CN112966785A - 一种智能化星座状态识别方法和系统 - Google Patents
一种智能化星座状态识别方法和系统 Download PDFInfo
- Publication number
- CN112966785A CN112966785A CN202110401256.3A CN202110401256A CN112966785A CN 112966785 A CN112966785 A CN 112966785A CN 202110401256 A CN202110401256 A CN 202110401256A CN 112966785 A CN112966785 A CN 112966785A
- Authority
- CN
- China
- Prior art keywords
- parameter data
- satellite
- model
- telemetering
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Selective Calling Equipment (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种智能化星座状态识别方法和系统,基于大型星座的海量遥测数据基础,利用神经网络学习模型离线训练挖掘遥测数据的深层特征与关联关系,降低对传统专家经验的依赖,提高状态识别的准确率;结合在线学习方法实时动态调整状态判定准则,提高状态识别算法的环境自适应性,采用CNN和LSTM双重判定的方法,在某一类模型报警时,根据另一类模型是否报警进一步进行决策,若另一类模型不报警,则待继续观察三帧遥测参数后,再进行判定,有效避免了虚警率过高的问题;因此,解决了现有的星座状态识别的虚警率较高和识别准确率较低的技术问题。
Description
技术领域
本发明涉及航天测控技术领域,尤其涉及一种智能化星座状态识别方法和系统。
背景技术
大型星座状态识别技术是大型星座稳定运行的关键技术,一方面,大型星座由很多同类型、同设计、同平台的卫星组成,如果某颗卫星故障,又不能及时被发现,可能会造成更多卫星发生故障,进而导致星座的大面积失效;另一方面,大型星座的成员更替是星座管理的常规任务,既要实现有条不紊的卫星更替,又要保证不影响星座的服务与使用。因此,状态识别是星座故障诊断、寿命预测、健康评估等任务的基本前提,为确保大型星座稳定运行,需要准确识别大型星座的状态,以供决策。
现有的星座状态识别方式主要是依靠专家知识设定遥测参数的门限,根据各遥测参数是否超出门限判定卫星状态是否正常。一方面,出于安全考虑,所设门限通常较为保守,一旦装订后,很少修改,导致实际运行后,卫星频繁报警,虚警率较高;另一方面,利用的数据特征较为浅显,未考虑到各遥测参数之间的关联关系,缺乏对遥测数据深层次特征的挖掘,状态识别准确率不高。因此,如何降低星座状态识别的虚警率,提高识别准确率,是本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种智能化星座状态识别方法和系统,用于解决现有的星座状态识别的虚警率较高和识别准确率较低的技术问题。
有鉴于此,本发明第一方面提供了一种智能化星座状态识别方法,包括:
获取卫星遥测参数数据集,数据集的数据包括各分系统的遥测参数;
将卫星遥测参数数据集的数据输入离线学习模型进行模型训练,得到各分系统的初始状态检测模型,其中,离线学习模型为CNN模型和LSTM模型;
获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,得到优化状态检测模型;
将实时卫星遥测参数数据输入优化状态检测模型进行卫星状态识别,若优化状态检测模型中,CNN模型和LSTM模型输出的结果均显示异常,则判定卫星状态异常,若CNN模型和LSTM模型输出的结果均显示正常,则判定卫星状态正常,否则,继续监测三帧遥测参数数据,重新检测CNN模型和LSTM模型输出的结果。
可选地,获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,包括:
将实际在轨运行的卫星正常状态参数数据对初始状态检测模型进行在线学习优化;
使用实际在轨运行的卫星异常状态参数数据完善各分系统的遥测参数的关联关系,对初始状态检测模型进行在线学习优化;
使用其它卫星的遥测参数数据对初始状态检测模型进行在线学习优化。
可选地,获取卫星遥测参数数据集之前,还包括:
获取卫星遥测参数数据,对卫星遥测参数数据按照所属分系统进行分类;
对分类后的卫星遥测参数数据进行格式校验;
对格式校验正确的遥测参数数据进行分帧分包处理,按照遥测数据处理格式约定对分类分包后的遥测参数数据进行解析处理,生成遥测参数数据处理结果并进行存储。
可选地,遥测参数数据存储时,携带有卫星标识信息、时间标识信息和参数标识信息。
可选地,CNN模型的输入数据为部分遥测参数数据和外部环境参数,输出为与部分遥测参数数据具有关联关系的剩余遥测参数数据。
可选地,LSTM模型的输入数据为历史时刻遥测参数、当前时刻遥测参数、时间参数和外部环境参数,输出为遥测参数预测值。
本发明第二方面提供了一种智能化星座状态识别系统,包括:
数据获取模块,用于获取卫星遥测参数数据集,数据集的数据包括各分系统的遥测参数;
离线学习模块,用于将卫星遥测参数数据集的数据输入离线学习模型进行模型训练,得到各分系统的初始状态检测模型,其中,离线学习模型为CNN模型和LSTM模型;
在线学习模块,用于获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,得到优化状态检测模型;
状态识别模块,用于将实时卫星遥测参数数据输入优化状态检测模型进行卫星状态识别,若优化状态检测模型中,CNN模型和LSTM模型输出的结果均显示异常,则判定卫星状态异常,若CNN模型和LSTM模型输出的结果均显示正常,则判定卫星状态正常,否则,继续监测三帧遥测参数数据,重新检测CNN模型和LSTM模型输出的结果。
可选地,获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,包括:
将实际在轨运行的卫星正常状态参数数据对初始状态检测模型进行在线学习优化;
使用实际在轨运行的卫星异常状态参数数据完善各分系统的遥测参数的关联关系,对初始状态检测模型进行在线学习优化;
使用其它卫星的遥测参数数据对初始状态检测模型进行在线学习优化。
可选地,数据预处理模块;
数据预处理模块用于:
获取卫星遥测参数数据,对卫星遥测参数数据按照所属分系统进行分类;
对分类后的卫星遥测参数数据进行格式校验;
对格式校验正确的遥测参数数据进行分帧分包处理,按照遥测数据处理格式约定对分类分包后的遥测参数数据进行解析处理,生成遥测参数数据处理结果并进行存储。
可选地,遥测参数数据存储时,携带有卫星标识信息、时间标识信息和参数标识信息。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明中提供了一种智能化星座状态识别方法,基于大型星座的海量遥测数据基础,利用神经网络学习模型离线训练挖掘遥测数据的深层特征与关联关系,降低对传统专家经验的依赖,提高状态识别的准确率;结合在线学习方法实时动态调整状态判定准则,提高状态识别算法的环境自适应性,采用CNN和LSTM双重判定的方法,在某一类模型报警时,根据另一类模型是否报警进一步进行决策,若另一类模型不报警,则待继续观察三帧遥测参数后,再进行判定,有效避免了虚警率过高的问题;因此,解决了现有的星座状态识别的虚警率较高和识别准确率较低的技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例中提供的智能化星座状态识别方法的一个流程示意图;
图2为本发明实施例中提供的智能化星座状态识别方法的另一个流程示意图;
图3为卷积神经网络CNN的结构示意图;
图4为基于CNN的初始状态检测模型建模流程示意图;
图5为LSTM神经网络结构示意图;
图6为基于LSTM的初始状态检测模型建模流程示意图;
图7为CNN模型首先报警对应的报警判定流程示意图;
图8为LSTM模型首先报警对应的报警判定流程示意图;
图9为本发明实施例中提供的智能化星座状态识别系统的结构框图。
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,所描述的实施例仅是本发明一部分实施例,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,都属于本发明保护的范围。
为了便于理解,请参阅图1,本发明提供了一种智能化星座状态识别方法的实施例,包括:
步骤101、获取卫星遥测参数数据集,数据集的数据包括各分系统的遥测参数。
需要说明的是,卫星遥测系统包含多个分系统,如电源、测控、星务、姿轨控、热控、推进、结构、载荷分系统等,本发明实施例中,首先需要获得各分系统的遥测参数数据,结合卫星的工作模式和外部工作条件,挖掘各分系统中不同遥测参数之间潜在的关联关系,筛选出具有关联关系的遥测参数,构成卫星遥测参数数据集。
如图2所示,在一个实施例中,获取卫星遥测参数数据集之前,还包括以下步骤:
步骤001、获取卫星遥测参数数据,对卫星遥测参数数据按照所属分系统进行分类;
步骤002、对分类后的卫星遥测参数数据进行格式校验;
步骤003、对格式校验正确的遥测参数数据进行分帧分包处理,按照遥测数据处理格式约定对分类分包后的遥测参数数据进行解析处理,生成遥测参数数据处理结果并进行存储。遥测数据存储时应包含卫星标识、时间、参数标识等信息,以方便快速访问查询。
步骤102、将卫星遥测参数数据集的数据输入离线学习模型进行模型训练,得到各分系统的初始状态检测模型,其中,离线学习模型为CNN模型和LSTM模型。
基于海量卫星遥测参数数据,利用神经网络进行离线学习,得到各分系统的初始状态检测模型。由于大型星座由同类型、同设计、同平台的卫星组成,具有同质化的特点,每颗卫星相同分系统的模型是相同的。基于海量正常状态的遥测参数数据,按照不同分系统进行训练,每个分系统至少一个模型,本发明提供两种神经网络训练方法,分别是卷积神经网络(Concolutional Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)神经网络。
卷积神经网络CNN的结构如图3所示,在CNN中,将各分系统中具有关联关系的遥测参数分为输入变量和输出变量两种,其中,输入变量还应补充加入外部环境参数。利用CNN训练得到输入变量(部分遥测参数、外部环境参数)和输出变量(剩余遥测参数)之间的映射关系,即正常状态下的各分系统模型。正常状态下,由模型得到的输出应该与实际的遥测参数值保持一致,或误差很小,相反,若模型输出与实际遥测参数误差较大,则表明卫星状态异常。基于CNN的正常状态模型(即基于CNN的初始状态检测模型)建模流程如图4所示,主要步骤包括:
1)定义CNN结构并设定超参数;
2)将历史序列数据分割为不同的序列片段;
3)随机选取固定数量的样本(序列片段),输入模型,得到关键指标估计值;
4)以序列对应的目标变量测量值作为标签,计算实际值与估计值的残差;
5)如残差满足要求(迭代收敛),或达到最大迭代步数,跳至步骤7),否则进入步骤6);
6)根据残差,使用反向传播(Back Propagation,BP)算法更新网络权值,并返回步骤3);
7)得到正常状态模型,验证是否满足要求,如满足。结束流程并输出,如不满足,则返回步骤1)。
LSTM神经网络结构如图5所示,在LSTM神经网络中,输入变量为各分系统所有遥测参数的历史值和当前值、时间参数以及外部环境参数,输出变量为该分系统中所有遥测参数的下一时刻参数值。利用LSTM神经网络训练得到输入变量(遥测参数历史值和当前值、时间参数、外部环境参数)和输出变量(遥测参数预测值)之间的映射关系,即正常状态下的各分系统模型。正常状态下,由模型得到的预测值应该与下一时刻的实际遥测参数值保持一致或误差很小,相反,若预测值与实际值误差较大,则表明卫星状态异常。基于LSTM的正常状态模型(即基于LSTM的初始状态检测模型)建模流程如图6所示,主要步骤包括:
1)定义LSTM神经网络结构并设定超参数,包括状态数、隐层数量和序列长度;
2)将历史序列数据分隔为不同的序列片段;
3)随机选取固定数量的样本(序列片段),输入模型,得到关键指标估计值;
4)以序列对应的目标变量测量值作为标签,计算实际值与估计值的残差;
5)如残差满足要求(迭代收敛),或达到最大迭代步数,跳至步骤7),否则进入步骤6)
6)根据残差,使用反向传播算法更新网络权值,并返回步骤3);
7)得到正常状态模型,验证是否满足要求,如满足,结束流程并输出,若不满足,则返回步骤1)。
由于卫星的状态与其所处的空间位置和空间环境有关,因此,可以引入卫星位置信息和空间环境参数对基于CNN的初始状态检测模型和基于LSTM的初始状态检测模型进一步修正,提高模型准确性和对不同空间环境的适应性。
步骤103、获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,得到优化状态检测模型。
为提高模型识别精度,需要对初始状态检测模型进行在线学习优化,优化方式包括以下3种:
a. 利用实际在轨运行的正常状态数据进一步在线学习,对各分系统的CNN模型和LSTM模型进行优化。
b. 有时卫星某部件异常,但模型中关注的对应输出参数并没有太大变化,而是其它非重要参数发生变化,这就需要进一步完善挖掘各遥测参数之间的关联关系,将这些参数与关注的对应输出参数关联起来。
c.利用其它相同卫星的正常状态数据进一步训练神经网络(CNN和LSTM),进一步优化CNN模型和LSTM模型,提高模型精度。
步骤104、将实时卫星遥测参数数据输入优化状态检测模型进行卫星状态识别,若优化状态检测模型中,CNN模型和LSTM模型输出的结果均显示异常,则判定卫星状态异常,若CNN模型和LSTM模型输出的结果均显示正常,则判定卫星状态正常,否则,继续监测三帧遥测参数数据,重新检测CNN模型和LSTM模型输出的结果。
基于CNN和LSTM神经网络模型的判别机理,利用离线训练和在线学习得到的优化状态检测模型,设计异常报警模型。
在CNN模型中,输入为部分遥测参数和外部环境参数,输出为剩余遥测参数。利用模型输出的遥测参数值与实际的遥测参数值进行比较,若误差很小,则判定卫星状态正常;相反,若误差较大,则进一步与星座中其它相同工况卫星的相同遥测参数值进行对比,若误差较小,则修正CNN模型,不予报警。
在LSTM神经网络模型中,输入为历史和当前时刻遥测参数值、时间参数以及外部环境参数,输出为遥测参数预测值。利用模型输出的遥测参数值与实际的遥测参数值进行比较,若误差很小,则判定卫星状态正常;相反,若误差较大,则进一步与星座中其它相同工况卫星的相同遥测参数值进行对比,若误差较小,则修正LSTM神经网络模型,不予报警。
即便结合其他卫星状态进行比对,也容易出现虚警率过高、频繁报警的问题。例如,当某次遥测产生野值时,系统实际状态正常,但由于测量出现野值,导致模型判定卫星状态异常。为了解决该问题,本发明结合CNN和LSTM两类神经网络,综合设计异常报警准则。具体指导思想如下:
当CNN或LSTM中只有一类模型报警时,不能直接判定卫星状态异常。需继续观察三帧遥测数据,若CNN和LSTM两类模型均报警,则判定卫星状态异常,反之,则继续观测三帧遥测数据。假设CNN模型首先报警,则对应的报警判定流程如图7所示,假设LSTM模型首先报警,则对应的报警判定流程如图8所示。
本发明实施例中提供的一种智能化星座状态识别方法,基于大型星座的海量遥测数据基础,利用神经网络学习模型离线训练挖掘遥测数据的深层特征与关联关系,降低对传统专家经验的依赖,提高状态识别的准确率;结合在线学习方法实时动态调整状态判定准则,提高状态识别算法的环境自适应性,采用CNN和LSTM双重判定的方法,在某一类模型报警时,根据另一类模型是否报警进一步进行决策,若另一类模型不报警,则待继续观察三帧遥测参数后,再进行判定,有效避免了虚警率过高的问题;因此,解决了现有的星座状态识别的虚警率较高和识别准确率较低的技术问题。
为了便于理解,请参阅图9,本发明提供了一种智能化星座状态识别系统的实施例,包括:
数据获取模块,用于获取卫星遥测参数数据集,数据集的数据包括各分系统的遥测参数;
离线学习模块,用于将卫星遥测参数数据集的数据输入离线学习模型进行模型训练,得到各分系统的初始状态检测模型,其中,离线学习模型为CNN模型和LSTM模型;
在线学习模块,用于获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,得到优化状态检测模型;
状态识别模块,用于将实时卫星遥测参数数据输入优化状态检测模型进行卫星状态识别,若优化状态检测模型中,CNN模型和LSTM模型输出的结果均显示异常,则判定卫星状态异常,若CNN模型和LSTM模型输出的结果均显示正常,则判定卫星状态正常,否则,继续监测三帧遥测参数数据,重新检测CNN模型和LSTM模型输出的结果。
获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,包括:
将实际在轨运行的卫星正常状态参数数据对初始状态检测模型进行在线学习优化;
使用实际在轨运行的卫星异常状态参数数据完善各分系统的遥测参数的关联关系,对初始状态检测模型进行在线学习优化;
使用其它卫星的遥测参数数据对初始状态检测模型进行在线学习优化。
还包括:数据预处理模块;
数据预处理模块用于:
获取卫星遥测参数数据,对卫星遥测参数数据按照所属分系统进行分类;
对分类后的卫星遥测参数数据进行格式校验;
对格式校验正确的遥测参数数据进行分帧分包处理,按照遥测数据处理格式约定对分类分包后的遥测参数数据进行解析处理,生成遥测参数数据处理结果并进行存储。
遥测参数数据存储时,携带有卫星标识信息、时间标识信息和参数标识信息。
本发明实施例中提供的智能化星座状态识别系统,用于执行前述的智能化星座状态识别方法,可取得智能化星座状态识别方法相同的技术效果,在此不再进行赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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例如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。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种智能化星座状态识别方法,其特征在于,包括:
获取卫星遥测参数数据集,数据集的数据包括各分系统的遥测参数;
将卫星遥测参数数据集的数据输入离线学习模型进行模型训练,得到各分系统的初始状态检测模型,其中,离线学习模型为CNN模型和LSTM模型;
获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,得到优化状态检测模型;
将实时卫星遥测参数数据输入优化状态检测模型进行卫星状态识别,若优化状态检测模型中,CNN模型和LSTM模型输出的结果均显示异常,则判定卫星状态异常,若CNN模型和LSTM模型输出的结果均显示正常,则判定卫星状态正常,否则,继续监测三帧遥测参数数据,重新检测CNN模型和LSTM模型输出的结果。
2.根据权利要求1所述的智能化星座状态识别方法,其特征在于,获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,包括:
将实际在轨运行的卫星正常状态参数数据对初始状态检测模型进行在线学习优化;
使用实际在轨运行的卫星异常状态参数数据完善各分系统的遥测参数的关联关系,对初始状态检测模型进行在线学习优化;
使用其它卫星的遥测参数数据对初始状态检测模型进行在线学习优化。
3.根据权利要求2所述的智能化星座状态识别方法,其特征在于,获取卫星遥测参数数据集之前,还包括:
获取卫星遥测参数数据,对卫星遥测参数数据按照所属分系统进行分类;
对分类后的卫星遥测参数数据进行格式校验;
对格式校验正确的遥测参数数据进行分帧分包处理,按照遥测数据处理格式约定对分类分包后的遥测参数数据进行解析处理,生成遥测参数数据处理结果并进行存储。
4.根据权利要求3所述的智能化星座状态识别方法,其特征在于,遥测参数数据存储时,携带有卫星标识信息、时间标识信息和参数标识信息。
5.根据权利要求4所述的智能化星座状态识别方法,其特征在于,CNN模型的输入数据为部分遥测参数数据和外部环境参数,输出为与部分遥测参数数据具有关联关系的剩余遥测参数数据。
6.根据权利要求4所述的智能化星座状态识别方法,其特征在于,LSTM模型的输入数据为历史时刻遥测参数、当前时刻遥测参数、时间参数和外部环境参数,输出为遥测参数预测值。
7.一种智能化星座状态识别系统,其特征在于,包括:
数据获取模块,用于获取卫星遥测参数数据集,数据集的数据包括各分系统的遥测参数;
离线学习模块,用于将卫星遥测参数数据集的数据输入离线学习模型进行模型训练,得到各分系统的初始状态检测模型,其中,离线学习模型为CNN模型和LSTM模型;
在线学习模块,用于获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,得到优化状态检测模型;
状态识别模块,用于将实时卫星遥测参数数据输入优化状态检测模型进行卫星状态识别,若优化状态检测模型中,CNN模型和LSTM模型输出的结果均显示异常,则判定卫星状态异常,若CNN模型和LSTM模型输出的结果均显示正常,则判定卫星状态正常,否则,继续监测三帧遥测参数数据,重新检测CNN模型和LSTM模型输出的结果。
8.根据权利要求7所述的智能化星座状态识别系统,其特征在于,获取实际在轨运行的卫星遥测参数数据,对初始状态检测模型进行在线学习优化,包括:
将实际在轨运行的卫星正常状态参数数据对初始状态检测模型进行在线学习优化;
使用实际在轨运行的卫星异常状态参数数据完善各分系统的遥测参数的关联关系,对初始状态检测模型进行在线学习优化;
使用其它卫星的遥测参数数据对初始状态检测模型进行在线学习优化。
9.根据权利要求8所述的智能化星座状态识别系统,其特征在于,还包括:数据预处理模块;
数据预处理模块用于:
获取卫星遥测参数数据,对卫星遥测参数数据按照所属分系统进行分类;
对分类后的卫星遥测参数数据进行格式校验;
对格式校验正确的遥测参数数据进行分帧分包处理,按照遥测数据处理格式约定对分类分包后的遥测参数数据进行解析处理,生成遥测参数数据处理结果并进行存储。
10.根据权利要求9所述的智能化星座状态识别系统,其特征在于,遥测参数数据存储时,携带有卫星标识信息、时间标识信息和参数标识信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401256.3A CN112966785B (zh) | 2021-04-14 | 2021-04-14 | 一种智能化星座状态识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401256.3A CN112966785B (zh) | 2021-04-14 | 2021-04-14 | 一种智能化星座状态识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966785A true CN112966785A (zh) | 2021-06-15 |
CN112966785B CN112966785B (zh) | 2021-11-02 |
Family
ID=76280457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110401256.3A Active CN112966785B (zh) | 2021-04-14 | 2021-04-14 | 一种智能化星座状态识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966785B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114142911A (zh) * | 2021-11-25 | 2022-03-04 | 中国电子科技集团公司第五十四研究所 | 一种基于多层传导深度策略算法的复杂星座构型设计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
CN101594352A (zh) * | 2009-07-02 | 2009-12-02 | 西安电子科技大学 | 基于新颖发现和窗函数的分类融合入侵检测方法 |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
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 |
CN110177115A (zh) * | 2019-06-10 | 2019-08-27 | 中国民航大学 | 基于多特征融合的LDoS攻击检测方法 |
CN110196711A (zh) * | 2019-04-10 | 2019-09-03 | 杭州实在智能科技有限公司 | 基于人工智能的插件式工单辅助决策方法及其系统 |
CN110703738A (zh) * | 2019-10-28 | 2020-01-17 | 长光卫星技术有限公司 | 监督局部线性嵌入的卫星姿态控制系统故障检测方法 |
CN111931799A (zh) * | 2019-05-13 | 2020-11-13 | 百度在线网络技术(北京)有限公司 | 图像识别方法及装置 |
CN112651463A (zh) * | 2021-01-05 | 2021-04-13 | 天津大学 | 一种高原地区冰雹天气的双预报模型的构建方法 |
-
2021
- 2021-04-14 CN CN202110401256.3A patent/CN112966785B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018524A1 (en) * | 2004-07-15 | 2006-01-26 | Uc Tech | Computerized scheme for distinction between benign and malignant nodules in thoracic low-dose CT |
CN101594352A (zh) * | 2009-07-02 | 2009-12-02 | 西安电子科技大学 | 基于新颖发现和窗函数的分类融合入侵检测方法 |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
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 |
CN110196711A (zh) * | 2019-04-10 | 2019-09-03 | 杭州实在智能科技有限公司 | 基于人工智能的插件式工单辅助决策方法及其系统 |
CN111931799A (zh) * | 2019-05-13 | 2020-11-13 | 百度在线网络技术(北京)有限公司 | 图像识别方法及装置 |
CN110177115A (zh) * | 2019-06-10 | 2019-08-27 | 中国民航大学 | 基于多特征融合的LDoS攻击检测方法 |
CN110703738A (zh) * | 2019-10-28 | 2020-01-17 | 长光卫星技术有限公司 | 监督局部线性嵌入的卫星姿态控制系统故障检测方法 |
CN112651463A (zh) * | 2021-01-05 | 2021-04-13 | 天津大学 | 一种高原地区冰雹天气的双预报模型的构建方法 |
Non-Patent Citations (1)
Title |
---|
董静怡等: "集成LSTM的航天器遥测数据异常检测方法", 《仪器仪表学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114142911A (zh) * | 2021-11-25 | 2022-03-04 | 中国电子科技集团公司第五十四研究所 | 一种基于多层传导深度策略算法的复杂星座构型设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112966785B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403160B2 (en) | Fault predicting system and fault prediction method | |
US10877863B2 (en) | Automatic prediction system for server failure and method of automatically predicting server failure | |
KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
CN108445410B (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
JP5016519B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
EP3105644B1 (en) | Method of identifying anomalies | |
CN110795309B (zh) | 一种用于微小卫星的层次化软件健康管理方法和系统 | |
CN114358152A (zh) | 一种智能电力数据异常检测方法及系统 | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
Brahimi et al. | Development of a prognostics and health management system for the railway infrastructure—Review and methodology | |
CN112257745A (zh) | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 | |
CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
EP4038557A1 (en) | Method and system for continuous estimation and representation of risk | |
CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
CN109523030A (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用系统 | |
CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
Gęca | Performance comparison of machine learning algotihms for predictive maintenance | |
US20230022100A1 (en) | Prognostic and health management system for system management and method thereof | |
Escobet et al. | Health aware control and model-based prognosis | |
CN116384876A (zh) | 基于维纳过程的备件动态库存-生产控制方法、系统及介质 | |
CN113191506B (zh) | 一种考虑设备检测不确定性情况下的非周期视情维修方法 | |
El Jamal et al. | Combining approaches of brownian motion and similarity principle to improve the remaining useful life prediction | |
Gruber et al. | Condition‐Based Maintenance v ia a Targeted B ayesian Network Meta‐Model |
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 |