CN111680407A - 一种基于高斯混合模型的卫星健康评估方法 - Google Patents
一种基于高斯混合模型的卫星健康评估方法 Download PDFInfo
- Publication number
- CN111680407A CN111680407A CN202010452257.6A CN202010452257A CN111680407A CN 111680407 A CN111680407 A CN 111680407A CN 202010452257 A CN202010452257 A CN 202010452257A CN 111680407 A CN111680407 A CN 111680407A
- Authority
- CN
- China
- Prior art keywords
- gaussian mixture
- mixture model
- current
- normal
- trained
- 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.)
- Granted
Links
- 239000000203 mixture Substances 0.000 title claims abstract description 124
- 230000036541 health Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000027311 M phase Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于高斯混合模型的卫星健康评估方法，包括：通过对获取的正常运行多维遥参数据和当前运行多维遥参数据分别进行预处理特征提取，得到正常高维特征向量和当前高维特征向量；利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。
Description
技术领域
本发明涉及航天器技术领域，特别涉及一种基于高斯混合模型的卫星健康评估方法。
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，因此对卫星开展有效的健康管理需求迫切。
卫星健康管理主要包括异常检测、故障诊断、健康评估与寿命预测。由于卫星故障模式多样且故障样本缺乏，目前尚未建立起系统完善的卫星故障数据库，导致依赖故障数据的故障诊断难以在实际中推广。尽管异常检测技术具有不依赖故障样本的特点，但其无法从遥参数据中挖掘足够的健康信息，不能对卫星健康状态的动态演化进行有效地表征。对此，健康评估技术具有不依赖故障样本、动态表征系统健康状态的能力，在实际应用条件下具有极大使用价值。
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，不能充分利用遥参数据中潜在的健康信息，同时推广泛化难度大。
发明内容
根据本发明实施例提供的方案解决的技术问题是当前卫星状态评估方法中需要对专家知识依赖的问题。
根据本发明实施例提供的一种基于高斯混合模型的卫星健康评估方法，包括：
从历史遥参数据中获取卫星健康状态下的正常运行多维遥参数据和用于待评估卫星健康状态的当前运行多维遥参数据；
通过对所述正常运行多维遥参数据和所述当前运行多维遥参数据分别进行预处理特征提取，得到所述正常运行多维遥参数据的正常高维特征向量和所述当前运行多维遥参数据的当前高维特征向量；利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；
计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；
利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。
优选地，所述计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：
通过将所述正常高维特征向量输入到训练后的正常高斯混合模型中，得到正常概率分数，以及通过将所述当前高维特征向量输入到所述训练后的当前高斯混合模型中，计算当前概率分数；
根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度。
优选地，所述根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：
其中，所述overlap为重叠度；所述g1(x)为正常概率分数；所述g2(x)为当前概率分数。
优选地，所述利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型包括：
根据预先设定的所述初始高斯混合模型的初始值，计算出所述初始高斯混合模型的模型验概率pik；
利用最大概似法和所述模型验概率pik，重新估计和修正所述初始高斯混合模型的初始值参数。
优选地，所述训练后的正常高斯混合模型包括：
其中，所述K为模型的混合数；所述ωk为高斯混合模型的权重系数，
所述φk(x|θk)为第k个单一高斯分布概率密度函数；所述μ为均值，密度函数的中心点；所述∑k为第k个单一高斯分布概率密度函数的协方差矩阵。
优选地，所述计算所述初始高斯混合模型的模型验概率pik包括：
其中，所述ωk为高斯混合模型的权重系数，
所述K为混合数目；所述φk(x|θk)为第k个单一高斯分布概率密度函数。
优选地，所述重新估计和修正所述初始高斯混合模型的初始值参数包括：
其中，所述pik为模型验概率；所述θk为第k个高斯函数的参数；所述K为混合数目；ωk为高斯混合模型的权重系数，
优选地，所述通过对所述重叠度进行归一化处理，得到当前健康度指数值包括：
根据本发明实施例提供的方案，能有效挖掘卫星健康信息，尽可能少依赖专家知识的健康评估技术，来对卫星健康状态进行实时有效地度量。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于理解本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例提供的一种基于高斯混合模型的卫星健康评估方法的流程图；
图2是本发明实施例提供的基于高斯混合模型的卫星健康评估框图；
图3是本发明实施例提供的GMM重叠度原理图；
图4是本发明实施例提供的去野值后的短期数据图；
图5是本发明实施例提供的去野值后的长期数据图；
图6是本发明实施例提供的标准化处理前后数据对比图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明通过利用对高斯混合模型用简单模型表达复杂结构、结合参数模型解析优势和非参数模型灵活性、模型不依赖于先验知识等优势，对卫星遥测参数的数据信息挖掘，用遥测参数中包含的健康信息对比当前状态的遥测参数来实现对卫星健康状态的表征。本发明通过对健康状态数据和当前待评估状态数据的特征提取与预处理、高斯混合模型聚类、密度分布函数重叠度计算和健康度序列的计算，能够解决现有健康评估模型中对专家知识依赖度过高、评估模型推广度差的问题，并且本发明提出的新评估模型评估可信度高，灵敏度高并且易于推广。
图1是本发明实施例提供的一种基于高斯混合模型的卫星健康评估方法的流程图，如图1所示，包括：
步骤S101：从历史遥参数据中获取卫星健康状态下的正常运行多维遥参数据和用于待评估卫星健康状态的当前运行多维遥参数据；
步骤S102：通过对所述正常运行多维遥参数据和所述当前运行多维遥参数据分别进行预处理特征提取，得到所述正常运行多维遥参数据的正常高维特征向量和所述当前运行多维遥参数据的当前高维特征向量；
步骤S103：利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；
步骤S104：计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；
步骤S105：利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。
其中，所述计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：通过将所述正常高维特征向量输入到训练后的正常高斯混合模型中，得到正常概率分数，以及通过将所述当前高维特征向量输入到所述训练后的当前高斯混合模型中，计算当前概率分数；根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度。
其中，所述根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：
其中，所述overlap为重叠度；所述g1(x)为正常概率分数；所述g2(x)为当前概率分数。
其中，所述利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型包括：根据预先设定的所述初始高斯混合模型的初始值，计算出所述初始高斯混合模型的模型验概率pik；利用最大概似法和所述模型验概率pik，重新估计和修正所述初始高斯混合模型的初始值参数。
其中，所述训练后的正常高斯混合模型包括：
其中，所述K为模型的混合数；所述ωk为高斯混合模型的权重系数，
所述φk(x|θk)为第k个单一高斯分布概率密度函数；所述μ为均值，密度函数的中心点；所述∑k为第k个单一高斯分布概率密度函数的协方差矩阵。
其中，所述计算所述初始高斯混合模型的模型验概率pik包括：
其中，所述ωk为高斯混合模型的权重系数，
所述K为混合数目；所述φk(x|θk)为第k个单一高斯分布概率密度函数。
其中，所述重新估计和修正所述初始高斯混合模型的初始值参数包括：
其中，所述pik为模型验概率；所述θk为第k个高斯函数的参数；所述K为混合数目；ωk为高斯混合模型的权重系数，
其中，所述通过对所述重叠度进行归一化处理，得到当前健康度指数值包括：
图2是本发明实施例提供的基于高斯混合模型的卫星健康评估框图，如图2所示，包括：
步骤一、从组成机理、数据挖掘角度出发，选取能表征卫星健康状态的多维遥参历史健康数据，组成训练数据样本。
对卫星健康评估以卫星遥测参数为基础。遥测数据是分析卫星健康状况的唯一数据来源，其实时记录了卫星平台及载荷的功能和性能参数，完整地反应了卫星的健康状况。遥测数据通过卫星的数据发射机传送给地面测控站，并通过相应的规则来分析卫星平台以及各载荷的健康状况。完成卫星健康评估的步骤一需要从众多遥测参数中选取能够表征卫星健康状态的多维遥测参数历史健康数据，选取的遥测参数需包含评估对象的健康状态信息，完成历史健康数据样本的构建，为后续健康评估提供数据基础。
步骤二、对多维遥参序列提取诸如均值、峭度、裕度等对不同故障类型敏感的特征，经过去野值、标准化等步骤，建立高维特征向量。
卫星遥测参数数据普遍为通过定时间间隔采样获得，遥测参数具有数量大、特征不明显、存在异常点等问题。因此，完成卫星健康评估工作的步骤二需要对构建的历史健康样本完成特征提取和数据优化。对于卫星的遥测参数，主要提取的特征形式主要为均值、峭度、裕度等对故障类型敏感的特征形式。对于已经提取的数据特征，进行去野值处理，减小卫星遥测参数中普遍存在的异常点对健康评估结果的影响。去野值处理方法为：将偏移均值超过三倍标准差的数据点剔除。标准化方法为：Z-score标准化，通过样本数据的均值与标准差对样本数据进行标准化处理处理后的数据均值为0，标准差为1。其表示如公式(1)所示：
新数据＝(原数据-均值)/标准差 (1)
经过去野值和标准化等步骤建立高维特征向量。高维特征向量包含了卫星的健康特征，作为高斯混合模型健康评估的输入特征向量。
步骤三、采用基于高斯混合模型GMM进行健康评估，其分为训练阶段和测试阶段。
3.1训练阶段。训练阶段利用步骤二方法处理得到的健康数据对高斯混合模型进行训练。模型利用高斯混合模型的统计方法，通过EM算法迭代确定历史正常状态特征向量的分布情况，将其以高斯分布均值、方差参数集合的形式嵌入到GMM模型中，完成训练。
同时，将卫星正常状态数据输入训练好的GMM模型，根据公式(2)，得到概率分数，并以此作为卫星正常状态的健康表征。
其中，K-模型的混合个数；
ωk，混合模型的权重系数，
φk(x|θk)，第k个单一高斯分布概率密度函数。
3.2测试阶段。测试阶段利用步骤二方法处理得到的待评估状态的数据对高斯混合模型进行训练。将卫星待评估运行状态下的特征向量输入GMM模型中，为保证评估结果的有效性，需保证3.2步骤用到的GMM模型参数设定与步骤3.1中的GMM模型相同。根据公式(2)，计算其在训练GMM模型下的概率分数，概率分数计算方法同3.1介绍。将3.1和3.2两步骤中用不同数据得到的高斯混合模型进行评价，计算当前特征向量的高斯混合模型和健康状态下高斯混合模型的重叠度overlap，计算方法如公式(3)所示，以此表征当前卫星的健康状态。
步骤四、通过反正切归一化函数，对步骤二中计算得到的正常、当前状态卫星重叠度进行归一化，得到0-1间的健康度指数值(当天值)。其中0代表卫星严重故障、1代表卫星健康。
反正切归一化函数如公式(4)所示。
步骤五、根据计算得到的健康度序列(由于需要长时间的评估，因此计算出多个健康度指数值，由多个健康度指数值组成健康度序列)，可以完成卫星状态的实时表征。
对于待评估的长时间序列的卫星状态数据，将数据以天为单位划分为数据段，每一个数据段进行如步骤二所示方法的预处理、步骤3.2所示方法的高斯混合模型训练和与正常数据的高斯混合模型比较计算、步骤四所示方法的CV值计算方法，即可获得每一个数据段的健康度指数值。遍历时间序列后，即可获得长时间序列卫星的健康度，实现卫星长时间序列数据的健康评估。
本发明涉及到的主要方法是高斯混合模型算法和用于高斯混合模型参数估计的最大期望算法，详细说明如下：
(1)GMM算法原理
假设一个高维空间(维数为n)的点xi(i＝1，2，...)，若这些点的分布近似为椭球体，则可用单一高斯密度函数N(x；μ，∑)来描述产生这些数据的概率密度函数：
其中μ为均值，密度函数的中心点；∑为密度函数的协方差矩阵。但若这些点的分布不是椭球状，则不适合采用单一高斯概率密度函数来描述这些点分布的概率密度函数。此时可以使用的变通方法是采用若干个单一高斯概率密度函数的加权平均来表示，即高斯混合模型(GMM)。高斯混合模型定义如下：
(与公式2相同)
其中，K-模型的混合数；
ωk，混合模型的权重系数，
φk(x|θk)，第k个单一高斯分布概率密度函数；
xi为训练数据D中的数据样本；
θk为当前混合高斯模型中第k个高斯函数的参数。
根据公式(8)和公式(9)，得到权重系数，并以此作为卫星正常状态的健康表征。
基于高斯混合模型的卫星健康评估健康度的表征通过计算两个GMM模型的重叠度(overlap)，可计算出当前的健康度，如公式(7)所示。两个GMM模型通过使用经筛选过的卫星遥测参数构建的高位特征向量训练得到，其之间的重叠度可以通过以下重叠度公式计算得到，来表征两个GMM之间的“接近程度”，其中g1(x)和g2(x)分别代表两个GMM的密度分布函数，其格式如公式(6)所示，参数通过EM算法的高斯混合模型训练获得。
如图3所示，正常运行状态的特征分布(这里选取了两个特征)处于一定的空间之内，两个监测运行状态的特征分布也分别处于各自对应的空间。监测状态1是在正常状态下采集的数据，因此它的特征分布空间基本和正常运行状态重合，计算所得健康度值接近于1；监测状态2是在重度退化状态下采集的数据，它的特征分布空间基本和正常运行状态相比，有显著的“偏移”，计算所得健康度值大大变小，接近于0。通过上式可以准确计算出这些健康度值，来定性、定量地表征过滤器/储能器的健康程度。
(2)模型参数估计
混合高斯分布中的未知参数通常可以通过EM(ExpectationMaximization，期望最大化)算法来评估，主要步骤如下：
1)(E阶段)根据贝叶斯Bayesian理论，对于定训练数据D中的数据样本xn，首先人为设定的高斯混合模型初始值，即第k个高斯函数的参数θk以及混合数目K，计算出模型验概率pik，
2)(M阶段)最大概似法(Maximum likelihood)来重新估计和修正设定的模型参数。
反复交替重复E阶段与M阶段，直至计算近似为稳定解，代表了问题的最大概率似然解，即可以得到估计出的平均值、协相关矩阵以及先验向量。
实施例：
卫星飞轮是卫星姿态控制系统的重要单机，飞轮的退化或故障是导致卫星姿态控制系统故障甚至卫星停机的重要原因之一，因此对飞轮状态的有效监控成为卫星在轨运行状态管理的关键环节。本案例以风云3号卫星姿控系统2011年7月至2017年8月的实时数据为基础。选取2011年7月至2015年7月的遥测数据作为高斯混合模型的训练与验证数据，选取2015年8月至2017年8月的遥测数据作为评估模型的验证数据。
步骤一：从组成机理、数据挖掘角度出发，选取能表征卫星健康状态的多维遥参历史健康数据，组成训练数据样本。
在卫星的全部遥测参数中，和姿态控制系统飞轮相关的参数有97项，选择合适的遥测参数进行飞轮的健康评估是一项关键工作。选择的遥测参数包含的健康信息越多，最终的健康评估模型可信度就越高，选择的遥测参数包含的健康信息越少，最终的健康评估模型可信度就越低。
根据卫星姿态控制系统飞轮的工作特性与退化特点，选择了：飞轮电压、飞轮电流、飞轮数字脉冲计数、飞轮转向、飞轮轴温、飞轮转速共6个遥测参数，考虑到卫星工作的周期性，加入了轨道钟参数，可以避免卫星在一个周期内不同位置导致的健康状态参数不同。
步骤二、对多维遥参序列提取诸如均值、峭度、裕度等对不同故障类型敏感的特征，经过去野值、标准化等步骤，建立高维特征向量。
本案例选用均值作为特征形式对选取的遥测参数构成的训练数据样本进行特征提取，图4为去野值后的短期数据图像，图5为去野值后的长期数据图像。
为保证模型训练的高效，对数据进行标准化处理，图6为标准化处理前后数据对比图。
步骤三、采用基于高斯混合模型GMM进行健康评估，其分为训练阶段和测试阶段。
高斯混合模型的EM算法通过代码是实现。
对健康数据的训练，如公式(6)所示的高斯混合模型用表格呈现如下：
对于待评估数据的训练，如公式(6)所示的高斯混合模型表格呈现如下：
利用健康数据和待评估数据训练的两个高斯混合模型计算重叠度：ocerlap＝0.898466127
步骤四、通过反正切归一化函数，对步骤二中计算得到的正常、当前状态卫星概率分数进行归一化，得到0-1间的健康度指数序列。
利用公式(4)对重叠度进行归一化处理，CV＝0.4659846712。
此CV值即为评估对象飞轮的基于高斯混合模型的健康评估方法的评估结果。
步骤五、根据计算得到的健康度序列，可以完成卫星状态的实时表征。
将长期时间序列数据按数据段划分，每段数据按实施例步骤二、三、四的处理流程，即可获得长时间序列的健康度序列，实现卫星状态的健康评估与健康状态的长时间监测。
本发明可应用在卫星或其他航天器的重要单机或系统的健康评估工作中，还可应用于拥有充足健康数据的其他设备或系统的健康评估工作中。
根据本发明实施例提供的方案，利用高斯混合模型的用简单模型表征复杂结构的特点和结合参数模型解析优势和非参数模型的灵活性的优势，为卫星健康评估提供了可信度高、灵敏度高、易于推广的新方法。
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)
1.一种基于高斯混合模型的卫星健康评估方法，其特征在于，包括：
从历史遥参数据中获取卫星健康状态下的正常运行多维遥参数据和用于待评估卫星健康状态的当前运行多维遥参数据；
通过对所述正常运行多维遥参数据和所述当前运行多维遥参数据分别进行预处理特征提取，得到所述正常运行多维遥参数据的正常高维特征向量和所述当前运行多维遥参数据的当前高维特征向量；
利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；
计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；
利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。
2.根据权利要求1所述的方法，其特征在于，所述计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：
通过将所述正常高维特征向量输入到训练后的正常高斯混合模型中，得到正常概率分数，以及通过将所述当前高维特征向量输入到所述训练后的当前高斯混合模型中，计算当前概率分数；
根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：
其中，所述overlap为重叠度；所述g1(x)为正常概率分数；所述g2(x)为当前概率分数。
4.根据权利要求1所述的方法，其特征在于，所述利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型包括：
根据预先设定的所述初始高斯混合模型的初始值，计算出所述初始高斯混合模型的模型验概率pik；
利用最大概似法和所述模型验概率pik，重新估计和修正所述初始高斯混合模型的初始值参数。
5.根据权利要求4所述的方法，其特征在于，所述训练后的正常高斯混合模型包括：
其中，所述K为模型的混合数；所述ωk为高斯混合模型的权重系数，
ωk≥0；所述φk(x|θk)为第k个单一高斯分布概率密度函数；所述μ为均值，密度函数的中心点；所述∑k为第k个单一高斯分布概率密度函数的协方差矩阵。
6.根据权利要求5所述的方法，其特征在于，所述计算所述初始高斯混合模型的模型验概率pik包括：
其中，所述ωk为高斯混合模型的权重系数，
ωk≥0；所述K为混合数目；所述φk(x|θk)为第k个单一高斯分布概率密度函数。
7.根据权利要求6所述的方法，其特征在于，所述重新估计和修正所述初始高斯混合模型的初始值参数包括：
8.根据权利要求1所述的方法，其特征在于，所述通过对所述重叠度进行归一化处理，得到当前健康度指数值包括：
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2019104745707 | 2019-06-03 | ||
| CN201910474570 | 2019-06-03 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111680407A true CN111680407A (zh) | 2020-09-18 |
| CN111680407B CN111680407B (zh) | 2023-12-01 |
Family
ID=72453060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010452257.6A Active CN111680407B (zh) | 2019-06-03 | 2020-05-26 | 一种基于高斯混合模型的卫星健康评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680407B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112537461A (zh) * | 2020-12-03 | 2021-03-23 | 北京航空航天大学 | 一种基于星载关联性健康基线卫星在轨实时监测方法 |
| CN112596081A (zh) * | 2020-12-03 | 2021-04-02 | 北京航空航天大学 | 一种基于关联性健康基线的健康状态监测算法设计开发与应用方法 |
| CN112836941A (zh) * | 2021-01-14 | 2021-05-25 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934242A (zh) * | 2017-03-16 | 2017-07-07 | 杭州安脉盛智能技术有限公司 | 基于交叉熵法的多模式下设备的健康度评估方法及系统 |
| CN107947163A (zh) * | 2017-11-30 | 2018-04-20 | 广东电网有限责任公司电力调度控制中心 | 关于燃煤机组变负荷性能评测方法及其系统 |
| CN109376881A (zh) * | 2018-12-12 | 2019-02-22 | 中国航空工业集团公司上海航空测控技术研究所 | 基于维修成本优化的复杂系统维修决策方法 |
-
2020
- 2020-05-26 CN CN202010452257.6A patent/CN111680407B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934242A (zh) * | 2017-03-16 | 2017-07-07 | 杭州安脉盛智能技术有限公司 | 基于交叉熵法的多模式下设备的健康度评估方法及系统 |
| CN107947163A (zh) * | 2017-11-30 | 2018-04-20 | 广东电网有限责任公司电力调度控制中心 | 关于燃煤机组变负荷性能评测方法及其系统 |
| CN109376881A (zh) * | 2018-12-12 | 2019-02-22 | 中国航空工业集团公司上海航空测控技术研究所 | 基于维修成本优化的复杂系统维修决策方法 |
Non-Patent Citations (3)
| Title |
|---|
| 王源等: "基于高斯混合模型的EM学习算法", 《山西师范大学学报(自然科学版)》 * |
| 阿拉丁吃米粉: "计算高斯混合模型的可分性和重叠度（Overlap Rate,OLR）", 《HTTPS://BLOG.CSDN.NET/JINPING_SHI/ARTICLE/DETAILS/72471641》 * |
| 阿拉丁吃米粉: "高斯混合模型（GMM）及其EM算法的理解", 《HTTPS://BLOG.CSDN.NET/JINPING_SHI/ARTICLE/DETAILS/59613054》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112537461A (zh) * | 2020-12-03 | 2021-03-23 | 北京航空航天大学 | 一种基于星载关联性健康基线卫星在轨实时监测方法 |
| CN112596081A (zh) * | 2020-12-03 | 2021-04-02 | 北京航空航天大学 | 一种基于关联性健康基线的健康状态监测算法设计开发与应用方法 |
| CN112596081B (zh) * | 2020-12-03 | 2023-12-01 | 北京航空航天大学 | 一种基于关联性健康基线的健康状态监测的方法 |
| CN112836941A (zh) * | 2021-01-14 | 2021-05-25 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
| CN112836941B (zh) * | 2021-01-14 | 2024-01-09 | 哈电发电设备国家工程研究中心有限公司 | 一种煤电机组汽轮机高加系统在线健康状况评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111680407B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10733536B2 (en) | Population-based learning with deep belief networks | |
| CN111680407A (zh) | 一种基于高斯混合模型的卫星健康评估方法 | |
| EP3183622B1 (en) | Population-based learning with deep belief networks | |
| CN108182515B (zh) | 智能规则引擎规则输出方法、设备及计算机可读存储介质 | |
| Felix et al. | Predicting the number of defects in a new software version | |
| US20190310618A1 (en) | System and software for unifying model-based and data-driven fault detection and isolation | |
| US20220011760A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
| CN116457802A (zh) | 利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止 | |
| RU2632124C1 (ru) | Способ прогнозной оценки эффективности многоэтапных процессов | |
| CN117076993A (zh) | 基于云原生的多智能体博弈决策系统及方法 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN115545169A (zh) | 基于gru-ae网络的多视角业务流程异常检测方法、系统以及设备 | |
| US11847544B2 (en) | Preventing data leakage in automated machine learning | |
| KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
| WO2020152029A1 (en) | Managing an installed base of artificial intelligence modules | |
| Guzairov et al. | The concept of integrity of telemetric information about the state of an aircraft power plant monitoring | |
| Tang et al. | The improvement of remaining useful life prediction for aero-engines by classification and deep learning | |
| Helgo | Deep Learning and Machine Learning Algorithms for Enhanced Aircraft Maintenance and Flight Data Analysis | |
| Gruber et al. | Condition‐Based Maintenance v ia a Targeted B ayesian Network Meta‐Model | |
| US11768753B2 (en) | System and method for evaluating and deploying data models having improved performance measures | |
| Hallgrímsson et al. | Autoencoder based residual generation for fault detection of quadruple tank system | |
| US11954615B2 (en) | Model management for non-stationary systems | |
| Yang | A Robust Event Diagnostics Platform: Integrating Tensor Analytics and Machine Learning into Real-time Grid Monitoring | |
| Akash | Prediction of industrial machine failure by analysing anomalies | |
| WO2024043888A1 (en) | Real time detection, prediction and remediation of machine learning model drift in asset hierarchy based on time-series data |
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 |