CN112949683B - 一种低轨卫星智能故障诊断及预警方法及系统 - Google Patents
一种低轨卫星智能故障诊断及预警方法及系统 Download PDFInfo
- Publication number
- CN112949683B CN112949683B CN202110114337.5A CN202110114337A CN112949683B CN 112949683 B CN112949683 B CN 112949683B CN 202110114337 A CN202110114337 A CN 202110114337A CN 112949683 B CN112949683 B CN 112949683B
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- fault
- prediction
- early warning
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims description 69
- 241000255588 Tephritidae Species 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 24
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005429 filling process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明公开了一种低轨卫星智能故障诊断及预警方法及系统。包括故障诊断步骤和/或故障预警步骤；故障预警步骤包括：S1，设置预测时间长度，将当前诊断结果和历史诊断结果组成第一次预测诊断结果序列；S2，将第m次预测诊断结果序列输入故障预警模型，故障预警模型输出未来第m个遥测数据采集周期的预测诊断结果；若m≥M，进入S3，若m＜M，将第m次预测的预测诊断结果加入第m次预测诊断结果序列的末端并去掉第m次预测诊断结果序列的首端数据得到第m+1次预测诊断结果序列，m＝m+1，返回S2；S3，将预测时间长度内M次预测诊断结果构成预测序列。能够预测星座在未来一段时间内的表现，实现星座故障预警，降低了预测模型的复杂度。
Description
技术领域
本发明涉及卫星故障诊断技术领域，特别是涉及一种低轨卫星智能故障诊断及预警方法及系统。
背景技术
卫星作为应用最为广泛的航天器之一，其自身具有复杂的物理结构，并在其运行全周期内遭受恶劣的工作环境和未知的太空干扰，这些因素都给其可靠性和安全性带来挑战。卫星一旦发生故障，轻则使得任务降级，重则导致卫星失控，甚至报废；不仅给国家和公司带来巨大的财产损失，也对空间环境带来一定程度的安全损失。因此，对在轨卫星设备的运行状态进行监测，并及时准确地发现卫星故障，诊断故障信息，从而提高卫星设备的可靠性以降低损失。
目前，国内应用于生产环境的星座智能故障诊断方法专家系统通常是基于阈值的。随着低轨卫星自身结构集成化和批量化，基于阈值的专家系统，其缺点也随之显现。主要表现为以下几点：1)由于不同低轨卫星系统的遥测参数具有较大差异，因此对卫星遥测参数进行处理和分析的专家系统大都具有专一性，且设定阈值耗费的人力成本大；2)遥测参数覆盖不全面，且监测手段还停留在对单一遥测参数本身的监测，对于参数之间的相关性考虑较少；3)卫星在动态变化的空间环境中运行时会发生遥测参数概念漂移现象，其遥测数据分布会随着时间的变化而改变，阈值也会有一定程度上的变化，而常规的专家系统不具备从经验中自主学习的能力，阈值无法及时得到恰当的修正；4)故障预警能力较弱，无法在故障发生前进行警报。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种低轨卫星智能故障诊断及预警方法及系统。
为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种低轨卫星智能故障诊断及预警方法，包括故障诊断步骤和/或故障预警步骤；所述故障诊断步骤包括：步骤A，获取实时遥测数据，对实时遥测数据进行预处理获得第一数据，挖掘第一数据的时序特征，将所述时序特征加入第一数据获得第二数据，对第二数据进行标准化处理获得样本数据；步骤B，将所述样本数据输入故障诊断模型，所述故障诊断模型输出所述样本数据的诊断结果；所述故障预警步骤包括：步骤S1，设置预测时间长度，所述预测时间长度为遥测数据采集周期的M倍，M为正整数，将当前诊断结果和至少一个之前的历史诊断结果按照时间先后顺序组成第一次预测诊断结果序列P1，设预测次数m＝1,2,......,M；步骤S2，将第m次预测诊断结果序列Pm输入故障预警模型，所述故障预警模型输出未来第m个遥测数据采集周期的预测诊断结果pk+m'；若m≥M，进入步骤S3,若m＜M，将第m次预测的预测诊断结果pk+m'加入第m次预测诊断结果序列Pm的末端并去掉第m次预测诊断结果序列Pm的首端数据得到第m+1次预测诊断结果序列Pm+1'，令m＝m+1,返回执行步骤S2；步骤S3，将预测时间长度内M次预测诊断结果构成预测序列[pk+1',pk+2',...,pk+M']，根据所述预测序列判断是否预警。
上述技术方案：该方法可以进行卫星故障诊断，或者卫星故障预警，或者进行卫星故障诊断和卫星故障预警。通过故障诊断模型和故障预警模型分别进行故障诊断和故障预警，而非传统的基于阈值判断故障，极大地节省了人力，并且故障预警步骤能够预测星座在未来一段时间内的表现，实现星座故障预警目的，同时，故障预警模型的输入数据可为故障诊断模型的输出结果序列，而非高纬的遥测数据，降低了预测模型的复杂度，能够实现快速预测。
在本发明的一种优选实施方式中，所述故障预警模型的获取过程包括：步骤S01,构建神经网络和初始化神经网络参数，所述神经网络包括输入层、隐藏层、全连接层和输出层；步骤S02，获取多个时间连续的历史诊断结果，从第一个历史诊断结果开始，依次将连续的L个历史诊断结果组成一个诊断结果序列，将诊断结果序列作为预测样本，获得多个预测样本，将与诊断结果序列相邻的后一历史诊断结果标记为所述预测样本的理想预测值；步骤S03，结合梯度下降算法通过多个预测样本对神经网络进行训练和验证获得故障预警模型。
上述技术方案：通过诊断结果序列构建故障预警模型的样本数据，而非高纬度的遥测数据，降低了故障预警模型的复杂度，加快预警速度。
在本发明的一种优选实施方式中，设获取了N个时间连续的历史诊断结果，将第1到L个历史诊断结果组成的序列作为第一个预测样本，将第2到L+1个历史诊断结果组成的序列作为第二个预测样本，依此类推直到利用完N个历史诊断结果；所述N和L均为正整数，L小于N；按照预测样本的时间顺序依次对神经网络进行训练，对第Q的整数倍次训练的预测样本进行改进：将第Q的整数倍次训练的上一次训练获得的训练结果加入第Q的整数倍次训练的预测样本的末端，去掉第Q的整数倍次训练的预测样本首端的历史诊断结果，将获得的样本作为新的第Q的整数倍次训练的预测样本，Q为大于1的整数。
上述技术方案：在故障预警模型训练过程中引入了训练数据的多样性，提高故障预警模型的预测鲁棒性和准确性。
在本发明的一种优选实施方式中，在所述步骤A中，挖掘第一数据的时序特征的过程包括：步骤A1，遥测数据为多维数据，设置至少一个特征窗口，当特征窗口大于一个时，每个特征窗口的大小不同；步骤A2，将实时遥测数据加入历史遥测数据阵列末尾获得新遥测数据阵列，以实时遥测数据为终止位置将特征窗口覆盖在所述新遥测数据阵列上，获取所述特征窗口覆盖区域内全部或部分维数据中每维数据的增长率之和和方差作为该维数据的时序特征。
上述技术方案：基于遥测数据的时序特性挖掘出时序特征，时序特征能够增强遥测数据特征的表达力，使得故障诊断结果更准确。
在本发明的一种优选实施方式中，获取所述故障诊断模型的过程包括：步骤a，将随机森林的决策树数目和分裂属性个数作为需要优化的参数，设置果蝇的位置变量，所述位置变量包括决策树数目和分裂属性个数两个分量；步骤b，初始化果蝇数量Num、总迭代次数T、果蝇种群的历史最优位置Hopt、果蝇种群的当前最优位置Copt、果蝇种群的历史最优气味浓度bestSmell、第一步长调节参数ρ、第二步长调节参数φ、迭代次数k的初始值为0、以及每个果蝇的初始位置；T为正整数；对随机步长RandomValue进行随机赋值，将Num个果蝇分为三个子群group1、group2和group3；步骤c，计算步长调节因子m(k)，所述
步骤d，进行第k次迭代更新各果蝇位置：若
当第i个果蝇属于子群group1时，按照公式Hi＝Hopt+RandomValue×m(k)更新第i个果蝇的位置Hi,当第i个果蝇属于子群group2时，按照公式Hi＝Hopt+LargeRandomValue×m(k)更新第i个果蝇的位置Hi；当第i个果蝇属于子群group3时，按照公式Hi＝Copt+RandomValue×m(k)更新第i个果蝇的位置Hi；若
当第i个果蝇属于子群group1时，按照公式Hi＝Hopt+RandomValue×m(k)更新第i个果蝇的位置Hi,当第i个果蝇属于子群group2时，按照公式Hi＝Hopt+SmallRandomValue×m(k)更新第i个果蝇的位置Hi；当第i个果蝇属于子群group3时，按照公式Hi＝Copt+RandomValue×m(k)更新第i个果蝇的位置Hi；其中，LargeRandomValue表示较大步长，SmallRandomValue表示较小步长，SmallRandomValue＜RandomValue＜LargeRandomValue；步骤e，将每只果蝇第k次更新的位置变量代入随机森林中，利用诊断训练样本对随机森林进行交叉训练和测试，将多次交叉验证得到的准确率作为该果蝇的气味浓度值；步骤f，对步骤e获得的所有果蝇的气味浓度值进行排序，将当前最优位置Copt更新为气味浓度值最大的果蝇的位置，若最大的气味浓度值大于历史最优气味浓度bestSmell，将历史最优气味浓度bestSmell更新为最大的气味浓度值，将历史最优位置Hopt更新为气味浓度值最大的果蝇的位置；步骤g，若k＞T，将获得的历史最优位置Hopt代入随机森林获得故障诊断模型，若k≤T，返回执行步骤c。
上述技术方案：采用改进果蝇算法搜索随机森林的最优决策树数目和最优分裂属性个数，提高了随机森林对于星座遥测数据的故障诊断检测能力。
在本发明的一种优选实施方式中，所述诊断训练样本的获取过程为：获取多个历史遥测数据，对每个历史遥测数据进行预处理并获得第一数据，挖掘第一数据的时序特征，将所述时序特征加入第一数据获得第二数据，对第二数据进行标准化处理获得诊断训练样本，为诊断训练样本标记标签。
上述技术方案：提升了诊断训练样本数据的特征表达力，使得故障诊断结果更准确。
在本发明的一种优选实施方式中，所述预处理的过程包括数据缺失值填充处理、噪声值剔除处理和特征降维处理。
上述技术方案：通过缺失值填充、噪声剔除能够优化样本数据，减小误判概率，通过特征降维能够减少数据运算量，提升诊断速度。
在本发明的一种优选实施方式中，所述故障诊断步骤还包括步骤C；所述步骤C为：设置滑动窗口，所述滑动窗口的时间长度为遥测数据采集周期的整数倍，若样本数据通过所述故障诊断模型诊断为故障，将样本数据首先插入滑动窗口内，将后续由故障诊断模型诊断的每个样本数据也插入滑动窗口直至将滑动窗口插满，获取滑动窗口内诊断结果为故障的样本数据占据比例，若所述占据比例超过预设的比例阈值，则认为首先插入滑动窗口的样本数据的最终诊断结果为故障，进行报警，否则认为首先插入滑动窗口的样本数据最终诊断结果为噪声。
上述技术方案：对故障诊断模型输出的诊断结果进行进一步噪声排查处理，能够有效排除因卫星所处的恶劣环境导致噪声值引起的误判，提高了故障诊断的准确性。
在本发明的一种优选实施方式中，还包括自适应调节故障诊断模型的步骤，具体包括：定期地将故障诊断模型诊断为故障的全部和诊断为正常的部分样本数据插入诊断训练样本集，并从诊断训练样本集移除数量与插入样本数据数量相等的时间较早的诊断训练样本，利用新的诊断训练样本集对故障诊断模型进行训练获得新的故障诊断模型。
上述技术方案：能够有效降低卫星遥测数据概念漂移对故障诊断模型对诊断结果的影响。
为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种低轨卫星智能故障诊断系统，包括遥测数据采集模块、处理模块和报警模块；所述遥测数据采集模块实时采集遥测数据；所述处理模块接收遥测数据采集模块输出的实时遥测数据，并按照本发明所述的低轨卫星智能故障诊断及预警方法进行卫星故障诊断和/或卫星故障预警，当诊断为故障时，发送报警信号至报警模块。
上述技术方案：该系统可以进行卫星故障诊断，或者卫星故障预警，或者进行卫星故障诊断和卫星故障预警。通过故障诊断模型和故障预警模型分别进行故障诊断和故障预警，而非传统的基于阈值判断故障，极大地节省了人力，并且故障预警步骤能够预测星座在未来一段时间内的表现，实现星座故障预警目的，同时，故障预警模型的输入数据可为故障诊断模型的输出结果序列，而非高纬的遥测数据，降低了预测模型的复杂度，能够实现快速预测。
附图说明
图1是本发明一具体实施方式中低轨卫星智能故障诊断及预警方法的流程示意图；
图2是本发明一具体实施方式中时序特征挖掘示意图；
图3是本发明一具体实施方式中故障预测模型获取流程示意图；
图4是本发明一具体实施方式中轨星座智能故障诊断及预警示意图；
图5是本发明一具体实施方式中故障诊断步骤的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明公开了一种低轨卫星智能故障诊断及预警方法，在一种优选实施方式中，包括故障诊断步骤和/或故障预警步骤；低轨卫星智能故障诊断及预警方法可以仅包括故障诊断步骤；或者仅包括故障预警步骤如图5所示；或者包括故障诊断步骤和故障预警步骤，如图1和图4所示，；
故障诊断步骤包括：
步骤A，获取实时遥测数据，对实时遥测数据进行预处理获得第一数据，挖掘第一数据的时序特征，将时序特征加入第一数据获得第二数据，对第二数据进行标准化处理获得样本数据；优选的，预处理的过程包括数据缺失值填充处理、噪声值剔除处理和特征降维处理；缺失值填充的方法可将缺失部分前后数据的平均值作为该缺失值；噪声值剔的方法除优选但不限于采用低通数字滤波器滤除高频噪声；由于原始的遥测数据维数很多，为了减少运算量，可以根据经验删除不相关的特征数据进行降维，或者通过主成分分析PCA等现有方法进行降维。
步骤B，将样本数据输入故障诊断模型，故障诊断模型输出样本数据的诊断结果；故障诊断模型优选但不限于为基于卷积神经网络、模糊算法模型或支持向量机等训练和测试获得。诊断结果可以是概率值(如设置一个诊断判断阈值，比如0.5，若故障诊断模型输出样本数据的为故障的概率值大于0.5则表示诊断为故障，反之则诊断为正常)，也可以是类别标签(如用标签1代表故障，标签0代表正常)。
故障预警步骤包括：
步骤S1，设置预测时间长度，预测时间长度为遥测数据采集周期的M倍，M为正整数，将当前诊断结果和至少一个之前的历史诊断结果按照时间先后顺序组成第一次预测诊断结果序列P1，设预测次数m＝1,2,......,M；
步骤S2，将第m次预测诊断结果序列Pm输入故障预警模型，故障预警模型输出未来第m个遥测数据采集周期的预测诊断结果pk+m'；
若m≥M，进入步骤S3,若m＜M，将第m次预测的预测诊断结果pk+m'加入第m次预测诊断结果序列Pm的末端并去掉第m次预测诊断结果序列Pm的首端数据得到第m+1次预测诊断结果序列Pm+1'，令m＝m+1,返回执行步骤S2；
步骤S3，将预测时间长度内M次预测诊断结果构成预测序列[pk+1',pk+2',...,pk+M']，根据预测序列判断是否预警。当预测诊断结果为预测故障的概率值时，可设置一个预测阈值，若预测序列中全部或后部分预测诊断结果呈逐渐递增趋势，最后一个预测诊断结果大于预测阈值，可认为预测有故障发生，进行报警，这样能够科学合理的预测出故障，避免误报以及漏报。预测阈值优选的应低于故障诊断模型输出的诊断结果为概率值时的诊断判断阈值。
在本实施方式中，标准化处理将每维特征数据标准化在[0,1]区间内，优选的，可通过每维特征数据的最大值和最小值进行标准化处理，为现有技术，在此不再赘述。
在一种优选实施方式中，故障预警模型的获取过程包括：
步骤S01,构建神经网络和初始化神经网络参数，神经网络包括输入层、隐藏层、全连接层和输出层；初始化神经网络参数主要进行如下操作：优化器采用Adam，Optimizer＝Adam，学习率设为0.01，Learning_rate＝0.01，丢掉率为0.4，Dropout_rate＝0.4，隐藏层的维度为128，Hidden_dim＝128，全连接层的维度为64，Full_dim＝64。步骤S02，获取多个时间连续的历史诊断结果，从第一个历史诊断结果开始，依次将连续的L个历史诊断结果组成一个诊断结果序列，将诊断结果序列作为预测样本，获得多个预测样本，将与诊断结果序列相邻的后一历史诊断结果标记为预测样本的理想预测值；L大小优选但不限于为8。
步骤S03，结合梯度下降算法通过多个预测样本对神经网络进行训练和验证获得故障预警模型。
在一种优选实施方式中，设获取了N个时间连续的历史诊断结果，将第1到L个历史诊断结果组成的序列作为第一个预测样本，将第2到L+1个历史诊断结果组成的序列作为第二个预测样本，依此类推直到利用完N个历史诊断结果；N和L均为正整数，L小于N；按照预测样本的时间顺序依次对神经网络进行训练，对第Q的整数倍次训练的预测样本进行改进：将第Q的整数倍次训练的上一次训练获得的训练结果加入第Q的整数倍次训练的预测样本的末端，去掉第Q的整数倍次训练的预测样本首端的历史诊断结果，将获得的样本作为新的第Q的整数倍次训练的预测样本，Q为大于1的整数，Q优选但不限于为3。
在本实施方式中的一种应用场景中，第一次训练时，故障预警模型输入概率序列P1＝[p1,p2,...,p8]，预测值为Y1＝[p9']；第二次训练时，将Y1的真实值p9加入到P1的末尾，并且去掉P1头的第1个数据p1，形成新的故障预测模型输入概率序列P2＝[p2,p3,...,p9]，预测输出为Y2＝[p10']；第三次训练时，训练次数为3的倍数，将Y2对应的预测值加入到P2的末尾，并且去掉P2开头的第1个数据p2，形成新的输入概率序列P3＝[p3,p4,...,p10']，预测输出为Y3＝[p11']。依次类推，完成训练。
在本应用场景中，设实时遥测数据xk经过数据预处理和故障诊断模型得到概率pk，构建故障预测模型输入序列[pk-7,pk-6,...,pk]，通过故障预测模型得到pk+1',将该概率值构建输入序列[pk-6,pk-5,...,pk+1']，得到下一个时刻的概率值pk+2'。根据滚动预测思想，多次单步滚动预测获取未来一段时间内的概率值[pk+1',pk+2',...,pk+m'](m为需要预测的时间长度对遥测数据采集周期的倍数)，实现低轨星座故障预警，降低低轨星座运营成本。
在一种优选实施方式中，在步骤A中，如图2所示，挖掘第一数据的时序特征的过程包括：
步骤A1，遥测数据为多维数据，设置至少一个特征窗口，当特征窗口大于一个时，每个特征窗口的大小不同；步骤A2，将实时遥测数据加入历史遥测数据阵列末尾获得新遥测数据阵列，以实时遥测数据为终止位置将特征窗口覆盖在新遥测数据阵列上，获取特征窗口覆盖区域内全部或部分维数据中每维数据的增长率之和和方差作为该维数据的时序特征。对于需要挖掘时空特征的每维特征数据，增长率之和为特征窗口内该维特征数据中沿时间顺序相邻数据之间的增长率之和，方差为特征窗口内该维特征数据所有数据的方差。
在本实施方式的一种应用场景中，如图2所示，包含特征窗口A和特征窗口B，分别用于挖掘遥测数据紧邻采集时刻和相邻一段时间内全部或部分维数据中每维数据的相关特征。对于特征窗口A，计算待测样本和在特征窗口A内的连续性变量的增长率之和和方差，并作为新特征插入第二数据中该维特征数据中，可以是中间或首端或末端。同理，对待测样本和特征窗口B内的连续性变量计算相同的特征，并作为新特征插入该维特征数据中。
在一种优选实施方式中，如图3所示，获取故障诊断模型的过程包括：
步骤a，将随机森林的决策树数目和分裂属性个数作为需要优化的参数，设置果蝇的位置变量，位置变量包括决策树数目和分裂属性个数两个分量；
步骤b，初始化果蝇数量Num、总迭代次数T、果蝇种群的历史最优位置Hopt、果蝇种群的当前最优位置Copt、果蝇种群的历史最优气味浓度bestSmell、第一步长调节参数ρ、第二步长调节参数φ、迭代次数k的初始值为0、以及每个果蝇的初始位置；T为正整数；对随机步长RandomValue进行随机赋值，将Num个果蝇分为三个子群group1、group2和group3；
步骤c，计算步长调节因子m(k)，
步骤d，进行第k次迭代更新各果蝇位置：
若
当第i个果蝇属于子群group1时，按照公式Hi＝Hopt+RandomValue×m(k)更新第i个果蝇的位置Hi,当第i个果蝇属于子群group2时，按照公式Hi＝Hopt+LargeRandomValue×m(k)更新第i个果蝇的位置Hi；当第i个果蝇属于子群group3时，按照公式Hi＝Copt+RandomValue×m(k)更新第i个果蝇的位置Hi；
若
当第i个果蝇属于子群group1时，按照公式Hi＝Hopt+RandomValue×m(k)更新第i个果蝇的位置Hi,当第i个果蝇属于子群group2时，按照公式Hi＝Hopt+SmallRandomValue×m(k)更新第i个果蝇的位置Hi；当第i个果蝇属于子群group3时，按照公式Hi＝Copt+RandomValue×m(k)更新第i个果蝇的位置Hi；
其中，LargeRandomValue表示较大步长，SmallRandomValue表示较小步长，SmallRandomValue＜RandomValue＜LargeRandomValue；
步骤e，将每只果蝇第k次更新的位置变量代入随机森林中，利用诊断训练样本对随机森林进行交叉训练和测试，将多次交叉验证得到的准确率作为该果蝇的气味浓度值；
步骤f，对步骤e获得的所有果蝇的气味浓度值进行排序，将当前最优位置Copt更新为气味浓度值最大的果蝇的位置，若最大的气味浓度值大于历史最优气味浓度bestSmell，将历史最优气味浓度bestSmell更新为最大的气味浓度值，将历史最优位置Hopt更新为气味浓度值最大的果蝇的位置；
步骤g，若k＞T，将获得的历史最优位置Hopt代入随机森林获得故障诊断模型，若k≤T，返回执行步骤c。
在一种优选实施方式中，诊断训练样本的获取过程为：获取多个历史遥测数据，对每个历史遥测数据进行预处理并获得第一数据，挖掘第一数据的时序特征，将时序特征加入第一数据获得第二数据，对第二数据进行标准化处理获得诊断训练样本，为诊断训练样本标记标签。
在一种优选实施方式中，故障诊断步骤还包括步骤C；
步骤C为：设置滑动窗口，滑动窗口的时间长度为遥测数据采集周期的整数倍，若样本数据通过故障诊断模型诊断为故障，将样本数据首先插入滑动窗口内，将后续由故障诊断模型诊断的每个样本数据也插入滑动窗口直至将滑动窗口插满，获取滑动窗口内诊断结果为故障的样本数据占据比例，若占据比例超过预设的比例阈值，则认为首先插入滑动窗口的样本数据的最终诊断结果为故障，进行报警，否则认为首先插入滑动窗口的样本数据最终诊断结果为噪声。比例阈值的设置可通过经验设定。
在本实施方式中，对于故障诊断模型诊断为负样本(即诊断为故障)的实时遥测数据，需要利用滑动窗口进行进一步确认。具体方法是以该样本时间为基准，设置滑动窗口大小，等待下一个时刻的遥测数据预测结果，并将预测结果插入滑动窗口中，直到滑动窗口缓存完毕。之后，统计滑动窗口内的负样本情况，若超过负样本的预设比例阈值，则说明该异常数据为故障数据，需要提醒管理员处理。否则，该样本为噪声数据，无需警报。
在一种优选实施方式中，还包括自适应调节故障诊断模型的步骤，具体包括：
定期地将故障诊断模型诊断为故障全部和诊断为正常的部分样本数据插入诊断训练样本集，并从诊断训练样本集移除数量与插入样本数据数量相等的时间较早的诊断训练样本，利用新的诊断训练样本集对故障诊断模型进行训练获得新的故障诊断模型。
在本实施方式中，上述步骤为故障诊断模型自适应阶段，为降低卫星遥测数据存在的概念漂移现象影响，本发明将实时遥测数据预测为故障的全部样本和预测为正常的部分样本插入诊断训练集，诊断训练集中较早的样本移出数据集，保证诊断训练集总长度不变。然后根据预设时间间隔对故障诊断模型进行重新训练，以降低概念漂移对故障诊断模型诊断结果的影响。
本发明还公开了一种低轨卫星智能故障诊断系统，在一种优选实施方式中，包括遥测数据采集模块、处理模块和报警模块；遥测数据采集模块实时采集遥测数据；处理模块接收遥测数据采集模块输出的实时遥测数据，并按照上述低轨卫星智能故障诊断及预警方法进行卫星故障诊断和/或卫星故障预警，当诊断为故障时，发送报警信号至报警模块。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种低轨卫星智能故障诊断及预警方法，其特征在于，包括故障诊断步骤和故障预警步骤；
所述故障诊断步骤包括：
步骤A，获取实时遥测数据，对实时遥测数据进行预处理获得第一数据，挖掘第一数据的时序特征，将所述时序特征加入第一数据获得第二数据，对第二数据进行标准化处理获得样本数据；
步骤B，将所述样本数据输入故障诊断模型，所述故障诊断模型输出所述样本数据的诊断结果；
所述故障预警步骤包括：
步骤S1，设置预测时间长度，所述预测时间长度为遥测数据采集周期的M倍，M为正整数，将当前诊断结果和至少一个之前的历史诊断结果按照时间先后顺序组成第一次预测诊断结果序列P1，设预测次数m＝1,2,......,M；
步骤S2，将第m次预测诊断结果序列Pm输入故障预警模型，所述故障预警模型输出未来第m个遥测数据采集周期的预测诊断结果pk+m'；
若m≥M，进入步骤S3,若m＜M，将第m次预测的预测诊断结果pk+m'加入第m次预测诊断结果序列Pm的末端并去掉第m次预测诊断结果序列Pm的首端数据得到第m+1次预测诊断结果序列Pm+1'，令m＝m+1,返回执行步骤S2；
步骤S3，将预测时间长度内M次预测诊断结果构成预测序列[pk+1',pk+2',...,pk+M']，根据所述预测序列判断是否预警。
2.如权利要求1所述的低轨卫星智能故障诊断及预警方法，其特征在于，所述故障预警模型的获取过程包括：
步骤S01,构建神经网络和初始化神经网络参数，所述神经网络包括输入层、隐藏层、全连接层和输出层；
步骤S02，获取多个时间连续的历史诊断结果，从第一个历史诊断结果开始，依次将连续的L个历史诊断结果组成一个诊断结果序列，将诊断结果序列作为预测样本，获得多个预测样本，将与诊断结果序列相邻的后一历史诊断结果标记为所述预测样本的理想预测值；
步骤S03，结合梯度下降算法通过多个预测样本对神经网络进行训练和验证获得故障预警模型。
3.如权利要求2所述的低轨卫星智能故障诊断及预警方法，其特征在于，设获取了N个时间连续的历史诊断结果，将第1到L个历史诊断结果组成的序列作为第一个预测样本，将第2到L+1个历史诊断结果组成的序列作为第二个预测样本，依此类推直到利用完N个历史诊断结果；所述N和L均为正整数，L小于N；
按照预测样本的时间顺序依次对神经网络进行训练，对第Q的整数倍次训练的预测样本进行改进：将第Q的整数倍次训练的上一次训练获得的训练结果加入第Q的整数倍次训练的预测样本的末端，去掉第Q的整数倍次训练的预测样本首端的历史诊断结果，将获得的样本作为新的第Q的整数倍次训练的预测样本，Q为大于1的整数。
4.如权利要求1所述的低轨卫星智能故障诊断及预警方法，其特征在于，在所述步骤A中，挖掘第一数据的时序特征的过程包括：
步骤A1，遥测数据为多维数据，设置至少一个特征窗口，当特征窗口大于一个时，每个特征窗口的大小不同；
步骤A2，将实时遥测数据加入历史遥测数据阵列末尾获得新遥测数据阵列，以实时遥测数据为终止位置将特征窗口覆盖在所述新遥测数据阵列上，获取所述特征窗口覆盖区域内全部或部分维数据中每维数据的增长率之和和方差作为该维数据的时序特征。
5.如权利要求1所述的低轨卫星智能故障诊断及预警方法，其特征在于，获取所述故障诊断模型的过程包括：
步骤a，将随机森林的决策树数目和分裂属性个数作为需要优化的参数，设置果蝇的位置变量，所述位置变量包括决策树数目和分裂属性个数两个分量；
步骤b，初始化果蝇数量Num、总迭代次数T、果蝇种群的历史最优位置Hopt、果蝇种群的当前最优位置Copt、果蝇种群的历史最优气味浓度bestSmell、第一步长调节参数ρ、第二步长调节参数φ、迭代次数k的初始值为0、以及每个果蝇的初始位置；T为正整数；对随机步长RandomValue进行随机赋值，将Num个果蝇分为三个子群group1、group2和group3；
步骤c，计算步长调节因子m(k)，所述
ρ∈[2,8]，φ∈[2,6]；
步骤d，进行第k次迭代更新各果蝇位置：
若
当第i个果蝇属于子群group1时，按照公式Hi＝Hopt+RandomValue×m(k)更新第i个果蝇的位置Hi,当第i个果蝇属于子群group2时，按照公式Hi＝Hopt+LargeRandomValue×m(k)更新第i个果蝇的位置Hi；当第i个果蝇属于子群group3时，按照公式Hi＝Copt+RandomValue×m(k)更新第i 个果蝇的位置Hi；
若
当第i个果蝇属于子群group1时，按照公式Hi＝Hopt+RandomValue×m(k)更新第i个果蝇的位置Hi,当第i个果蝇属于子群group2时，按照公式Hi＝Hopt+SmallRandomValue×m(k)更新第i个果蝇的位置Hi；当第i个果蝇属于子群group3时，按照公式Hi＝Copt+RandomValue×m(k)更新第i个果蝇的位置Hi；
其中，LargeRandomValue表示较大步长，SmallRandomValue表示较小步长，SmallRandomValue＜RandomValue＜LargeRandomValue；
步骤e，将每只果蝇第k次更新的位置变量代入随机森林中，利用诊断训练样本对随机森林进行交叉训练和测试，将多次交叉验证得到的准确率作为该果蝇的气味浓度值；
步骤f，对步骤e获得的所有果蝇的气味浓度值进行排序，将当前最优位置Copt更新为气味浓度值最大的果蝇的位置，若最大的气味浓度值大于历史最优气味浓度bestSmell，将历史最优气味浓度bestSmell更新为最大的气味浓度值，将历史最优位置Hopt更新为气味浓度值最大的果蝇的位置；
步骤g，若k＞T，将获得的历史最优位置Hopt代入随机森林获得故障诊断模型，若k≤T，返回执行步骤c。
6.如权利要求5所述的低轨卫星智能故障诊断及预警方法，其特征在于，所述诊断训练样本的获取过程为：获取多个历史遥测数据，对每个历史遥测数据进行预处理并获得第一数据，挖掘第一数据的时序特征，将所述时序特征加入第一数据获得第二数据，对第二数据进行标准化处理获得诊断训练样本，为诊断训练样本标记标签。
7.如权利要求1或6所述的低轨卫星智能故障诊断及预警方法，其特征在于，所述预处理的过程包括数据缺失值填充处理、噪声值剔除处理和特征降维处理。
8.如权利要求1所述的低轨卫星智能故障诊断及预警方法，其特征在于，所述故障诊断步骤还包括步骤C；
所述步骤C为：设置滑动窗口，所述滑动窗口的时间长度为遥测数据采集周期的整数倍，若样本数据通过所述故障诊断模型诊断为故障，将样本数据首先插入滑动窗口内，将后续由故障诊断模型诊断的每个样本数据也插入滑动窗口直至将滑动窗口插满，获取滑动窗口内诊断结果为故障的样本数据占据比例，若所述占据比例超过预设的比例阈值，则认为首先插入滑动窗口的样本数据的最终诊断结果为故障，进行报警，否则认为首先插入滑动窗口的样本数据最终诊断结果为噪声。
9.如权利要求1所述的低轨卫星智能故障诊断及预警方法，其特征在于，还包括自适应调节故障诊断模型的步骤，具体包括：
定期地将故障诊断模型诊断为故障的全部和诊断为正常的部分样本数据插入诊断训练样本集，并从诊断训练样本集移除数量与插入样本数据数量相等的时间较早的诊断训练样本，利用新的诊断训练样本集对故障诊断模型进行训练获得新的故障诊断模型。
10.一种低轨卫星智能故障诊断系统，其特征在于，包括遥测数据采集模块、处理模块和报警模块；所述遥测数据采集模块实时采集遥测数据；所述处理模块接收遥测数据采集模块输出的实时遥测数据，并按照权利要求1-9之一所述的低轨卫星智能故障诊断及预警方法进行卫星故障诊断和卫星故障预警，当诊断为故障时，发送报警信号至报警模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110114337.5A CN112949683B (zh) | 2021-01-27 | 2021-01-27 | 一种低轨卫星智能故障诊断及预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110114337.5A CN112949683B (zh) | 2021-01-27 | 2021-01-27 | 一种低轨卫星智能故障诊断及预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112949683A CN112949683A (zh) | 2021-06-11 |
| CN112949683B true CN112949683B (zh) | 2023-02-07 |
Family
ID=76238263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110114337.5A Active CN112949683B (zh) | 2021-01-27 | 2021-01-27 | 一种低轨卫星智能故障诊断及预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949683B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554224B (zh) * | 2021-07-20 | 2022-11-25 | 上海航天测控通信研究所 | 多点统计与健康趋势预测相结合的故障诊断方法和系统 |
| CN113556167B (zh) * | 2021-07-27 | 2022-02-11 | 北京微纳星空科技有限公司 | 一种数据管理方法、装置、电子设备及存储介质 |
| CN115656831A (zh) * | 2022-10-08 | 2023-01-31 | 昆明理工大学 | 一种电池单体电压多步超前预测和故障诊断方法 |
| CN115687447B (zh) * | 2022-10-13 | 2023-09-26 | 杭州憬知梦蓝科技有限公司 | 一种基于物联网的海洋环境监测系统及方法 |
| CN116956201B (zh) * | 2023-09-19 | 2023-12-08 | 成都中轨轨道设备有限公司 | 一种大数据决策的智能耦合预警方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101859146A (zh) * | 2010-07-16 | 2010-10-13 | 哈尔滨工业大学 | 一种基于预测滤波和经验模态分解的卫星故障预测方法 |
| CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
| CN103793765A (zh) * | 2014-02-12 | 2014-05-14 | 航天东方红卫星有限公司 | 一种基于Kalman滤波的卫星遥测数据预测方法 |
| CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2001268462A1 (en) * | 2000-06-15 | 2001-12-24 | Gilat Satellite Networks Ltd. | System and method for satellite based controlled aloha |
| JP2010156631A (ja) * | 2008-12-29 | 2010-07-15 | Seiko Epson Corp | 衛星軌道データの圧縮方法、衛星軌道データの提供方法、衛星軌道データの展開方法及びデータ圧縮装置 |
| CN108375971A (zh) * | 2018-03-18 | 2018-08-07 | 哈尔滨工程大学 | 用于小卫星的综合电子系统健康管理模块及健康管理方法 |
| CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
-
2021
- 2021-01-27 CN CN202110114337.5A patent/CN112949683B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101859146A (zh) * | 2010-07-16 | 2010-10-13 | 哈尔滨工业大学 | 一种基于预测滤波和经验模态分解的卫星故障预测方法 |
| CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
| CN103793765A (zh) * | 2014-02-12 | 2014-05-14 | 航天东方红卫星有限公司 | 一种基于Kalman滤波的卫星遥测数据预测方法 |
| CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112949683A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949683B (zh) | 一种低轨卫星智能故障诊断及预警方法及系统 | |
| CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
| CN110736968B (zh) | 基于深度学习的雷达异常状态诊断方法 | |
| CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
| CN107622308B (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
| CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
| CN112287602B (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
| CN111814699B (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
| CN114244751B (zh) | 无线传感器网络异常检测方法和系统 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| CN114330517A (zh) | 一种基于神经网络的航空发动机传感器故障自诊断方法 | |
| CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
| CN113723338A (zh) | 传感器异常检测方法、装置及计算机可读存储介质 | |
| CN114785573A (zh) | 基于深度学习的智能变电站过程层网络异常流量检测方法 | |
| CN114281054B (zh) | 一种基于lstm-cnn的飞机远程故障分析方法及系统 | |
| CN108459933B (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN112861443A (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
| CN117009903A (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
| CN113177484B (zh) | 基于lof自编码的机械故障智能诊断方法 | |
| CN115423041A (zh) | 一种基于深度学习的边缘云故障预测方法及系统 | |
| CN110874506A (zh) | 一种低温设备故障预测的方法 | |
| CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
| EP4193259A1 (en) | Self-diagnosis for in-vehicle networks | |
| CN114997253A (zh) | 一种卫星星座智能状态异常检测方法、监测系统及其监测方法 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 401123 39-1, Building 1, No. 64, Middle Huangshan Avenue, Yubei District, Chongqing Patentee after: China Star Network Application Co.,Ltd. Address before: 618 Liangjiang Avenue, Longxing Town, Yubei District, Chongqing Patentee before: Dongfanghong Satellite Mobile Communication Co.,Ltd. |
|
| CP03 | Change of name, title or address |