CN109871304B - 一种卫星电源状态评估方法 - Google Patents
一种卫星电源状态评估方法 Download PDFInfo
- Publication number
- CN109871304B CN109871304B CN201811641299.3A CN201811641299A CN109871304B CN 109871304 B CN109871304 B CN 109871304B CN 201811641299 A CN201811641299 A CN 201811641299A CN 109871304 B CN109871304 B CN 109871304B
- Authority
- CN
- China
- Prior art keywords
- health
- state
- sample
- distances
- satellite power
- 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
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种卫星电源状态评估方法,通过分析支持向量机(SVM)与卫星电源系统健康状态之间的关系,将卫星电源系统性能的健康评估问题转化为一个分类问题,从整体上评价卫星电源系统的健康状态,判断卫星电源系统可能发生异常、故障的隐患,提高运管人员对卫星电源系统的掌控能力,实现精细化的管理手段。
Description
技术领域
本发明属于卫星电源故障预测与健康管理技术领域,尤其涉及一种卫星电源状态评估方法。
背景技术
随着卫星电源系统复杂性的提高,对卫星安全、稳定运行提出了更高的要求。目前,主要通过对卫星的异常、故障进行判断,来告知在轨运管人员系统的状态是否可用,然而通过对卫星的异常、故障进行判断的方法容易造成卫星异常,且故障发生后可干预、控制能力弱,部分异常故障发生还可能导致整星的失效。
发明内容
为解决上述问题,本发明提供一种卫星电源状态评估方法,可以降低评估过程中主观因素的影响,更为准确地评价卫星电源的健康水平,判断卫星电源系统可能发生异常、故障的隐患。
一种卫星电源状态评估方法,包括以下步骤:
S1:获取卫星电源状态的正样本和负样本,其中,所述正样本表征卫星电源状态健康,负样本表示卫星电源状态异常;
S2:对卫星电源状态的正样本和负样本进行分类训练,得到SVM分类器、SVM分类器的最优分类面以及健康样本边界;
S3:获取待评估时间段内卫星电源状态的测试样本,然后将所述测试样本输入所述SVM分类器,得到每个测试样本与最优分类面的距离d;
S4:分别根据各测试样本对应的距离d判断各测试样本的健康状态:若d>1,则测试样本为健康样本,若d<-1,则测试样本为故障样本。
进一步地,若测试样本对应的距离d满足-1≤d≤1,则执行以下步骤:
获取-1≤d≤1对应的测试样本与健康样本边界的距离d',然后分别对各距离d'执行云发生器分类操作,得到各距离d'对应的测试样本的健康状态类别,其中,所述云发生器分类操作具体为:
将距离d'分别输入云发生器中N次,得到N个健康状态类别,其中,健康状态类别包括健康、亚健康以及性能严重退化,且N至少为20;
统计N个健康状态类别中各类别的出现次数,将出现次数最大者所属的健康状态类别作为该距离d'对应的测试样本的健康状态类别。
进一步地,所述云发生器的训练方法为:
获取卫星电源状态的各样本与最优分类面的距离d;
将-1≤d≤1对应的样本作为训练样本,并分别获取各训练样本与SVM分类器的健康样本边界的距离d',同时将各距离d'划分为健康距离、亚健康距离以及性能严重退化距离,其中,健康距离表征训练样本为健康,亚健康距离表征训练样本为亚健康,性能严重退化距离表征训练样本为性能严重退化;
对健康距离、亚健康距离以及性能严重退化距离进行分类训练,得到云发生器。
进一步地,所述的出现次数最大者所属的健康状态类别作为距离d'对应的测试样本的健康状态类别的可信度为:
所述出现次数最大者与N的比值。
进一步地,所述SVM分类器的核函数和惩罚因子根据交叉验证寻优法得到。
有益效果:
1、本发明提供一种卫星电源状态评估方法,通过分析支持向量机(SVM)与卫星电源系统健康状态之间的关系,将卫星电源系统性能的健康评估问题转化为一个分类问题,从整体上评价卫星电源系统的健康状态,判断卫星电源系统可能发生异常、故障的隐患,提高运管人员对卫星电源系统的掌控能力,实现精细化的管理手段。
2、本发明提供一种卫星电源状态评估方法,采用支持向量机SVM结合云发生器进行卫星电源健康状态评估;这种支持向量机与云发生器相结合的模式识别方法,可以降低评估过程中主观因素的影响,实现从评估值到评估语域的不确定性映射,并通过SVM与云发生器结合,对电源控制系统健康等级进行划分,能够更为准确地评价卫星电源的健康水平,判断卫星电源系统可能发生异常、故障的隐患,进一步提高运管人员对卫星电源系统的掌控能力,实现更为精细化的管理手段。
附图说明
图1为本发明提供的一种卫星电源状态评估方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
参见图1,该图为本实施例提供的一种卫星电源状态评估方法的流程图。一种卫星电源状态评估方法,包括以下步骤:
S1:获取卫星电源状态的正样本和负样本,其中,所述正样本表征卫星电源状态健康,负样本表示卫星电源状态异常。
S2:对卫星电源状态的正样本和负样本进行分类训练,得到SVM分类器、SVM分类器的最优分类面以及健康样本边界。
需要说明的是,所述SVM分类器的核函数和惩罚因子根据交叉验证寻优法得到,例如核函数选用径向基函数;所述最优分类面为SVM分类器中将正样本和负样本正确分开且使两者的分类间隔最大的分类面;所述健康样本边界为SVM分类器中将正样本和负样本正确分开、且离正样本距离最近甚至位于正样本上并平行于最优分类面的平面。
S3:获取待评估时间段内卫星电源状态的测试样本,然后将所述测试样本输入所述SVM分类器,得到每个测试样本与最优分类面的距离d。
S4:分别根据各测试样本的距离d判断各测试样本的健康状态:若d>1,则测试样本为健康样本,若d<-1,则测试样本为故障样本,若-1≤d≤1,则进入步骤S5。
也就是说,当d>1或d<-1时则可不经过云发生器,直接判断为正常或者故障,只有当d在[-1,1]区间时才经过云发生器的模糊映射。为了更加直观地表示评估结果,可以将得到的健康度转化为百分制:健康状态下健康度为100;亚健康状态下健康度为[60,100];性能严重退化状态下健康度为[0,60];这里定义健康度为:电源系统健康状态的度量,健康度是系统状态的量化表示,其值越大,表示系统越健康。
S5:获取-1≤d≤1的测试样本与健康样本边界的距离d',然后分别对各距离d'执行云发生器分类操作,得到各距离d'对应的测试样本的健康状态类别,其中,所述云发生器分类操作具体为:
将距离d'分别输入训练好的云发生器中N次,得到N个健康状态类别,其中,健康状态类别包括健康、亚健康以及性能严重退化,且N至少为20;
统计N个健康状态类别中各类别的出现次数,将出现次数最大者所属的健康状态类别作为该距离d'对应的测试样本的健康状态类别。
需要说明的是,出现次数最大者所属的健康状态类别作为距离d'对应的测试样本的健康状态类别的可信度为:所述出现次数最大者与N的比值。
需要说明的是,云模型是一种定量与定性互换的模型,能够解决性能评估中存在的模糊性和随机性的问题。所以,当-1≤d≤1而无法判断测试样本为故障样本还是健康样本时,本实施例将采用云模型来解决定量值到模糊值的语义(健康等级)映射的问题。
可选的,所述云发生器的训练方法为:
获取卫星电源状态的各样本与最优分类面的距离d;
将-1≤d≤1对应的样本作为训练样本,并分别获取各训练样本与SVM分类器的健康样本边界的距离d',同时将各距离d'划分为健康距离、亚健康距离以及性能严重退化距离,其中,健康距离表征训练样本为健康,亚健康距离表征训练样本为亚健康,性能严重退化距离表征训练样本为性能严重退化;
对健康距离、亚健康距离以及性能严重退化距离进行分类训练,得到云发生器。
需要说明的是,一维正态云发生器进行预测时,要遵循正态分布的"3En"规则,其产生的相应的云中位于[Ex-3En,Ex+3En]之外的云滴属于小概率事件,通常情况下可以忽略不计,在具体的云发生器的计算中,主要由以下两步:
输入:表示定性概念云的3个数字特征值Ex,En,He以及云滴的个数M;
输出:M个云滴的定量值以及每一个云滴所代表的确定值。
其具体算法步骤为:
②生成一个以期望为Ex,标准差为En的绝对值的正态随机数x,x就称为论域空间U上的一个云滴;
④重复①③步,直到产生M个云滴为止。
本实施例中的云滴指的是卫星电源状态的健康状态类别,包括健康、亚健康以及性能严重退化。
进一步地,云模型的形式化定义为:设U是一个包含精确数值的定量论域,C表示U的定性概念,如果定量值x∈U,并且x是通过定性概念C的一次随机实现,x对于定性概念C的确定度μ(x)∈[0,1]具有稳定的倾向随机性。如果μ:U→[0,1]那么,称x在定量论域U上的分布为云,其中每一个x就称为一个云滴。
此外,所谓云的数字特征,就是在正态分布函数与正态隶属函数的基础上,反应云的概念的整体性,主要使用期望Ex(expected value)、熵En(entropy)、超熵He(hyperentropy)这三个数字特征来整体的表征云的概念:
(a)期望Ex:在论域空间中,云滴是最能代表定性概念的点,其期望是论域空间中的中心值;
(b)熵En:熵是由定性概念的随机性和模糊性所共同决定的,代表着一个定性概念的可度量粒度,En是定性概念随机性的度量,反映了这个云滴的离散程度;也体现了定性概念的裕度,反映了论域空间中的可被定性概念接受的云滴的取值范围,是定性概念模糊性的度量,通常情况下,熵越大,定性概念可接受的云滴取值范围就越大,定性概念越模糊,这也反映了随机性与模糊性之间的关联性。
(c)超熵He:超熵是对熵的不确定度的度量,也就是熵的熵,揭示了在论域空间中语言值所有点的不确定度的凝聚性以及模糊性和随机性的关联,间接反映了云的厚度。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种卫星电源状态评估方法,其特征在于,包括以下步骤:
S1:获取卫星电源状态的正样本和负样本,其中,所述正样本表征卫星电源状态健康,负样本表示卫星电源状态异常;
S2:对卫星电源状态的正样本和负样本进行分类训练,得到SVM分类器、SVM分类器的最优分类面以及健康样本边界;
S3:获取待评估时间段内卫星电源状态的测试样本,然后将所述测试样本输入所述SVM分类器,得到每个测试样本与最优分类面的距离d;
S4:分别根据各测试样本对应的距离d判断各测试样本的健康状态:若d>1,则测试样本为健康样本,若d<-1,则测试样本为故障样本;
若测试样本对应的距离d满足-1≤d≤1,则执行以下步骤:
获取-1≤d≤1对应的测试样本与健康样本边界的距离d',然后分别对各距离d'执行云发生器分类操作,得到各距离d'对应的测试样本的健康状态类别,其中,所述云发生器分类操作具体为:
将距离d'分别输入云发生器中N次,得到N个健康状态类别,其中,健康状态类别包括健康、亚健康以及性能严重退化,且N至少为20;
统计N个健康状态类别中各类别的出现次数,将出现次数最大者所属的健康状态类别作为该距离d'对应的测试样本的健康状态类别。
2.如权利要求1所述的一种卫星电源状态评估方法,其特征在于,所述云发生器的训练方法为:
获取卫星电源状态的各样本与最优分类面的距离d;
将-1≤d≤1对应的样本作为训练样本,并分别获取各训练样本与SVM分类器的健康样本边界的距离d',同时将各距离d'划分为健康距离、亚健康距离以及性能严重退化距离,其中,健康距离表征训练样本为健康,亚健康距离表征训练样本为亚健康,性能严重退化距离表征训练样本为性能严重退化;
对健康距离、亚健康距离以及性能严重退化距离进行分类训练,得到云发生器。
3.如权利要求1所述的一种卫星电源状态评估方法,其特征在于,所述的出现次数最大者所属的健康状态类别作为距离d'对应的测试样本的健康状态类别的可信度为:
所述出现次数最大者与N的比值。
4.如权利要求1所述的一种卫星电源状态评估方法,其特征在于,所述SVM分类器的核函数和惩罚因子根据交叉验证寻优法得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641299.3A CN109871304B (zh) | 2018-12-29 | 2018-12-29 | 一种卫星电源状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641299.3A CN109871304B (zh) | 2018-12-29 | 2018-12-29 | 一种卫星电源状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871304A CN109871304A (zh) | 2019-06-11 |
CN109871304B true CN109871304B (zh) | 2022-06-07 |
Family
ID=66917272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811641299.3A Active CN109871304B (zh) | 2018-12-29 | 2018-12-29 | 一种卫星电源状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871304B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113791429B (zh) * | 2021-08-10 | 2024-05-07 | 北京自动化控制设备研究所 | 一种基于svm的卫星接收机故障分析方法 |
CN114444569B (zh) * | 2021-12-22 | 2024-05-10 | 北京航天测控技术有限公司 | 一种电源控制系统健康状态评估算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140112264A (ko) * | 2013-03-13 | 2014-09-23 | 가천대학교 산학협력단 | 운동량 기반의 우울증 환자 상태 분석 방법 및 그 장치 |
CN108171432A (zh) * | 2018-01-04 | 2018-06-15 | 南京大学 | 基于多维云模型-模糊支持向量机的生态风险评价方法 |
CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
CN108957173A (zh) * | 2018-06-08 | 2018-12-07 | 山东超越数控电子股份有限公司 | 一种用于航空电子系统状态的检测方法 |
-
2018
- 2018-12-29 CN CN201811641299.3A patent/CN109871304B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140112264A (ko) * | 2013-03-13 | 2014-09-23 | 가천대학교 산학협력단 | 운동량 기반의 우울증 환자 상태 분석 방법 및 그 장치 |
CN108171432A (zh) * | 2018-01-04 | 2018-06-15 | 南京大学 | 基于多维云模型-模糊支持向量机的生态风险评价方法 |
CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
CN108957173A (zh) * | 2018-06-08 | 2018-12-07 | 山东超越数控电子股份有限公司 | 一种用于航空电子系统状态的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109871304A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
Kang et al. | Predicting reasoning performance using ontology metrics | |
US20220255817A1 (en) | Machine learning-based vnf anomaly detection system and method for virtual network management | |
US20210097343A1 (en) | Method and apparatus for managing artificial intelligence systems | |
Wu et al. | Traffic incident duration prediction based on support vector regression | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN103793854A (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
CN102879677A (zh) | 基于粗糙贝叶斯网络分类器的智能故障诊断方法 | |
CN109871304B (zh) | 一种卫星电源状态评估方法 | |
CN111080117A (zh) | 设备风险标签的构建方法、装置、电子设备及存储介质 | |
Laayati et al. | Smart Energy Management System: Oil Immersed Power Transformer Failure Prediction and Classification Techniques Based on DGA Data | |
CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及系统 | |
CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
US20240168835A1 (en) | Hard disk failure prediction method, system, device and medium | |
CN113962253A (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN111474476B (zh) | 一种电机故障预测方法 | |
WO2023179042A1 (zh) | 数据更新方法、故障诊断方法、电子设备和存储介质 | |
CN106371030A (zh) | 一种非确定性推理的新能源汽车电池故障诊断方法 | |
Mei et al. | A data‐driven approach to state assessment of the converter valve based on oversampling and Shapley additive explanations | |
CN114816962A (zh) | 基于attention-lstm的网络故障预测方法 | |
CN112395280B (zh) | 一种数据质量检测方法及其系统 | |
Hu et al. | Multi Ontology-Based System-Level Software Fuzzy FMEA Method | |
Jeske et al. | Mining and tracking massive text data: Classification, construction of tracking statistics, and inference under misclassification | |
Liu et al. | The runtime system problem identification method based on log analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |