CN111221849B - 一种卫星故障定位方法、装置、终端及计算机可读介质 - Google Patents

一种卫星故障定位方法、装置、终端及计算机可读介质 Download PDF

Info

Publication number
CN111221849B
CN111221849B CN201911371023.2A CN201911371023A CN111221849B CN 111221849 B CN111221849 B CN 111221849B CN 201911371023 A CN201911371023 A CN 201911371023A CN 111221849 B CN111221849 B CN 111221849B
Authority
CN
China
Prior art keywords
fault
data
satellite
current state
state data
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
Application number
CN201911371023.2A
Other languages
English (en)
Other versions
CN111221849A (zh
Inventor
罗凯
房红征
樊焕贞
李蕊
王信峰
熊毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aerospace Measurement and Control Technology Co Ltd
Original Assignee
Beijing Aerospace Measurement and Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Aerospace Measurement and Control Technology Co Ltd filed Critical Beijing Aerospace Measurement and Control Technology Co Ltd
Priority to CN201911371023.2A priority Critical patent/CN111221849B/zh
Publication of CN111221849A publication Critical patent/CN111221849A/zh
Application granted granted Critical
Publication of CN111221849B publication Critical patent/CN111221849B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • 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
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本申请提供了一种卫星故障定位方法，该方法包括：接收卫星发送的当前状态数据；根据当前状态数据确定卫星的故障部位，并确定与故障部位对应的故障树，其中，故障树包括多个节点，每个节点都分别对应有一个故障判断条件和详细故障信息；根据故障树的故障判断条件，对接收到的当前状态数据进行分析，并从当前状态数据中选取出故障数据；根据故障数据对应的节点，查找与节点对应的详细故障信息，从而根据详细故障信息进行卫星故障定位。本申请明确卫星的故障原因，提高了故障分析效率。

Description

一种卫星故障定位方法、装置、终端及计算机可读介质
技术领域
本申请涉及卫星故障定位技术领域，尤其涉及一种卫星故障定位方法、装置、终端及计算机可读介质。
背景技术
卫星系统是航天器的代表系统之一，其运行状况的好坏直接决定了导航、通信等多个领域的系统运行，因此要对卫星出现的故障进行准确定位检测。目前卫星出现故障后，一般由人工通过地面遥测数据分析卫星的故障，然后进行故障修复，但卫星产生的数据量非常大，人工分析卫星故障的效率很低。
发明内容
本申请实施例的目的在于提供一种卫星故障定位方法，以解决卫星故障定位困难的问题。具体技术方案如下：
第一方面，提供了一种卫星故障定位方法，所述方法包括：
接收卫星发送的当前状态数据；
根据所述当前状态数据确定所述卫星的故障部位，并确定与所述故障部位对应的故障树，其中，所述故障树包括多个节点，每个所述节点都分别对应有一个故障判断条件和一个详细故障信息；
根据所述故障树的故障判断条件，对接收到的所述当前状态数据进行分析，并从所述当前状态数据中选取出故障数据；
根据所述故障数据对应的节点，查找与所述节点对应的所述详细故障信息，从而根据所述详细故障信息进行卫星故障定位。
可选的，所述从所述当前状态数据中选取出故障数据包括：
根据所述当前状态数据的标识信息，判断所述当前状态数据是否为简单类型数据；
在所述当前状态数据为简单类型数据的情形下，判断所述简单类型数据是否为基准数据；
若所述简单类型数据不是所述基准数据，将所述简单类型数据作为所述故障数据。
可选的，所述从所述当前状态数据中选取出故障数据包括：
根据所述当前状态数据的标识信息，判断所述当前状态数据是否为复杂类型数据；
在所述当前状态数据为复杂类型数据的情形下，将所述复杂类型数据输入深度神经网络，并输出所述复杂类型数据的故障结果，其中，所述故障结果为所述复杂类型数据是否为所述故障数据。
可选的，所述将所述复杂类型数据输入深度神经网络之前，包括：
根据复杂类型样本数据、样本故障结果和预设的训练算法，对所述深度神经网络进行训练，得到训练后的深度神经网络。
可选的，所述根据所述当前状态数据确定所述卫星的故障部位包括：
判断所述卫星的子数据是否满足预设条件，其中状态数据包含多个子数据，每个子数据都对应不同的卫星子部位；
若卫星的子数据不满足预设条件，则判定所述子数据为局部故障数据；
将所述局部故障数据对应的卫星子部位作为卫星的所述故障部位。
第二方面，提供了一种卫星故障定位装置，所述装置包括：
接收模块，用于接收卫星发送的当前状态数据；
确定模块，用于根据所述当前状态数据确定所述卫星的故障部位，并确定与所述故障部位对应的故障树，其中，所述故障树包括多个节点，每个所述节点都分别对应有一个故障判断条件和详细故障信息；
选取模块，用于根据所述故障树的故障判断条件，对接收到的所述当前状态数据进行分析，并从所述当前状态数据中选取出故障数据；
定位模块，用于根据所述故障数据对应的节点，查找与所述节点对应的所述详细故障信息，从而根据所述详细故障信息进行卫星故障定位。
可选的，所述选取模块包括：
第一判断单元，用于根据所述当前状态数据的标识信息，判断所述当前状态数据是否为简单类型数据；
第二判断单元，用于在所述当前状态数据为简单类型数据的情形下，判断所述简单类型数据是否为基准数据；
确定单元，用于若所述简单类型数据不是所述基准数据，将所述简单类型数据作为所述故障数据。
可选的，所述选取模块包括：
第三判断单元，用于根据所述当前状态数据的标识信息，判断所述当前状态数据是否为复杂类型数据；
输入输出模块，用于在所述当前状态数据为复杂类型数据的情形下，将所述复杂类型数据输入深度神经网络，并输出所述复杂类型数据的故障结果，其中，所述故障结果为所述复杂类型数据是否为所述故障数据。
第三方面，提供了一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现任一所述的方法步骤。本申请实施例有益效果：
本申请实施例提供了一种卫星故障分析方法，本申请根据故障树的故障判断条件，对接收到的当前状态数据进行分析，并从当前状态数据中选取出故障数据，然后根据故障数据对应的节点，查找与节点对应的详细故障信息，从而根据详细故障信息进行卫星故障定位。本申请通过故障树快速定位卫星故障，提高了故障分析效率。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种卫星故障定位方法的流程图；
图2为本申请实施例提供的一种故障树的结构示意图；
图3为本申请实施例提供的一种选取出故障数据方法的流程图；
图4为本申请实施例提供的一种卫星故障定位装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例提供了一种卫星故障定位方法，可以应用于服务器，用于对卫星的故障进行具体定位。
下面将结合具体实施方式，对本申请实施例提供的一种卫星故障定位方法进行详细的说明，如图1所示，具体步骤如下：
步骤101：接收卫星发送的当前状态数据。
在本申请实施例中，为了能够实时监测卫星动态，保证卫星正常运转，服务器实时接收卫星在轨运行过程中发送的当前状态数据。其中，当前状态数据包括模式字遥测数据、数字量遥测数据和模拟量遥测数据。
模式字遥测数据表征着卫星的工作状态，如工作模式和开关机状态，工作模式又分为姿控模式、轨控模式、测控模式等。举例来说，模式字遥测数据为ZN4＝1，则表示卫星处于充电状态，模式字遥测数据为ZN4＝0，则表示卫星处于非充电状态。模式字遥测数据为ZK1＝1，表示卫星处于姿控模式，模式字遥测数据为ZK1＝0，表示卫星处于轨控模式；模式字遥测数据为CK1＝1，表示卫星处于测控模式；
数字量遥测数据主要包括离散的数据量，表征卫星在特定状态下设备的工作情况，如工作电压、飞行角度等。例如，卫星处于姿控模式时，卫星的工作电压为10V。
模拟量遥测数据主要包括了连续变化的模拟量，表征卫星在特定状态下设备的性能状态，例如功率、电流、温度、推力等。模拟量遥测数据在特定状态下变化范围较大、变化复杂。例如，卫星处于测控模式时，电流的变化情况为27～0A。
步骤102：根据当前状态数据确定卫星的故障部位，并确定与故障部位对应的故障树。
其中，故障树包括多个节点，每个节点都分别对应有一个故障判断条件和一个详细故障信息。
在本申请实施例中，服务器根据当前状态数据确定卫星的故障部位，具体来说，判断卫星的子数据是否满足预设条件，其中状态数据包含多个子数据，每个子数据都对应不同的卫星子部位；若卫星的子数据不满足预设条件，则判定子数据为局部故障数据；将局部故障数据对应的卫星子部位作为卫星的故障部位。
卫星可以分为多个子部位，如卫星可以分成铷钟、控制模块、测控模块等多个子部位，服务器接收到的当前状态数据包含多个子数据，每个子数据都对应不同的卫星子部位。服务器在接收到当前状态数据后，分别判断卫星的子数据是否满足预设条件，其中，预设条件指卫星的部分子数据与标准子数据相同或卫星的部分子数据在阈值范围内。若卫星的子数据不满足预设条件，则判定不满足预设条件的该子数据为局部故障数据，该局部故障数据对应的卫星子部位即为卫星的故障部位。
举例来说，卫星接收到的当前状态数据中，部分子数据铷钟信号不在标准铷钟信号子数据的阈值范围内，那么铷钟信号即为局部故障数据，由于铷钟信号对应的卫星子部位为铷钟，则表示铷钟有异常，那么铷钟即为卫星的故障部位。
举例来说，卫星接收到的当前状态数据中，部分子数据铷钟开关数据与标准子数据不相同，那么铷钟开关数据即为局部故障数据，由于铷钟开关数据对应的卫星子部位为铷钟，则表示铷钟有异常，那么铷钟即为卫星的故障部位。
服务器确定与故障部位对应的故障树，具体来说，卫星的每个子部位分别包括不同的组件，服务器根据这些组件构成了故障树。服务器提前建立了多个故障树，其中每个故障树对应于卫星的一个子部位，由于卫星的子部位是各不相同的，多个故障树之间也是互不相同的。服务器在确定了卫星的故障部位后，则可以从多个提前建立好的故障树中，确定出与故障部位对应的故障树。
如图2所示，为本申请实施例提供的故障树的示意图。其中，故障树包括多个节点，最底层的每个节点分别对应卫星子部位的一个组件，如节点E6、节点E7、节点E8分别对应卫星铷钟的组件TCB温控、微波链路和电路模块供电。其他的节点对应种类相同的组件的总称，如组件TCB温控、微波链路和电路模块供电都属于电路故障，因此节点E4和电路故障对应。
故障树每个节点都分别对应有一个故障判断条件和一个详细故障信息。服务器可以根据故障判断条件判断当前状态数据是否有故障，例如，节点对应的故障判断条件为判断铷灯组件是否有故障，具体为通过铷灯组件数据是否在阈值范围内判断铷灯组件是否有故障，那么服务器需判断当前状态数据中的铷灯组件数据是否是否在阈值范围内。详细故障信息为节点对应的卫星的某个故障信息，例如，服务器若判定当前状态数据中确实是铷灯组件数据发生故障，那么服务器可以确定详细故障信息为铷灯组件异常。
步骤103：根据故障树的故障判断条件，对接收到的当前状态数据进行分析，并从当前状态数据中选取出故障数据。
在本申请实施例中，服务器根据故障树的多个故障判断条件，依照故障树从上到下的顺序，对当前状态数据进行分析，当服务器分析到故障树最底层的节点所对应的故障判断条件时，若当前状态数据符合该节点的故障判断条件，可以确定该节点所对应的数据为故障数据。
步骤104：根据故障数据对应的节点，查找与节点对应的详细故障信息，从而根据详细故障信息进行卫星故障定位。
在本申请实施例中，服务器在确定故障数据后，根据故障数据对应的节点，可以确定发生故障的该节点，由于故障树的每个节点都分别对应有一个详细故障信息，服务器可以查找与该节点对应的详细故障信息，并根据详细故障信息进行卫星故障定位。
可选的，如图3所示，当前状态数据为简单类型数据时，从当前状态数据中选取出故障数据包括：
步骤301：根据当前状态数据的标识信息，判断当前状态数据是否为简单类型数据。
在本申请实施例中，卫星发送的当前状态数据包含标识信息，服务器根据标识信息判定当前状态数据是否为简单类型数据。其中，简单类型数据分为两类，一类是具有特定状态的数据，另一类是具有阈值范围的数据。
具有特定状态的数据，举例来说，开关数据，只包含开或关两种状态，开关数据为1表示开状态，开关数据为0表示关状态。
具有阈值范围的数据，举例来说，在光照供电工况下，太阳电池阵功率应该小于500kW。
步骤302：在当前状态数据为简单类型数据的情形下，判断简单类型数据是否为基准数据。
在本申请实施例中，如果服务器判定当前状态数据为简单类型数据，则服务器判断该简单类型数据是否为基准数据，若服务器判断该简单类型数据是基准数据，那么该简单类型数据不是故障数据；若服务器判断该简单类型数据不是基准数据，那么该简单类型数据是故障数据。下面以示例一和示例二为例进行说明。
示例一，如果卫星在启动状态下，当前状态数据为开关数据，那么开关数据应该为1。若服务器判断该开关数据为1，则表示该开关数据不是故障数据；若服务器判断该开关数据为0，则表示该开关数据是故障数据。
示例二，在光照供电工况下，太阳电池阵功率应该小于500kW。服务器将太阳电池阵功率与预设阈值500kW进行对比，若服务器判断太阳电池阵的功率小于500kW，那么该当前状态数据不是故障数据；若服务器判断太阳电池阵的功率不小于500kW，那么该当前状态数据是故障数据。
步骤303：若简单类型数据不是基准数据，将简单类型数据作为故障数据。
在本申请实施例中，若服务器判断该简单类型数据不是基准数据，那么服务器将简单类型数据作为故障数据。
可选的，当前状态数据为复杂类型数据时，从当前状态数据中选取出故障数据包括：根据当前状态数据的标识信息，判断当前状态数据是否为复杂类型数据；在当前状态数据为复杂类型数据的情形下，将复杂类型数据输入深度神经网络，并输出复杂类型数据的故障结果，其中，故障结果为复杂类型数据是否为故障数据。
在本申请实施例中，卫星发送的当前状态数据包含标识信息，服务器根据标识信息判定当前状态数据是否为复杂类型数据。其中，复杂类型数据是与卫星其他数据相关联的数据。如光强数据为复杂类型数据，光强数据与TCB温度数据存在线性关系，随着TCB温度数据的提高，光强数据也会提高。如表一所示，表一为光强数据和TCB温度数据，由于光强数据与TCB温度数据存在线性关系，而在第四行数据中，随着TCB温度数据的增大，光强数据降低，因此第四行的光强数据2.695是故障数据。
表一
序号 TCB温度(℃) 光强(V)
1 26.8 2.675
2 29.8 2.683
3 33.2 2.701
4 36.4 2.695
在本申请实施例中，服务器将复杂类型数据输入深度神经网络，并输出复杂类型数据的故障结果，其中，故障结果为复杂类型数据是否为故障数据。
举例来说，服务器将当前光强数据输入深度神经网络，并输出光强数据是故障数据，或输出光强数据不是故障数据。
可选的，将复杂类型数据输入深度神经网络之前，包括：
服务器根据复杂类型样本数据、样本故障结果和预设的训练算法对深度神经网络进行训练，得到训练后的深度神经网络。
举例来说，卫星故障定位方法如下：服务器接收卫星发送的当前状态数据，然后根据当前状态数据确定卫星的故障部位为铷灯，并确定铷灯的故障树，如图2所示，为本申请实施例提供的故障树的示意图。其中，该故障树包含多个节点，每个节点都分别对应有一个故障判断条件和详细故障信息。服务器从故障树的最上端开始，对当前状态数据进行分析，具体为，服务器判断到根据故障树的节点E1出现故障，那么服务器分别根据节点E2和节点E3的故障判断条件进行故障判断，服务器根据节点E3的故障判断条件，判断到是节点E3对应的数据出现故障，然后服务器分别根据节点E4和节点E5的故障判断条件进行故障判断，服务器判断到是节点E5对应的数据出现故障，进一步的，服务器分别对节点E9、节点E10、节点E11、节点E12和节点E13进行故障判断，服务器根据节点E9的故障判断条件，判断到是节点E9对应的数据出现故障，最后，服务器分别对节点E14和节点E15进行故障判断，服务器根据节点E15的故障判断条件，判断到是节点E15对应的数据出现故障，那么节点E15对应的数据即为故障数据。由于节点E15对应的详细故障信息为组件工作接近临界，那么服务器可以定位卫星故障为铷灯的组件工作接近临界。
基于相同的技术构思，本申请实施例还提供了一种卫星故障定位装置，如图4所示，该装置包括：
接收模块401，用于接收卫星发送的当前状态数据；
确定模块402，用于根据当前状态数据确定卫星的故障部位，并确定与故障部位对应的故障树，其中，故障树包括多个节点，每个节点都分别对应有一个故障判断条件和详细故障信息；
选取模块403，用于根据故障树的故障判断条件，对接收到的当前状态数据进行分析，并从当前状态数据中选取出故障数据；
定位模块404，用于根据故障数据对应的节点，查找与节点对应的详细故障信息，从而根据详细故障信息进行卫星故障定位。
可选的，选取模块403包括：
第一判断单元，用于根据当前状态数据的标识信息，判断当前状态数据是否为简单类型数据；
第二判断单元，用于在当前状态数据为简单类型数据的情形下，判断简单类型数据是否为基准数据；
确定单元，用于若简单类型数据不是基准数据，将简单类型数据作为故障数据。
可选的，选取模块403包括：
第三判断单元，用于根据当前状态数据的标识信息，判断当前状态数据是否为复杂类型数据；
输入输出单元，用于在当前状态数据为复杂类型数据的情形下，将复杂类型数据输入深度神经网络，并输出复杂类型数据的故障结果，其中，故障结果为复杂类型数据是否为故障数据。
可选的，将复杂类型数据输入深度神经网络之前，装置包括：
根据复杂类型样本数据、样本故障结果和预设的训练算法，对深度神经网络进行训练，得到训练后的深度神经网络。
可选的，确定模块402包括：
第四判断单元，用于判断卫星的子数据是否满足预设条件，其中状态数据包含多个子数据，每个子数据都对应不同的卫星子部位；
判定单元，用于若卫星的子数据不满足预设条件，则判定子数据为局部故障数据；
作为单元，用于将局部故障数据对应的卫星子部位作为卫星的故障部位。
本申请实施例提供了一种卫星故障分析方法，本申请根据故障树的故障判断条件，对接收到的当前状态数据进行分析，并从当前状态数据中选取出故障数据，然后根据故障数据对应的节点，查找与节点对应的详细故障信息，从而根据详细故障信息进行卫星故障定位。本申请通过故障树快速定位卫星故障，提高了故障分析效率。
基于相同的技术构思，本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现以上方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种卫星故障定位方法，其特征在于，所述方法包括：
接收卫星发送的当前状态数据；
根据所述当前状态数据确定所述卫星的故障部位，并确定与所述故障部位对应的故障树，其中，所述故障树包括多个节点，每个所述节点都分别对应有一个故障判断条件和一个详细故障信息；
根据所述故障树的故障判断条件，对接收到的所述当前状态数据进行分析，并从所述当前状态数据中选取出故障数据；
根据所述故障数据对应的节点，查找与所述节点对应的所述详细故障信息，从而根据所述详细故障信息进行卫星故障定位；
其中，所述从所述当前状态数据中选取出故障数据包括：
根据所述当前状态数据的标识信息，判断所述当前状态数据为简单类型数据还是复杂类型数据；
在所述当前状态数据为简单类型数据的情形下，判断所述简单类型数据是否为基准数据；若所述简单类型数据不是所述基准数据，将所述简单类型数据作为所述故障数据；
在所述当前状态数据为复杂类型数据的情形下，将所述复杂类型数据输入深度神经网络，并输出所述复杂类型数据的故障结果，其中，所述故障结果为所述复杂类型数据是否为所述故障数据。
2.根据权利要求1所述的方法，其特征在于，所述将所述复杂类型数据输入深度神经网络之前，包括：
根据复杂类型样本数据、样本故障结果和预设的训练算法，对所述深度神经网络进行训练，得到训练后的深度神经网络。
3.根据权利要求1所述的方法，其特征在于，所述根据所述当前状态数据确定所述卫星的故障部位包括：
判断所述卫星的子数据是否满足预设条件，其中状态数据包含多个子数据，每个子数据都对应不同的卫星子部位；
若卫星的子数据不满足预设条件，则判定所述子数据为局部故障数据；
将所述局部故障数据对应的卫星子部位作为卫星的所述故障部位。
4.一种卫星故障定位装置，其特征在于，所述装置包括：
接收模块，用于接收卫星发送的当前状态数据；
确定模块，用于根据所述当前状态数据确定所述卫星的故障部位，并确定与所述故障部位对应的故障树，其中，所述故障树包括多个节点，每个所述节点都分别对应有一个故障判断条件和详细故障信息；
选取模块，用于根据所述故障树的故障判断条件，对接收到的所述当前状态数据进行分析，并从所述当前状态数据中选取出故障数据；
定位模块，用于根据所述故障数据对应的节点，查找与所述节点对应的所述详细故障信息，从而根据所述详细故障信息进行卫星故障定位；
其中，所述选取模块用于：
根据所述当前状态数据的标识信息，判断所述当前状态数据为简单类型数据还是复杂类型数据；
在所述当前状态数据为简单类型数据的情形下，判断所述简单类型数据是否为基准数据；若所述简单类型数据不是所述基准数据，将所述简单类型数据作为所述故障数据；
在所述当前状态数据为复杂类型数据的情形下，将所述复杂类型数据输入深度神经网络，并输出所述复杂类型数据的故障结果，其中，所述故障结果为所述复杂类型数据是否为所述故障数据。
5.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-3任一所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法。
CN201911371023.2A 2019-12-26 2019-12-26 一种卫星故障定位方法、装置、终端及计算机可读介质 Active CN111221849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911371023.2A CN111221849B (zh) 2019-12-26 2019-12-26 一种卫星故障定位方法、装置、终端及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911371023.2A CN111221849B (zh) 2019-12-26 2019-12-26 一种卫星故障定位方法、装置、终端及计算机可读介质

Publications (2)

Publication Number Publication Date
CN111221849A CN111221849A (zh) 2020-06-02
CN111221849B true CN111221849B (zh) 2023-05-30

Family

ID=70830893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911371023.2A Active CN111221849B (zh) 2019-12-26 2019-12-26 一种卫星故障定位方法、装置、终端及计算机可读介质

Country Status (1)

Country Link
CN (1) CN111221849B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780352B (zh) * 2021-08-10 2024-06-14 北京自动化控制设备研究所 一种基于神经网络的卫星接收机健康管理方法
CN114625153B (zh) * 2022-03-07 2023-02-03 中国西安卫星测控中心 一种基于变温与姿轨控占比特征的卫星轨控过程评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107911240A (zh) * 2017-11-14 2018-04-13 北京知道创宇信息技术有限公司 一种故障检测方法以及装置
CN108880706A (zh) * 2018-06-14 2018-11-23 熊猫电子集团有限公司 一种卫星信道链路故障的快速诊断方法
CN110032790A (zh) * 2019-04-08 2019-07-19 上海微小卫星工程中心 一种非侵入式微小卫星在轨自主健康状态监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7843359B2 (en) * 2005-12-01 2010-11-30 Electronics And Telecommunications Research Institue Fault management system using satellite telemetering technology and method thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107911240A (zh) * 2017-11-14 2018-04-13 北京知道创宇信息技术有限公司 一种故障检测方法以及装置
CN108880706A (zh) * 2018-06-14 2018-11-23 熊猫电子集团有限公司 一种卫星信道链路故障的快速诊断方法
CN110032790A (zh) * 2019-04-08 2019-07-19 上海微小卫星工程中心 一种非侵入式微小卫星在轨自主健康状态监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
包勇 ; 张德银 ; 庄绪岩 ; .基于动态故障树技术的故障诊断专家系统.四川大学学报(自然科学版).2014,(06),全文. *
梁彦刚 ; 唐国金 ; 程文科 ; .信息对抗条件下卫星系统效能损伤评估方法.航天电子对抗.2008,(06),全文. *

Also Published As

Publication number Publication date
CN111221849A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
US9287713B2 (en) Topology identification in distribution network with limited measurements
US11921169B2 (en) Transformer fault diagnosis method and system using induced ordered weighted evidence reasoning
CN111221849B (zh) 一种卫星故障定位方法、装置、终端及计算机可读介质
US10789149B2 (en) Duplicate bug report detection using machine learning algorithms and automated feedback incorporation
US9816836B2 (en) Correlating meter data to detect mismappings
EP3904894A1 (en) Training device, estimation device, training method, estimation method, training program, and estimation program
Zaki et al. Deep‐learning–based method for faults classification of PV system
CN101871994B (zh) 多分数阶信息融合的模拟电路故障诊断方法
Sandhu et al. A model for early prediction of faults in software systems
CN105141255A (zh) 一种光伏阵列故障诊断方法
US10389600B2 (en) Network management based on modeling of cascading effect of failure
CN117767250B (zh) 基于故障监测的直流微电网协调控制方法及系统
CN112084459A (zh) 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质
CN113010671B (zh) 一种app分类系统
CN102968669A (zh) 对负荷进行预测的方法和装置
Mishanov et al. Forecasting models generation of the electronic means quality
CN106651408B (zh) 一种数据分析方法及装置
US7805667B2 (en) System and method for identifying target node graphs from predetermined seed node subsets
US10169508B2 (en) Efficient deployment of table lookup (TLU) in an enterprise-level scalable circuit simulation architecture
CN104572820A (zh) 模型的生成方法及装置、重要度获取方法及装置
CN108229689B (zh) 在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类
Huang et al. A recursive Bayesian approach to load phase detection in unbalanced distribution system
CN117236233B (zh) 半导体器件初始值评估方法、装置、电子设备及存储介质
CN114285725B (zh) 网络故障确定方法及装置、存储介质及电子设备
CN107025268A (zh) 电池参数的导入方法、导入系统及导入设备

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