CN105447518B - 一种基于K-means遥测数据判读系统 - Google Patents
一种基于K-means遥测数据判读系统 Download PDFInfo
- Publication number
- CN105447518B CN105447518B CN201510809472.6A CN201510809472A CN105447518B CN 105447518 B CN105447518 B CN 105447518B CN 201510809472 A CN201510809472 A CN 201510809472A CN 105447518 B CN105447518 B CN 105447518B
- Authority
- CN
- China
- Prior art keywords
- model
- telemetry
- unit
- data
- parameter
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Selective Calling Equipment (AREA)
- Radio Relay Systems (AREA)
Abstract
一种基于K‑means遥测数据判读系统,通过梳理小卫星遥测参数特点,将参数该变化规律分成4类,根据卫星遥测参数变化规律与相关指令或状态之间的映射表,建立该卫星遥测参数需要建立K‑means模型的数量、遥测数据处理方式和参数形式;使用正常数据训练该卫星遥测参数对应的K‑means模型参数,将各训练完成的K‑means模型封装成集合;在完成建模后,该系统从主测试计算机和数据库获取卫星实时遥测数据及遥控指令,通过遥测参数对应模型将进行判读,给出参数的异常点和预警点;测试人员根据模型给出异常点、预警点判读结果进行确认,并将卫星运行过程中模型出现的漏报点输入模型,实现对模型的动态修正。
Description
技术领域
本发明涉及卫星测试中地面遥测数据判读,特别是涉及一种改进的基于K-means卫星遥测数据判读系统。
背景技术
目前,在小卫星工厂综合测试过程中,测试人员需要依据判读标准,对卫星上注指令和下传遥测数据进行判读,给出卫星各单机、设备的工作状态,对卫星可能出现的异常及时给出预判。但卫星的遥测数据量庞大,变化快,上注指令涉及面广,卫星工作模式复杂,通常的人工判读难以满足卫星的快速测试,特别是针对微小卫星的批量测试。
吴婧等提出的《一种基于Kalman滤波的卫星遥测数据判读系统》利用卫星当前时刻的遥测数据,实时预测下一时刻的遥测数据,进行参数判读。该系统需要专家测试库和模拟数据,在应用过程中具有一定的局限性。
贺宇峰等提出的《基于CLIPS专家系统的自动数据判读方法》针对有效载荷数据进行自动判读,该方法相比人工判断提高了判读的效率和准确率,但只能针对文中的有效载荷等特定设备,事先录入数据判读知识才能进行自动判读,有一定的局限性;数据判读知识获取过程相对复杂。
发明内容
本发明解决的技术问题是:为了实现对卫星的快速测试,防止测试过程中人为判读出现的误判和漏判隐患,本发明提出一种改进的基于K-means遥测数据判读系统,实现对卫星遥测参数的不间断监视,并对卫星上注指令的反馈进行判读。
本发明的技术方案是:一种基于K-means遥测数据判读系统,包括:服务管理模块、初始建模模块、模型判读模块、监视报警模块、模型修正模块;
服务管理模块:包括通信配置单元、遥测信息配置单元和模型配置单元,通信配置单元对测试所涉及的实时数据库、主测试计算机和报警终端进行配置,其中实时数据库配置的内容包括数据库IP地址、用户名和密码,主测试计算机配置的内容包括通信类型、指令组播IP及端口,报警终端配置的内容包括测试人员、组播IP及端口;遥测信息配置单元获取卫星遥测参数名称、所属分系统、更新周期,并建立卫星遥测参数变化规律与相关指令或状态之间的映射表;模型配置单元存储K-means模型中设置信息、判读过程中设置信息以及报警过程中设置信息,上述三种设置信息包括建模时数据训练的最小长度、判读过程中数据滤波的方式、指令反馈时长、报警预警方式;
初始建模模块:包括模型设置单元、模型训练单元、初始模型集合单元;模型设置单元根据卫星遥测参数变化规律与相关指令或状态之间的映射表,建立该卫星遥测参数需要建立K-means模型的数量、每个K-means模型遥测数据处理方式和每个K-means模型参数形式,所述K-means模型遥测数据处理方式包括变化率处理和曲线处理;模型训练单元使用输入的正常数据训练该卫星遥测参数对应的K-means模型参数;初始模型集合单元将各训练完成的K-means模型封装成集合,存储至服务管理模块中的模型配置单元;
模型判读模块:包括遥测数据采集单元、数据预处理单元、模型判读单元;遥测数据采集单元从实时数据库中读取数据,将实时数据库中的遥测数据及入库时间信息存入数据队列中,同时该单元接收主测试计算机发出的遥控指令信息,将指令代号及发送时间存入指令队列中;数据预处理单元从数据队列中读取数据,对读取数据进行滤波处理,消除误码后,按照K-means模型遥测数据处理方式进行相应处理;模型判读单元将指令队列中的指令代号及发送时间、指令对应的卫星遥测状态,以及数据预处理单元处理后的数据输入初始模型集合单元,判读当前卫星遥测数据所在的区域,提取异常点和预警点;
监视报警模块:包括异常点处理单元和预警点处理单元;异常点处理单元将模型判读模块提取的异常点记录至文件中,并将该异常点的相关信息发送至相关测试人员;预警点处理单元将模型判读模块提取的预警点的相关信息发送至相关测试人员;
模型修正模块:包括异常点修正单元、预警点修正单元和漏报点修正单元;异常点修正单元通过测试人员对异常记录给出的判断结果修改K-means模型参数;预警点修正单元通过测试人员对预警记录给出的判断结果修改K-means模型参数;漏报点修正单元根据测试人员发现的异常而K-means模型没有在相应监控终端上提示的遥测数据点修改K-means模型参数;如果K-means模型判读的异常点为误判,则修改K-means模型的正常范围阈值;如果K-means模型判读的预警点为正常点,则修改K-means模型的正常范围阈值;如果K-means模型判读的预警点为异常点,则修改K-means模型的异常范围阈值;如果测试人员输入漏报点,则修改K-means模型异常范围阈值。
本发明与现有技术相比的优点在于:
一种基于K-means遥测数据判读系统覆盖范围广,针对小卫星现有参数的变化特点,将其分成4类:状态量、数值恒定的模拟量、变化率恒定的模拟量和变化率为曲线的模拟量;
该系统能够适应复杂的卫星系统,在初始建模模块,根据遥测参数的影响因素,即上注指令和卫星状态,使用正常数据训练该卫星遥测参数对应的K-means模型参数,从而实现对卫星遥测参数的快速K-means建模;
该系统具有较高的判读准确率,在模型修正模块,通过测试人员对判读结果的反馈,不断修正模型中的参数值,从而不断提高参数判读的准确性;
该系统能够满足卫星测试过程中的实时性,初始建模模块是在遥测参数判读前建立该卫星参数的K-means模型,在模型判读模块,根据实时遥测值、当前指令和卫星状态能够快速判读卫星遥测值是否正常,运算量小,实时性高;
该系统实现了对遥测判读结果的分级处理,监视报警模块对卫星遥测值的判读结果分为正常点、预警点和报警点3类,并将预警点和报警点发送给相关测试人员。模型修正模块根据测试人员的反馈对该遥测参数的K-means模型进行修正。
一种改进的基于K-means遥测数据判读系统各模块间关系简单明确,建模过程方便快速,判读实时性和准确性高,模型维护操作简便,能够满足小卫星快速测试过程中参数判读,并为小卫星批量测试提供自动化判读工具。
附图说明
图1基于K-means数据判读系统结构示意图;
图2 K-means初始模型建模原理示意图;
图3基于K-means遥测参数判读框架图;
图4基于K-means遥测参数判读模块图;
图5基于K-means遥测参数判读工作流程图。
具体实施方式
根据对卫星遥测数据特点和规律的分析,首先对遥测参数进行分类。一种基于K-means遥测数据判读系统可判读数据主要包括以下4类:
(1)遥测参数为状态量,状态量值可以枚举;
(2)遥测参数为模拟量,该值保持恒定,平稳变化且变化范围很小的数据;
(3)遥测参数为模拟量,该值对某个参数或时间的变化率保持恒值,平稳变化且变化范围较小。
(4)遥测参数为模拟量,该值对某个参数或时间的变化率为曲线。
对卫星遥测参数分类后,分析参数变化规律的影响因素,包括以下3类:
(1)不受外界环境和遥控指令影响的参数;
(2)受遥控指令影响的数据
(3)受外界环境/卫星状态影响的数据
该系统在对遥测参数进行分类后,初始建模模块根据遥测参数变化规律影响因素建立该遥测参数需要建立K-means模型的数量、每个K-means模型遥测数据处理方式和每个K-means模型参数形式。模型训练单元使用输入的正常数据训练该卫星遥测参数对应的K-means模型参数;初始模型集合单元将各训练完成的K-means模型封装成集合,存储至服务管理模块中的模型配置单元。
初始建模模块对卫星遥测参数的每个K-means模型计算出正常区域、异常区域和预警区域的范围,获得模型中参数值,并最终形成模型集。根据对卫星遥测参数分类及影响因素的约定,按照下表建立K-means初始模型。
表1参数分类建模方法表
K-means初始建模过程中,遥测参数在某个遥控指令或卫星状态对应的K-means模型,根据卫星遥测参数的正常值区域、异常值区域的计算模型参数值,具体过程如下:
例如某个遥测参数为模拟量,在发送指令X后变化率随时间恒定增加;从该遥测参数中选取一定时间正常数据,对读取数据进行滤波处理,消除误码后,计算该数据对时间的变化率,并将计算结果输入K-means模型。该模型根据数据点出现的范围计算中心点作为圆心值A,根据数据波动范围M为半径,形成一个圆形范围为正常区域;根据参数变化率最大门限为半径N画圆,该圆外部即为异常区域;两个圆形所夹的区域即为预警区域;
初始模型集合单元将各训练完成的K-means模型封装成集合,存储至服务管理模块中的模型配置单元;模型判读模块根据K-means模型集对卫星运行时各遥测参数进行判读。
K-means模型判读过程如下:遥测数据采集单元从实时数据库中读取数据,将实时数据库中的遥测数据及入库时间信息存入数据队列中,同时该单元接收主测试计算机发出的遥控指令信息,将指令代号及发送时间存入指令队列中;数据预处理单元从数据队列中读取数据,对读取数据进行滤波处理,消除误码后,按照K-means模型遥测数据处理方式进行相应处理;模型判读单元将指令队列中的指令代号及发送时间、指令对应的卫星遥测状态,以及数据预处理单元处理后的数据输入初始模型集合单元,按照该参数对应的K-means模型判读当前卫星遥测数据所在的区域;
(1)对状态量参数,在某一指令或卫星状态下,遥测量为值A1,即为正常点,其他值为异常点;
(2)对保持恒值的模拟量,在某一指令或卫星状态下,当该值与恒定值A1的差的绝对值小于M1,则为正常点;当该值与恒定值A1的差的绝对值大于N1,则为异常值;当该值与恒定值A1的差的绝对值在M1与N1之间时,为预警点;
(3)对变化率保持恒定的模拟量,在某一指令或卫星状态下,当该值变化率与恒定值A1的差的绝对值小于M1时,为正常点;当该值变化率与恒定值A1的差的绝对值大于N1时,为异常点;当该值变化率与恒定值A1的差的绝对值在M1与N1之间时,该值为预警点。其中,参数变化率是指参数对时间或其他参数的比值,如参数对时间的比值,参数对另一个参数的比值等。
(4)对变化率为曲线的模拟量,在某一指令或卫星状态下,当该值变化率与A1的差的绝对值小于M1时,为正常点;当该值变化率与A1的差的绝对值大于N1时,为异常点;当该值变化率与A1的差的绝对值在M1与N1之间时,该值为预警点。
模型修正模块根据测试人员对异常点、预警点和漏报点的处理进行模型修正。K-means模型修正过程如下:测试人员需要对K-means模型的判读结果进行确认。
(1)如果模型中判定该参数出现异常或预警点为C值,而经过测试人员判定该参数确实为异常,则比较K-means模型中该参数的异常值N1和报警点C,如果N1小于C,则模型不进行更改;如果N1大于C,则模型中N1的值更新为C值。
(2)如果模型中判定该参数出现异常或进行预警点为D值,而经过测试人员判定该参数未出现异常,则比较K-means模型中该参数的正常值M1和报警点D,如果M1大于D,则模型不进行更改;如果M1小于D,则模型中M1的值更新为D值。
(3)在测试过程中,如果测试人员发现遥测参数异常,K-means模型没有将该数据判读为异常,则说明K-means模型判读过程出现漏判,设该参数值为E,比较模型中异常点N1和E,如果N1大于E,则将N1更新为E。
一种基于K-means遥测数据判读系统,分为初始建模和模型判读修正两大部分。(1)测试前,建立K-means初始模型:判断参数类型—>分析与该遥测参数相关的指令和卫星状态—>选取正常数据训练模型—>建立K-means初始模型集;(2)测试过程中,K-means模型判读及修正:接收遥测数据及遥控指令—>数据预处理—>模型判读—>记录判读结果及报警—>确认报警点并查看漏报点—>修正K-means模型。因此,改进的K-means遥测数据判读系统中,设置两条数据处理链路:(1)建立K-means模型集链路:遥测信息配置单元->模型设置单元—>模型训练单元—>初始模型集合单元;(2)K-means模型判读及修正链路:遥测数据采集单元—>数据预处理单元—>模型判读单元—>异常点处理单元和预警点处理单元—>异常点修正、预警点修正单元和漏报点修正单元。
为了使基于K-means遥测数据判读系统能够满足不同型号、不同测试系统的需求,按照小卫星数据库结构及相应的测试任务,对被测卫星、地面测试系统信息及报警级别进行分类,在服务管理单元中分别建立通信配置单元、遥测信息配置单元和模型配置单元。建立K-means模型集后,运行数据判读系统时,系统将根据通信配置参数从相应数据库中获得卫星实时遥测数据,并获取主测试计算机发出的遥控指令,按照卫星遥测参数变化规律与相关指令或状态之间的映射表,选择对应的K-means模型,最后通过模型判读给出结果,按判读结果进行报警或预警,等待测试人员确认判读结果后,模型修正模块对该K-means模型进行参数修正。
遥测信息配置单元是依据对小卫星遥测参数变化规律的总结,将遥测参数变化规律划分为4类:状态量、数值恒定的模拟量、变化率恒定的模拟量和变化率为曲线的模拟量。在对遥测参数进行K-means建模时,首先确定该参数在某一指令或卫星状态下属于哪种变化规律;模型设置单元是统计被测参数的影响因素,包括遥控指令以及卫星状态,设置遥测模型参数形式;模型训练单元是在确定被测参数的变化规律和影响因素后,选定相同影响因素下该参数的一段时间正常数据训练K-means模型,从而确定模型初值;初始模型集合单元是汇合所有状态下K-means模型,形成被测参数的K-means模型集。
数据采集单元是通过连接主测试计算机和卫星实时数据库,获取卫星实时遥测数据和遥控指令;数据处理单元是对遥测数据进行滤波处理,并对变化率恒定不变类型参数按照公式计算变化率。数据判读单元接收预处理后的遥测数据、该遥测参数相关的状态和主测试计算机发出的指令等,根据当前状态/指令选择相应的K-means模型判读当前遥测数据所属范围;异常点和预警点显示单元是将数据判读结果中的异常点告知相关测试人员;模型修正单元是在测试人员对异常点、预警点和漏报点处理过程修改K-means模型参数。
通信配置单元设置判读系统与实时数据库、主测试计算机和报警模块之间的网络接口设置,包括IP、端口和数据传输格式;遥测信息配置单元存储需判读参数的基本信息,包括参数ID、名称、所属分系统、更新周期、变化规律、相关指令/状态等;模型配置单元存储K-means参数信息,包括训练数据长度、报警/预警方式、预警范围最小间隔等。
如图1所示,本发明的基于K-means遥测数据判读系统需要连接到卫星遥测遥控数据网络和报警显示网络中。判读系统从卫星遥测遥控数据网络中获得K-means判读所需的实时数据和参数信息,将判读结果按类别及范围分发给不同报警显示终端,从而实现对卫星系统的实时判读及监控。
如图2所示,本发明提供一种小卫星遥测参数K-means建模系统。在分析卫星遥测参数及影响因素基础上,通过某一指令或卫星状态下该参数的一段时间内正常遥测数据确定K-means模型的正常波动范围半径M,通过该参数所示单机设备的理论值范围给出异常区域半径N,M和N之间为预警区域,需要通过实际测试数据分析该区域内的数据点。
如图3所示,本发明提供一种小卫星基于K-means遥测数据判读系统。该系统按照“建立K-means初始模型—>模型判读—>判读结果修正模型—>修正后模型判读”实现动态K-means模型判读。该系统提供了一种快速的建立K-means初始模型的方法,并在测试过程中不断修正模型参数,提供判读结果的准确性。
如图4所示,本发明的基于K-means遥测数据判读系统共分为5个模块:建模、判读、报警、修正和服务管理。其中建模过程需要测试人员根据遥测参数特点和历史数据利用建模模块获得K-means初始模型,在服务管理模块中设置系统给类接口信息后,启动K-means判读系统,实现测试过程中对遥测参数和遥控指令的监视报警;各分系统人员通过对报警结果以及漏报点的处理,更新模型参数,判读系统将自动采用新的模型进行数据判读。
如图5所示,使用基于K-means遥测数据判读前,首先对每一个需要判读参数进行分类和相关指令/状态分析,通过列表给出遥测参数需要建立K-means集合形式;然后通过正常数据计算每个状态下K-means模型参数(A、M、N)。建立K-means初始模型后,启动模型判读系统,该系统将首先读取数据库中的实时遥测数据和参数信息,对遥测数据进行滤波,去除噪声点后,将卫星遥测参数值/变化率D和相关状态参数输入K-means模型,同时系统还将接收主测试计算机发出的遥控指令输入模型。K-means模型将进行数据判读,如果当前遥测为正常值,则判读过程结束,进行下一帧遥测数据判读;如果判读结果为异常点,则将该异常点发送给总体和相关分系统人员的监控设备上并存储报警记录;如果判读结果为预警点,则发送给分系统人员的监控设备。分系统人员对异常点和预警点确认为异常时,系统将生成报告,并自动修正K-means模型参数。对应系统的漏报点,分系统人员可以将数据输入系统,更新模型参数。基于改进K-means遥测参数判读系统在判读遥测数据过程中,不断更新模型参数,经过一段时间积累后,系统将趋于稳定,模型参数将基本保持不变,对遥测参数的判读将保持较高的准确性和实时性。
Claims (1)
1.一种基于K-means遥测数据判读系统,其特征在于包括:服务管理模块、初始建模模块、模型判读模块、监视报警模块、模型修正模块;
服务管理模块:包括通信配置单元、遥测信息配置单元和模型配置单元,通信配置单元对测试所涉及的实时数据库、主测试计算机和报警终端进行配置,其中实时数据库配置的内容包括数据库IP地址、用户名和密码,主测试计算机配置的内容包括通信类型、指令组播IP及端口,报警终端配置的内容包括测试人员、组播IP及端口;遥测信息配置单元获取卫星遥测参数名称、所属分系统、更新周期,并建立卫星遥测参数变化规律与相关指令或状态之间的映射表;模型配置单元存储K-means模型中设置信息、判读过程中设置信息以及报警过程中设置信息,上述三种设置信息包括建模时数据训练的最小长度、判读过程中数据滤波的方式、指令反馈时长、报警预警方式;
初始建模模块:包括模型设置单元、模型训练单元、初始模型集合单元;模型设置单元根据卫星遥测参数变化规律与相关指令或状态之间的映射表,建立该卫星遥测参数需要建立K-means模型的数量、每个K-means模型遥测数据处理方式和每个K-means模型参数形式,所述K-means模型遥测数据处理方式包括变化率处理和曲线处理;模型训练单元使用输入的正常数据训练该卫星遥测参数对应的K-means模型参数;初始模型集合单元将各训练完成的K-means模型封装成集合,存储至服务管理模块中的模型配置单元;
模型判读模块:包括遥测数据采集单元、数据预处理单元、模型判读单元;遥测数据采集单元从实时数据库中读取数据,将实时数据库中的遥测数据及入库时间信息存入数据队列中,同时该单元接收主测试计算机发出的遥控指令信息,将指令代号及发送时间存入指令队列中;数据预处理单元从数据队列中读取数据,对读取数据进行滤波处理,消除误码后,按照K-means模型遥测数据处理方式进行相应处理;模型判读单元将指令队列中的指令代号及发送时间、指令对应的卫星遥测状态,以及数据预处理单元处理后的数据输入初始模型集合单元,判读当前卫星遥测数据所在的区域,提取异常点和预警点;
监视报警模块:包括异常点处理单元和预警点处理单元;异常点处理单元将模型判读模块提取的异常点记录至文件中,并将该异常点的相关信息发送至相关测试人员;预警点处理单元将模型判读模块提取的预警点的相关信息发送至相关测试人员;
模型修正模块:包括异常点修正单元、预警点修正单元和漏报点修正单元;异常点修正单元通过测试人员对异常记录给出的判断结果修改K-means模型参数;预警点修正单元通过测试人员对预警记录给出的判断结果修改K-means模型参数;漏报点修正单元根据测试人员发现的异常而K-means模型没有在相应监控终端上提示的遥测数据点修改K-means模型参数;如果K-means模型判读的异常点为误判,则修改K-means模型的正常范围阈值;如果K-means模型判读的预警点为正常点,则修改K-means模型的正常范围阈值;如果K-means模型判读的预警点为异常点,则修改K-means模型的异常范围阈值;如果测试人员输入漏报点,则修改K-means模型异常范围阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510809472.6A CN105447518B (zh) | 2015-11-19 | 2015-11-19 | 一种基于K-means遥测数据判读系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510809472.6A CN105447518B (zh) | 2015-11-19 | 2015-11-19 | 一种基于K-means遥测数据判读系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447518A CN105447518A (zh) | 2016-03-30 |
CN105447518B true CN105447518B (zh) | 2018-12-21 |
Family
ID=55557677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510809472.6A Active CN105447518B (zh) | 2015-11-19 | 2015-11-19 | 一种基于K-means遥测数据判读系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447518B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647695A (zh) * | 2016-12-05 | 2017-05-10 | 航天恒星科技有限公司 | 在轨航天器运行状态监测方法及系统 |
CN106844138A (zh) * | 2016-12-14 | 2017-06-13 | 北京奇艺世纪科技有限公司 | 运维报警系统及方法 |
CN109523030B (zh) * | 2018-10-31 | 2021-09-07 | 中国运载火箭技术研究院 | 一种基于机器学习的遥测参数异常监测系统 |
CN113630287A (zh) * | 2021-07-07 | 2021-11-09 | 上海卫星工程研究所 | 卫星遥测数据自动监视和判读方法及其系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331035A (zh) * | 2014-09-30 | 2015-02-04 | 航天东方红卫星有限公司 | 基于面向服务架构的小卫星测试遥测遥控监控系统及方法 |
CN104597854A (zh) * | 2013-10-30 | 2015-05-06 | 北京临近空间飞行器系统工程研究所 | 一种遥测数据批量处理的自动化判读系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR970024671U (ko) * | 1995-11-14 | 1997-06-20 | 전자렌지용 도어의 힌지구조 |
-
2015
- 2015-11-19 CN CN201510809472.6A patent/CN105447518B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104597854A (zh) * | 2013-10-30 | 2015-05-06 | 北京临近空间飞行器系统工程研究所 | 一种遥测数据批量处理的自动化判读系统及方法 |
CN104331035A (zh) * | 2014-09-30 | 2015-02-04 | 航天东方红卫星有限公司 | 基于面向服务架构的小卫星测试遥测遥控监控系统及方法 |
Non-Patent Citations (2)
Title |
---|
一种基于Kalman滤波的卫星遥测数据判读系统;吴婧等;《航天器工程》;20140630;第23卷(第3期);全文 * |
基于CLIPS专家系统的自动数据判读方法;贺宇峰等;《中国科学院研究生院学报》;20110731;第28卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105447518A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108199795B (zh) | 一种设备状态的监测方法和装置 | |
US10839115B2 (en) | Cleansing system for a feed composition based on environmental factors | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN105447518B (zh) | 一种基于K-means遥测数据判读系统 | |
US20160292188A1 (en) | Data cleansing system and method for inferring a feed composition | |
CN114118224B (zh) | 一种基于神经网络的全系统遥测参数异常检测系统 | |
CN105487501A (zh) | 过程工厂中基于自动信号处理的学习 | |
US20220214474A1 (en) | System and method for real-time monitoring and optimizing operation of connected oil and gas wells | |
RU2557771C1 (ru) | Способ технического контроля и диагностирования бортовых систем беспилотного летательного аппарата с поддержкой принятия решений и комплекс контрольно-проверочной аппаратуры с интеллектуальной системой поддержки принятия решений для его осуществления | |
CN109829468A (zh) | 基于贝叶斯网络的民机复杂系统故障诊断方法 | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN109523316A (zh) | 商业服务模型的自动化建模方法 | |
CN105987822A (zh) | 用于预测装备故障的方法和系统 | |
US20210166181A1 (en) | Equipment management method, device, system and storage medium | |
CN101536002A (zh) | 用于工艺监控的系统和方法 | |
CN104091035A (zh) | 一种基于数据驱动算法的空间站有效载荷健康监测方法 | |
CN109359866A (zh) | 基于租赁设备的风险隐患监控方法、装置和计算机设备 | |
CN104777827A (zh) | 高速铁路信号系统车载设备故障诊断方法 | |
US20190361428A1 (en) | Competency gap identification of an operators response to various process control and maintenance conditions | |
CN114462309B (zh) | 一种物理仿真模型训练方法、装置、设备和存储介质 | |
CN116882823A (zh) | 自纠错的多层级工程质量评定管理平台 | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
CN112787878A (zh) | 一种网络指标的预测方法及电子设备 | |
CN110941558A (zh) | 一种智慧办公远程运维的方法及系统 | |
CN107918339A (zh) | 光伏运维智能云平台及其控制方法 |
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 |