CN105573329A - 基于决策树的姿轨控数据分析方法 - Google Patents
基于决策树的姿轨控数据分析方法 Download PDFInfo
- Publication number
- CN105573329A CN105573329A CN201510947469.0A CN201510947469A CN105573329A CN 105573329 A CN105573329 A CN 105573329A CN 201510947469 A CN201510947469 A CN 201510947469A CN 105573329 A CN105573329 A CN 105573329A
- Authority
- CN
- China
- Prior art keywords
- decision tree
- attitude
- data
- remote measurement
- decision
- 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.)
- Granted
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000007405 data analysis Methods 0.000 title abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000013075 data extraction Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 244000141353 Prunus domestica Species 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000009966 trimming Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
- B64G1/244—Spacecraft control systems
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种基于决策树的姿轨控数据分析方法，包括姿轨控数据预处理，通过数据预处理，完成遥测数据去重复、遥测数据排序、遥测数据提取、遥测数据野值剔除；姿轨控系统层次化建模，建立姿轨控系统的信息和控制流程图，确定与姿轨控系统当前故障相关的遥测变量，将其作为决策树分析的输入变量；建立决策树分析的流程图；决策树模型，创建决策树C5.0算法模型，在模型中定义模型名称，Boosting(推进)算法试验次数，修剪属性以及每个子分支的最小记录数。本发明解决了卫星姿轨控复杂数据分析的难点，对卫星故障识别、诊断和预判具有一定的指导作用。
Description
技术领域
本发明涉及一种卫星数据分析方法，具体是一种基于决策树的姿轨控数据分析方法。
背景技术
随着航天事业的飞速发展，我国卫星数量日渐增多，卫星发生故障的总数也逐年增加，根据统计，仅2013年，90多颗卫星中，发生的异常或故障的事件就达近550起，其中姿轨控分系统故障约占总数的80％。
卫星姿态与轨道控制系统是卫星平台的核心，它保证卫星能够准确地按设计的姿态和轨道运行，是卫星完成任务和使命的基本保证。卫星姿轨控系统的故障具有复杂、时变、突发、耦合等特点，传统的数据分析和故障诊断及预测方法不能完全适应姿轨控故障数据分析的要求，现有的数据分析方法不能满足当前卫星姿轨控系统复杂数据的分析处理需求。
研究适应于卫星姿轨控系统复杂技术特点的数据处理和故障预警方法，根据异常变化规律进行故障模式辨识，研究故障演化与发展规律，有着十分迫切的航天应用需求。
决策树学习算法是对分类问题进行深入分析的一种方法，最早由Hunt等人在1966年提出，其中C5.0算法是Quinlan从最初的ID3算法、C4.5算法中发展起来的最新的决策树算法，根据提供最大信息增益的字段分割样本数据,并对决策树各叶子进行裁剪或合并来提高分类精度，最后确定各叶子的最佳阈值。通常不需花费大量的训练时间即可建立决策树，且生成的决策树容易进行解译。C5.0增加了强大的Boosting(推进)算法以提高分类精度,适合对卫星姿轨控系统的复杂数据进行分析。
目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。
发明内容
针对现有技术中的缺陷，为了解决卫星姿轨控数据分析和卫星故障诊断及预判难题，本发明提供了一种基于决策树的姿轨控数据分析方法，本发明适用于卫星姿轨控数据分析，用来解决复杂故障的分析和预警，提高卫星故障的预判能力。
根据本发明提供过的一种基于决策树的姿轨控数据分析方法，包括：
步骤1：预处理数据，具体为，对遥测数据进行去重复、排序、关键遥测选取以及野值剔除；
步骤2：姿轨控层次化建模，具体为，对姿轨控分系统按照卫星、分系统、单机、遥测的层次进行遥测层次化建模，建立姿轨控系统的信息和控制流程图，明确各遥测参数间的关联关系；
步骤3：决策树信息流处理，具体为，遥测数据经过决策树信息流处理后作为决策树模型分析的输入变量，其中，决策树信息流处理包括数据填充、决策树目标变量生成、数据过滤、类型定义；
步骤4：决策树建模，具体为，创建决策树型，在模型中定义模型名称，推进算法试验次数、修剪属性以及每个子分支的最小记录数。
优选地，通过去重复、排序、数据提取、剔除野值的数据预处理流程，得到按时间先后顺序存储的遥测原码序列，并通过数据提取和野值剔除，形成以Excel格式存储的遥测物理量数据，作为后续决策树分析的数据源。
优选地，通过对目前卫星姿轨控分系统的控制特点，完成姿轨控分系统的层次化建模，建立姿轨控系统的信息和控制流程图，明确各个遥测参数间的关联关系，通过层次化模型定位到与姿轨控故障相关的遥测参数。
优选地，将决策树模型应用于卫星姿轨控遥测数据分析，通过决策树模型对卫星姿轨控遥测数据进行统计分析，得到遥测值在各种取值下卫星故障发生的概率，并给出事件识别规则。
与现有技术相比，本发明具有如下的有益效果：
1、本发明根据卫星故障记录和数据，以基于决策树的数据分析方法为手段，利用决策树对姿轨控数据进行分析，研究卫星故障模式分析与识别方法，包括故障模式的界定、关联、耦合关系，多个状态参数、多种故障模式之间的相关性，识别出卫星故障模式及其征兆参数，给出故障模式的形式化(定性和定量)表示。
2、本发明采取数据分析流程完成对姿轨控数据的数据分析，得到遥测值在各种取值下卫星故障发生的概率，经过对卫星故障的分析，证明本发明稳定、可靠。
3、本发明解决了姿轨控分系统复杂故障难以分析识别、进行故障反演的难点，本发明公开的姿轨控数据分析方法对卫星其他分系统的故障数据分析及故障反演与预判具有一定的借鉴作用。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一种基于决策树的姿轨控数据分析方法的步骤流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明涉及卫星姿轨控数据分析，公开了一种基于决策树的姿轨控数据分析方法。包括姿轨控数据预处理，通过数据预处理，完成遥测数据去重复、遥测数据排序、遥测数据提取、遥测数据野值剔除；姿轨控系统层次化建模，按照“卫星-分系统-单机-遥测”进行遥测层次化建模，建立姿轨控系统的信息和控制流程图，确定与姿轨控系统当前故障相关的遥测变量，将其作为决策树分析的输入变量；决策树信息流程，完成数据填充、目标变量生成、数据过滤、类型定义，建立决策树分析的流程图；决策树模型，创建决策树C5.0算法模型，在模型中定义模型名称，Boosting(推进)算法试验次数，修剪属性以及每个子分支的最小记录数。本发明解决了卫星姿轨控复杂数据分析的难点，对卫星故障识别、诊断和预判具有一定的指导作用。
根据本发明提供过的一种基于决策树的姿轨控数据分析方法，包括：
步骤1：预处理数据，具体为，对遥测数据进行去重复、排序、关键遥测选取以及野值剔除；
步骤2：姿轨控层次化建模，具体为，对姿轨控分系统按照卫星、分系统、单机、遥测的层次进行遥测层次化建模，建立姿轨控系统的信息和控制流程图，明确各遥测参数间的关联关系；
步骤3：决策树信息流处理，具体为，遥测数据经过决策树信息流处理后作为决策树模型分析的输入变量，其中，决策树信息流处理包括数据填充、决策树目标变量生成、数据过滤、类型定义；
步骤4：决策树建模，具体为，创建决策树型，在模型中定义模型名称，推进算法试验次数、修剪属性以及每个子分支的最小记录数。
优选地，通过去重复、排序、数据提取、剔除野值的数据预处理流程，得到按时间先后顺序存储的遥测原码序列，并通过数据提取和野值剔除，形成以Excel格式存储的遥测物理量数据，作为后续决策树分析的数据源。
优选地，通过对目前卫星姿轨控分系统的控制特点，完成姿轨控分系统的层次化建模，建立姿轨控系统的信息和控制流程图，明确各个遥测参数间的关联关系，通过层次化模型定位到与姿轨控故障相关的遥测参数。
优选地，将决策树模型应用于卫星姿轨控遥测数据分析，通过决策树模型对卫星姿轨控遥测数据进行统计分析，得到遥测值在各种取值下卫星故障发生的概率，并给出事件识别规则。
图1为本发明一种基于决策树的姿轨控数据分析方法系统框图，包括卫星姿轨控数据预处理、姿轨控遥测层次化建模、决策树信息流程、决策树模型。
1.姿轨控数据预处理方法
数据预处理包括数据去重复、数据排序、数据提取、野值剔除。各步骤原理如下.
1)数据去重复。由于卫星遥测是由多个地点的地面站接力接收，而不同的地面站的测控弧段有重复，地面接收时把这些遥测数据同时接收并存储下来，因此需要对遥测数据进行重复性去除，具体方法是取当前遥测帧的星上时间作为时间标记，对于星上时间重复的遥测帧，只保留其中一帧，将剩余的重复帧去除，保证数据帧的唯一性。
2)数据排序。选取卫星遥测帧的星上时间作为排序标志，按星上时间的先后排列遥测帧序列，得到按时间先后顺序存储的遥测原码序列。
3)数据提取。通过上述的遥测去重复和排序，可以得到按时间先后顺序存储且无重复的遥测原码序列，根据各个遥测参数的处理格式和处理系数，将各遥测参数16进制原码解析为物理量，获得可供直观查看和分析的卫星参数物理量，并保存为Excel文件。
4)野值剔除。首先进行遥测帧校验，将遥测帧校验字错误的遥测帧剔除；其次，通过对遥测帧计数连续性进行判断，把卫星入轨、出轨期间遥测通道产生的误码尽量消除(大部分野值均由此产生)；最后，使用差分法剔除野值，其中差分法主要是把前后跳变幅度较大的野值剔除。
假设当前时刻遥测值为xk，前一时刻遥测值为xk-1，则当前时刻与前一时刻之间的差分为
Δxk＝xk-xk-1
根据当前参数的变化趋势设定门限阈值，当Δxk＝xk-xk-1大于门限阈值时，则将该遥测值剔除。
2.姿轨控遥测层次化建模
姿轨控分系统由姿态测量部件、控制器和执行机构组成。对姿轨控分系统按照“卫星-分系统-单机-遥测”进行遥测层次化建模。通过遥测层次化建模后，建立姿轨控系统的信息和控制流程图，得到各遥测参数之间的关联关系，从而可以快速选出与姿轨控系统当前故障相关的遥测变量，将其作为决策树分析的输入变量。
3.决策树信息流
本发明一种基于决策树的姿轨控数据分析方法的数据分析流程，下面以某卫星由于星敏感器姿态跳变，导致卫星进入对日定向安全模式为例，对决策树数据分析流程进行概括性描述，流程分为以下三个步骤：
第一步：数据填充，加载需要进行分析的原始遥测数据文件，对遥测数据中的变量进行填充处理，即对变量进行算术运算，并将运算后的遥测参数覆盖原来遥测参数，在本例中对“姿态角”和“姿态角速率”取绝对值，将绝对值结果覆盖原遥测参数。
第二步：定义决策树目标变量，本例将“全姿态捕获模式标志”定义为目标变量，目标变量的生成规则是：当卫星遥测参数“F7W77_78:程序标志”为1047或1007时，表明卫星应急，进入全姿态，目标变量“全姿态捕获模式标志”取1，其他情况下目标变量“全姿态捕获模式标志”取0。
第三步：数据过滤，数据过滤完成样本划分，过滤后的样本作为决策树模型分析的输入变量。
第五步：类型定义,对过滤后的决策树模型输入变量进行类型定义，其中“全姿态捕获模式标志”参数定义为目标类型，其余参数定义为输入类型。
第六步：创建决策树模型，通过过滤模块，完成样本划分后，进行决策树C5.0建模。决策树C5.0模型的设置，设置Boosting(推进)算法试验次数为10次，每个子分支的最小记录数为200条。
决策树生长步骤：首先以给定样本集合作为决策树的根节点。然后分别计算当前节点中样本集合的每个特征属性(非类别属性)的信息增益率，选取信息增益率最高的属性作为当前节点(给定集合)的分裂属性，以被选取的分裂属性标示当前节点。然后对该属性的每个值创建一个分支，并据此将数据样本划分成若干个子集，为每个子集创建一个新的节点。属性有几个取值则形成几个子集。针对得到的每个新节点，重复以上步骤，直到最后所有的节点符合以下三个条件中的一个：
l)节点的样本集合中所有的样本都属于同一类。此时，该节点设定为叶子节点。
2)节点的样本集合中所有的属性都已经处理完毕，没有剩余属性可以用来进一步划分样本。这时候采用子集中多数样本所属于的类来标记该节点，并将其设定为叶结点。
3)节点的样本集合中所有样本的剩余属性取值完全相同，但所属类别却不同。此时用样本中多数类来标示该节点，并将其设定为叶结点。
4.决策树分析结果，以三轴姿态角作为输入，全姿态捕获模式作为目标，10个决策树模型中准确性最高的模型，估计的准确性为99.06％，即以三轴姿态角作为输入变量，经过决策树模型分析，当“俯仰陀螺角>1.056°或0.011°<俯仰陀螺角<1.056°、偏航陀螺角>0.473°”时，卫星有99.06％的概率已经进入了全姿态捕获模式。
以三轴姿态角速率作为输入，全姿态捕获模式作为目标，10个决策树模型中准确性最高的模型，估计的准确性为92.35％。即以三轴姿态角速率作为输入变量，经过决策树模型分析，当“俯仰陀螺角速度>0.027°”时，卫星有92.35％的概率已经进入了全姿态捕获模式。
综合考虑，以三轴姿态角为输入得到的决策树模型最适合用于全姿态捕获模式的识别，在地面监测中可以考虑使用“俯仰陀螺角>1.056°”作为一种卫星姿态故障的地面预警依据，根据决策树分结果，当俯仰陀螺角>1.056°度时，星上姿态有99.06％的概率已经发生了故障。相比于设计经验“姿态角连续2s大于16度，或连续2sIV象限有太阳II象限无太阳，则给出姿控应急标志”能够更早地给出故障预警。
本发明采取上述数据分析流程完成对姿轨控数据的统计分析，经过对多个平台的多颗卫星故障的分析，证明该方法稳定、可靠，本发明解决了姿轨控分系统复杂故障难以分析识别、进行故障反演的难点，本发明公开的姿轨控数据分析方法对其他分系统的故障数据分析及故障反演与预判具有一定的借鉴作用。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (4)
1.一种基于决策树的姿轨控数据分析方法，其特征在于，包括：
步骤1：预处理数据，具体为，对遥测数据进行去重复、排序、关键遥测选取以及野值剔除；
步骤2：姿轨控层次化建模，具体为，对姿轨控分系统按照卫星、分系统、单机、遥测的层次进行遥测层次化建模，建立姿轨控系统的信息和控制流程图，明确各遥测参数间的关联关系；
步骤3：决策树信息流处理，具体为，遥测数据经过决策树信息流处理后作为决策树模型分析的输入变量，其中，决策树信息流处理包括数据填充、决策树目标变量生成、数据过滤、类型定义；
步骤4：决策树建模，具体为，创建决策树型，在模型中定义模型名称，推进算法试验次数、修剪属性以及每个子分支的最小记录数。
2.根据权利要求1所述的基于决策树的姿轨控数据分析方法，其特征在于，通过去重复、排序、数据提取、剔除野值的数据预处理流程，得到按时间先后顺序存储的遥测原码序列，并通过数据提取和野值剔除，形成以Excel格式存储的遥测物理量数据，作为后续决策树分析的数据源。
3.根据权利要求1所述的基于决策树的姿轨控数据分析方法，其特征在于，通过对目前卫星姿轨控分系统的控制特点，完成姿轨控分系统的层次化建模，建立姿轨控系统的信息和控制流程图，明确各个遥测参数间的关联关系，通过层次化模型定位到与姿轨控故障相关的遥测参数。
4.根据权利要求1所述的基于决策树的姿轨控数据分析方法，其特征在于，将决策树模型应用于卫星姿轨控遥测数据分析，通过决策树模型对卫星姿轨控遥测数据进行统计分析，得到遥测值在各种取值下卫星故障发生的概率，并给出事件识别规则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510947469.0A CN105573329B (zh) | 2015-12-16 | 2015-12-16 | 基于决策树的姿轨控数据分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510947469.0A CN105573329B (zh) | 2015-12-16 | 2015-12-16 | 基于决策树的姿轨控数据分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105573329A true CN105573329A (zh) | 2016-05-11 |
| CN105573329B CN105573329B (zh) | 2018-05-18 |
Family
ID=55883583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510947469.0A Active CN105573329B (zh) | 2015-12-16 | 2015-12-16 | 基于决策树的姿轨控数据分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105573329B (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202967A (zh) * | 2016-07-29 | 2016-12-07 | 江西洪都航空工业集团有限责任公司 | 一种剔除遥测数据模拟量参数跳点的方法 |
| CN106642191A (zh) * | 2016-12-28 | 2017-05-10 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉落煤管堵塞预警方法 |
| CN106642077A (zh) * | 2016-12-28 | 2017-05-10 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉返料器堵塞预警方法 |
| CN106682833A (zh) * | 2016-12-28 | 2017-05-17 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉过滤棉堵塞预警方法 |
| CN106682777A (zh) * | 2016-12-28 | 2017-05-17 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉烟管堵塞预警方法 |
| CN106682423A (zh) * | 2016-12-28 | 2017-05-17 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉安全阀堵塞预警方法 |
| CN106709657A (zh) * | 2016-12-28 | 2017-05-24 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉进水泵失效预警方法 |
| CN106779234A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉节煤器失效预警方法 |
| CN106779233A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉隔热层断裂预警方法 |
| CN106779235A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉除氧器失效预警方法 |
| CN106779236A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉锅筒变形预警方法 |
| CN106779450A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉软水器树脂失效预警方法 |
| CN106765294A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉燃烧机燃烧不充分预警方法 |
| CN106845690A (zh) * | 2016-12-28 | 2017-06-13 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉水位预警方法 |
| CN106845689A (zh) * | 2016-12-28 | 2017-06-13 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉给水温度预警方法 |
| CN108287958A (zh) * | 2018-01-15 | 2018-07-17 | 北京航空航天大学 | 人工智能程序员书写数字飞行器源代码有限选择决策方法 |
| CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
| CN111291306A (zh) * | 2020-01-23 | 2020-06-16 | 北京空间飞行器总体设计部 | 一种用于航天器自主诊断的大样本遥测数据快速优化方法 |
| CN112181679A (zh) * | 2020-09-13 | 2021-01-05 | 中国运载火箭技术研究院 | 火箭数据处理方法、装置及计算机存储介质、电子设备 |
| CN113268551A (zh) * | 2021-05-18 | 2021-08-17 | 朱厚强 | 一种统一测控系统数据监测方法及装置 |
| CN115755910A (zh) * | 2022-11-17 | 2023-03-07 | 珠海城市职业技术学院 | 一种家庭服务机器人的控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070115173A1 (en) * | 2005-11-18 | 2007-05-24 | The Boeing Company | Satellite antenna positioning system |
| CN102487343A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 卫星通信系统隐故障诊断预测方法 |
| CN103064419A (zh) * | 2012-11-30 | 2013-04-24 | 北京控制工程研究所 | 一种中高轨道卫星比例式遥控指令的延时执行方法 |
| CN103678886A (zh) * | 2013-11-26 | 2014-03-26 | 北京空间飞行器总体设计部 | 一种基于地面测试数据的卫星贝叶斯网络健康确定方法 |
-
2015
- 2015-12-16 CN CN201510947469.0A patent/CN105573329B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070115173A1 (en) * | 2005-11-18 | 2007-05-24 | The Boeing Company | Satellite antenna positioning system |
| CN102487343A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 卫星通信系统隐故障诊断预测方法 |
| CN103064419A (zh) * | 2012-11-30 | 2013-04-24 | 北京控制工程研究所 | 一种中高轨道卫星比例式遥控指令的延时执行方法 |
| CN103678886A (zh) * | 2013-11-26 | 2014-03-26 | 北京空间飞行器总体设计部 | 一种基于地面测试数据的卫星贝叶斯网络健康确定方法 |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202967A (zh) * | 2016-07-29 | 2016-12-07 | 江西洪都航空工业集团有限责任公司 | 一种剔除遥测数据模拟量参数跳点的方法 |
| CN106202967B (zh) * | 2016-07-29 | 2019-02-01 | 江西洪都航空工业集团有限责任公司 | 一种剔除遥测数据模拟量参数跳点的方法 |
| CN106845689A (zh) * | 2016-12-28 | 2017-06-13 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉给水温度预警方法 |
| CN106682777A (zh) * | 2016-12-28 | 2017-05-17 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉烟管堵塞预警方法 |
| CN106642077A (zh) * | 2016-12-28 | 2017-05-10 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉返料器堵塞预警方法 |
| CN106642191A (zh) * | 2016-12-28 | 2017-05-10 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉落煤管堵塞预警方法 |
| CN106709657A (zh) * | 2016-12-28 | 2017-05-24 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉进水泵失效预警方法 |
| CN106779234A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉节煤器失效预警方法 |
| CN106779233A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉隔热层断裂预警方法 |
| CN106779235A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉除氧器失效预警方法 |
| CN106779236A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉锅筒变形预警方法 |
| CN106779450A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉软水器树脂失效预警方法 |
| CN106765294A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉燃烧机燃烧不充分预警方法 |
| CN106845690A (zh) * | 2016-12-28 | 2017-06-13 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉水位预警方法 |
| CN106682423A (zh) * | 2016-12-28 | 2017-05-17 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉安全阀堵塞预警方法 |
| CN106682833A (zh) * | 2016-12-28 | 2017-05-17 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉过滤棉堵塞预警方法 |
| CN108287958B (zh) * | 2018-01-15 | 2021-05-11 | 北京航空航天大学 | 人工智能程序员书写数字飞行器源代码有限选择决策方法 |
| CN108287958A (zh) * | 2018-01-15 | 2018-07-17 | 北京航空航天大学 | 人工智能程序员书写数字飞行器源代码有限选择决策方法 |
| CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
| CN111291306A (zh) * | 2020-01-23 | 2020-06-16 | 北京空间飞行器总体设计部 | 一种用于航天器自主诊断的大样本遥测数据快速优化方法 |
| CN111291306B (zh) * | 2020-01-23 | 2020-10-23 | 北京空间飞行器总体设计部 | 一种用于航天器自主诊断的大样本遥测数据快速优化方法 |
| CN111221345B (zh) * | 2020-01-23 | 2023-04-14 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
| CN112181679B (zh) * | 2020-09-13 | 2024-05-10 | 中国运载火箭技术研究院 | 火箭数据处理方法、装置及计算机存储介质、电子设备 |
| CN112181679A (zh) * | 2020-09-13 | 2021-01-05 | 中国运载火箭技术研究院 | 火箭数据处理方法、装置及计算机存储介质、电子设备 |
| CN113268551A (zh) * | 2021-05-18 | 2021-08-17 | 朱厚强 | 一种统一测控系统数据监测方法及装置 |
| CN113268551B (zh) * | 2021-05-18 | 2023-06-20 | 朱厚强 | 一种统一测控系统数据监测方法及装置 |
| CN115755910A (zh) * | 2022-11-17 | 2023-03-07 | 珠海城市职业技术学院 | 一种家庭服务机器人的控制方法及系统 |
| CN115755910B (zh) * | 2022-11-17 | 2023-07-25 | 珠海城市职业技术学院 | 一种家庭服务机器人的控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105573329B (zh) | 2018-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105573329A (zh) | 基于决策树的姿轨控数据分析方法 | |
| JP7004364B1 (ja) | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 | |
| CN105279365A (zh) | 用于学习异常检测的样本的方法 | |
| KR102172925B1 (ko) | 딥러닝 기반 기후 변화 예측 시스템의 동작 방법 | |
| CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
| CN103646167A (zh) | 一种基于遥测数据的卫星异常状态检测系统 | |
| CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
| CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
| CN106372105A (zh) | 一种基于Spark平台的微博数据预处理方法 | |
| Lehtinen | Derivational robustness and indirect confirmation | |
| CN103678886A (zh) | 一种基于地面测试数据的卫星贝叶斯网络健康确定方法 | |
| CN116467674A (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
| CN115033746A (zh) | 基于扎根理论和事理图谱的船舶航行事故致因分析方法 | |
| CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
| CN111160393A (zh) | 一种基于数据驱动的运载火箭健康评估模型模块化建模方法 | |
| CN115563888B (zh) | 一种航天器剩余寿命预测方法、系统、电子设备及介质 | |
| CN105373473B (zh) | 基于原始信令解码的cdr准确性测试方法及测试系统 | |
| CN116151107B (zh) | 一种岩浆型镍钴成矿潜力的识别方法、系统及电子设备 | |
| CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
| CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
| CN113205215A (zh) | 一种基于知识的战场态势预测方法 | |
| Gokgoz | Anomaly detection using gans in opensky network | |
| CN114638558B (zh) | 一种综合能源系统运行事故分析的数据集分类方法 | |
| CN118094112B (zh) | 灌溉数据同化方法、装置、电子设备及存储介质 | |
| CN113448861B (zh) | 重复表单的检测方法及装置 |
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 |