CN112507455B - 一种卫星遥测参数长周期数据的趋势分析方法 - Google Patents

Abstract

本申请公开一种卫星遥测参数长周期数据的趋势分析方法，其包括：第一步，多工况关联性健康基线配置；第二步，遥测参数获取；第三步，工况切割；第四步，日关联性计算；第五步，日监测结果判定；第六步，长周期多尺度特征提取；第七步，结果分析与决策。本申请的卫星遥测参数长周期数据的趋势分析方法，在日关联关系监测基础上，完成月/年/选定周期的分析，实现长时间跨度的健康状态监控，把握卫星及典型分系统健康状态演化趋势；使用长期监测数据进行分级分阶段计算，以日为单位输出单日监测结果，使之作为长周期运算的输入进行长周期健康状态监测，合理分配计算量，获得更加合理的监测结果和趋势分析。

Description

一种卫星遥测参数长周期数据的趋势分析方法

技术领域

本申请涉及一种卫星健康监控技术，尤其涉及一种卫星遥测参数长周期数据的趋势分析方法。

背景技术

卫星各分系统之间、分系统各部件之间交联关系复杂，空间环境多变，需采用准确高效的手段对其进行监测，进行及时的故障告警。由于结构和功能上的关联，卫星遥测参数之间也存在复杂的关联性。正常情况下，不同遥测参数之间的耦合关系应保持相对稳定的状态，而当卫星健康状态出现异常时，则会体现为遥测参数之间稳定的关联关系发生变化与异常。因此可以从遥测参数关联性的角度对卫星健康装填进行表征和异常检测。然而，对于卫星长期管理与维护而言，需要从长周期的角度，对卫星性能与健康状态变化趋势进行描述和分析，准确掌握卫星健康状态，为卫星的运行决策提供支持。在卫星健康管理方面，现有方法多数局限于故障和异常检测，以及故障诊断，在卫星长周期健康状态趋势分析方面仍缺少相关方法和技术。

发明内容

鉴于上述问题，本申请旨在提出一种卫星遥测参数长周期数据的趋势分析方法，从遥测参数关联性角度出发，对卫星健康状态进行实时监测的方法。

本申请提出一种卫星遥测参数长周期数据的趋势分析方法，其包括：

第一步，多工况关联性健康基线配置；

第二步，遥测参数获取；

第三步，工况切割；根据工况敏感参数和配置的工况判别逻辑表达式，在遥测参数中识别切割出属于目标工况段的部分；

第四步，日关联性计算；根据关联性健康基线配置，利用获取的每日遥测参数，计算得到因变量遥测参数关联值、关联阈值下限序列和关联阈值上限序列；

第五步，日监测结果判定；根据判异准则，判断当日因变量遥测参数实际值与关联阈值下限序列、关联阈值上限序列的关系，判断每日关联关系正常或异常；

第六步，长周期多尺度特征提取；分别从单关联关系条目尺度、单日关联性计算结果尺度和长周期关联性趋势尺度，提取不同特征；

第七步，结果分析与决策；对提取的长周期多尺度特征进行分析，掌握卫星长周期运行状态及趋势。

优选地，在第一步中，对关联性计算所需的必要信息进行配置；配置项包括：关联计算遥测参数、工况敏感参数、工况判别逻辑表达式、关联性健康基线解析函数模型、关联性健康基线阈值、日监测判定异常点比例阈值。

优选地，在第二步中，在遥测参数与工况敏感参数获取中，根据配置中指定的关联计算遥测参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值，得到关联计算遥测参数序列，分别记作自变量遥测参数序列和因变量遥测参数序列；

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值，记作多个工况敏感遥测参数序列。

优选地，在第三步中，将工况敏感遥测参数序列的时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中，获得布尔量序列；

在布尔量序列中，识别连续两个及两个以上值为真的子序列；每个子序列对应一个目标工况时刻区间；

在每个目标工况时刻区间对关联计算遥测参数序列进行切割，若关联计算遥测参数序列该目标工况时刻区间内有值，则关联计算遥测参数序列在该目标工况时刻区间内存在目标工况子序列；

将所有目标工况子序列按顺序排列，组成满足目标工况时刻的关联计算遥测参数序列。

优选地，在第四步中，根据配置的关联性健康基线解析方程、关联性健康基线阈值下限和关联性健康基线阈值上限，分别计算每个目标工况子序列中，对应于自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限；

将全部目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列，按照子序列下标从小到大的顺序依次排列并首尾相接；并将各序列中的所有数值点按当前顺序进行重新标号，组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列；将因变量遥测参数的全部目标工况子序列的遥测值进行拼接、重新标号，组成最终得到的完整工况因变量遥测值序列。

优选地，在第五步中，分别计算完整工况因变量遥测值序列中每个值与关联阈值下限和关联阈值上限之间的关系；对于每个遥测点，计算产生一个超限标志位；所有超限标志位构成整个遥测参数序列的超限标志位序列；计算整个序列超限点总数占序列总长度的比例；将整个序列超限点总数占序列总长度的比例与配置中确定的超限比例判异阈值进行比较：若该比例大于该阈值，则判定结果为异常；若该比例小于等于该阈值，则判定结果为正常。

优选地，在第六步中，针对长周期趋势计算与分析，分别从不同的尺度，对日关联性监测的输出结果进行特征提取，分别是单关联关系条目特征提取、单日关联性计算结果特征提取和长周期关联性趋势特征提取。

优选地，在单关联关系条目特征提取中，针对单条关联关系计算结果，计算每天的异常点数；

在单日关联性计算结果特征提取中，针对每个关联性计算日期，计算每天关联性监测结果为“异常”的关联关系条目数量；

在长周期关联性趋势特征提取中，计算多天内，每条关联关系在所有监测日内异常点个数的最大值和最小值；计算多天内，每条关联关系在每个监测日内异常点个数的变化趋势；计算多天内，所有关联关系条目中，无异常点、异常点数稳定、异常点数呈上升趋势、异常点数呈下降趋势的条目所占总条目的比例。

优选地，根据上述长周期计算的结果，分析卫星长周期运行状态及健康状态变化趋势，为维护卫星长期稳定运行提供决策支持。

本发明的优点与积极效果在于：

本申请的卫星遥测参数长周期数据的趋势分析方法，在日关联关系监测基础上，完成月/年/选定周期的分析，实现长时间跨度的健康状态监控，把握卫星及典型分系统健康状态演化趋势；

使用长期监测数据进行分级分阶段计算，以日为单位输出单日监测结果，使之作为长周期运算的输入进行长周期健康状态监测，合理分配计算量，获得更加合理的监测结果和趋势分析。

附图说明

图1为本申请的卫星遥测参数长周期数据的趋势分析方法的流程框图；

图2为本申请的实施例的参与关联性计算的遥测参数“A组蓄电池1-9 电压”和“A组蓄电池电压”原始遥参；

图3为本申请的实施例的用于工况判断与识别的遥测参数“充电电流”和“放电电流”原始遥参；

图4为本申请的实施例的布尔量序列；

图5为本申请的实施例的经过工况切割后，满足工况判定逻辑表达式的充电工况内“A组蓄电池1-9电压”、“A组蓄电池电压”；

图6为本申请的实施例的最终得到的完整关联值、关联阈值下限、关联阈值上限序列；

图7为本申请的实施例的关联关系的日异常点数图；

图8为本申请的实施例的日关联性监测结果；

图9为本申请的实施例的“异常”关联关系数量图；

图10为本申请的实施例的各趋势的条目所占总条目的比例饼图。

具体实施方式

本申请的卫星遥测参数长周期数据的趋势分析方法，其具体步骤如下。

本发明分为两部分，第一部分为日关联性状态监测，第二部分为长周期关联性数据趋势计算与分析。其中，长周期计算部分以多组遥测参数(多条关联关系)的日监测输出结果为输入。在具体发明内容中，步骤一至步骤五以一组遥测参数(一条关联关系)为例，说明日关联性监测方法，其他组遥测参数的计算方法与之相同；步骤六至步骤七说明多组遥测参数(多条关联关系)的长周期关联性数据的趋势计算与分析方法。

步骤一：多工况关联性健康基线配置

首先，对关联性计算所需的必要信息进行配置。配置项包括：关联计算遥测参数、工况敏感参数、工况判别逻辑表达式、关联性健康基线解析函数模型、关联性健康基线阈值、日监测判定异常点比例阈值。各个配置项含义如下

(1)关联计算遥测参数：参与关联性状态监测计算的遥测参数。

(2)工况敏感参数：用于判断和识别目标工况的遥测参数。

(3)工况判别逻辑表达式：用加、减、乘、除、与、或、非等基础数学或逻辑运算组成的，对工况敏感参数值进行运算的布尔表达式，当工况判别表达式为真时，对应遥测参数值属于目标工况段，否则不属于。

(4)关联性健康基线解析函数模型：表征自变量遥测参数与因变量遥测参数之间映射关系的解析函数，可以统一表征为y＝F(x)，其中x表示自变量遥测参数，y表示因变量遥测参数。通常来讲，关联性健康基线解析模型一般包括线性型、积分型、二次函数型等，分别可以表示为：

y＝F(x)＝a+bx，其中a和b分别为线性函数常数项和一次项系数

其中C和k分别为常数项和积分项系数

y＝F(x)＝a+bx+cx²，其中a，b和c分别为二次函数的常数项、一次项系数和二次项系数。

(5)关联性健康基线阈值：以函数的方式限定关联性健康基线的关联上限和关联下限。分别及关联上限和关联下限函数为

和y＝F(x)。以这种方式指定关联性健康基线的阈值，既可表示在关联性健康基线的计算值上下浮动一定常数的阈值设定方式，也可对其他阈值设定方式进行灵活表征。

(6)日监测判定异常点比例阈值t。

步骤二：遥测参数获取

根据配置中指定的关联计算遥测参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值。分别记自变量遥测参数和因变量遥测参数序列为X和Y

X＝(x₁，x₂，…，x_n)

Y＝(y₁，y₂，…，y_n)

其中n代表关联计算遥测参数X和Y的遥测参数数据点个数。

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值。记c个工况敏感遥测参数序列分别为：

……

其中m表示工况敏感参数序列中包含的数据点个数。

步骤三：工况切割

工况切割以工况敏感遥测参数序列、关联性计算遥测参数序列，以及配置的工况判别逻辑表达式为输入。记工况判别逻辑表达式为Cond(W₁，W₂，…，W_c)，表示以c个工况敏感参数为输入，输出值为布尔量真或假。

将工况敏感参数时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中，获得长度为m的布尔量序列；该序列中值为真的点，代表其对应的时刻满足目标工况，反之则不满足。记该布尔量序列为 B＝(f₁，f₂，…，f_m)。

在布尔量序列B中，识别连续两个及两个以上值为真的子序列。设第j个子序列的首尾值对应的时刻区间为

共z个子序列，则产生z个目标工况时刻区间，记为

使用所有目标工况区间对时间标定后的关联计算遥测参数进行切割。若关联计算遥测参数在第j个目标工况区间

内有值，则关联计算遥测参数的第j个目标工况子序列存在，记为

和

其中，n_j表示第j个目标工况子序列中包含的遥测参数点个数。

将关联计算遥测参数的所有目标工况子序列按顺序排列，组成满足目标工况时刻的关联计算遥测参数序列，简称为目标序列。目标序列记为：

步骤四：日关联性计算

记参与关联性监测计算的两个遥测参数序列，分别为目标序列X_o和Y_o。根据配置的关联性健康基线解析方程y＝F(x)、关联性健康基线阈值下限y＝F(x) 和关联性健康基线阈值上限

分别计算每个目标工况子序列中，对应于自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限，具体计算方式如下

y _i＝F(x_i)

其中

分别代表对应于x_i的因变量遥测参数关联值、关联阈值下限和关联阈值上限。

特别地，若解析方程为非线性积分关系，而实际数据表现为离散值，则需要使用矩形法对离散值进行累加积分运算。以解析方程

为例，累加积分计算值

其中t_j为第j个遥测参数对应的采样时刻，规定t₀＝t₁。

根据上述方法，在第j个目标工况子序列中，针对所有遥测点计算得到因变量遥测参数的关联值序列、关联阈值下限序列和关联阈值上限序列如下

将k个目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列，按照子序列下标从小到大的顺序依次排列并首尾相接；并将各序列中的所有数值点按当前顺序进行重新标号，组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列：

Y＝(y1，y2，…，yN)

其中，N表示所有目标工况子序列中包含的数据点个数之和，即

将因变量遥测参数k个目标工况子序列的遥测值按上述方法进行拼接、重新标号，组成最终得到的完整工况因变量遥测值序列：

Y′＝(y₁，y₂，…，y_N)

由于Y'是Y经过工况切割之后的输出，自然地，N<n。

步骤五：日监测结果判定

分别计算完整工况因变量遥测值序列Y'中每个值与关联阈值下限Y和关联阈值上限

之间的关系。对于每个遥测点，计算产生一个超限标志位ε_i，其中

计算每个遥测点的标志位，得到整个遥测参数序列的超限标志位序列

E＝(ε₁，ε₂，…，ε_N)

计算整个序列中超限点总数

计算整个序列超限点总数占序列总长度的比例

其中N是参与计算的经过时间标定的遥测参数序列的遥测点总个数

将整个序列超限点总数占序列总长度的比例与配置中确定的超限比例判异阈值t进行比较：若c＞t，则判定结果为异常；若c≤t，则判定结果为正常。

步骤六：长周期多尺度特征提取

针对长周期趋势计算与分析，分别从不同的尺度，对日关联性监测的输出结果进行特征提取，分别是单条目尺度、单日尺度和长周期尺度。具体计算方法见如下说明。

6.1：单关联关系条目特征提取

针对单条关联关系计算结果，计算每天的异常点数。记第j条关联关系在第k天的异常点个数为s_j,k。

6.2：单日关联性计算结果特征提取

针对每个关联性计算日期，计算每天关联性监测结果为“异常”的关联关系条目数量。记第k天关联性监测结果为“异常”的关联关系条目数量为α_k。

6.3：长周期关联性趋势特征提取

记执行关联性监测的天数为d，共有h条关联关系参与计算。

(1)计算d天内，每条关联关系在所有监测日内异常点个数的最大值和最小值。记第j条关联关系在该长周期内，异常点个数最大值为max_j，最小值为min_j。

(2)计算d天内，每条关联关系在每个监测日内异常点个数的变化趋势。具体计算方式如下：

设第j条关联关系在d天内，每天的异常点个数组成的序列为 (s_j，1，s_j，2…，s_j，d)。对应的日期序列为(1，2，…，d)。以日期序列为自变量，异常点数序列为因变量，进行线性回归计算，得到斜率系数k_j与截距系数b_j。设定截距模糊系数k_t＞0。若-k_t≤k_j≤k_t，则判定d天内第j条关联关系的异常点数量保持稳定趋势；若k_j＞k_t，则判定d天内第j条关联关系的异常点数量呈上升趋势；若k_j＜-k_t，则判定d天内第j条关联关系的异常点数量呈下降趋势。

(3)计算d天内，所有关联关系条目中，无异常点/异常点数稳定/异常点数呈上升趋势/异常点数呈下降趋势的条目所占总条目的比例。分别记无异常点、异常点数稳定、异常点数呈上升趋势、异常点数呈下降趋势条目占比为：λ_zero、λ_stable、λ_increase、λ_decrease。可知，λ_zero+λ_stable+λ_increase+λ_decrease＝1。

步骤七：结果分析与决策

根据上述长周期计算的结果，分析卫星长周期运行状态及健康状态变化趋势，为维护卫星长期稳定运行提供决策支持。

实施例

步骤一至步骤五以“A组蓄电池"1-9"电压”和“A组蓄电池电压”这一组遥测参数为例，描述日关联性监测方法的实施方式，其他组遥测参数的计算方法与之相同；步骤六至步骤七说明多组遥测参数(如表1所示)及其关联关系的长周期关联性数据的趋势计算与分析方法。

表1遥测参数表

步骤一：多工况关联性健康基线配置

首先，对关联性计算所需的必要信息进行配置。配置项包括：关联计算遥测参数、工况敏感参数、工况判别逻辑表达式、关联性健康基线解析函数模型、关联性健康基线阈值、日监测判定异常点比例阈值。详细配置如下：

(1)关联计算遥测参数：自变量遥测参数名称为“A组蓄电池1-9电压”；因变量遥测参数名称为“A组蓄电池电压”。

(2)工况敏感参数：“充电电流”和“放电电流”。

(3)工况判别逻辑表达式：“充电电流”>1and“放电电流”<4

(4)关联性健康基线解析函数模型：y＝F(x)＝a+bx＝-1.644+4.132x

(5)关联性健康基线阈值：

阈值下限：y＝F(x)＝-2.212+4.087x

阈值上限：

(6)异常判定规则：超限比例判异阈值t＝0.05。

步骤二：遥测参数获取

根据配置中指定的关联计算遥测参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值。

参与关联性计算的遥测参数“A组蓄电池1-9电压”和“A组蓄电池电压”原始遥参如图2所示。

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值。

用于工况判断与识别的遥测参数“充电电流”和“放电电流”原始遥参如图3所示。

步骤三：工况切割

工况切割以工况敏感遥测参数序列、关联性计算遥测参数序列，以及配置的工况判别逻辑表达式为输入。

根据配置的工况判别逻辑表达式：“充电电流”>1and“放电电流”<4，对每一个时间点对应的工况敏感遥测参数值进行判别，获得布尔量序列如图4 所示。

可以看出，当处于充电工况时，布尔量序列值为1；当处于非充电工况时，布尔量序列值为0。

在布尔量序列B中，识别连续两个及两个以上值为真的子序列，并获得目标工况时刻区间。使用所有目标工况区间对时间标定后的关联计算遥测参数进行切割，获得目标工况子序列。经过工况切割后，满足工况判定逻辑表达式的充电工况内“A组蓄电池1-9电压”、“A组蓄电池电压”如图5所示。

步骤四：日关联性计算

记参与关联性监测计算的两个遥测参数序列，分别为目标序列X_o和Y_o。根据配置的关联性健康基线解析方程y＝F(x)、关联性健康基线阈值下限y＝F(x) 和关联性健康基线阈值上限

分别计算每个目标工况子序列中，对应于自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限。

将所有目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列，按照子序列下标从小到大的顺序依次排列并首尾相接；并将各序列中的所有数值点按当前顺序进行重新标号，组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列，结果如图6所示。

步骤五：日监测结果判定

异常判定准则为A，则按如下方式进行计算：

计算整个序列中超限点总数

计算整个序列超限点总数占序列总长度的比例

其中N是参与计算的遥测点总个数

c≤t，判定结果为正常。

步骤六：长周期多尺度特征提取

6.1：单关联关系条目特征提取

针对单条关联关系计算结果，计算每天的异常点数。记第j项关联关系在第k天的异常点个数为s_j,k。

表2各项关联关系的日异常点数s_j,k

(关联关系序号j与步骤一中表1对应一致)

6.2：单日关联性计算结果特征提取

通过步骤一至步骤五，针对步骤一中表1中的五组关联关系，分别得到长周期内日关联性监测的输出结果。

表3日关联性监测结果

(注：关联关系序号j与步骤一中表1对应一致，结果中“1”表示异常，“0”表示正常)

针对每个关联性计算日期，计算每天关联性监测结果为“异常”的关联关系条目数量。记第k天关联性监测结果为“异常”的关联关系数量为α_k。

表4各天关联性监测结果为“异常”的关联关系数量α_k

日期k	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
																“异常”的关联关系数量	1	1	0	1	0	0	1	0	0	0	0	0	0	0	0
日期k	16	17	18	19	20	21	22	23	24	25	26	27	28	29	30
																“异常”的关联关系数量	0	0	0	0	0	0	0	0	0	0	0	0	0	1	1

6.3：长周期关联性趋势特征提取

记执行关联性监测的天数为d＝31，共有h＝5条关联关系参与计算。

(1)计算d天内，每条关联关系每一天异常点个数的最大值和最小值。记第j条关联关系在该长周期内，异常点个数最大值为max_j，最小值为min_j。

表5各条关联关系长周期内异常点最值

(2)计算d天内，每条关联关系异常点个数的变化趋势。具体计算方式如下：

设第j条关联关系d天内，每天的异常点个数组成的序列为(s_j，i，s_j，2，…，s_j，d)。对应的日期序列为(1，2，…，d)。以日期序列为自变量，异常点数序列为因变量，进行线性回归计算，得到斜率系数k_j与截距系数b_j。设定截距模糊系数k_t＝5。若-k_t≤k_j≤k_t，则判定d天内第j条关联关系的异常点数量保持稳定趋势；若 k_j＞k_t，则判定d天内第j条关联关系的异常点数量呈上升趋势；若k_j＜-k_t，则判定d天内第j条关联关系的异常点数量呈下降趋势。

表6各条关联关系的异常点数量趋势分析

(注：截距模糊系数k_t＝5)

(3)计算d天内，所有关联关系条目中，无异常点/异常点数稳定/异常点数呈上升趋势/异常点数呈下降趋势的条目所占总条目的比例。分别记无异常点、异常点数稳定、异常点数呈上升趋势、异常点数呈下降趋势条目占比为：λ_zero、λ_stable、λ_increase、λ_decrease。

表7各趋势的条目所占总条目的比例

类别	λ<sub>zero</sub>	λ<sub>stable</sub>	λ<sub>increase</sub>	λ<sub>decrease</sub>
					占比	20％	40％	20％	20％

步骤七：结果分析与决策

根据上述长周期计算的结果，分析卫星长周期运行状态及健康状态变化趋势，为维护卫星长期稳定运行提供决策支持。

本申请的卫星遥测参数长周期数据的趋势分析方法，从遥测参数关联性角度出发，对卫星健康状态进行实时监测的方法。继而，利用不同日期关联性监测输出的关联性数据，提取关键特征，对卫星关联性健康状态进行有效表征；并构成长周期关联性数据，刻画卫星健康状态变化趋势，为维护卫星长期稳定运行提供决策支持。这种方法具有计算效率高、直观性强的优势。

除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。

虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。

Claims (8)

1.一种卫星遥测参数长周期数据的趋势分析方法，其包括：

第一步，多工况关联性健康基线配置；

第二步，遥测参数获取；

第三步，工况切割；根据工况敏感参数和配置的工况判别逻辑表达式，在遥测参数中识别切割出属于目标工况段的部分；

第四步，日关联性计算；根据关联性健康基线配置，利用获取的每日遥测参数，计算得到因变量遥测参数关联值、关联阈值下限序列和关联阈值上限序列；

第五步，日监测结果判定；根据判异准则，判断当日因变量遥测参数实际值与关联阈值下限序列、关联阈值上限序列的关系，判断每日关联关系正常或异常，

分别计算完整工况因变量遥测值序列中每个值与关联阈值下限和关联阈值上限之间的关系；对于每个遥测点，计算产生一个超限标志位；所有超限标志位构成整个遥测参数序列的超限标志位序列；计算整个序列超限点总数占序列总长度的比例；将整个序列超限点总数占序列总长度的比例与配置中确定的超限比例判异阈值进行比较：若该比例大于该阈值，则判定结果为异常；若该比例小于等于该阈值，则判定结果为正常；

第六步，长周期多尺度特征提取；分别从单关联关系条目尺度、单日关联性计算结果尺度和长周期关联性趋势尺度，提取不同特征；

第七步，结果分析与决策；对提取的长周期多尺度特征进行分析，掌握卫星长周期运行状态及趋势。

2.如权利要求1所述的卫星遥测参数长周期数据的趋势分析方法，其特征在于：

在第一步中，对关联性计算所需的必要信息进行配置；配置项包括：关联计算遥测参数、工况敏感参数、工况判别逻辑表达式、关联性健康基线解析函数模型、关联性健康基线阈值、日监测判定异常点比例阈值。

3.如权利要求2所述的卫星遥测参数长周期数据的趋势分析方法，其特征在于：

在第二步中，在遥测参数与工况敏感参数获取中，根据配置中指定的关联计算遥测参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出参与关联性计算的遥测参数满足关联性计算时间范围的遥测参数值，得到关联计算遥测参数序列，分别记作自变量遥测参数序列和因变量遥测参数序列；

根据配置中指定的工况敏感参数名称，在遥测参数数据库中进行检索和查询；并根据配置中指定的关联性计算时间范围，在数据库中抽取出用于工况判断与识别的遥测参数满足关联性计算时间范围的遥测参数值，记作多个工况敏感遥测参数序列。

4.如权利要求3所述的卫星遥测参数长周期数据的趋势分析方法，其特征在于：

在第三步中，将工况敏感遥测参数序列的时间轴中每一个时间点对应的工况敏感遥测参数值输入工况判别逻辑表达式中，获得布尔量序列；

在布尔量序列中，识别连续两个及两个以上值为真的子序列；每个子序列对应一个目标工况时刻区间；

在每个目标工况时刻区间对关联计算遥测参数序列进行切割，若关联计算遥测参数序列该目标工况时刻区间内有值，则关联计算遥测参数序列在该目标工况时刻区间内存在目标工况子序列；

将所有目标工况子序列按顺序排列，组成满足目标工况时刻的关联计算遥测参数序列。

5.如权利要求4所述的卫星遥测参数长周期数据的趋势分析方法，其特征在于：

在第四步中，根据配置的关联性健康基线解析方程、关联性健康基线阈值下限和关联性健康基线阈值上限，分别计算每个目标工况子序列中，对应于自变量遥测参数值的因变量遥测参数关联值、关联阈值下限和关联阈值上限；

将全部目标工况子序列计算得到的关联值、关联阈值下限、关联阈值上限序列，按照子序列下标从小到大的顺序依次排列并首尾相接；并将各序列中的所有数值点按当前顺序进行重新标号，组成最终得到的完整关联值、关联阈值下限、关联阈值上限序列；将因变量遥测参数的全部目标工况子序列的遥测值进行拼接、重新标号，组成最终得到的完整工况因变量遥测值序列。

6.如权利要求1所述的卫星遥测参数长周期数据的趋势分析方法，其特征在于：

在第六步中，针对长周期趋势计算与分析，分别从不同的尺度，对日关联性监测的输出结果进行特征提取，分别是单关联关系条目特征提取、单日关联性计算结果特征提取和长周期关联性趋势特征提取。

7.如权利要求6所述的卫星遥测参数长周期数据的趋势分析方法，其特征在于：

在单关联关系条目特征提取中，针对单条关联关系计算结果，计算每天的异常点数；

在单日关联性计算结果特征提取中，针对每个关联性计算日期，计算每天关联性监测结果为“异常”的关联关系条目数量；

在长周期关联性趋势特征提取中，计算多天内，每条关联关系在所有监测日内异常点个数的最大值和最小值；计算多天内，每条关联关系在每个监测日内异常点个数的变化趋势；计算多天内，所有关联关系条目中，无异常点、异常点数稳定、异常点数呈上升趋势、异常点数呈下降趋势的条目所占总条目的比例。

8.如权利要求7所述的卫星遥测参数长周期数据的趋势分析方法，其特征在于：

根据上述长周期计算的结果，分析卫星长周期运行状态及健康状态变化趋势，为维护卫星长期稳定运行提供决策支持。

Images