CN111680397B - 一种卫星季节波动遥测的自适应稳定性检测方法 - Google Patents

一种卫星季节波动遥测的自适应稳定性检测方法 Download PDF

Info

Publication number
CN111680397B
CN111680397B CN202010373342.3A CN202010373342A CN111680397B CN 111680397 B CN111680397 B CN 111680397B CN 202010373342 A CN202010373342 A CN 202010373342A CN 111680397 B CN111680397 B CN 111680397B
Authority
CN
China
Prior art keywords
satellite
stability detection
seasonal
telemetry
trend
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
CN202010373342.3A
Other languages
English (en)
Other versions
CN111680397A (zh
Inventor
陶来发
张统
杨帆
郝杰
吕琛
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202010373342.3A priority Critical patent/CN111680397B/zh
Publication of CN111680397A publication Critical patent/CN111680397A/zh
Application granted granted Critical
Publication of CN111680397B publication Critical patent/CN111680397B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种卫星季节波动遥测的自适应稳定性检测方法，包括：将卫星历史遥测参数数据分解为属于卫星遥测数据长期特征的趋势项、属于季节性干扰产生的高频部分的季节项以及属于随机部分的残差项；利用所述趋势项、季节项和残差项建立卫星稳定性检测包络；利用所建立的卫星稳定性检测包络，对卫星实时遥测参数数据进行稳定性检测。

Description

一种卫星季节波动遥测的自适应稳定性检测方法
技术领域
本发明涉及一种卫星健康评估，特别是涉及一种卫星季节波动遥测的自适应稳定性检测方法。
背景技术
卫星系统由许多元部件组成，结构复杂，加之轨道环境可能存在的不确定因素的影响，很难保证在轨运行期间不发生任何故障。卫星系统故障发生的形式多样，而且系统内各组成部分功能相关联，故障传播可能引起链式反应，一旦不能及时干预，将导致严重后果，因此在卫星的在轨运行中，对卫星的遥测参数进行稳定性检测需求迫切。由于卫星在轨运行中，其变化趋势波动以及变化幅度较小，并且由于卫星在轨运行中其遥测参数收到季节性影响，在退化趋势下又有着季节性的周期特征，直接根据专家经验以及遥测数据观测来判断其稳定性是十分困难的。根据历史数据建立起考虑季节性特征的自适应稳定性检测方法在实际应用中具有很大的使用价值。
目前，卫星健康评估主要依赖层次分析法、模糊评判法等技术。这些方法往往需要大量的专家知识来进行参数加权融合以及健康等级划分，而对于遥测参数中的历史数据没有进行更进一步的运用，同时由于专家知识自身的局限性，其推广泛化难度较大。
而在历史数据的使用方面，主要进行的是卫星的状态监视，当前的监视手段产品通常是设置单参数的阈值对产品的状态进行报警，但是由于卫星遥测参数具有季节性特征，这种方法在实际应用中不仅工作量巨大而且泛化能力较差，无法进行自适应的稳定性检测。
对此，需要一种能有效挖掘卫星稳定性信息，尽可能少依赖专家经验的方法，对卫星的稳定性进行自适应的检测。对于卫星而言，由于任务特殊性，其历史数据往往很难表现出明显的衰退特征来进行健康状态退化的表征，但是卫星的历史数据的稳定一致性能够反映卫星当前参数偏移以及健康状态。
发明内容
本发明的目的是提供一种卫星季节波动遥测的自适应稳定性检测方法，通过有效挖掘卫星稳定性信息，尽可能少依赖专家经验的方法，对卫星的稳定性进行自适应的检测。
实现上述目的的本发明的一种卫星季节波动遥测的自适应稳定性检测方法包括：
将卫星历史遥测参数数据分解为属于卫星遥测参数长期特征的趋势项、属于季节性干扰产生的高频部分的季节项以及属于随机部分的残差项；
利用所述趋势项、季节项和残差项建立卫星稳定性检测包络；
利用所建立的卫星稳定性检测包络，对卫星实时遥测参数数据进行稳定性检测。
优选地，所述将卫星历史遥测参数数据分解为属于卫星遥测参数长期特征的趋势项、属于季节性干扰产生的高频部分的季节项以及属于随机部分的残差项包括：
从卫星历史遥测参数数据中获取卫星遥测数据的退化轨迹；
利用时间序列分解算法对所述退化轨迹进行分解处理，从中分解出属于卫星遥测数据长期特征的趋势项、属于季节性干扰产生的高频部分的季节项以及属于随机部分的残差项。
优选地，所述时间序列分解算法是以鲁棒局部加权回归作平滑的时间序列分解算法STL；所述STL通过内循环与外循环中一系列的平滑处理，逐渐分离出趋势项和季节项。
优选地，所述内循环的每一次计算中趋势分量与季节分量逐步更新；在外循环中，由上一次内循环的结果计算鲁棒权重，用于减少下一次内循环中少量的噪声引起的异常。
优选地，从历史卫星遥测数据中获取卫星历史遥测参数数据的退化轨迹包括：
将卫星历史遥测参数数据按天取平均值；
通过对按天平均后的卫星历史遥测参数数据进行平滑处理，得到保留退化趋势、去除波动噪声的退化轨迹。
优选地，采用局部加权回归LOWESS方法进行平滑，对按天平均后的卫星遥测数据进行平滑处理。
优选地，所述利用所述趋势项、季节项和残差项建立卫星稳定性检测包络包括：
通过对所述趋势项进行趋势预测，得到趋势预测结果；
利用所述趋势预测结果、季节项和残差项建立卫星稳定性检测包络。
优选地，所述对所述趋势项进行趋势预测，得到趋势预测结果包括；
对所述趋势项进行线性回归之后，获得拟合的一元线性回归方程；
通过该拟合的一元线性回归方程代入时间坐标，得到卫星趋势项的预测结果。
优选地，所述利用所述趋势预测结果、季节项和残差项建立卫星稳定性检测包络包括：
取残差项的最大最小值作为包络范围；
将趋势预测结果与相对应的季节项相加，再将相加结果与所述包络范围结合在一起，从而建立卫星稳定性检测包络。
优选地，所述利用所建立的卫星稳定性检测包络，对卫星实时遥测参数数据进行稳定性检测包括：
若卫星实时遥测参数数据落入卫星稳定性检测包络中，则稳定性检测为正常；
若卫星实时遥测参数数据离开卫星稳定性检测包络，则稳定性检测为异常。
相对于现有技术，本发明的有益技术效果是，克服了传统方法依靠人工经验设定单参数阈值以及人工监测的方法存在的工作量大、泛化能力不强等问题，实现了对卫星的季节波动遥测数据进行自适应稳定性的检测。
附图说明
图1是实现本发明季节波动遥测的自适应稳定性检测方法的一个具体实施例示意图；
图2针对按天平均后的数据采用局部加权回归方法进行平滑后的示意图，图中的横坐标为时间(天)，纵坐标为摄氏度(℃)；
图3为对平滑后的卫星数据进行STL分解的结果，包括原始数据，趋势项，季节项以及余项，图中的横坐标为时间(天)，纵坐标为摄氏度(℃)；
图4为对趋势项进行回归拟合以及预测的结果，图中的横坐标为时间(天)，纵坐标为摄氏度(℃)；
图5为建立稳定性包络的过程以及建立结果示意图，，图中的横坐标为时间(天)，纵坐标为摄氏度(℃)；
图6表示自适应稳定性检测结果，图中的横坐标为时间(天)，纵坐标为摄氏度(℃)；
图7是实现本发明季节波动遥测的自适应稳定性检测方法的示意图。
具体实施方式
本发明针对卫星在轨运行时的遥测数据难以表现出明显的衰退特征来进行异常状态监测的问题，提出了一种卫星季节波动遥测的自适应稳定性检测方法，该方法使用时间序列分解方法将卫星的遥测数据历史数据分解为季节项、趋势项以及残差项，通过该方法将卫星遥测数据中的季节性特征，进一步通过趋势项结果进行卫星的趋势预测，最后将季节项、残差项以及趋势预测结果综合起来构建卫星遥测数据的稳定包络，通过稳定包络对卫星的季节波动遥测进行自适应的稳定性的检测。
图7显示了该卫星季节波动遥测的自适应稳定性检测方法，包括：
将卫星历史遥测参数数据分解为属于卫星遥测数据长期特征的趋势项、属于季节性干扰产生的高频部分的季节项以及属于随机部分的残差项，具体为：从卫星历史遥测参数数据中获取卫星遥测数据的退化轨迹；利用时间序列分解算法对所述退化轨迹进行分解处理，从中分解出属于卫星遥测数据长期特征的趋势项、属于季节性干扰产生的高频部分的季节项以及属于随机部分的残差项；
利用所述趋势项、季节项和残差项建立卫星稳定性检测包络，具体为：通过对所述趋势项进行趋势预测，得到趋势预测结果；利用所述趋势预测结果、季节项和残差项建立卫星稳定性检测包络；
利用所建立的卫星稳定性检测包络，对卫星实时遥测参数数据进行稳定性检测，包括：若卫星实时遥测参数数据落入卫星稳定性检测包络中，则稳定性检测为正常；若卫星实时遥测参数数据离开卫星稳定性检测包络，则稳定性检测为异常。
本发明利用所述趋势预测结果、季节项和残差项建立卫星稳定性检测包络的具体实现方式为：取残差项的最大最小值作为包络范围；将趋势预测结果与相对应的季节项相加，再将相加结果与所述包络范围结合在一起，构成卫星稳定性检测包络。
本发明所述的时间序列分解算法是以鲁棒局部加权回归作平滑的时间序列分解算法STL；所述STL通过内循环与外循环中一系列的平滑处理，逐渐分离出趋势项和季节项。所述内循环的每一次计算中趋势分量与季节分量逐步更新；在外循环中，由上一次内循环的结果计算鲁棒权重，用于减少下一次内循环中少量的噪声引起的异常。
本发明从历史卫星遥测数据中获取卫星历史遥测参数数据的退化轨迹具体方式为：将卫星历史遥测参数数据按天取平均值；通过对按天平均后的卫星历史遥测参数数据进行平滑处理，得到保留退化趋势、去除波动噪声的退化轨迹。本发明可以采用局部加权回归LOWESS方法进行平滑，对按天平均后的卫星遥测数据进行平滑处理。
本发明对所述趋势项进行趋势预测，得到趋势预测结果的具体实现方式可以为：对所述趋势项进行线性回归之后，获得拟合的一元线性回归方程；通过该拟合的一元线性回归方程代入时间坐标，得到卫星趋势项的预测结果。
图1显示了本发明的卫星季节波动遥测的自适应稳定性检测方法的一个具体实施例，该实施例包括以下步骤：
步骤一：按天取平均
由于卫星的遥测数据采集周期不定，为了提高算法的普适性和简化算法复杂度，因此对卫星的遥测数据按天取平均值
步骤二：数据平滑
针对按天平均后的数据采用局部加权回归(LOWESS)方法进行平滑：通过截取一定比例的数据拟合多项式回归曲线，从而能够消除局部噪声的影响，得到保留退化趋势、去除波动噪声的退化轨迹。
LOWESS方法使用一组估计值来代替序列中某点的真实值。例如某点x0处，样本真实值为f(x0)，则假定对x0的估计值
Figure BDA0002478971800000051
为：
Figure BDA0002478971800000052
βj为相对于x0的未知参数，
Figure BDA0002478971800000053
为x0周围的第j个点，d表示多项式次数
定义目标函数
Figure BDA0002478971800000061
其中N代表序列长度，Kλ(x0,xi)为某种核函数，如二次核函数,
Figure BDA0002478971800000062
Figure BDA0002478971800000063
其中λ为核函数的参数，称之为滑窗宽度。λ＝|x0-x[k]|，其中，x[k]为距离x0第k近的点，
Figure BDA0002478971800000064
令
Figure BDA0002478971800000065
Figure BDA0002478971800000066
Δ＝(β0,β1,…,βd)T
Y＝(y1,y2,…,yN)T
则目标函数可改写为
Figure BDA0002478971800000067
求偏导，可得到
Figure BDA0002478971800000068
则估计值
Figure BDA0002478971800000069
其中
Figure BDA0002478971800000071
经过LOWESS平滑之后，用估计值代替所有样本点处真实值，完成卫星遥测数据退化曲线的平滑降噪。
图2显示了针对按天平均后的数据采用局部加权回归方法进行平滑后的结果，包括按日平均后的卫星数据曲线和按局部加权回归方法进行平滑的结果。
步骤三：STL时间序列分解
时间序列分解算法是以鲁棒局部加权回归作平滑的时间序列分解算法(Seasonaland Trend decomposition using Loess,STL)。
从长期来看，时间序列都具有一种或多种趋势或变化，而STL算法做出的基本假设是时间序列通常包含三个组成部分：趋势项、周期项(周期项)与余项(残差项)：
Y＝f(Trend,Seasonal,Residual)
STL算法将时间序列分解为以上三项。趋势项是低频变化部分，是数据的长期特征。周期项则是是由季节性干扰产生的高频部分，是在较短时间内表现出的周期性特征。余项则是随机部分。
加法模型为：Y＝Trend+Seasonal+Residual
乘法模型为：Y＝Trend×Seasonal×Residual
加法模型适用于趋势项随时间变化呈现出单调变化的情况，本专利所使用的数据趋势项随时间单调变化，因而选择加法模型。
STL算法的基础是鲁棒加权回归法(Robust Locally Weighted Regression andSmoothing Scatterplots,Loess)
基于LOESS将某时刻的数据Yv分解为趋势分量(trend component)、周期分量(seasonal component)和余项(remainder component):
Yv＝Tv+Sv+Rv v＝1,…,N
基于Loess，STL通过内循环与外循环中一系列的平滑操作，逐步分离出趋势分量与季节分量，其中，内循环的每一次计算中趋势分量与季节分量逐步更新，而在外循环中，由上一次内循环的结果计算鲁棒权重，用以减少下一次内循环中少量的噪声引起的异常。
假定Tv (k),Sv(k)为内循环中第k-1次循环结束时的趋势分量，周期分量，初始时的Tv (k)＝0；并以下参数：n(i)：内层循环数
n(o)：外层循环数
n(p)为一个周期的样本数
n(s)为step2中的LOESS平滑参数
n(l)为step3中的LOESS平滑参数
n(t)为step6中的LOESS平滑参数
每个周期相同位置的样本点组成一个子序列，该子序列长度为n(p)
STL的内循环在初始化后主要分为6步：
Step1.去趋势，减去上一轮循环结果的趋势分量，
Figure BDA0002478971800000081
Step2.周期子序列Loess平滑处理，用LOESS(λ＝n(s),d＝1)对每个子序列做回归，并向前后延展一个周期；平滑结果组成时间序列，得到的序列为临时周期子序列，记为
Figure BDA0002478971800000082
v＝-n(p)+1,…,-N+n(p)
Step3.平滑临时周期子序列的低通滤波：对
Figure BDA0002478971800000089
做三次长度分别为np,np,3的滑动平均，并进行Loess平滑处理(λ＝n(l),d＝1)，想得到
Figure BDA0002478971800000084
v＝1,…,N；相当于提取周期子序列的低通量；
4.平滑临时周期子序列去趋势：
Figure BDA0002478971800000085
5.季节项去除，
Figure BDA0002478971800000086
6.趋势平滑，对
Figure BDA0002478971800000087
进行Loess平滑处理(λ＝n(l),d＝1)，得到趋势分量
Figure BDA0002478971800000088
从STL算法内循环的流程中可以看出，步骤2，3，4为季节平滑，第6步为趋势平滑。内循环完成分解后，余项Rv中可能存在非常大的异常值，因此在执行完成一次内循环后，STL会进在循环根据下式调整步骤2与步骤6中Loess的临近权重vi(x)，以使系统更鲁棒vi(x)new＝ρvvi(x)old
其中ρv定义如下：
Figure BDA0002478971800000091
Rv为余项，h定义如所示，B为bisquare函数，定义如下所示。
h＝6×median(|Rv|)
Figure BDA0002478971800000092
在循环完成后可以通过公式Yv＝Tv+Sv+Rv v＝1,…,N计算出余项RvSTL时间序列分解算法在外循环中调整临近权重，在内循环中完成去趋势、去周期以及平滑处理，最终，如图3所示，从原始数据(图3中a图)中逐步分解出趋势项(图3中b图)，季节项(图3中c图)与余项(图3中d图)。
步骤四：趋势预测
通过趋势项使用一元线性回归建立退化趋势线性函数，从而实现趋势预测。
一元线性回归分析法的预测模型为：
Y＝ax+b
式中，x代表自变量的值(此处代表时间)；Y代表因变量的值(此处代表卫星参数)，a、b代表一元线性回归方程的参数。a、b参数由下列公式求得：
Figure BDA0002478971800000093
Figure BDA0002478971800000094
通过一元线性回归法计算线性回归参数，并且根据拟合曲线进行趋势项的预测，将时间带入回归方程中，计算预测参数值。
图4显示了对趋势项进行回归拟合以及预测的结果。
当对趋势项进行线性回归之后获得拟合的一元线性回归方程，通过该方程代入时间坐标即可实现对卫星趋势项的预测。
步骤五：建立稳定性包络
将建立好的趋势预测模型与季节项和残差项相结合，取残差项的最大最小值作为包络范围，将趋势预测结果与相对应的季节项相加，结合残差项自适应建立卫星稳定性检测包络。
通过STL分解的卫星数据序列包括残差项，周期项与预测项。趋势项表示卫星数据的整体趋势，通过步骤四进行预测；周期项表示卫星数据变化的周期特征，在每一周期内数据为固定序列，可以通过周期序列复制进行预测。残差项则为具有一定波动特征的数据，表示该数据的波动范围，通过取得残差序列中的最大值和最小值则可得到参数的正常波动范围，将周期项与趋势项的预测结果分别与残差项的最大值和最小值相加即可得到参数的上下稳定性包络
如图5所示蓝线(即图5右图中的上曲线)为参数变化的上包络线，黑色线为下包络线(即图5右图中的下曲线)，卫星数据在包络线内的波动认为是正常变化，而在包络线之外认为是异常值。
步骤六：自适应稳定性检测
通过历史遥测参数数据预测稳定性测试包络，并且根据在线检测数据对包络进行更新，当实时数据离开包络区间时，认为其稳定性异常。
在稳定性检测中，首先通过步骤5建立稳定性包络，并通过历史卫星数据预测稳定性包络线，在卫星在线监测过程中，将实时参数与卫星稳定性包络进行对比，当实时数据处于稳定行包络内认为正常，而当实时数据明显离开包络区间时，认为其稳定性异常，并且在得到在线监测数据后，将新数据添加至历史数据集对包络线进行更新
图6显示了实际卫星数据进行稳定性检测的结果，稳定性包络线为实时生成包络图示中数据明显离开稳定性包络区间，认为其为异常点(即图6中的异常点)，需要进行卫星状态的检查或检修。

Claims (9)

1.一种卫星季节波动遥测的自适应稳定性检测方法，包括：
从卫星历史遥测参数数据中获取卫星遥测数据的退化轨迹；
利用鲁棒局部加权回归作平滑的时间序列分解算法STL对所述卫星遥测数据的退化轨迹进行分解处理，从中分解出属于卫星遥测数据长期特征的趋势项、属于季节性干扰产生的高频部分的季节项以及属于随机部分的残差项；
利用所述属于卫星遥测数据长期特征的趋势项、属于季节性干扰产生的高频部分的季节项和属于随机部分的残差项建立卫星稳定性检测包络；
利用所建立的卫星稳定性检测包络，对卫星实时遥测参数数据进行稳定性检测。
2.根据权利要求1所述的卫星季节波动遥测的自适应稳定性检测方法，其中，所述STL通过内循环与外循环中一系列的平滑处理，逐渐分离出趋势项和季节项。
3.根据权利要求2所述的卫星季节波动遥测的自适应稳定性检测方法，其中，所述内循环的每一次计算中趋势分量与季节分量逐步更新；在外循环中，由上一次内循环的结果计算鲁棒权重，用于减少下一次内循环中少量的噪声引起的异常。
4.根据权利要求1所述的卫星季节波动遥测的自适应稳定性检测方法，其中，从历史卫星遥测数据中获取卫星历史遥测参数数据的退化轨迹包括：
将卫星历史遥测参数数据按天取平均值；
通过对按天平均后的卫星历史遥测参数数据进行平滑处理，得到保留退化趋势、去除波动噪声的退化轨迹。
5.根据权利要求4所述的卫星季节波动遥测的自适应稳定性检测方法，其中，采用局部加权回归LOWESS方法进行平滑，对按天平均后的卫星遥测数据进行平滑处理。
6.根据权利要求1所述的卫星季节波动遥测的自适应稳定性检测方法，其中，利用所述趋势项、季节项和残差项建立卫星稳定性检测包络包括：
通过对所述趋势项进行趋势预测，得到趋势预测结果；
利用所述趋势预测结果、季节项和残差项建立卫星稳定性检测包络。
7.根据权利要求6所述的卫星季节波动遥测的自适应稳定性检测方法，其中，对所述趋势项进行趋势预测，得到趋势预测结果包括；
对所述趋势项进行线性回归之后，获得拟合的一元线性回归方程；
通过该拟合的一元线性回归方程代入时间坐标，得到卫星趋势项的预测结果。
8.根据权利要求7所述的卫星季节波动遥测的自适应稳定性检测方法，其中，利用所述趋势预测结果、季节项和残差项建立卫星稳定性检测包络包括：
取残差项的最大最小值作为包络范围；
将趋势预测结果与相对应的季节项相加，再将相加结果与所述包络范围结合在一起，从而建立卫星稳定性检测包络。
9.根据权利要求1所述的卫星季节波动遥测的自适应稳定性检测方法，其中，利用所建立的卫星稳定性检测包络，对卫星实时遥测参数数据进行稳定性检测包括：
若卫星实时遥测参数数据落入卫星稳定性检测包络中，则稳定性检测为正常；
若卫星实时遥测参数数据离开卫星稳定性检测包络，则稳定性检测为异常。
CN202010373342.3A 2020-05-06 2020-05-06 一种卫星季节波动遥测的自适应稳定性检测方法 Active CN111680397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010373342.3A CN111680397B (zh) 2020-05-06 2020-05-06 一种卫星季节波动遥测的自适应稳定性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010373342.3A CN111680397B (zh) 2020-05-06 2020-05-06 一种卫星季节波动遥测的自适应稳定性检测方法

Publications (2)

Publication Number Publication Date
CN111680397A CN111680397A (zh) 2020-09-18
CN111680397B true CN111680397B (zh) 2022-11-01

Family

ID=72452280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010373342.3A Active CN111680397B (zh) 2020-05-06 2020-05-06 一种卫星季节波动遥测的自适应稳定性检测方法

Country Status (1)

Country Link
CN (1) CN111680397B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417791B (zh) * 2020-11-19 2021-07-09 山东山大电力技术股份有限公司 基于线性回归与ahp算法的电力设备监视预警方法及系统
CN112507455B (zh) * 2020-12-03 2022-08-12 北京航空航天大学 一种卫星遥测参数长周期数据的趋势分析方法
CN112508922B (zh) * 2020-12-14 2021-12-21 深圳精智达技术股份有限公司 Mura检测方法、装置、终端设备以及存储介质
CN113792366A (zh) * 2021-09-07 2021-12-14 上海交通大学 一种基于stl分解的隧道收敛变形预测方法
CN117708548A (zh) * 2024-02-05 2024-03-15 北京开运联合信息技术集团股份有限公司 一种遥感卫星应用效能评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306302A (zh) * 2011-08-29 2012-01-04 哈尔滨工业大学 基于emd与garch模型的卫星时钟误差预报方法
CN107220851A (zh) * 2017-05-25 2017-09-29 北京中电普华信息技术有限公司 基于x13季节调整和因素回归的售电量预测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2002248549B2 (en) * 2001-03-08 2005-01-20 California Institute Of Technology Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking
US8200454B2 (en) * 2007-07-09 2012-06-12 International Business Machines Corporation Method, data processing program and computer program product for time series analysis
CN110852585B (zh) * 2019-10-30 2022-05-10 北京师范大学 植被生长稳定性的计算方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306302A (zh) * 2011-08-29 2012-01-04 哈尔滨工业大学 基于emd与garch模型的卫星时钟误差预报方法
CN107220851A (zh) * 2017-05-25 2017-09-29 北京中电普华信息技术有限公司 基于x13季节调整和因素回归的售电量预测方法及装置

Also Published As

Publication number Publication date
CN111680397A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN111680397B (zh) 一种卫星季节波动遥测的自适应稳定性检测方法
CN107765347B (zh) 一种高斯过程回归和粒子滤波的短期风速预测方法
CN112101636A (zh) 一种基于gru和garch的卫星长周期异方差退化预测评估方法
Li et al. Wiener-based remaining useful life prediction of rolling bearings using improved Kalman filtering and adaptive modification
CN111368403B (zh) 一种自适应非线性退化剩余寿命预测方法
Peterman et al. Comparison of parameter estimation methods for detecting climate-induced changes in productivity of Pacific salmon (Oncorhynchus spp.)
EP2561411B1 (en) A method and system for updating a model in a model predictive controller
CN116861201B (zh) 基于人工智能的电力供给系统
WO2021105246A1 (en) Forecasting industrial aging processes with machine learning methods
CN114446033A (zh) 一种动态报警阈值确定方法
CN110083065B (zh) 一种基于流式变分贝叶斯有监督因子分析的自适应软测量方法
CN109800454B (zh) 一种基于卡尔曼滤波的煤层气采集方法、系统及存储介质
CN109344993B (zh) 一种基于条件概率分布的河道洪峰水位预报方法
CN111523727B (zh) 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法
CN114358435A (zh) 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法
CN114970688A (zh) 基于LSTMAD算法和Hermite插值法的滑坡监测数据预处理方法
CN116960941A (zh) 一种功率爬坡事件预测方法、装置、设备及存储介质
CN116956120A (zh) 一种基于改进的tft模型对水质非平稳时间序列的预测方法
CN117273402A (zh) 基于物联网技术的玻璃深加工生产线节能管理系统及方法
CN112651178A (zh) 一种基于无规则缺失数据融合模型的丁烷含量预测方法
CN116305985A (zh) 一种基于多传感器数据融合的局部智能通风方法
CN115522945A (zh) 盾构掘进姿态的动态预测方法
CN115344927A (zh) 基于工程历史数据的高拱坝施工仿真参数动态更新方法
CN115203905A (zh) 一种融合专家经验及智能算法的设备健康评估方法
CN104407256B (zh) 一种处理量测断面时延的电力系统动态状态更新方法

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