CN112537461B - 一种基于星载关联性健康基线卫星在轨实时监测方法 - Google Patents

一种基于星载关联性健康基线卫星在轨实时监测方法 Download PDF

Info

Publication number
CN112537461B
CN112537461B CN202011411327.XA CN202011411327A CN112537461B CN 112537461 B CN112537461 B CN 112537461B CN 202011411327 A CN202011411327 A CN 202011411327A CN 112537461 B CN112537461 B CN 112537461B
Authority
CN
China
Prior art keywords
relevance
working condition
correlation
baseline
satellite
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.)
Active
Application number
CN202011411327.XA
Other languages
English (en)
Other versions
CN112537461A (zh
Inventor
陶来发
宋登巍
王超
程玉杰
吕琛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202011411327.XA priority Critical patent/CN112537461B/zh
Publication of CN112537461A publication Critical patent/CN112537461A/zh
Application granted granted Critical
Publication of CN112537461B publication Critical patent/CN112537461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G1/00—Cosmonautic vehicles
    • B64G1/10—Artificial satellites; Systems of such satellites; Interplanetary vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本申请提出一种基于星载关联性健康基线卫星在轨实时监测方法，其包括：第一步，健康基线配置；第二步，数据缓存与计算触发；第三步，工况判断；第四步，基线搜索与调用；第五步，关联性计算；第六步，异常判定。本方法采用基于解析方程的健康基线，实时在轨关联性监测，凸显其计算资源占用少、计算时间消耗少的优势；采用缓存池定时触发计算的方法，降低了对数据存储的要求，同时提升响应速度。

Description

一种基于星载关联性健康基线卫星在轨实时监测方法
技术领域
本申请涉及一种卫星健康监控技术，涉及一种基于星载关联性健康基线卫星在轨实时监测方法。
背景技术
卫星关键分系统中单机参数众多，且空间环境的变化、卫星工况的更替使遥测数据的繁杂度变高，从而使得准确获悉卫星关键分系统在轨运行的真实健康状态变得极为困难。现行关键分系统健康状态判断技术，一方面仅仅通过简单遥测数据接收，解析全部遥测数据后由人工实时进行监控和解析出的遥测数据是否正常，不仅效率低下且人为误差因素较大；另一方面，现行技术手段能利用到的数据仅为少量历史数据，通过人为简单判断参数来推测异常，造成准确率较低；同时已有的技术较少对异常状态进行预警等功能。
基于上述背景，从参数关联性的角度进行卫星实时状态监测。正常情况下，不同遥测参数之间由于结构、功能上的耦合和影响，其数值之间存在一定的关联关系。当卫星处于正常(或健康)状态下的时候，这种关联关系理论上应该保持相对稳定，受到运行情况、环境干扰、数据传输的影响而在小范围内随机波动。卫星关联性状态监测所做的事情就是从自变量遥参出发，结合配置输入的关联系数和阈值系数，计算得到因变量遥参的期望阈值区间，再用因变量遥参实际值与阈值进行比对，实现卫星的状态监测。
发明内容
鉴于上述问题，本申请旨在提出一种基于星载关联性健康基线卫星在轨实时监测方法。
本申请的基于星载关联性健康基线卫星在轨实时监测方法，其包括：
第一步，健康基线配置；
第二步，数据缓存与计算触发；实时接收星上监测参数并进行缓存，当满足触发条件后触发后续计算；
第三步，工况判断；根据工况敏感参数与配置的工况判别逻辑表达式判断当前数据段是否属于目标工况，若属于，则转入后续步骤；
第四步，基线搜索与调用；在配置的健康基线库中搜索满足当前遥测参数与目标工况的关联性健康基线，并调出用于关联性计算；
第五步，关联性计算；根据关联性健康基线配置，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；
第六步，异常判定；根据判异准则，判断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，判断关联关系正常或异常。
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：关联性计算遥测参数、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、数据缓存池长度、异常判定规则。
优选地，在第二步中，为每个遥测参数设置数据缓存池；当缓存池满后，将参与关联性计算的遥测参数对应的缓存池中所有数据取出，传送至由工况判别逻辑表达式、关联性健康基线解析函数、关联性健康基线阈值函数等运算规则所组成的计算引擎，触发工况判定及调用健康基线，开展关联性计算；当缓存池中数据被取出后，清空缓存池，继续接收后续到达的遥测参数；每次数据缓存池中取出的参与关联性计算的遥测参数序列为自变量遥测参数和因变量遥测参数；每次从数据缓存池中取出的用于工况判定的工况敏感遥测参数为工况敏感遥测参数。
优选地，在第三步中，将每个工况参数对应的时间轴的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；该布尔量序列中值为真的点，代表其对应的时刻满足目标工况，反之则不满足；布尔量序列中所有标志位均为真，则判定该段数据属于目标工况；否则判定该段数据不属于目标工况；若数据段属于目标工况，则调用关联性健康基线解析函数、关联性健康基线阈值函数，触发关联性计算；若数据段不属于目标工况，则舍弃该段数据，不触发关联性计算。
优选地，在第四步中，根据判定的工况结果与参与计算的遥测参数，搜索目标关联性健康基线配置，包括关联性健康基线、关联性健康基线上阈值、关联性健康基线下阈值，并根据这些配置对参与关联性计算的遥测参数进行计算，完成基线的搜索与调用。
优选地，在第五步中，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，分别计算对应于每一个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；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。
优选地，分别计算每个因变量遥测参数实际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；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；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，判定结果为异常；若该比例小于或等于该阈值，判定结果为正常。
本发明的优点与积极效果在于：
相对于传统单参数阈值监测方法而言，基于关联性健康基线的监测方法将不同参数之间的定量相关关系同时纳入监测范围，能够从多参数的角度，系统化地进行卫星典型分系统健康状态监测；
通用的关联性架构体系与监测方法，可扩展性强；
计算资源占用少，响应速度快，可在星载端对卫星异常情况进行及时检测与报警。
附图说明
图1为本申请的基于星载关联性健康基线卫星在轨实时监测方法的流程框图；
图2-图6为本申请的实施例的为t分别为0s、15s、30s、45s、60s时的数据缓存池；
图7为本申请的实施例的关联计算结果；
图8为本申请的实施例的数据缓存池清空后的状态。
具体实施方式
考虑到卫星星载计算资源有限，且对响应及时性要求较高的特点，面向卫星工程应用，采用基于解析方程的健康基线，实时在轨关联性监测，凸显其计算资源占用少、计算时间消耗少的优势。采用缓存池定时触发计算的方法，降低了对数据存储的要求，同时提升响应速度。
本申请的基于星载关联性健康基线卫星在轨实时监测方法的具体步骤如下。
步骤一：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：关联性计算遥测参数、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、数据缓存池长度、异常判定规则。各个配置项含义如下。
(1)遥测参数：参与关联性状态监测计算的遥测参数，包括自变量遥测参数与因变量遥测参数。
(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：表征正常状态下，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值，y表示因变量遥测参数值。在星载监测场景下，关联性健康基线解析模型一般限定为线性型，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。
(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
Figure BDA0002815211660000041
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)数据缓存池长度：以数据点为单位，限定缓存中可以容纳的最多遥测参数数据点个数。每个采样时刻的遥测参数数据点占一个位置，当数据缓存池满后，触发关联性计算。
(7)异常判定规则：超限比例判异阈值t。
同时，在地面可能随时发送基线更新指令，在配置阶段结束后，若检测到地面发出基线更新指令，则按指令数据包中的相关参数对关联性健康基线配置进行更新。配置条目同上。
步骤二：数据缓存与计算触发
为每个遥测参数设置长度为n的数据缓存池。在星载端，遥测数据以一定频率到达数据缓存区，当缓存区未满时，每个到达的遥测数据点占据缓存池中一个位置。当缓存池满后，将参与关联性计算的遥测参数对应的缓存池中所有数据取出，触发工况判定及调用健康基线，开展关联性计算。当缓存池中数据被取出后，清空缓存池，继续接收后续到达的遥测参数。记一次数据缓存池中取出的参与关联性计算的遥测参数序列为X＝(x1,x2,L,xn)和Y＝(y1,y2,L,yn)。其中，X为自变量遥测参数，Y为因变量遥测参数。记一次数据缓存池中取出的用于工况判定的工况敏感遥测参数为
Figure BDA0002815211660000051
共包含c个遥测参数用于工况判定。
步骤三：工况判定
记工况判别逻辑表达式为Cond(W1,W2,L,Wc)，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n个工况参数对应的时间轴Tc＝(t1,t2,L,tn)的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n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,L,fn)。若布尔量序列中所有标志位均为真，则判定该段数据属于目标工况；否则判定该段数据不属于目标工况。若数据段属于目标工况，则调用关联性健康基线解析函数、关联性健康基线阈值函数，触发关联性计算；若数据段不属于目标工况，则舍弃该段数据，不触发关联性计算。
步骤四：基线搜索与调用
根据判定的工况结果与参与计算的遥测参数，搜索目标关联性健康基线配置，包括关联性健康基线、关联性健康基线上阈值、关联性健康基线下阈值，并根据这些配置对参与关联性计算的遥测参数进行计算，完成基线的搜索与调用。
步骤五：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X＝(x1,x2,L,xn)和Y＝(y1,y2,L,yn)。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
Figure BDA0002815211660000061
分别计算对应于每一个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
Figure BDA0002815211660000062
y i＝F(xi)
Figure BDA0002815211660000063
其中
Figure BDA0002815211660000064
y i、
Figure BDA0002815211660000065
分别代表对应于自变量遥测参数值xi的因变量遥测参数关联值、关联阈值下限和关联阈值上限。
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
Figure BDA0002815211660000071
Y＝(y 1,y 2,L,y n)
Figure BDA0002815211660000072
步骤六：异常判定
分别计算每个因变量遥测参数实际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εi，其中
Figure BDA0002815211660000073
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,L,εn)
按如下方式进行计算，并判定该段序列是否异常：
计算整个序列中超限点总数
Figure BDA0002815211660000074
计算整个序列超限点总数占序列总长度的比例
Figure BDA0002815211660000075
其中n是参与计算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。
实施例
步骤一：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：关联性计算遥测参数、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、数据缓存池长度、异常判定规则。各个配置项含义如下。
(1)遥测参数：自变量“A组蓄电池1-9电压”和因变量“A组蓄电池电压”
(2)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y＝F(x)＝a+bx＝-1.644+4.132x，其中x表示自变量遥测参数，y表示因变量遥测参数。
(3)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
Figure BDA0002815211660000081
和y＝F(x)＝-2.212+4.087x。
(4)数据缓存池长度：以数据点为单位，限定缓存中可以容纳的最多遥测参数数据点个数为60。每个遥测参数数据点占一个位置，当数据缓存池满后，触发关联性计算。
(5)异常判定规则：超限比例判异阈值t＝0.1。
同时，在地面可能不定时发送基线更新指令，在配置阶段结束后，若检测到地面发出基线更新指令，则按指令数据包中的相关参数对关联性健康基线配置进行更新。配置条目同上。
步骤二：数据缓存与计算触发
为每个遥测参数设置长度为60的数据缓存池。在星载端，遥测数据以一定频率到达数据缓存区，当缓存区未满时，每个到达的遥测数据点占据缓存池中一个位置。当缓存池满后，将参与关联性计算的遥测参数对应的缓存池中所有数据取出，触发工况判定及关联性计算。当缓存池中数据被取出后，清空缓存池，继续接收后续到达的遥测参数。记一次数据缓存池中取出的参与关联性计算的遥测参数序列为X＝(x1，x2，...，x60)和Y＝(y1，y2，...，y60)。其中，X为自变量遥测参数，Y为因变量遥测参数。记一次数据缓存池中取出的用于工况判定的工况敏感遥测参数为
X＝(X1，X2，...，X60)
Y＝(Y1，Y2，...，Y60)
遥测参数“A组蓄电池电压”和“A组蓄电池1-9电压”的缓存过程如图所示：
t＝0s时，数据缓存池如图2所示。
t＝15s时，数据缓存池如图3所示。
t＝30s时，数据缓存池如图4所示。
t＝45s时，数据缓存池如图5所示。
t＝60s时，数据缓存池如图6所示。
步骤三：工况判定
将工况有效时间轴Tc＝(t1,t2,L,t60)的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60的布尔量序列，记该布尔量序列为B＝(f1,f2,L,f60)。判定结果为布尔量序列中所有标志位均为真，因此判定该段数据属于目标工况，调用关联性健康基线解析函数、关联性健康基线阈值函数，触发关联性计算。
步骤四：基线搜索与调用
根据判定的工况结果与参与计算的遥测参数，搜索目标关联性健康基线配置，即关联型健康基线解析方程
y＝F(x)＝a+bx＝-1.644+4.132x
关联性阈值下限
y＝F(x)＝-2.212+4.087x
关联性阈值上限
Figure BDA0002815211660000101
并送入关联性计算引擎，完成基线的搜索与调用。
步骤五：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X＝(x1,x2,L,x60)和Y＝(y1,y2,L,y60)。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
Figure BDA0002815211660000102
分别计算对应于每一个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
Figure BDA0002815211660000103
y i＝F(xi)
Figure BDA0002815211660000104
其中
Figure BDA0002815211660000105
y i、
Figure BDA0002815211660000106
分别代表对应于xi的因变量遥测参数关联值、关联阈值下限和关联阈值上限。
计算结果如图7所示。
在上图中，下方子图为自变量遥测参数“A组蓄电池1-9电压”的原始遥测参数值，上方子图为因变量遥测参数“A组蓄电池电压”的原始遥测参数值、根据自变量遥测参数序列和关联性健康基线计算得到的遥测参数关联值、和根据自变量遥测参数序列和关联性阈值上下限计算得到的遥测参数阈值区间。
步骤六：异常判定
计算因变量遥测参数实际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εi，其中
Figure BDA0002815211660000111
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，…，ε60)＝(0，0，...，0)
按如下方式进行计算，并判定该段序列是否异常：
计算整个序列中超限点总数
Figure BDA0002815211660000112
计算整个序列超限点总数占序列总长度的比例
Figure BDA0002815211660000113
将整个序列超限点总数占序列总长度的比例c配置中确定的超限比例判异阈值t＝0.1进行比较，c≤t，判定结果为正常。
完成上述步骤后，即t＝61s时，数据缓存池清空，重新接收下一周期的遥测数据，如图8所示。
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 (6)

1.一种基于星载关联性健康基线卫星在轨实时监测方法，其包括：
第一步，健康基线配置；
第二步，数据缓存与计算触发；实时接收星上监测参数并进行缓存，当满足触发条件后触发后续计算；
第三步，工况判断；根据工况敏感参数与配置的工况判别逻辑表达式判断当前数据段是否属于目标工况，若属于，则转入后续步骤；
第四步，基线搜索与调用；在配置的健康基线库中搜索满足当前遥测参数与目标工况的关联性健康基线，并调出用于关联性计算；
第五步，关联性计算；根据关联性健康基线配置，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；
第六步，异常判定；根据判异准则，判断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，判断关联关系正常或异常，
分别计算每个因变量遥测参数实际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；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；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，判定结果为异常；若该比例小于或等于该阈值，判定结果为正常。
2.如权利要求1所述的基于星载关联性健康基线卫星在轨实时监测方法，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：关联性计算遥测参数、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、数据缓存池长度、异常判定规则。
3.如权利要求2所述的基于星载关联性健康基线卫星在轨实时监测方法，其特征在于：
在第二步中，为每个遥测参数设置数据缓存池；当缓存池满后，将参与关联性计算的遥测参数对应的缓存池中所有数据取出，传送至由工况判别逻辑表达式、关联性健康基线解析函数、关联性健康基线阈值函数等运算规则所组成的计算引擎，触发工况判定及调用健康基线，开展关联性计算；当缓存池中数据被取出后，清空缓存池，继续接收后续到达的遥测参数；每次数据缓存池中取出的参与关联性计算的遥测参数序列为自变量遥测参数和因变量遥测参数；每次从数据缓存池中取出的用于工况判定的工况敏感遥测参数为工况敏感遥测参数。
4.如权利要求3所述的基于星载关联性健康基线卫星在轨实时监测方法，其特征在于：
在第三步中，将每个工况参数对应的时间轴的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；该布尔量序列中值为真的点，代表其对应的时刻满足目标工况，反之则不满足；布尔量序列中所有标志位均为真，则判定该段数据属于目标工况；否则判定该段数据不属于目标工况；若数据段属于目标工况，则调用关联性健康基线解析函数、关联性健康基线阈值函数，触发关联性计算；若数据段不属于目标工况，则舍弃该段数据，不触发关联性计算。
5.如权利要求4所述的基于星载关联性健康基线卫星在轨实时监测方法，其特征在于：
在第四步中，根据判定的工况结果与参与计算的遥测参数，搜索目标关联性健康基线配置，包括关联性健康基线、关联性健康基线上阈值、关联性健康基线下阈值，并根据这些配置对参与关联性计算的遥测参数进行计算，完成基线的搜索与调用。
6.如权利要求5所述的基于星载关联性健康基线卫星在轨实时监测方法，其特征在于：
在第五步中，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，分别计算对应于每一个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；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。
CN202011411327.XA 2020-12-03 2020-12-03 一种基于星载关联性健康基线卫星在轨实时监测方法 Active CN112537461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011411327.XA CN112537461B (zh) 2020-12-03 2020-12-03 一种基于星载关联性健康基线卫星在轨实时监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011411327.XA CN112537461B (zh) 2020-12-03 2020-12-03 一种基于星载关联性健康基线卫星在轨实时监测方法

Publications (2)

Publication Number Publication Date
CN112537461A CN112537461A (zh) 2021-03-23
CN112537461B true CN112537461B (zh) 2022-11-25

Family

ID=75015987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011411327.XA Active CN112537461B (zh) 2020-12-03 2020-12-03 一种基于星载关联性健康基线卫星在轨实时监测方法

Country Status (1)

Country Link
CN (1) CN112537461B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078765A (zh) * 2007-07-05 2007-11-28 北京航空航天大学 激光雷达遥感偏振成像系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2640933B1 (zh) * 1988-12-23 1991-04-12 Aerospatiale
CA2080613A1 (en) * 1991-11-27 1993-05-28 Douglas J. Bender Method and apparatus for dynamic precompensation of solar wing stepping motions of a satellite
FR2955313B1 (fr) * 2010-01-19 2012-11-16 Thales Sa Procede et dispositif d'optimisation de la masse d'un satellite
US20150286792A1 (en) * 2014-04-03 2015-10-08 HCMS Group LLC Systems and methods for health risk determination
FR3076354B1 (fr) * 2017-12-28 2019-11-22 Thales Procede de controle de l'integralite de l'estimation de la position d'un porteur mobile dans un systeme de mesure de positionnement par satellite
CN111680407B (zh) * 2019-06-03 2023-12-01 北京航空航天大学 一种基于高斯混合模型的卫星健康评估方法
CN110647717B (zh) * 2019-09-19 2020-05-05 中国水利水电科学研究院 一种基于关联维数的水文模型参数优选方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078765A (zh) * 2007-07-05 2007-11-28 北京航空航天大学 激光雷达遥感偏振成像系统

Also Published As

Publication number Publication date
CN112537461A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN110264270B (zh) 一种行为预测方法、装置、设备和存储介质
CN110059894B (zh) 设备状态评估方法、装置、系统及存储介质
US20240118987A1 (en) Predicting Application Performance From Resource Statistics
CN112526559B (zh) 一种多工况条件下的系统关联性状态监测方法
Cohen et al. Automating Path Analysis for Building Causal Models from Data.
Shibaev et al. Data control in the diagnostics and forecasting the state of complex technical systems
US8072324B2 (en) Methods for remote device status determination
Li et al. Accurate and efficient processor performance prediction via regression tree based modeling
CN112537461B (zh) 一种基于星载关联性健康基线卫星在轨实时监测方法
CN113203953B (zh) 基于改进型极限学习机的锂电池剩余使用寿命预测方法
CN108825482B (zh) 一种飞机轴向柱塞泵的故障检测方法及检测系统
CN114881343A (zh) 基于特征选择的电力系统短期负荷预测方法及装置
CN113988709A (zh) 中压配电线路故障率分析方法、装置、终端设备及介质
CN117196185A (zh) 一种军事体系需求生成方法及系统
Zhou et al. Tunnel settlement prediction by transfer learning
CN112507455B (zh) 一种卫星遥测参数长周期数据的趋势分析方法
CN112596081B (zh) 一种基于关联性健康基线的健康状态监测的方法
Haug et al. Standardized Evaluation of Machine Learning Methods for Evolving Data Streams
Kárný et al. Mixed‐data multi‐modelling for fault detection and isolation
CN114706905A (zh) 数据预测方法、装置、电子设备及计算机可读存储介质
CN114818460A (zh) 基于自动机器学习的实验室设备剩余使用寿命预测方法
Seber et al. LCEN: A Novel Feature Selection Algorithm for Nonlinear, Interpretable Machine Learning Models
CN118260744B (zh) 基于深度学习的胶囊网络模型的挖矿程序检测方法及系统
CN109167708A (zh) 一种基于滑动窗口的自适应在线异常检测方法
Tang et al. An Automatic Method of Autoregression Part Selection for Gaussian Time Series Prediction

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