CN111680398A - 一种基于Holt-Winters模型的单机性能退化预测方法 - Google Patents

Abstract

本发明实施例公开了一种基于Holt‑Winters模型的单机性能退化预测方法，涉及卫星系统，所述方法包括：对卫星中单机采集的遥测参数数据进行去野，得到去野后的遥测参数数据；利用Lowess算法，对去野后的遥测参数数据进行平滑处理，得到平滑后的遥测参数数据；将平滑后的遥测参数数据输入至已训练的Holt‑Winters模型，对卫星在轨运行的季节性特征的单机性能退化趋势进行预测。本发明实施例采用Holt‑Winters模型，在考虑卫星在轨运行的季节性特征的情况下进行单机性能退化预测，能够很好的满足预测要求。

Description

一种基于Holt-Winters模型的单机性能退化预测方法

技术领域

本发明涉及卫星系统，特别涉及一种基于Holt-Winters模型的单机性能退化预测方法。

背景技术

卫星系统长期在真空辐射环境中运行，通常承担导航，通信，测量，授时等功能，以满足地面和近地空间各类用户的全天候、全天时、高精度的需求，为保证系统在轨稳定、可靠运行，做好在轨管理工作具有非常重要的意义。导航卫星在轨运行管理期间，按一定时间顺序存储在数据库的遥测数据中蕴含着大量可以用于卫星故障诊断和趋势预测的客观规律和知识，挖掘卫星各遥测参数的特征信息，有效地认识、掌握和利用其规律无疑对卫星在轨长期安全可靠地运行具有重要的。因此，分析在轨卫星的遥测数据变化规律，在此基础上对遥测数据进行趋势预测，并依据预测数据对卫星状态和性能进行提前预警，可以在早期及时发现卫星状态参数的异常变化，以便及时有效地进行处理，避免可能发生的重大故障，降低卫星在轨运行的风险。另外，通过在轨遥测数据趋势预测系统，可对卫星在轨历史遥测数据进行深入挖掘和分析，发现和总结卫星遥测数据的发展变化规律，对于保障在轨卫星的安全稳定运行、开展卫星性能研究、进行系统和产品的设计改进等具有重要意义。

趋势预测方法大致可以分为以下3类：基于遥测数据的趋势预测技术、基于物理模型的趋势预测技术和基于知识的趋势预测技术。3种趋势预测方法各有优缺点，基于物理模型的趋势预测技术需要建立较精确的数学模型，基于知识的趋势预测技术受专家知识获取不完备性的限制，这两种方法在航天工程实际中应用极少。随着航天技术的发展，系统和产品的尺寸不断减小，但其功能、内部结构日益复杂，难以精确获得系统模型，基于遥测数据的趋势预测方法受到越来越多的关注和研究。抛开研究对象的物理模型，以采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息进行趋势预测，是今后预测研究方法的主要方向之一。

目前比较常用的基于遥测数据的趋势预测方法主要包括多项式曲线拟合法，SumSin模型，ARMA模型，支持向量机。多项式曲线拟合法应用最小二乘法或其他数学方法，拟合出与实测数据最相符合的曲线，通过曲线推的方法进行趋势预测，适用于对恒定不变或是单一变化的遥测信息进行预测；此算法较为简单，适用于具有稳态特征会衰减特性的遥测参数，但是准确度还有待提高。SumSin模型用一系列Sin函数和的形式拟合出与实测数据最相符合的曲线，确定Sin函数的各参数并进行趋势预测。在拟合过程中，由于选取的数据样本特性，需要多次迭代才能得到较为精确的拟合结果，整个算法效率较低，特别是当阶数较高时，经常会出现多次迭代后仍然难以收敛的情况。ARMA模型将被预测对象随时间推移而形成的数据序列视为一个随机时问序列，认为该序列中第n个时刻的观察值不仅与前(n-1)个观察值有依存关系，而且与前(n-1)个时刻进入系统的扰动有依存关系，建立预测模型预测未来值，适合处理复杂的具有各种模式的时间序列，可包含循环波动和随机波动等因素的综合影响。支持向量机通过事先选择的非线性映射将输入向量映射到高维特征空间，在这个高维特征空间中构造最优决策函数并通过特定方法求出参数最优解。该算法通用性较好，可用于工程实践。在这些趋势预测的方法中，虽然ARMA模型与支持向量机模型可以包含周期因素，但有一类卫星遥测参数如蓄电池压力、蓄电池电压、放电电流等除了具有周期性特性外，还与光照条件也就是季节相关，所以需要考虑卫星的季节性因素。

发明内容

本发明实施例提供一种基于Holt-winters模型的单机性能退化预测方法，解决已有的卫星趋势预测方法中没有考虑卫星在轨运行的季节性因素的问题。

根据本发明实施例提供的一种基于Holt-Winters模型的单机性能退化预测方法，所述方法包括：

对卫星中单机采集的遥测参数数据进行去野，得到去野后的遥测参数数据；

利用Lowess算法，对去野后的遥测参数数据进行平滑处理，得到平滑后的遥测参数数据；

将平滑后的遥测参数数据输入至已训练的Holt-Winters模型，对卫星在轨运行的季节性特征的单机性能退化趋势进行预测。

优选地，所述对卫星中单机采集的遥测参数数据进行去野包括：

利用3σ方法，对卫星中单机采集的遥测参数数据进行一次去野。

优选地，所述对卫星中单机采集的遥测参数数据进行去野还包括：

利用置均值法，对一次去野后的遥测参数数据进行二次去野。

优选地，所述方法还包括：

在得到去野后的遥测参数数据后，对去野后的遥测参数数据进行特征提取，得到特征提取后的遥测参数数据，以便将特征提取后的遥测参数数据用于平滑处理。

优选地，所述对去野后的遥测参数数据进行特征提取，得到特征提取后的遥测参数数据包括：

确定去野后的遥测参数数据的日均值，并将所述日均值作为当日的遥测参数数据。

优选地，所述利用Lowess算法，对去野后的遥测参数数据进行平滑处理，得到平滑后的遥测参数数据包括：

将去野后的每个遥测参数数据及对应的采集时间分别作为一个数据点的纵坐标值和横坐标值；

对于每个数据点，为该数据点选取一个包含若干邻近数据点的平滑区间，并利用所述平滑区间内的若干邻近数据点，对该数据点进行局部平滑处理，得到平滑后的数据点。

优选地，所述利用所述平滑区间内的若干邻近数据点，对该数据点进行局部平滑处理，得到平滑后的数据点包括：

利用所述平滑区间内的若干邻近数据点，对该数据点的纵坐标值进行估计，得到该数据点的估计纵坐标值；

根据该数据点的横坐标值和估计纵坐标值，得到平滑后数据点。

优选地，所述已训练的Holt-Winters模型的平滑参数α、β、γ分别是Holt-Winters模型的水平项参数、趋势项参数和季节项参数，参数值均是利用所述单机的历史遥测参数数据对Holt-Winters模型训练而确定。

本发明实施例采用Holt-Winters模型，在考虑卫星在轨运行的季节性特征的情况下进行单机性能退化预测，能够很好的满足预测要求。

附图说明

图1是本发明实施例提供的一种基于Holt-winters模型的单机性能退化预测方法的流程示意图；

图2是本发明另一实施例提供的一种基于Holt-winters模型的单机性能退化预测方法的具体流程图；

图3是TMR016原始数据示意图；

图4是野值剃除结果示意图；

图5是数据特征提取示意图；

图6是局部加权光滑处理结果示意图；

图7是TMR016趋势预测结果示意图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，应当理解，以下所说明的实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明针对传统的卫星的趋势预测方法中没有考虑到季节性因素的问题，提出了一种基于Holt-Winters模型的单机性能退化预测方法，在预测模型中加入的季节性特征，对卫星的重要部件的参数进行预测。首先获取卫星的遥测参数数据，然后对遥测参数数据进行具体的分析，由于信号传输以及电磁干扰等原因，原始数据中往往有较多的突变数据点，为了不影响后续模型的建立，使用3σ去野方法进行野值的剔除。然后，对于剔除野值的数据进行Lowess平滑处理，以去除数据采集过程中出现的随机噪声，以免影响后续的数据处理，同时根据计算需求调节平滑程度，既要保持原始数据中的数据趋势以及数据信息，又要能够尽可能的剔除数据的噪声。最后就是模型的建立与预测，将预处理完成的数据输入模型中，调节模型中的周期项以及要求的预测长度进行趋势的预测。

图1是本发明实施例提供的一种基于Holt-winters模型的单机性能退化预测方法的流程示意图，如图1所示，所述方法可以包括：

步骤S101：对卫星中单机采集的遥测参数数据进行去野，得到去野后的遥测参数数据。

所述步骤S101可以包括：利用3σ方法，对卫星中单机采集的遥测参数数据进行一次去野，具体为：

获取包含卫星中单机采集的遥测参数数据的遥测参数数据集，计算遥测参数数据集中的遥测参数数据的均值和标准差；

对于遥测参数数据集中的每个数据，计算该数据与均值的差值作为该数据对应的残差；

根据该数据对应的残差和标准差，确定该数据是否为需要剔除的野值，具体地说，若该数据的残差的绝对值大于3倍的标准差，则将该数据确认为野值，并剔除该野值。

通过一次去野，将遥测参数数据集中的野值剔除。

所述步骤S101还可以包括：利用置均值法，对一次去野后的遥测参数数据进行二次去野，具体为：

针对上一轮去野后得到的遥测参数数据集，计算该数据集中的遥测参数数据的新均值和新标准差；

对于上一轮去野后得到的遥测参数数据集中的每个数据，计算该数据与新均值的差值作为该数据对应的新残差；

根据新残差和新标准差，确定该数据是否为需要剔除的野值，具体地说，若该数据的残差的绝对值大于3倍的标准差，则将该数据确认为野值，并剔除该野值。

通过重复以上步骤，得到去除全部野值的遥测参数数据集。

需要说明的是，可以重复二次去野步骤，直至遥测参数数据中没有野值。

步骤S102：利用Lowess算法，对去野后的遥测参数数据进行平滑处理，得到平滑后的遥测参数数据。

所述步骤S102包括：对于去除全部野值的遥测参数数据集中的每个数据，将该数据及对应的采集时间分别作为一个数据点的纵坐标值和横坐标值；对于每个数据点，为该数据点选取一个包含若干邻近数据点的平滑区间，并利用所述平滑区间内的若干邻近数据点，对该数据点进行局部平滑处理，得到平滑后的数据点，具体地说，利用所述平滑区间内的若干邻近数据点，对该数据点的纵坐标值进行估计，得到该数据点的估计纵坐标值，并根据该数据点的横坐标值和估计纵坐标值，得到平滑后的数据点，即平滑后的数据点的横纵坐标值分别为该数据点的横坐标值和估计纵坐标值。

为了降低计算量，所述方法还可以包括：在得到去野后的遥测参数数据后，对去野后的遥测参数数据进行特征提取，得到特征提取后的遥测参数数据，以便将特征提取后的遥测参数数据用于平滑处理，例如，以日为单位，确定去野后的遥测参数数据的日均值，并将所述日均值作为当日的遥测参数数据。

步骤S103：将平滑后的遥测参数数据输入至已训练的Holt-Winters模型，对卫星在轨运行的季节性特征的单机性能退化趋势进行预测。

本发明采用的Holt-Winters模型是考虑了季节周期因素的三次指数平滑预测模型。

Holt-Winters模型涉及平滑参数α、β、γ，分别是Holt-Winters模型的水平项参数、趋势项参数和季节项参数，这些单数的参数值是训练Holt-Winters模型后确定的。具体地说，利用所述单机的历史遥测参数数据对该模型进行训练，通过不断迭代调节Holt-Winters模型的平滑参数α、β、γ的参数值，使得Holt-Winters模型的预测数据不断趋近于真实数据。

通过Holt-Winters模型，可以实现考虑季节性因素的卫星参数的趋势预测，对卫星在轨运行的状态参数的异常变化进行尽早的预警，降低卫星在轨运行的风险，提高任务可靠性，降低运行维护费用。同时对卫星的趋势预测也便于对卫星在轨运行的参数变化进行进一步的研究，对卫星的设计工作也可以提供很好的帮助。

图2是本发明另一实施例提供的一种基于Holt-winters模型的单机性能退化预测方法的具体流程图，如图2所示，所述方法可以包括：

步骤一：获取卫星的遥测参数数据。

由于卫星的工作环境是太空，其部件参数无法直接测量，所以需要利用传感器测量参数反应各部件的状态，本方法中采用的数据就是卫星通过传感器采集到的卫星遥测参数数据，由于卫星在轨时间较长，其遥测参数数据众多，可以通过按一定周期取平均值的方法减少数据量，同时也可以采用专家知识对数据中的冗余数据以及对时间不敏感的数据提前剔除，以降低数据的复杂度。

步骤二：使用3σ方法进行原始数据去野。

根据误差理论，当测量数据服从正态分布时，其落在三倍方差[-3σ,3σ]之内的概率大于99.73％，落在此区间之外的概率不到0.3％，所以，可以认为落在该区间之外的测量值为异常值，应该予以剔除，该方法称为3σ方法。

首先对于遥测参数A＝{x₁,x₂,x₃,…,x_n}计算其均值

残差v_i以及标准差σ，计算公式如下：

计算出遥测参数的均值、残差以及标准差后，进行判断，若

则认为x_i是野值，进行剔除。

步骤三：使用置均值法完成原始数据的去野。

使用上述方法对原始数据进行3σ判断，若数据满足条件，则进行野值的剔除，并且重新计算数据的均值

残差v_i′以及标准差σ'，即

进行判断，若

则认为x_i是野值，进行剔除。

重复步骤三，直到遍历原始数据A，没有出现新的野值为止，至此所有的测量值都落在3σ范围内，这就实现了野值的剔除。

步骤四：数据特征提取。

由于卫星气路数据繁多，且大多是实时传输数据，将其整体作为趋势分析的基础，不仅会导致计算量繁琐，同时也会影响对趋势的判断，影响模型的精度，因此要对原始数据进行特征提取。

本方法采用日均值特征进行数据分析，即对于长期的卫星参数数据，对每日的参数取平均值作为当日的参数值，通过特征提取可以大幅减少工作量，同时能够使得参数变化趋势更加明显。

步骤五：使用局部加权回归算法进行数据的平滑。

LOWESS平滑法即局部加权回归平滑算法是一种非参数拟合的统计学方法，LOWESS是使用迭代加权最小平方来拟合一套数据。同时还可以根据数据的实际变化规律进行局部直线拟合或局部曲线拟合。

局部加权回归算法的原理是先通过多项式加权对局部观测数据进行拟合，再用最小二乘法对拟合结果进行估计。

例如，对于单参变量样值{x_i,y_i},i＝1,2,…,n,建立模型，其中，x_i表示时间值，y_i表示参数具体值。

式中:β_i0,β_i1,…,β_id为相对x_i的未知参数；ε_i,i＝1,2,…,n为独立分布的随机误差项；d为事先给定的值，表示x的最高项的次数。

对每一个x_i计算周围所有点x_j(j＝1,2,…,n')到它的距离为

d_ij＝|x_i-x_j|

设置平滑系数f∈(0,1]，代表影响点y_i的x_j范围。f_n＝n'*f，n'表示x_i周围所有点的个数，h_i为d_ij(j＝1,2.…n')中第r小的值。r为离f_n最近的整数。

给定一个权函数W(x),对每一个点x_i,在窗口内所有的x_k,k＝1,2,…,m，计算权重

参数β_ik(i＝1,2,…,n；k＝1,2,…,m)的估计由以下准则给出

从而得到y_i的拟合值

给定一个权函数W(x)，需满足以下四个基本条件：

(1)W(x)>0对|x|<1；

(2)W(-x)＝W(x)

(3)对于x≥0，W(x)是一个非增函数；

(4)W(x)＝0对|x|≥1

目前最常用的是三次方权函数

和(m,n)型权函数

步骤六：局部加权回归算法的平滑系数选取。

由步骤五可以看出，局部加权回归算法的平滑程度取决于平滑区间的选取，平滑区间的大小取决于平滑系数，因此调节平滑系数，可以改变数据的平滑区间大小，从而改变平滑效果，平滑系数越高，数据越平滑趋近于直线，平滑系数越低，数据越趋近于原始数据。

根据实际计算的需要，用户可以选取合适的平滑系数进行数据分析。

步骤七：使用Holt-Winters方法进行趋势预测。

基于Holt-Winters的方法又称为三次指数平滑预测法，主要考虑了三个因素，分别为水平项、趋势项、季节项，该方法考虑了季节周期因素，很适合用于卫星的参数预测。

对于卫星参数数据经步骤五平滑后的序列

本步骤中的

即为步骤五平滑后得到的y_i的拟合值

设定三项的平滑参数α、β、γ∈[0,1]，则水平项s_i，趋势项t_i以及季节项p_i的累加法计算公式分别为：

其中，p_i是指“季节性”部分。预测公式如下：

其中k是季节项的周期的长度，h是向后预测的长度。

步骤八：Holt-Winters参数设置。

对于Holt-Winters模型，参数的选择会影响最终的预测结果，α、β、γ的值都位于[0,1]之间，可以多试验几次以达到最佳效果，对于s,t,p初始值的选取对于算法整体的影响不是特别大，通常的取值为s₀＝x₀,t₀＝x₁-x₀，累加时p＝0。

步骤九：预测模型的分析与完善。

对于基于Holt-Winters模板的趋势预测方法而言，数据处理过程中多项参数都会对最终的结果造成影响，而最优的参数组合则需要针对具体的问题进行具体的设置，与算法相关的参数有：

平滑系数：影响数据的平滑效果，过大会使得数据平滑趋于直线降低原始数据中的数据信息利用率，过小则无法完成去噪工作。

训练数据长度，取决于数据的质量与数据的长度预测外推时间，提高长度会使得更多的数据参与预测，但杂乱数据会影响预测结果

预测外推时间：时间越长预测精度越低，应当与训练数据长度保持一定比例关系。

应用本发明的方法进行趋势预测时，获取的TMR016原始数据如图3所示，采用步骤二和步骤三去野后的结果如图4所示，采用步骤四对去野后的数据进行特征提取，得到的结果如图5所示，采用步骤五对特征提取后的数据进行局部加权光滑处理，得到的结果如图6所示，将步骤五处理后的数据输入Holt-Winters模型，从图7的TMR016趋势预测结果示意图可以看出2017-02至2017-08的预测数据的曲线与真实数据的曲线趋势一致，数据接近，预测结果良好。

本发明对卫星的遥测参数进行趋势外推和预测，该方法的优势主要在于针对卫星实际工作环境中部分参数会随着季节有周期性变化的特性，通过Holt-Winters方法在预测时考虑季节特征，对卫星在轨运行的状态参数的异常变化进行尽早预警，降低卫星在轨运行的风险，提高任务可靠性，降低运行维护费用，同时对卫星的趋势预测也便于对卫星在轨运行的参数变化进行进一步的研究，对卫星的设计工作提供很好的帮助。

尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (8)

1.一种基于Holt-Winters模型的单机性能退化预测方法，其特征在于，所述方法包括：

对卫星中单机采集的遥测参数数据进行去野，得到去野后的遥测参数数据；

利用Lowess算法，对去野后的遥测参数数据进行平滑处理，得到平滑后的遥测参数数据；

将平滑后的遥测参数数据输入至已训练的Holt-Winters模型，对卫星在轨运行的季节性特征的单机性能退化趋势进行预测。

2.根据权利要求1所述的方法，其特征在于，所述对卫星中单机采集的遥测参数数据进行去野包括：

利用3σ方法，对卫星中单机采集的遥测参数数据进行一次去野。

3.根据权利要求2所述的方法，其特征在于，所述对卫星中单机采集的遥测参数数据进行去野还包括：

利用置均值法，对一次去野后的遥测参数数据进行二次去野。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在得到去野后的遥测参数数据后，对去野后的遥测参数数据进行特征提取，得到特征提取后的遥测参数数据，以便将特征提取后的遥测参数数据用于平滑处理。

5.根据权利要求4所述的方法，其特征在于，所述对去野后的遥测参数数据进行特征提取，得到特征提取后的遥测参数数据包括：

确定去野后的遥测参数数据的日均值，并将所述日均值作为当日的遥测参数数据。

6.根据权利要求1-5任意一项所述的方法，其特征在于，所述利用Lowess算法，对去野后的遥测参数数据进行平滑处理，得到平滑后的遥测参数数据包括：

将去野后的每个遥测参数数据及对应的采集时间分别作为一个数据点的纵坐标值和横坐标值；

对于每个数据点，为该数据点选取一个包含若干邻近数据点的平滑区间，并利用所述平滑区间内的若干邻近数据点，对该数据点进行局部平滑处理，得到平滑后的数据点。

7.根据权利要求6所述的方法，其特征在于，所述利用所述平滑区间内的若干邻近数据点，对该数据点进行局部平滑处理，得到平滑后的数据点包括：

利用所述平滑区间内的若干邻近数据点，对该数据点的纵坐标值进行估计，得到该数据点的估计纵坐标值；

根据该数据点的横坐标值和估计纵坐标值，得到平滑后数据点。

8.根据权利要求1所述的方法，其特征在于，所述已训练的Holt-Winters模型的平滑参数α、β、γ分别是Holt-Winters模型的水平项参数、趋势项参数和季节项参数，参数值均是利用所述单机的历史遥测参数数据对Holt-Winters模型训练而确定。

Images