh) | 一种基于在线学习最小嵌入维网络的实时故障诊断方法 | |
CN108595380A (zh) | 一种高炉异常炉况检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |