CN111680748A - 航天器状态模式的识别方法及识别装置 - Google Patents
航天器状态模式的识别方法及识别装置 Download PDFInfo
- Publication number
- CN111680748A CN111680748A CN202010513976.4A CN202010513976A CN111680748A CN 111680748 A CN111680748 A CN 111680748A CN 202010513976 A CN202010513976 A CN 202010513976A CN 111680748 A CN111680748 A CN 111680748A
- Authority
- CN
- China
- Prior art keywords
- telemetry
- data
- telemetering
- data sequence
- spacecraft
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013145 classification model Methods 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 16
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 238000012706 support-vector machine Methods 0.000 description 48
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000003380 propellant Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种航天器状态模式的识别方法及识别装置。其中，该方法包括：采集待检测航天器的实时遥测数据；获取实时遥测数据的特征信息；将特征信息分别输入至多个支持向量机SVM分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式；依据匹配度确定待检测航天器当前所处的状态模式。本发明解决了由于现有技术中无法及时发现遥测数据异常情况、航天器的安全性和可靠性难以得到保障的的技术问题。
Description
技术领域
本发明涉及航天领域，具体而言，涉及一种航天器状态模式的识别方法及识别装置。
背景技术
航天器在轨飞行期间会有不同的状态模式，在不同状态模式期间，飞行器部件会工作在不同的状态下，对应的遥测数据也表现出不同的特性和变化规律，对航天器进行状态分析时，目前现有技术中常见的方法是识别出状态变化相关的少量关键遥测参数，监视遥测参数变化并与状态变化相对应的规则进行匹配，完成状态分析，但这种方法在面临状态遥测参数量大、遥测参数阈值和变化规律发生改变的情况下，其无法利用大量遥测参数进行复杂的规则描述，尤其是在面对状态模式转换持续时间长的特点时，这类方法无法对状态转换从开始、变化、维持到结束的全过程进行描述，因此，无法及时发现遥测数据的异常情况，造成的航天器在轨运行的安全性和可靠性难以得到保证。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种航天器状态模式的识别方法及识别装置，以至少解决由于现有技术中无法及时发现遥测数据异常情况、航天器的安全性和可靠性难以得到保障的的技术问题。
根据本发明实施例的一个方面，提供了一种航天器状态模式的识别方法，包括：采集待检测航天器的实时遥测数据；获取实时遥测数据的特征信息；将特征信息分别输入至多个支持向量机SVM(英文全称：Support Vector Machine)分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式；依据匹配度确定待检测航天器当前所处的状态模式。
可选地，获取实时遥测数据的特征信息之前，方法还包括：对实时遥测数据按照采集时间的先后顺序进行排序，得到第一遥测数据序列；获取实时遥测数据的特征信息，包括：对第一遥测数据序列进行数据清洗，得到第二遥测数据序列；计算第二遥测数据序列的特征属性，并将特征属性作为特征信息。
可选地，特征属性包括以下至少之一：周期性特征、趋势性特征、定位特征。
可选地，周期性特征通过以下方式确定：对第二遥测数据序列中每个遥测数据进行归一化处理，即将第二遥测数据序列中每个遥测数据对应的时间戳与周期长度进行求余运算得到余值，将余值再除以周期长度，得到第二遥测数据序列的周期性特征；或者，根据第二遥测数据序列中相似相位均值得到第二遥测数据序列的周期性特征，其中，相似相位均值为按照预设精度对遥测数据的归一化相位进行分箱，相位值位于同箱内则认为相似相位值，然后就可以得到位于相似相位值的时间点的数据的平均值；趋势性特征通过以下方式确定：根据第二遥测数据序列的数据中的最大值、最小值、均值和熵值，确定第二遥测数据序列的趋势性特征；定位特征通过以下方式确定：根据第二遥测数据序列中最大值相位、最小值相位和初始点相位确定。
可选地，对第一遥测数据序列进行数据清洗，得到第二遥测数据序列，包括：剔除第一遥测数据序列中属于野值的遥测数据，得到目标遥测数据序列；确定目标遥测数据序列中各个遥测数据的类型；对于每个类型的遥测数据，采用与类型对应的清洗方式对目标遥测数据序列进行清洗，得到第二遥测数据序列。
可选地，剔除第一遥测数据序列中属于野值的遥测数据，包括：逐一将第一遥测数据序列中的遥测数据与预设的参数取值范围作比较，若遥测数据不属于参数范围的次数小于n次，则确定这一遥测数据为野值，并删除遥测数据，其中，n为自然数。
可选地，采用与类型对应的清洗方式对目标遥测数据序列进行清洗，包括：在类型为缓变遥测参数或状态量遥测参数时，删除第一遥测数据序列中的重复的遥测数据；在类型为速变遥测参数时，对第一遥测数据序列中的遥测数据进行平滑处理。
可选地，在类型为缓变遥测参数或状态量遥测参数时，删除第一遥测数据序列中的重复的遥测数据，包括：以t0为当前初始时刻，在连续的时间间隔Δt内，每隔时间间隔Δt内逐个计算缓变遥测参数和状态量参数，删除重复的数据，保留不同数据值。
可选地，在类型为速变遥测参数时，对第一遥测数据序列中的遥测数据进行平滑处理，包括：以t0为当前初始时刻，在连续的时间间隔Δt内，每隔时间间隔Δt内利用公式
逐个计算速变遥测参数，得到平滑处理后的遥测数据序列，其中，x为速变遥测参数。
可选地，将特征信息分别输入至多个SVM分类模型中进行分析之前，其特征在于，包括：采集航天器在各个状态模式下的样本遥测数据，将样本遥测数据按照各个工作状态模式分类后构建多个数据样本集，并给每个数据样本集分配状态模式标签，其中，样本遥测数据包括样本实时遥测数据和样本延时遥测数据；对于每个数据样本集，将样本遥测数据中的实时遥测数据和延时遥测数据按时间先后顺序重新进行组合排序，生成样本遥测数据序列；获取样本遥测数据序列的特征信息；基于样本遥测数据序列的特征信息，使用OVRSVMs算法对预设分类模型进行训练，生成航天器在各个状态模式下的多个SVM分类模型。
根据本发明实施例的另一方面，还提供了一种航天器状态模式的识别装置，包括：采集模块，采集待检测航天器的实时遥测数据；获取模块，获取实时遥测数据的特征信息；识别模块，将特征信息分别输入至多个SVM分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式；确定模块，依据匹配度确定多个SVM分类模型中的目标SVM分类模型，并将目标SVM分类模型对应的状态模式作为待检测航天器当前所处的状态模式。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行权任意一种航天器状态模式的识别方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行任意一种航天器状态模式的识别方法。
在本发明实施例中，采用分类模型的方式，通过采集待检测航天器的实时遥测数据，获取实时遥测数据的特征信息，将特征信息分别输入至多个SVM分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式，达到了利用多个SVM分类模型分别用于识别航天器的不同状态模式目的，从而实现了依据分类模型与航天器状态模式匹配度确定待检测航天器当前所处的状态模式的技术效果，进而解决了由于现有技术中无法及时发现遥测数据异常情况、航天器的安全性和可靠性难以得到保障的技术问题。
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，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种航天器状态模式的识别方法的流程示意图；
图2是根据本发明实施例的一种可选的对相似相位值的时间点的数据的求平均值的波形示意图；
图3是本发明实施例一种可选的构建SVM分类模型的建模过程示意图；
图4是本发明实施例的一种航天器状态模式的识别装置的结构示意图；
图5是本发明实施例一种可选的航天器状态模式识别的原理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了更好地理解本发明实施例，以下将本申请实施例中涉及的技术术语的含义解释如下：
周期性特征：一般情况下，航天器不同状态下的遥测参数具有不同的周期性表现，即在周期T时间内，不同状态下的遥测参数在数量、分布等方面存在差异。例如，状态1的遥测参数在T时间内出现N1次，且主要分布在T/2时刻；状态2的遥测参数在T时间内出现N2次，但主要分布在T/4以及3T/4时刻前后。为提取遥测参数的周期性特征，本发明实施例对遥测数据的时间戳进行相位归一化，并计算相似相位均值来定量地描述遥测参数的周期性特征。
趋势性特征：趋势性特征是遥测数据的统计性特征，包括均值、最大值、最小值、熵值等进行统计，统计后的特征值共同组成遥测参数的趋势性特征。
定位特征：结合上述周期性特征和趋势性特征，计算遥测参数的最大值相位、最小值相位，最大值与最小值的相位间距，最大值与初始点的相位间距，最小值与初始点的相位间距，这些计算结果共同组成遥测参数的定位特征。
根据本发明实施例，提供了一种航天器状态模式的识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的航天器状态模式的识别方法，如图1所示，该方法包括如下步骤：
步骤S102，采集待检测航天器的实时遥测数据；
步骤S104，获取实时遥测数据的特征信息；
步骤S106，将特征信息分别输入至多个支持向量机SVM分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式；
步骤S108，依据匹配度确定待检测航天器当前所处的状态模式。
上述识别方法中，首先，采集待检测航天器的实时遥测数据；其次，获取实时遥测数据的特征信息；然后，将特征信息分别输入至多个SVM分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式；最后，依据匹配度确定待检测航天器当前所处的状态模式，从而实现了依据分类模型与航天器状态模式匹配度确定待检测航天器当前所处的状态模式的技术效果，进而解决了由于现有技术中无法及时发现遥测数据异常情况、航天器的安全性和可靠性难以得到保障的技术问题。
需要说明的是，上述状态模式包括但不限于：1、轨道控制状态模式2、蓄电池充、放电状态模式3、帆板自主跟踪太阳状态模式4、姿态机动状态模式5、自主交汇对接状态模式6、推进剂补加状态模式7、自主温控状态模式8、过阴影状态模式等。
本申请一种可选的实施例中，获取实时遥测数据的特征信息之前，方法还包括：对实时遥测数据按照采集时间的先后顺序进行排序，得到第一遥测数据序列；获取实时遥测数据的特征信息，包括：对第一遥测数据序列进行数据清洗，得到第二遥测数据序列；计算第二遥测数据序列的特征属性，并将特征属性作为特征信息。
需要说明的，本申请的一些实施例中，特征属性包括以下至少之一：周期性特征、趋势性特征、定位特征。
本申请的一些实施例中，周期性特征可以通过以下方式确定：对第二遥测数据序列中每个遥测数据进行归一化处理，即将第二遥测数据序列中每个遥测数据对应的时间戳与周期长度进行求余运算得到余值，将余值再除以周期长度，得到第二遥测数据序列的周期性特征，计算公式为：
future_phase＝future_tstamp％T/T；
其中，future_phase为对相位进行归一化得到遥测数据、future_tstamp为时间戳、T为周期时长；其中，T值的大小一般默认为3600秒，也可以根据专家经验知识人为预设数值。
周期性特征，也可以根据第二遥测数据序列中相似相位均值得到第二遥测数据序列的周期性特征，其中，相似相位均值为按照预设精度对遥测数据的归一化相位进行分箱，相位值位于同箱内则认为相似相位值，对位于相似相位值的时间点的数据的求平均值，如图2所示，可以统计待预测时间点相位，对其相似相位平均值；
趋势性特征可以通过以下方式确定：根据第二遥测数据序列的数据中的最大值、最小值、均值和熵值，确定第二遥测数据序列的趋势性特征，也可以通过熵值等确定第二遥测数据序列的趋势性特征；
定位特征通过以下方式确定：根据第二遥测数据序列中最大值相位、最小值相位和初始点相位确定。
具体地，通过上述最大值和最小值的相位差得出第二遥测数据序列的定位特征，例如通过最大值和最小值所在相位之间差值的绝对值确定，计算公式为：
mmDist＝|argmax-argmin|；
其中，mmDist表示相位差，argmax表示最大值，argmin表示最小值。
具体地，定位特征也可以通过以下方式确定：最大值-初始点相位、最小值-初始点相位确定，其中，最大值-初始点相位为第二遥测序列数据中最大值点的相位和该段数据起始点相位之间差值的绝对值，计算公式为：
mmfDist＝|argmax-argfirst|；
其中，mmfDist为最大值与初始点相位的间距值，argmax为最大值点的相位，argfirst为第二遥测数据序列的数据起始点。
同理，最小值-初始点相位为数据中最小值点的相位和该段数据起始点相位之间差值的绝对值，计算公式为：
minfDist＝|argmin-argfirst|；
其中，minfDist为最小值与初始点相位的间距值，argmin为最小值点的相位，argfirst为第二遥测数据序列的数据起始点。
本申请一种可选的实施例中，对第一遥测数据序列进行数据清洗，得到第二遥测数据序列，包括：剔除第一遥测数据序列中属于野值的遥测数据，得到目标遥测数据序列；确定目标遥测数据序列中各个遥测数据的类型；对于每个类型的遥测数据，采用与类型对应的清洗方式对目标遥测数据序列进行清洗，得到第二遥测数据序列。
可选地，剔除第一遥测数据序列中属于野值的遥测数据，包括：逐一将第一遥测数据序列中的遥测数据与预设的参数取值范围作比较，若遥测数据不属于参数范围的次数小于n次，则确定这一遥测数据为野值，并删除遥测数据，其中，n为自然数。
具体地，第一遥测数据序列中遥测数据的正常范围为(min，max)，则正常范围的半径为span＝1/2(max-min)，将正常范围上下限分别乘以倍数TIME，重新计算参数范围(minT，maxT)，其中TIME值一般默认为10，也可以依据专家经验知识给出。
minT＝min-(TIME-1)×span
maxT＝max+(TIME-1)×span
使用上述公式逐个计算遥测值，如果遥测数据超出(minT，maxT)范围的次数在{1,n}范围内，则记录此遥测数据为野值，并对其删除。
本申请一种可选的实施例中，上述剔除过程可通过以下算法实现：
for每个遥测参数do
计算该参数野值标准(倍数)
利用得到的倍数遍历整个遥测数据序列，进行野值删除操作
end for
本申请一些实施例中，采用与类型对应的清洗方式对目标遥测数据序列进行清洗，包括：在类型为缓变遥测参数或状态量遥测参数时，删除第一遥测数据序列中的重复的遥测数据；在类型为速变遥测参数时，对第一遥测数据序列中的遥测数据进行平滑处理。
需要说明的是，某些情况下，遥测参数的值一般可能会持续变化(增加或者减少)在这个变化的过程中，遥测参数变化的频率比较缓慢，这种变化缓慢的参数称为缓变遥测参数，由于变化缓慢，可能会出现大量重复的数据，不利于特征提取，因此在实际应用中，需要对这些数据做去重处理；容易注意到的是，在某些情况下，在遥测参数的值持续变化(增加或者减少)的过程中，遥测参数变化的频率比较快，这种变化比较迅速的参数称为速变遥测参数，由于遥测参数变化的频率比较快，不利于特征提取，因此一般需要对其做平滑处理，进一步，状态量遥测参数是，航天器中表示航天器部件状态的参数，航天器部件的状态比较稳定，其中的参数一般会保持不变，因此，在实际应用中一般也需要做去重处理。
具体地，在本申请一些可选的实施例中，在类型为缓变遥测参数或状态量遥测参数时，删除第一遥测数据序列中的重复的遥测数据，可以以t0为当前初始时刻，在连续的时间间隔Δt内，每隔时间间隔Δt内逐个计算缓变遥测参数和状态量参数，删除重复的数据，保留不同数据值。
本申请一些实施例中，在类型为速变遥测参数时，对第一遥测数据序列中的遥测数据进行平滑处理，包括：以t0为当前初始时刻，在连续的时间间隔Δt内，每隔时间间隔Δt内利用公式
逐个计算速变遥测参数，得到平滑处理后的遥测数据序列，其中，x为速变遥测参数。
图3是本申请一种可选的构建SVM分类模型的建模过程示意图，本申请一些实施例中，训练时依次把某个类别的样本归为一类，其它剩余的样本归为另一类，这样K个类别的样本就构造出了K个SVM。为了检测模型正确性可以使用检测样本数据对模型进行修正，提高检测准确性。
OVRSVMs模型算法如下：
定义(对于只有目标类训练样本时)：
nSV：支持向量的总数目，0<αi<C；
由于
因此，必须有下式满足：
即：
当不希望训练样本集中有处于边界之外的样本时，C可以设置为：
C≥1
此时SVM可以通过二次规划(对偶规划)来实现：
解上述问题后求得的最优分类函数是：
根据上述定义和算法求解，训练出SVM分类模型。
具体地，本申请一种可选的实施例中，将特征信息分别输入至多个SVM分类模型中进行分析之前，其特征在于，包括：采集航天器在各个状态模式下的样本遥测数据，将样本遥测数据按照各个工作状态模式分类后构建多个数据样本集，并给每个数据样本集分配状态模式标签，其中，样本遥测数据包括样本实时遥测数据和样本延时遥测数据；对于每个数据样本集，将样本遥测数据中的实时遥测数据和延时遥测数据按时间先后顺序重新进行组合排序，生成样本遥测数据序列；获取样本遥测数据序列的特征信息；基于样本遥测数据序列的特征信息，使用OVRSVMs算法对预设分类模型进行训练，生成航天器在各个状态模式下的多个SVM分类模型。
需要说明的是，样本延时遥测数据是由于某些原因不能实时下传，暂存在航天器上的遥测数据，其可以在测控条件允许时，再进行下传。遥测数据中的样本延时遥测数据与样本实时遥测数据共同组成样本数据，进行数据预处理(排序、清洗)后，作为训练数据，用于特征提取、模型训练等。
图4是根据本发明实施例的一种航天器状态模式的识别装置，如图4所示，该装置包括：
采集模块40，采集待检测航天器的实时遥测数据；
获取模块42，获取实时遥测数据的特征信息；
识别模块44，将特征信息分别输入至多个SVM分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式；
确定模块46，依据匹配度确定多个SVM分类模型中的目标SVM分类模型，并将目标SVM分类模型对应的状态模式作为待检测航天器当前所处的状态模式。
上述识别装置中，采集模块，用于采集待检测航天器的实时遥测数据；获取模块，用于获取实时遥测数据的特征信息；识别模块，用于将特征信息分别输入至多个SVM分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式；确定模块，用于依据匹配度确定多个SVM分类模型中的目标SVM分类模型，并将目标SVM分类模型对应的状态模式作为待检测航天器当前所处的状态模式，从而实现了依据分类模型与航天器状态模式匹配度确定待检测航天器当前所处的状态模式的技术效果，进而解决了由于现有技术中无法及时发现遥测数据异常情况、航天器的安全性和可靠性难以得到保障的技术问题。
图5是本发明一种可选的航天器状态模式识别的原理示意图，如图5所示，该流程主要包括以下步骤：:
收集航天器工作在不同状态模式下的遥测数据，构建遥测数据集，可结合专家知识对上述遥测数据集进行参数选择，再对遥测数据进行数据清洗，包括:剔除遥测数据集的野值及完成对遥测数据集去重处理和平滑处理。
然后计算中每个样本集中遥测数据的特征属性，从三个方面计算特征属性构造特征属性序列，这三个方面分别为周期性特征，趋势性特征和定位特征，再将遥测数据集中的数据输入到OVRSVMs模型中训练学习，得到航天器不同状态模式下的SVM模型，生成正常状态知识库，将待检测的状态模式与上述正常状态知识库进行匹配，计算偏差，完成对状态模式的识别、监视。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行权任意一种航天器状态模式的识别方法。
具体地，上述非易失性存储介质用于存储执行以下功能的程序指令，实现以下功能：
采集待检测航天器的实时遥测数据，获取实时遥测数据的特征信息，将特征信息分别输入至多个SVM分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式，依据匹配度确定待检测航天器当前所处的状态模式。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行任意一种航天器状态模式的识别方法。
具体地，上述处理器用于调用存储器中的程序指令，实现以下功能：
采集待检测航天器的实时遥测数据，获取实时遥测数据的特征信息，将特征信息分别输入至多个SVM分类模型中进行分析，得到特征信息与多个SVM分类模型所对应状态模式的匹配度，其中，多个SVM分类模型分别用于识别航天器的不同状态模式，依据匹配度确定待检测航天器当前所处的状态模式。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种航天器状态模式的识别方法，其特征在于，包括：
采集待检测航天器的实时遥测数据；
获取所述实时遥测数据的特征信息；
将所述特征信息分别输入至多个支持向量机SVM分类模型中进行分析，得到所述特征信息与所述多个SVM分类模型所对应状态模式的匹配度，其中，所述多个SVM分类模型分别用于识别所述航天器的不同状态模式；
依据所述匹配度确定所述待检测航天器当前所处的状态模式。
2.根据权利要求1所述的方法，其特征在于，获取所述实时遥测数据的特征信息之前，所述方法还包括：
对所述实时遥测数据按照采集时间的先后顺序进行排序，得到第一遥测数据序列；
获取所述实时遥测数据的特征信息，包括：对所述第一遥测数据序列进行数据清洗，得到第二遥测数据序列，计算所述第二遥测数据序列的特征属性，并将所述特征属性作为所述特征信息。
3.根据权利要求2所述的方法，其特征在于，所述特征属性包括以下至少之一：
周期性特征、趋势性特征、定位特征。
4.根据权利要求3所述的方法，其特征在于，包括：
所述周期性特征通过以下方式确定：对所述第二遥测数据序列中每个遥测数据进行归一化处理，即将所述第二遥测数据序列中每个遥测数据对应的时间戳与周期长度进行求余运算得到余值，将所述余值再除以周期长度，得到所述第二遥测数据序列的周期性特征；
或者，根据第二遥测数据序列中的相似相位均值得到所述第二遥测数据序列的周期性特征，其中，对具有相似相位值的时间点的数据求平均值，即为所述相似相位均值；其中，所述相似相位均值通过以下方式确定：按照预设精度对所述第二遥测数据序列中的数据的归一化相位进行分箱，如果相位值位于同箱内，则确定同箱内的相位值为所述相似相位值；
所述趋势性特征通过以下方式确定：根据第二遥测数据序列中的最大值、最小值、均值和熵值，确定所述第二遥测数据序列的趋势性特征；
所述定位特征通过以下方式确定：根据所述第二遥测数据序列中最大值相位、最小值相位和初始点相位确定。
5.根据权利要求2所述的方法，其特征在于，对所述第一遥测数据序列进行数据清洗，得到第二遥测数据序列，包括：
剔除所述第一遥测数据序列中属于野值的遥测数据，得到目标遥测数据序列；
确定所述目标遥测数据序列中各个遥测数据的类型；
对于每个类型的遥测数据，采用与所述类型对应的清洗方式对所述目标遥测数据序列进行清洗，得到所述第二遥测数据序列。
6.根据权利要求5所述的方法，其特征在于，剔除所述第一遥测数据序列中属于野值的遥测数据，包括：
逐一将所述第一遥测数据序列中的遥测数据与预设的参数取值范围作比较，若所述遥测数据不属于所述参数范围的次数小于n次，则确定这一遥测数据为野值，并删除所述遥测数据，其中，n为自然数。
7.根据权利要求5所述的方法，其特征在于，采用与所述类型对应的清洗方式对所述目标遥测数据序列进行清洗，包括：
在所述类型为缓变遥测参数或状态量遥测参数时，删除所述第一遥测数据序列中的重复的遥测数据；
在所述类型为速变遥测参数时，对第一遥测数据序列中的遥测数据进行平滑处理。
8.根据权利要求7所述的方法，其特征在于，在所述类型为缓变遥测参数或状态量遥测参数时，删除所述第一遥测数据序列中的重复的遥测数据，包括：
以t0为当前初始时刻，在连续的时间间隔Δt内，每隔时间间隔Δt内逐个计算所述缓变遥测参数和状态量参数，删除重复的数据，保留不同数据值。
9.根据权利要求7所述的方法，其特征在于，在所述类型为速变遥测参数时，对第一遥测数据序列中的遥测数据进行平滑处理，包括：
以t0为当前初始时刻，在连续的时间间隔Δt内，每隔时间间隔Δt内利用公式
逐个计算所述速变遥测参数，得到平滑处理后的遥测数据序列，其中，x为所述速变遥测参数。
10.根据权利要求1所述的方法，将所述特征信息分别输入至所述多个SVM分类模型中进行分析之前，其特征在于，包括：
采集航天器在各个状态模式下的样本遥测数据，将所述样本遥测数据按照各个工作状态模式分类后构建多个数据样本集，并给每个所述数据样本集分配状态模式标签，其中，所述样本遥测数据包括样本实时遥测数据和样本延时遥测数据；
对于每个数据样本集，将所述样本遥测数据中的实时遥测数据和延时遥测数据按时间先后顺序重新进行组合排序，生成样本遥测数据序列；
获取所述样本遥测数据序列的特征信息；
基于所述样本遥测数据序列的特征信息，使用OVRSVMs算法对预设分类模型进行训练，生成所述航天器在各个状态模式下的对应的所述多个SVM分类模型。
11.一种航天器状态模式的识别装置，其特征在于，包括：
采集模块，用于采集待检测航天器的实时遥测数据；
获取模块，用于获取所述实时遥测数据的特征信息；
识别模块，用于将所述特征信息分别输入至多个SVM分类模型中进行分析，得到所述特征信息与所述多个SVM分类模型所对应状态模式的匹配度，其中，所述多个SVM分类模型分别用于识别所述航天器的不同状态模式；
确定模块，用于依据所述匹配度确定所述多个SVM分类模型中的目标SVM分类模型，并将所述目标SVM分类模型对应的状态模式作为待检测航天器当前所处的状态模式。
12.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至10中任意一项所述航天器状态模式的识别方法。
13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至10中任意一项所述航天器状态模式的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513976.4A CN111680748B (zh) | 2020-06-08 | 2020-06-08 | 航天器状态模式的识别方法及识别装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513976.4A CN111680748B (zh) | 2020-06-08 | 2020-06-08 | 航天器状态模式的识别方法及识别装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111680748A true CN111680748A (zh) | 2020-09-18 |
| CN111680748B CN111680748B (zh) | 2024-02-02 |
Family
ID=72454062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010513976.4A Active CN111680748B (zh) | 2020-06-08 | 2020-06-08 | 航天器状态模式的识别方法及识别装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111680748B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112803893A (zh) * | 2021-01-21 | 2021-05-14 | 中国科学院微小卫星创新研究院 | 卫星电源系统健康状态监测系统 |
| CN112946656A (zh) * | 2021-02-01 | 2021-06-11 | 航天新气象科技有限公司 | 基于改进遗传算法的气象雷达探测模式识别方法及系统 |
| CN114880196A (zh) * | 2022-03-25 | 2022-08-09 | 北京航天飞行控制中心 | 深空航天器轨道控制效果的评估方法及装置、存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100204931A1 (en) * | 2009-02-06 | 2010-08-12 | Honeywell International Inc. | Continuous performance analysis system and method |
| CN102542159A (zh) * | 2011-12-08 | 2012-07-04 | 北京空间飞行器总体设计部 | 一种在轨航天器状态预测方法 |
| CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
| CN104569694A (zh) * | 2015-01-28 | 2015-04-29 | 北京空间飞行器总体设计部 | 一种面向航天器飞行过程的电信号特征提取和识别系统 |
| CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
| CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
| US20170250855A1 (en) * | 2016-02-26 | 2017-08-31 | Microsoft Technology Licensing, Llc | Anomaly Detection and Classification Using Telemetry Data |
| CN110210509A (zh) * | 2019-03-04 | 2019-09-06 | 广东交通职业技术学院 | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 |
-
2020
- 2020-06-08 CN CN202010513976.4A patent/CN111680748B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100204931A1 (en) * | 2009-02-06 | 2010-08-12 | Honeywell International Inc. | Continuous performance analysis system and method |
| CN102542159A (zh) * | 2011-12-08 | 2012-07-04 | 北京空间飞行器总体设计部 | 一种在轨航天器状态预测方法 |
| CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
| CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
| CN104569694A (zh) * | 2015-01-28 | 2015-04-29 | 北京空间飞行器总体设计部 | 一种面向航天器飞行过程的电信号特征提取和识别系统 |
| US20170250855A1 (en) * | 2016-02-26 | 2017-08-31 | Microsoft Technology Licensing, Llc | Anomaly Detection and Classification Using Telemetry Data |
| CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
| CN110210509A (zh) * | 2019-03-04 | 2019-09-06 | 广东交通职业技术学院 | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘帆;刘兵;陈军;周映霞;郭静;: "一种基于时序形态的航天器动态模式提取方法", 飞行器测控学报 * |
| 彭喜元;庞景月;彭宇;刘大同;: "航天器遥测数据异常检测综述", 仪器仪表学报 * |
| 熊宇虹 等: "基于数据挖掘的航天遥测数据分析系统的设计", 《空间电子技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112803893A (zh) * | 2021-01-21 | 2021-05-14 | 中国科学院微小卫星创新研究院 | 卫星电源系统健康状态监测系统 |
| CN112946656A (zh) * | 2021-02-01 | 2021-06-11 | 航天新气象科技有限公司 | 基于改进遗传算法的气象雷达探测模式识别方法及系统 |
| CN112946656B (zh) * | 2021-02-01 | 2024-03-29 | 航天新气象科技有限公司 | 基于改进遗传算法的气象雷达探测模式识别方法及系统 |
| CN114880196A (zh) * | 2022-03-25 | 2022-08-09 | 北京航天飞行控制中心 | 深空航天器轨道控制效果的评估方法及装置、存储介质 |
| CN114880196B (zh) * | 2022-03-25 | 2023-03-10 | 北京航天飞行控制中心 | 深空航天器轨道控制效果的评估方法及装置、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111680748B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680748A (zh) | 航天器状态模式的识别方法及识别装置 | |
| JP6670418B2 (ja) | 状態予測装置および状態予測制御方法 | |
| CN108905209B (zh) | 游戏中的外挂检测方法及系统、电子设备和存储介质 | |
| CN109697434B (zh) | 一种行为识别方法、装置和存储介质 | |
| Bhattacharya et al. | Recognition of complex events: Exploiting temporal dynamics between underlying concepts | |
| US9779361B2 (en) | Method for learning exemplars for anomaly detection | |
| EP3165981B1 (en) | Experimental real-time performance enhancement for aircraft | |
| EP2977936A2 (en) | Neural network training method and apparatus, and data processing apparatus | |
| CN102376079B (zh) | 图像识别信息添加装置和图像识别信息添加方法 | |
| US8577815B2 (en) | Method and system for concurrent event forecasting | |
| US11335118B2 (en) | Signal retrieval apparatus, method, and program | |
| CN110443377B (zh) | 一种基于免疫算法优化的支持向量机蓄电池寿命预测方法 | |
| CN103649858A (zh) | 用于预测组件或系统状况的方法和设备及计算机程序产品 | |
| Bouaziz et al. | Artificial bees for multilevel thresholding of iris images | |
| Wehenkel et al. | Ensembles of extremely randomized trees and some generic applications | |
| CA2894895A1 (en) | Automatically selecting analogous members for new population members based on incomplete descriptions, including an uncertainty characterizing selection | |
| CN110953721A (zh) | 热水器的控制方法及装置、热水器 | |
| CN110222734B (zh) | 贝叶斯网络学习方法、智能设备及存储装置 | |
| CN117312790A (zh) | 电压互感器误差预测方法、装置、设备及可读存储介质 | |
| Behera et al. | GAN-based multi-task learning approach for prognostics and health management of IIoT | |
| US11640553B2 (en) | Method for analyzing time-series data based on machine learning and information processing apparatus | |
| CN109934352B (zh) | 智能模型的自动进化方法 | |
| KR101181326B1 (ko) | 채프에코 식별 시스템 및 그 방법 | |
| CN114742297A (zh) | 动力电池的处理方法 | |
| von Birgelen et al. | Enable learning of hybrid timed automata in absence of discrete events through self-organizing maps |
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 |