CN112465044B - 基于敏感参数多证据融合的卫星工况识别与分割方法及系统 - Google Patents

Abstract

本发明提供了一种基于敏感参数多证据融合的卫星工况识别与分割方法及系统，包括：选取卫星N维工况敏感遥参集合，对卫星N维工况敏感遥参集合进行预处理，得到预处理后的卫星N维工况敏感遥参集合；基于统计分布的阈值挖掘，采用直方统计方法将预处理后的卫星N维工况敏感遥参集合的工况转换阈值；将转换阈值通过证据逻辑组合方法，形成卫星工况的逻辑判定依据；根据卫星工况的逻辑判定依据，对预处理后的卫星N维工况敏感遥参集合进行判别，提取符合要求的目标工况短数据集；对符合要求的目标工况短数据集进行预处理，剔除不符合预设要求的工况时段，得到检验后的有效目标工况时段集合。本发买那个能够实现对后续的卫星状态监测工作的有效支撑。

Description

基于敏感参数多证据融合的卫星工况识别与分割方法及系统

技术领域

本发明涉及一种卫星健康状态监测技术领域，具体地，涉及一种基于敏感参数多证据融合的卫星工况识别与分割方法及系统。

背景技术

卫星遥参数据具有较强的周期规律，基于固定阈值的传统监测技术直接对全工况遥参数据进行分析，将造成大量因工况转换而带来的虚警现象，导致卫星监测结果准确性低、鲁棒性差。合理有效的工况识别将对后续卫星监测工作的开展产生重要影响，对此提出了一种基于多证据融合的卫星敏感遥参的工况识别与切割技术。

专利文献CN104899327B(申请号：201510351164.3)公开了一种无类别标签的时间序列异常检测方法，步骤一、根据卫星遥测数据的周期特性对卫星遥测历史数据进行分段，得到无类别标签的时间序列X＝{x1,x2,…,xn}，其中n为大于0的正整数，表示时间序列数目，x1为无类别标签的时间序列中第一个时间序列，x2为无类别标签的时间序列中第二个时间序列，xn为无类别标签的时间序列中第n个时间序列；步骤二、对步骤一得到的无类别标签的时间序列X＝{x1,x2,…,xn}进行自适应层次聚类，并判定和删除无类别标签的时间序列中的异常序列，得到卫星正常运行模式含有类别标签的时间序列和类别标签其中nz为大于0的正整数，表示正常时间序列数目，x'1为含有类别标签的时间序列中第一个正常时间序列，x'2为含有类别标签的时间序列中第二个正常时间序列，为含有类别标签的时间序列中第nz个正常时间序列，l'1为类别标签中第一个正常时间序列，l'2为类别标签中第二个正常时间序列，为类别标签中第nz个正常时间序列；步骤三、结合匹配阈值以步骤二中获得的含有类别标签的时间序列和类别标签为样本，采用最近邻居算法对最新卫星遥测时间序列x”进行模式匹配，并根据模式匹配结果实现卫星遥测数据异常检测。

专利文献CN105021311B(申请号：201510319857.4)公开了一种在轨卫星推力器温度异常实时诊断方法。本发明根据在轨卫星历史遥测数据，确定四种工况下推力器温度的物理模型中的参数：向深冷空间的热辐射系数、推力器单位质量因推力器的加热器加热产生的温度增量、推力器单位质量因推进剂燃烧产生的温度增量和推力器单位质量因太阳光照产生的温度增量；根据四种工况下推力器温度的物理模型，对当前监测时刻所处工况下的推力器温度进行实时预测，并根据卫星实际情况外扩一定范围后得到动态的报警门限，实现对轨控过程中推力器的工作状态的实时监测和异常温度报警，进行推力器温度异常实时诊断和预警研究。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于敏感参数多证据融合的卫星工况识别与分割方法及系统。

根据本发明提供的一种基于敏感参数多证据融合的卫星工况识别与分割方法，包括：

步骤M1：选取卫星N维工况敏感遥参集合，并对卫星N维工况敏感遥参集合进行预处理，得到预处理后的卫星N维工况敏感遥参集合；

步骤M2：基于统计分布的阈值挖掘，采用直方统计的方法将预处理后的卫星N维工况敏感遥参集合的工况转换阈值；

步骤M3：将转换阈值通过证据逻辑组合方法，形成卫星工况的逻辑判定依据；

步骤M4：根据卫星工况的逻辑判定依据，对预处理后的卫星N维工况敏感遥参集合进行判别，提取符合要求的目标工况短数据集；

步骤M5：对符合要求的目标工况短数据集进行预处理，剔除不符合预设要求的工况时段，得到检验后的有效目标工况时段集合。

优选地，所述步骤M1包括：

步骤M1.1：通过对遥参数据的挖掘和分析，结合专家知识对卫星:分系统的运行工况进行梳理、筛选，根据所选工况对相关遥参数据开展敏感性分析，得到N维工况敏感遥参集合；

步骤M1.2：采用基于时间标定的算法将多维工况敏感遥参集合进行模糊匹配，使得多维遥参序列统一到相同点数，得到预处理后的N维工况敏感遥参集合。

优选地，所述步骤M2包括：

步骤M2.1：对目标工况和过渡工况的敏感遥参的分布状况进行定义；

步骤M2.2：依次提取预处理后的N维工况敏感遥参集合中各维遥参数据的极小值，并将各维遥参数据中的极小值剔除，得到多维遥参剩余数据；

步骤M2.3：对多维遥参剩余数据使用3西格玛方法处理，生成各位遥参数据的工况转换阈值。

优选地，所述步骤M3包括：通过AND与OR逻辑符号，结合专家知识，将转换阈值集合整合在一起，形成多证据逻辑组合判据，以此作为目标工况识别与切割的判断依据。

优选地，所述步骤M4包括：

步骤M4.1：根据卫星工况的逻辑判定依据，对预处理后的N维工况敏感遥参集合进行逐点判别，提取符合要求的目标工况短数据段；

步骤M4.2：对提取的符合要求的目标工况短数据段起、止点对应的时刻进行选取，组成目标工况时段集合。

优选地，所述步骤M5包括：设置有效时间间隔，对于持续时间长度小于有效时间间隔的工况时段予以删除，剩余的工况时段将被作为最终的有效目标工况时段集合。

根据本发明提供的一种基于敏感参数多证据融合的卫星工况识别与分割系统，包括：

模块M1：选取卫星N维工况敏感遥参集合，并对卫星N维工况敏感遥参集合进行预处理，得到预处理后的卫星N维工况敏感遥参集合；

模块M2：基于统计分布的阈值挖掘，采用直方统计的方法将预处理后的卫星N维工况敏感遥参集合的工况转换阈值；

模块M3：将转换阈值通过证据逻辑组合方法，形成卫星工况的逻辑判定依据；

模块M4：根据卫星工况的逻辑判定依据，对预处理后的卫星N维工况敏感遥参集合进行判别，提取符合要求的目标工况短数据集；

模块M5：对符合要求的目标工况短数据集进行预处理，剔除不符合预设要求的工况时段，得到检验后的有效目标工况时段集合。

优选地，所述模块M1包括：

模块M1.1：通过对遥参数据的挖掘和分析，结合专家知识对卫星:分系统的运行工况进行梳理、筛选，根据所选工况对相关遥参数据开展敏感性分析，得到N维工况敏感遥参集合；

模块M1.2：采用基于时间标定的算法将多维工况敏感遥参集合进行模糊匹配，使得多维遥参序列统一到相同点数，得到预处理后的N维工况敏感遥参集合。

优选地，所述模块M2包括：

模块M2.1：对目标工况和过渡工况的敏感遥参的分布状况进行定义；

模块M2.2：依次提取预处理后的N维工况敏感遥参集合中各维遥参数据的极小值，并将各维遥参数据中的极小值剔除，得到多维遥参剩余数据；

模块M2.3：对多维遥参剩余数据使用3西格玛方法处理，生成各位遥参数据的工况转换阈值；

所述模块M3包括：通过AND与OR逻辑符号，结合专家知识，将转换阈值集合整合在一起，形成多证据逻辑组合判据，以此作为目标工况识别与切割的判断依据。

优选地，所述模块M4包括：

模块M4.1：根据卫星工况的逻辑判定依据，对预处理后的N维工况敏感遥参集合进行逐点判别，提取符合要求的目标工况短数据段；

模块M4.2：对提取的符合要求的目标工况短数据段起、止点对应的时刻进行选取，组成目标工况时段集合；

所述模块M5包括：设置有效时间间隔，对于持续时间长度小于有效时间间隔的工况时段予以删除，剩余的工况时段将被作为最终的有效目标工况时段集合。

与现有技术相比，本发明具有如下的有益效果：

1、本发明在实际卫星状态监测中，针对由于工况转换导致卫星遥参数据分布改变所引发的虚警问题，提出了一种敏感参数多证据融合的卫星工况识别与分割方法，通过轻量化、主客观结合的目标工况识别与切割方法，以及通用化、规范化的工况识别与切割流程，实现了卫星目标工况时段的准确识别，进而可实现对卫星遥参数据进行准确的目标工况时段切割，消除其余工况转换导致的数据波动、降低虚警率影响，为后续卫星遥参数据分析与状态监测提供有力的技术支撑；

2、本发明针对卫星循环周期工况进行了分析，确定出了卫星不同工况的阈值区间，对卫星使用过程中的不同工况进行了识别，能够实现对后续的卫星状态监测工作的有效支撑。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为卫星工况识别与分割方法总体流程

图2为卫星敏感遥参集合充电工况切割效果图；

图3为卫星敏感遥参集合放电工况切割效果图；

图4为卫星敏感遥参集合充电工况下电池容量数据划分效果图；

图5为卫星敏感遥参集合放电工况下电池容量数据划分效果图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施例1

根据本发明提供的一种基于敏感参数多证据融合的卫星工况识别与分割方法，包括：

步骤M1：选取卫星N维工况敏感遥参集合，并对卫星N维工况敏感遥参集合进行预处理，得到预处理后的卫星N维工况敏感遥参集合；

步骤M2：基于统计分布的阈值挖掘，采用直方统计的方法将预处理后的卫星N维工况敏感遥参集合的工况转换阈值；

步骤M3：将转换阈值通过证据逻辑组合方法，形成卫星工况的逻辑判定依据；

步骤M4：根据卫星工况的逻辑判定依据，对预处理后的卫星N维工况敏感遥参集合进行判别，提取符合要求的目标工况短数据集；

步骤M5：对符合要求的目标工况短数据集进行预处理，剔除不符合预设要求的工况时段，得到检验后的有效目标工况时段集合。

具体地，所述步骤M1包括：

步骤M1.1：通过对遥参数据的挖掘和分析，结合专家知识对卫星:分系统的运行工况进行梳理、筛选，根据所选工况对相关遥参数据开展敏感性分析，得到N维工况敏感遥参集合；

步骤M1.2：采用基于时间标定的算法将多维工况敏感遥参集合进行模糊匹配，使得多维遥参序列统一到相同点数，得到预处理后的N维工况敏感遥参集合。

具体地，所述步骤M2包括：

步骤M2.1：对目标工况和过渡工况的敏感遥参的分布状况进行定义；

步骤M2.2：依次提取预处理后的N维工况敏感遥参集合中各维遥参数据的极小值，并将各维遥参数据中的极小值剔除，得到多维遥参剩余数据；

步骤M2.3：对多维遥参剩余数据使用3西格玛方法处理，生成各位遥参数据的工况转换阈值。

具体地，所述步骤M3包括：通过AND与OR逻辑符号，结合专家知识，将转换阈值集合整合在一起，形成多证据逻辑组合判据，以此作为目标工况识别与切割的判断依据。

具体地，所述步骤M4包括：

步骤M4.1：根据卫星工况的逻辑判定依据，对预处理后的N维工况敏感遥参集合进行逐点判别，提取符合要求的目标工况短数据段；

步骤M4.2：对提取的符合要求的目标工况短数据段起、止点对应的时刻进行选取，组成目标工况时段集合。

具体地，所述步骤M5包括：设置有效时间间隔，对于持续时间长度小于有效时间间隔的工况时段予以删除，剩余的工况时段将被作为最终的有效目标工况时段集合。

根据本发明提供的一种基于敏感参数多证据融合的卫星工况识别与分割系统，包括：

模块M1：选取卫星N维工况敏感遥参集合，并对卫星N维工况敏感遥参集合进行预处理，得到预处理后的卫星N维工况敏感遥参集合；

模块M2：基于统计分布的阈值挖掘，采用直方统计的方法将预处理后的卫星N维工况敏感遥参集合的工况转换阈值；

模块M3：将转换阈值通过证据逻辑组合方法，形成卫星工况的逻辑判定依据；

模块M4：根据卫星工况的逻辑判定依据，对预处理后的卫星N维工况敏感遥参集合进行判别，提取符合要求的目标工况短数据集；

模块M5：对符合要求的目标工况短数据集进行预处理，剔除不符合预设要求的工况时段，得到检验后的有效目标工况时段集合。

具体地，所述模块M1包括：

模块M1.1：通过对遥参数据的挖掘和分析，结合专家知识对卫星:分系统的运行工况进行梳理、筛选，根据所选工况对相关遥参数据开展敏感性分析，得到N维工况敏感遥参集合；

模块M1.2：采用基于时间标定的算法将多维工况敏感遥参集合进行模糊匹配，使得多维遥参序列统一到相同点数，得到预处理后的N维工况敏感遥参集合。

具体地，所述模块M2包括：

模块M2.1：对目标工况和过渡工况的敏感遥参的分布状况进行定义；

模块M2.2：依次提取预处理后的N维工况敏感遥参集合中各维遥参数据的极小值，并将各维遥参数据中的极小值剔除，得到多维遥参剩余数据；

模块M2.3：对多维遥参剩余数据使用3西格玛方法处理，生成各位遥参数据的工况转换阈值。

具体地，所述模块M3包括：通过AND与OR逻辑符号，结合专家知识，将转换阈值集合整合在一起，形成多证据逻辑组合判据，以此作为目标工况识别与切割的判断依据。

具体地，所述模块M4包括：

模块M4.1：根据卫星工况的逻辑判定依据，对预处理后的N维工况敏感遥参集合进行逐点判别，提取符合要求的目标工况短数据段；

模块M4.2：对提取的符合要求的目标工况短数据段起、止点对应的时刻进行选取，组成目标工况时段集合。

具体地，所述模块M5包括：设置有效时间间隔，对于持续时间长度小于有效时间间隔的工况时段予以删除，剩余的工况时段将被作为最终的有效目标工况时段集合。

实施例2

实施例2是实施例1的变化例

本申请旨在提出一种基于敏感参数多证据融合的卫星工况识别与切割方法，针对卫星多参数耦合、计算资源昂贵、数据干扰波动强的实际特点，以轻量化、可解释的多证据融合方法完成了卫星工况时段的准确识别与切割，消除了由于工况转换导致卫星遥参分布变化进而引发的频繁虚警问题，有效支撑了后续卫星数据分析与状态监测工作。

本申请提出一种基于敏感参数多证据融合的卫星工况识别与切割方法，如图1所示，其包括：

第一步，工况敏感遥参选取：根据专家经验，对可以表征卫星工况变化的遥参(即工况敏感遥参)进行选择；

第二步，时间标定处理：针对卫星数据中存在的遥参采样频率差异大、数据空值漏传等实际数据问题，通过时间标定处理将上述卫星数据规范化处理为时间刻度严格对齐的预处理数据，为后续工况识别与切割提供良好的数据基础；

第三步，统计分布阈值挖掘：根据卫星实际运行机理与数据分析经验，卫星不同工况的转换可通过工况敏感遥参超越其对应阈值来表征。对此，为了减少专家确定工况转换阈值的潜在主观性，提出通过统计分布阈值挖掘方法，自适应、客观地挖掘上述工况敏感参数地工况转换阈值，为后续工况识别与切割提供客观、定量的判据基础。

第四步，证据逻辑组合：基于专家知识和实际卫星工况转换特点，将自适应挖掘到的各工况敏感遥参的统计分布阈值，通过证据逻辑组合方法，以AND和OR等逻辑符号对其进行组织，形成卫星工况的具体逻辑判定依据，形成工况识别与切割的核心判定公式；

第五步，目标工况时段集合生成：基于上述不同工况下的证据逻辑判定组合公式，从上述工况中选取某个待分析的重点工况作为目标工况，将本次输入全部数据的完整时段切割为离散的目标工况时段集合；

第六步，有效目标工况时段筛选：通过有效工况判定公式，对上述离散的目标工况时段进行进一步筛选，剔除不合理的工况时段，得到检验后的有效目标工况时段集合；

第七步，相关参数划分：基于上述有效目标工况时段集合，对需要监测的卫星其余遥参数据进行切割划分，将目标工况时段下的待监测卫星遥参数据予以提取，从而消除由于工况转换导致的卫星遥参工况波动干扰，降低监测虚警率，进而有效支撑后续数据分析与状态监测等相关工作。

工况敏感参数选取：通过对遥参数据的挖掘与分析，结合专家知识对卫星典型分系统的运行工况进行梳理、筛选，同时根据所选工况对相关遥测数据开展敏感性分析，得到N维工况敏感遥参集合：

其中，Xⁱ表示第i种工况敏感遥参数据序列，

表示第i种工况敏感遥参数据序列内最后一个数据值，即ni是第i种工况敏感遥参数据序列的数据点总数，j是遥参数据序号。

时间标定：N维工况敏感遥参间往往存在采样频率不一致的特点，体现为同时段遥参序列点数不同。对此，采用基于时间标定的算法将多维遥参进行模糊匹配，使得多维遥参序列统一到相同点数。得到时间标定后的N维遥参序列：

L为时间标定后各遥参序列的剩余点数。

基于统计分布的阈值挖掘：结合专家知识和实际数据分析可知，卫星工况敏感遥参一般存在2类阶段：目标工况段、过渡工况段。处于过渡工况段的遥参一般在某个极小值，而处于目标工况段的数据一般近似于正态分布。对此，基于统计分布的阈值挖掘，采用如下步骤：

极值提取与剔除：依次提取N维工况敏感遥参集合X_condition ^new中，各维遥参数据的极小值：

极值剔除：对各维遥参数据剔除极小值。

阈值生成：在剔除极值的基础上，基于专家经验初步筛选、确认目标工况下的N维遥参剩余数据集合：

X_remain为基于专家历史经验初步筛选的,目标工况时段下N维遥参剩余数据集合，k、

为初步筛选的目标工况下遥参序列数据的起点序号与终点序号，

为第i种工况敏感遥参数据序列中的第k个数据点。

假设目标工况N维遥参剩余数据集合X_remain中N个遥参序列均服从高斯分布，因此采用基于3西格玛的方法，进一步生成各维遥参数据的工况转换阈值：

其中，uⁱ表示在基于专家知识初步筛选的目标工况时段内，第i种工况敏感遥参数据序列的均值，σⁱ表示在基于专家知识初步筛选的目标工况时段内，第i种工况敏感遥参数据序列的标准差值。

由此，得到N维工况敏感遥参转换阈值集合

通过上述转换阈值集合，可以结合逻辑组合，按照时间顺序对敏感遥参进行逐点判别，实现卫星典型分系统的目标工况标记，具体步骤如下所示：

证据逻辑组合：通过AND与OR逻辑符号，结合专家知识，将转换阈值集合整合在一起，形成多证据逻辑组合判据(转换阈值证据+逻辑编号+转换阈值证据)，以此作为目标工况识别与切割的判断依据。

如，结合专家知识，可将某目标工况证据逻辑组合表述为：

目标工况时段集合生成：根据步骤四提出的证据逻辑组合对时间标定后的N维遥参序列X_condition ^new进行逐点判别，并从中提取符合要求的目标工况短数据段。最终选取各数据段起、止点对应的时刻，组成目标工况时段集合：

有效目标工况时段筛选：经过识别、切割的工况时段，主要支持后续数据分析工作的开展，为避免数据量不足导致的分析误差，应对步骤五中得到的目标工况时段集合T_t余rget中各时段进行有效性判别：设置有效时间间隔t_剩in，对于持续时间长度小于有效时间间隔的工况时段予以删除，剩余的工况时段将被作为最终的有效目标工况时段集合T_fin余l。

相关参数划分：根据步骤六最终得到的有效目标工况时段集合T_final，可以对目标工况下其余能表征卫星健康状态的遥参数据集合予以划分，针对性地在目标工况时段内开展相关数据分析，消除其余工况时段遥参数据的波动影响。其步骤如下：

相关遥参集合选取：选取能表征卫星健康状态的M维相关遥参集合：

时间标定：对M维相关遥参集合开展时间标定，将其统一为点数相同的M维标定

遥参集合：

目标工况划分：以步骤七得到的有效目标工况时段集合中各工况分段起止时刻作为索引，从M维相关遥参完整序列中筛选出各起止时刻内的目标工况数据集合

Y_condition；

由此完成整套工况识别与切割，可以支持后续数据分析的有效开展。

图2、图3为对上述遥参工况敏感遥参选取、时间标定、阈值确定，集合筛选后的工况参数划分。选取充放电时间作为自变量，选取蓄电池充放电电流作为因变量，建立工况划分敏感遥参区间。通过图例可知，电池电流作为因变量，与时间自变量呈现出周期性的变化关系。

图4、图5为根据得到的充电、放电目标工况时段集合，划分出对应工况下的电池容量数据示意图。由图所示：利用本发明提出的工况识别与切割方法，可以有效识别、切割并划分电源分系统工况敏感遥参与相关遥参数据，有力支持后续数据分析工作的开展。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种基于敏感参数多证据融合的卫星工况识别与分割方法，其特征在于，包括：

步骤M1：选取卫星N维工况敏感遥参集合，并对卫星N维工况敏感遥参集合进行预处理，得到预处理后的卫星N维工况敏感遥参集合；

步骤M2：基于统计分布的阈值挖掘，采用直方统计的方法将预处理后的卫星N维工况敏感遥参集合进行处理得到工况转换阈值；

步骤M3：将转换阈值通过证据逻辑组合方法，形成卫星工况的逻辑判定依据；

步骤M4：根据卫星工况的逻辑判定依据，对预处理后的卫星N维工况敏感遥参集合进行判别，提取符合要求的目标工况短数据集；

步骤M5：对符合要求的目标工况短数据集进行预处理，剔除不符合预设要求的工况时段，得到检验后的有效目标工况时段集合；

所述步骤M2包括：

步骤M2.1：对目标工况和过渡工况的敏感遥参的分布状况进行定义；

步骤M2.2：依次提取预处理后的N维工况敏感遥参集合中各维遥参数据的极小值，并将各维遥参数据中的极小值剔除，得到多维遥参剩余数据；

步骤M2.3：对多维遥参剩余数据使用3西格玛方法处理，生成各位遥参数据的工况转换阈值。

2.根据权利要求1所述的基于敏感参数多证据融合的卫星工况识别与分割方法，其特征在于，所述步骤M1包括：

步骤M1.1：通过对遥参数据的挖掘和分析，结合专家知识对卫星:分系统的运行工况进行梳理、筛选，根据所选工况对相关遥参数据开展敏感性分析，得到N维工况敏感遥参集合；

步骤M1.2：采用基于时间标定的算法将多维工况敏感遥参集合进行模糊匹配，使得多维遥参序列统一到相同点数，得到预处理后的N维工况敏感遥参集合。

3.根据权利要求1所述的基于敏感参数多证据融合的卫星工况识别与分割方法，其特征在于，所述步骤M3包括：通过AND与OR逻辑符号，结合专家知识，将转换阈值集合整合在一起，形成多证据逻辑组合判据，以此作为目标工况识别与切割的判断依据。

4.根据权利要求1所述的基于敏感参数多证据融合的卫星工况识别与分割方法，其特征在于，所述步骤M4包括：

步骤M4.1：根据卫星工况的逻辑判定依据，对预处理后的N维工况敏感遥参集合进行逐点判别，提取符合要求的目标工况短数据段；

步骤M4.2：对提取的符合要求的目标工况短数据段起、止点对应的时刻进行选取，组成目标工况时段集合。

5.根据权利要求1所述的基于敏感参数多证据融合的卫星工况识别与分割方法，其特征在于，所述步骤M5包括：设置有效时间间隔，对于持续时间长度小于有效时间间隔的工况时段予以删除，剩余的工况时段将被作为最终的有效目标工况时段集合。

6.一种基于敏感参数多证据融合的卫星工况识别与分割系统，其特征在于，包括：

模块M1：选取卫星N维工况敏感遥参集合，并对卫星N维工况敏感遥参集合进行预处理，得到预处理后的卫星N维工况敏感遥参集合；

模块M2：基于统计分布的阈值挖掘，采用直方统计的方法将预处理后的卫星N维工况敏感遥参集合进行处理得到工况转换阈值；

模块M3：将转换阈值通过证据逻辑组合方法，形成卫星工况的逻辑判定依据；

模块M4：根据卫星工况的逻辑判定依据，对预处理后的卫星N维工况敏感遥参集合进行判别，提取符合要求的目标工况短数据集；

模块M5：对符合要求的目标工况短数据集进行预处理，剔除不符合预设要求的工况时段，得到检验后的有效目标工况时段集合；

所述模块M2包括：

模块M2.1：对目标工况和过渡工况的敏感遥参的分布状况进行定义；

模块M2.2：依次提取预处理后的N维工况敏感遥参集合中各维遥参数据的极小值，并将各维遥参数据中的极小值剔除，得到多维遥参剩余数据；

模块M2.3：对多维遥参剩余数据使用3西格玛方法处理，生成各维遥参数据的工况转换阈值；

所述模块M3包括：通过AND与OR逻辑符号，结合专家知识，将转换阈值集合整合在一起，形成多证据逻辑组合判据，以此作为目标工况识别与切割的判断依据。

7.根据权利要求6所述的基于敏感参数多证据融合的卫星工况识别与分割系统，其特征在于，所述模块M1包括：

模块M1.1：通过对遥参数据的挖掘和分析，结合专家知识对卫星:分系统的运行工况进行梳理、筛选，根据所选工况对相关遥参数据开展敏感性分析，得到N维工况敏感遥参集合；

模块M1.2：采用基于时间标定的算法将多维工况敏感遥参集合进行模糊匹配，使得多维遥参序列统一到相同点数，得到预处理后的N维工况敏感遥参集合。

8.根据权利要求6所述的基于敏感参数多证据融合的卫星工况识别与分割系统，其特征在于，所述模块M4包括：

模块M4.1：根据卫星工况的逻辑判定依据，对预处理后的N维工况敏感遥参集合进行逐点判别，提取符合要求的目标工况短数据段；

模块M4.2：对提取的符合要求的目标工况短数据段起、止点对应的时刻进行选取，组成目标工况时段集合；

所述模块M5包括：设置有效时间间隔，对于持续时间长度小于有效时间间隔的工况时段予以删除，剩余的工况时段将被作为最终的有效目标工况时段集合。

Images