CN106446506A - 一种多方法组合的小卫星状态自主智能预测方法 - Google Patents
一种多方法组合的小卫星状态自主智能预测方法 Download PDFInfo
- Publication number
- CN106446506A CN106446506A CN201610742907.4A CN201610742907A CN106446506A CN 106446506 A CN106446506 A CN 106446506A CN 201610742907 A CN201610742907 A CN 201610742907A CN 106446506 A CN106446506 A CN 106446506A
- Authority
- CN
- China
- Prior art keywords
- moonlet
- data
- prediction
- forecasting methodology
- neural network
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多方法组合小卫星状态自主智能预测方法,根据小卫星的历史运行状态,选定用于表征小卫星不同运行状态信号数据,确定小卫星故障的阈值;根据小卫星的运行状态数据三种类型,确定小卫星状态自主智能预测方法;对于第一类型,采用BP神经网络和灰预测组合的预测方法;第二种类型采用小波包与BP神经网络组合的预测方法;第三种类型采用AR模型和BP神经网络组合的预测方法。本发明克服了单一方法的预测精度低、初值特殊要求、数据奇点等问题,实现了小卫星状态预测的实时有效预测,为测试以及卫星的在轨管理提供了技术支持手段。
Description
技术领域
本发明涉及一种基于实时遥测的多方法组合自主智能小卫星状态预测方法,可用于小卫星平台卫星在轨管理、地面综合测试以及系统功能仿真等时期,辅助科研人员对卫星实时状态、发展趋势进行判断和决策。
背景技术
预测技术经过将近几十年的发展,在机械系统、网络软件监控、电力系统、卫星系统、航空系统等领域得到了长足的发展,各行业提出了很多得预测技术,开发出了很多实用的预测平台,取得了可观的经济效益和社会效益。但是随着系统的复杂化程度越来越高,发生故障的概率及由此带来的损失也越来越大。现有的预测技术常常只是针对某个特定的系统而言是有效的,但不具有普适性。更由于小卫星的空间特殊性,颠覆性前沿创新技术在小卫星技术上的应用速度越来越快,同时,小卫星类型又多种多样,应用领域广泛,由于受到各种故障预测技术本身的算法适用性等问题,现有的预测技术在小卫星状态预测上存在诸多局限,主要表现在以下几个方面:
首先,国外可重复使用运载器和国际空间站的最新故障诊断与预测系统基本上都是采用基于航天器模型的技术。应用基于模型的故障预测技术首先由航天器各个分系统的专家给出系统故障预测的精确数学模型,利用模型来识别系统的特征,并将这些模型诊断值与系统观测值进行比较,从而来预测系统状态。而建立分系统的数学模型恰恰是最难的地方,简化的数学模型虽然建立了状态系统预测,但预测的精度、虚警率确大大提高,还得依靠科研人员得二次判读,给科研人员造成很多重复性的工作,从而影响卫星型号在轨任务的管理过程,同时也降低了预测系统的稳定性和可靠性,管理和维护工作并没有减少。
同时,每一种航天器故障预测方法,都有其适用范围,故障诊断率较低。小卫星内部的系统复杂性不能完全掌握其故障特性,导致无法建立全面的故障案例,再加上对数据不能正确的处理导致不能为故障监测提供支持。灰色系统预测缺点是其微分方程指数解比较适合于具有指数增长趋势的指标,对于具有其他趋势的指标则有时拟合灰度较大,精度难以提高;以线性回归ARMA模型为基础的时间序列模型,它不适应于非线性系统的建模与预报;人工神经网络方法也存在学习速度慢,存在局部极小点,难以科学确定网络结构等缺点;每种预测方法单独使用时,无法适用于非平稳、速变等航天器故障信号预测,而且,航天器某些故障状态预测面临样本少、不确定性大、确定性解析预测模型难以建立等难题。实际故障预测应用中一些关键设备的典型历史工作数据、故障模式数据以及仿真实验数据的获取代价还十分高昂,而且获得的数据序列往往具有很强的不确定性和不完整性。
此外,目前常规的预测方法缺乏客观性与自主性。由于系统在运行的过程中存在了“人为”的因素,而且故障现象、部位和原因之间的关系非常复杂,同时,故障本身的随机性,预测过程产生的误差,导致得到的故障状态信息不能充分反映系统本身的运行,并且,庞大的信息量本身如何准确融合也成为故障预测研究中的一个瓶颈,现有的卫星管理人力、物力成本较大,不利于提高卫星运行管理效率。
发明内容
本发明的技术解决问题是:克服现有单一技术预测的不足,提供一种基于实时数据的多方法组合航天器故障预测方法,基于实时遥测的多方法组合小卫星状态自主智能预测方法的基本思想是通过研究已发射的在轨小卫星各分系统的故障预案、历史故障以及状态数据,研究小卫星状态、故障、未来状态发展与故障数据间的逻辑关系,预测实时遥测的变化趋势,通过遥测与故障状态之间的关联关系进行在轨小卫星状态预测,智能自主辅助小卫星在轨状态监测。基于实时遥测的故障预测技术不需要对卫星系统的数学模型和专家经验,克服一般状态预测方法对对象模型的依赖,通过多方法融合挖掘遥测与卫星状态之间的隐含信息关系进行状态预测,提高了方法应用的通用性和状态预测精度,是一种比较实用的小卫星状态预测方法。
本发明的技术解决方案为:一种基于数据的多方法组合自主智能小卫星故障预测方法,其特点在于包括下列步骤:
(1)根据小卫星的历史运行状态,选定用于表征小卫星不同运行状态数据,确定小卫星故障的阈值;
(2)根据小卫星的运行状态数据三种类型确定小卫星状态自主智能预测方法;所述三种类型是:第一种样本较少数据并存在较多不确定性数据,第二种是各种模式的时间序列数据,第三种是数据有突变信息和干扰数据;对于第一类型,采用BP神经网络和灰预测组合的预测方法;第二种类型采用小波包与BP神经网络组合的预测方法;第三种类型采用AR模型和BP神经网络组合的预测方法。
所述采用BP神经网络和灰预测组合的预测方法,其实现步骤如下:
(1)在构造神经网络输入输出样本时,选择不同的小卫星故障状态以及正常状态的特征数据作为样本,训练神经网络,构建神经网络结构,建立数据与小卫星故障的阈值之间的映射关系;
(2)对输入遥测数据采用灰色预测进行预测,自行设定预测数据的步数,输入前期记录网络结构信息的文档名,结合网络结构截取输入数据,然后再输入记录权值的文件名,读取节点信息,输出结果,截取实时遥测数据,得到小卫星未来时刻的状态数据,进行阈值判断,若是数据已经超限,立即采取措施,若未超限,将数据进行处理;然后输入给神经网络,经过BP神经网络输入层,经各隐层Sigmoid函数归一化逐层处理后,传向输出层,获取卫星预测的实时状态,利用建立好的网络结构权值,进行故障预测。
所述采用小波包与BP神经网络组合的预测方法,其实现步骤如下:
小波包与BP神经网络组合算法,小波分析和神经网络采用是松散型结合,小波包分析为信号提供一种更加精细的分析方法,即对高频和低频信号都进行分析,利用小波包分析,把信号的全部信息分解在互相独立的频带之内,各频带内的能量值形成一个向量,该向量即为故障预测结果。
所述采用AR模型和BP神经网络组合的预测方法,其实现步骤如下:
采用AR模型和BP神经网络组合的预测方法时,AR模型时间序列与BP神经网络结合,将数据进行两次差分运算、标准化序列预处理,对于标准化处理后的稳态随机序列,选用线性最小方差预测;进行针对单次信号进行状态预测,设计AR模型的参数然后进行预测;输入前期记录网络结构信息的文档名,结合网络结构截取输入数据;然后再输入记录权值的文件名,读取节点信息,最后输出故障预测结果。
本发明与现有技术相比的优点在于:本发明降低对原始数据的依赖程度,提高小卫星故障参数、故障状态的预测精度。可用于小卫星平台卫星在轨管理、地面综合测试以及系统功能仿真等时期,辅助科研人员对卫星实时状态、发展趋势进行判断和决策。引入灰色预测模型,进行小卫星状态预测建模时不需要计算统计特征量,能适应于任何非线性变化的预测。ARMA模型对线性系统有较高的预测精度。BP神经网络不涉及到具体如何运算的问题,提供一个“黑箱”,对于小卫星预测过程中要处理的一些大量数据而又不能用符号或数字方法描述的问题,表现出极大的灵活性与自适应性,将灰色预测模型、ARMA模型以及BP神经网络算法进行组合预测,克服了各算法的确定,组合预测方法克服了单一方法的预测精度低、初值特殊要求、数据奇点等问题,发挥了各算法的优势,很好的解决了卫星状态预测的算法适用性问题。
附图说明
图1为本发明的预测方法实现流程图;
图2为本发明的灰预测与BP神经网络结合流程示意图;
图3为本发明的AR模型时间序列与BP神经网络结合流程示意图;
图4为本发明的小波预测与BP神经网络结合流程示意图;
图5为本发明的灰预测具体流程示意图;
图6为AR模型数据预测的流程示意图;
图7为本发明的BP神经网络学习(a)和预测(b)编程流程图。
具体实施方式
如图1所示,本发明的具体方法如下:
研究小卫星的运行历史数据,根据预测研究对象需要,从中选出能表征系统运行状态的数据,结合系统的运行状况以及出现故障的模式,确定状态数据出现故障时的阈值,再根据三种遥测数据类型,选择不同组合预测方法进行预测,三种预测方法的具体实施步骤如下所述。
灰预测与BP神经网络结合的具体实施步骤如图2、5、7所示:
首先对遥测数据进行预处理,确定系统的阈值,按照灰预测模型预测数据,可以自行设定预测数据的步数,灰色预测基本步骤如图5所示,包含极比检验、GM(1,1)建模等步骤,灰预测步骤属于通用公开。输入记录网络结构信息的文档名,将灰预测的结果输入到神经网络的输入层,经权值处理、输出层,其设置变量、初始化等过程与传统BP神经网络方法一致,得到系统的预测状态值。
小波包与BP神经网络结合的具体实施如图3、6所示:
首先按照遥测类型进行初始遥测参数预处理,启动MATLAB引擎,选择小波函数和分解层数,然后对载入数据进行小波包分析,提取能量特征,再进行AR模型预测数据,输入前期记录网络结构信息的文档名,结合网络结构截取输入数据;然后再输入记录权值的文件名,经BP网络的输入层、输出层后,读取节点信息,最后输出结果,得到系统的状态预测值,小波包分析采用MATLAB引擎进行分析,BP神经网络步骤与上述一致。
AR模型时间序列与BP神经网络结合的具体实施如图4所示:
首先设置AR模型的初始遥测参数,然后载入遥测数据进行分类和差分预处理,再进行AR模型预测数据,输入前期记录网络结构信息的文档名,结合网络结构截取输入数据;然后再输入记录权值的文件名,经BP网络的输入层、输出层后,读取节点信息,最后输出结果,得到系统的状态预测值,AR模型、BP神经网络步骤与公开的算法一致。
Claims (4)
1.一种多方法组合的小卫星状态自主智能预测方法,其特征在于:
(1)根据小卫星的历史运行状态,选定用于表征小卫星不同运行状态数据,确定小卫星故障的阈值;
(2)根据小卫星的运行状态数据三种类型确定小卫星状态自主智能预测方法;所述三种类型是:第一种是样本少于10个,第二种是载荷与姿控各种工作模式相关的时间序列数据,第三种是数据有突变信息和干扰数据;对于第一类型,采用BP神经网络和灰预测组合的预测方法;第二种类型采用小波包与BP神经网络组合的预测方法;第三种类型采用AR模型和BP神经网络组合的预测方法。
2.根据权利要求1所述的多方法组合的小卫星状态自主智能预测方法,其特征在于:所述采用BP神经网络和灰预测组合的预测方法,其实现步骤如下:
(1)在构造神经网络输入输出样本时,选择不同的小卫星故障状态以及正常状态的特征数据作为样本,训练神经网络,构建神经网络结构,建立数据与小卫星故障的阈值之间的映射关系;
(2)对输入遥测数据采用灰色预测进行预测,自行设定预测数据的步数,输入前期记录网络结构信息的文档名,结合网络结构截取输入数据,然后再输入记录权值的文件名,读取节点信息,输出结果,截取实时遥测数据,得到小卫星未来时刻的状态数据,进行阈值判断,若是数据已经超限,立即采取措施,若未超限,将数据进行处理;然后输入给神经网络,经过BP神经网络输入层,经各隐层Sigmoid函数归一化逐层处理后,传向输出层,获取卫星预测的实时状态,利用建立好的网络结构权值,得到故障预测结果。
3.根据权利要求1所述的多方法组合的小卫星状态自主智能预测方法,其特征在于:所述采用小波包与BP神经网络组合的预测方法,其实现步骤如下:
小波包与BP神经网络组合算法,小波分析和神经网络采用是松散型结合,小波包分析为信号提供一种更加精细的分析方法,即对高频和低频信号都进行分析,利用小波包分析,把信号的全部信息分解在互相独立的频带之内,各频带内的能量值形成一个向量,该向量即为故障预测结果。
4.根据权利要求1所述的多方法组合的小卫星状态自主智能预测方法,其特征在于:所述采用AR模型和BP神经网络组合的预测方法,其实现步骤如下:
采用AR模型和BP神经网络组合的预测方法时,AR模型时间序列与BP神经网络结合,将数据进行两次差分运算、标准化序列预处理,对于标准化处理后的稳态随机序列,选用线性最小方差预测;进行针对单次信号进行状态预测,设计AR模型的参数然后进行预测;输入前期记录网络结构信息的文档名,结合网络结构截取输入数据;然后再输入记录权值的文件名,读取节点信息,最后输出故障预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610742907.4A CN106446506A (zh) | 2016-08-26 | 2016-08-26 | 一种多方法组合的小卫星状态自主智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610742907.4A CN106446506A (zh) | 2016-08-26 | 2016-08-26 | 一种多方法组合的小卫星状态自主智能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106446506A true CN106446506A (zh) | 2017-02-22 |
Family
ID=58182357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610742907.4A Pending CN106446506A (zh) | 2016-08-26 | 2016-08-26 | 一种多方法组合的小卫星状态自主智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446506A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330149A (zh) * | 2017-05-27 | 2017-11-07 | 哈尔滨工业大学 | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 |
CN108563142A (zh) * | 2017-12-11 | 2018-09-21 | 南京航空航天大学 | 一种基于sha的航天器acs任务寿命预测方法 |
CN109361447A (zh) * | 2018-09-10 | 2019-02-19 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN109858693A (zh) * | 2019-01-25 | 2019-06-07 | 中国科学院国家空间科学中心 | 一种面向卫星网络资料申报态势的预测方法 |
CN112949683A (zh) * | 2021-01-27 | 2021-06-11 | 东方红卫星移动通信有限公司 | 一种低轨星座智能故障诊断及预警方法及系统 |
CN113627018A (zh) * | 2021-08-11 | 2021-11-09 | 中国科学院微小卫星创新研究院 | 基于标准化设计的异构航天器信息数据自适应管理方法 |
CN114826372A (zh) * | 2022-03-22 | 2022-07-29 | 中国电子科技集团公司第五十四研究所 | 一种基于线性回归的卫星通信系统态势预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN105320987A (zh) * | 2015-09-21 | 2016-02-10 | 航天东方红卫星有限公司 | 一种基于bp神经网络的卫星遥测数据智能判读方法 |
-
2016
- 2016-08-26 CN CN201610742907.4A patent/CN106446506A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN105320987A (zh) * | 2015-09-21 | 2016-02-10 | 航天东方红卫星有限公司 | 一种基于bp神经网络的卫星遥测数据智能判读方法 |
Non-Patent Citations (6)
Title |
---|
任立良等: "《环境变化与水安全》", 31 January 2008, 中国水利水电出版社 * |
刘洪等: "《集成化人工智能技术及其在石油工程中的应用》", 31 October 2008, 《石油工业出版社》 * |
张良均等: "《Python数据分析与挖掘实战》", 31 January 2016, 机械工业出版社 * |
徐小力等: "《设备与维修工程现代技术及应用》", 31 January 2009, 机械工业出版社 * |
李培华等: "灰预测与时间序列模型在航天器故障预测中的应用", 《计算机测量与控制》 * |
苏振华: "基于BP神经网络的卫星故障诊断方法", 《计算机测量与控制》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330149A (zh) * | 2017-05-27 | 2017-11-07 | 哈尔滨工业大学 | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 |
CN108563142A (zh) * | 2017-12-11 | 2018-09-21 | 南京航空航天大学 | 一种基于sha的航天器acs任务寿命预测方法 |
CN108563142B (zh) * | 2017-12-11 | 2020-07-24 | 南京航空航天大学 | 一种基于sha的航天器acs任务寿命预测方法 |
CN109361447A (zh) * | 2018-09-10 | 2019-02-19 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN109361447B (zh) * | 2018-09-10 | 2019-09-17 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN109858693A (zh) * | 2019-01-25 | 2019-06-07 | 中国科学院国家空间科学中心 | 一种面向卫星网络资料申报态势的预测方法 |
CN112949683A (zh) * | 2021-01-27 | 2021-06-11 | 东方红卫星移动通信有限公司 | 一种低轨星座智能故障诊断及预警方法及系统 |
CN112949683B (zh) * | 2021-01-27 | 2023-02-07 | 东方红卫星移动通信有限公司 | 一种低轨卫星智能故障诊断及预警方法及系统 |
CN113627018A (zh) * | 2021-08-11 | 2021-11-09 | 中国科学院微小卫星创新研究院 | 基于标准化设计的异构航天器信息数据自适应管理方法 |
CN114826372A (zh) * | 2022-03-22 | 2022-07-29 | 中国电子科技集团公司第五十四研究所 | 一种基于线性回归的卫星通信系统态势预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446506A (zh) | 一种多方法组合的小卫星状态自主智能预测方法 | |
Sova et al. | Development of a method for assessment and forecasting of the radio electronic environment | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN105825271B (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
Keshun et al. | Optimizing prior distribution parameters for probabilistic prediction of remaining useful life using deep learning | |
CN110874616A (zh) | 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法 | |
CN104539601B (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
Zhao et al. | Bearing health condition prediction using deep belief network | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN113190457A (zh) | 面向网络化系统的软件可靠性测评方法 | |
CN115114128B (zh) | 一种卫星健康状态评估系统及评估方法 | |
CN105574604A (zh) | 一种面向电网运行事件的监控预判分析系统 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
CN114679310A (zh) | 一种网络信息安全检测方法 | |
CN117580046A (zh) | 一种基于深度学习的5g网络动态安全能力调度方法 | |
CN106886620B (zh) | 航天器测试资源优化配置方法 | |
CN110874506A (zh) | 一种低温设备故障预测的方法 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
CN108459933A (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
Kim et al. | A study toward appropriate architecture of system-level prognostics: physics-based and data-driven approaches | |
CN108563142B (zh) | 一种基于sha的航天器acs任务寿命预测方法 | |
CN115758561A (zh) | 一种飞机飞行模拟参数数据的生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |