CN116089821A - 一种基于卷积神经网络的深空探测器状态监视识别的方法 - Google Patents

Abstract

本发明提供一种基于卷积神经网络的深空探测器状态监视识别的方法，包括以下步骤：采用仿真以及频率偏移的方式，生成探测器所有可能的技术状态对应的探测器下行频谱；再根据目标完成对探测器下行频谱的分类，将每种分类作为标签添加到探测器下行频谱中，形成训练样本数据；建立卷积神经网络，对所述卷积神经网络进行分类识别训练，得到训练完成的卷积神经网络；对实时采集得到的实际频谱数据进行识别，得到探测器技术状态识别结果。本发明可以大大减轻地面人员工作量，为深空探测器的无人状态监视判断和异常情况下应急处置等提供自动化支持。

Description

一种基于卷积神经网络的深空探测器状态监视识别的方法

技术领域

本发明属于航天器测控技术领域，具体涉及一种基于卷积神经网络的深空探测器状态监视识别的方法。

背景技术

深空探测任务具有任务周期长的特点，如旅行者1号从上世纪70年代发射，至今已经飞行约50年。随着深空探测技术的不断发展，未来必将走向更远的深空，并且，深空探测的时间跨度可能长达数年甚至数十年，在如此长的时间跨度内，无法采用目前的人工方式对深空探测器状态进行实时监视和识别。

因此，如何能够针对深空探测器的特点，对探测器状态进行自动监视，是目前急需解决的问题。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于卷积神经网络的深空探测器状态监视识别的方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于卷积神经网络的深空探测器状态监视识别的方法，包括以下步骤：

步骤1，获取训练样本集，所述训练样本集通过以下方式获取：

步骤1.1，确定用于描述探测器状态的n种探测器状态参数Key，以及确定每种探测器状态参数Key的取值Value；

其中，所述探测器状态参数Key的取值Value包括两类，第一类为：取值Value为至少一个离散值；第二类为：取值Value为取值范围，同时确定步长值；

步骤1.2，将n种探测器状态参数Key的取值Value进行所有可能的组合，每种组合形成一种技术状态，由此得到探测器所有可能的技术状态；

其中，在对探测器状态参数Key的取值Value进行组合时，如果取值Value为取值范围，则在该取值范围内按步长值取值，由此得到该取值范围内多个离散值，每个离散值参与一次组合；

步骤1.3，仿真生成探测器每种技术状态对应的探测器下行频谱，由此得到探测器全技术状态频谱；

步骤1.4，确定探测器状态类别：

步骤1.4.1，在n种所述探测器状态参数Key的取值Value中，确定第1级目标组合；

所述第1级目标组合为：从n种探测器状态参数Key中选择任意种类的探测器状态参数Key作为探测器目标状态参数和/或从探测器状态参数Key的取值Value中，选择任意数量的取值Value作为探测器目标状态参数的目标取值；

如果不具有第1级目标组合，则探测器状态类别为第0类别；

如果具有第1级目标组合，则探测器状态类别为第1类别；

步骤1.4.2，确定与第1级目标组合不相同的第2级目标组合；

对于第0类别的探测器状态，如果不具有第2级目标组合，则探测器状态类别为第0-1类别；如果具有第2级目标组合，则探测器状态类别为第0-2类别；

步骤1.4.3，依此类推，根据确定的不同级别的目标组合，确定探测器状态类别；

步骤1.5，将步骤1.4确定的探测器状态类别，作为标签增加到步骤1.3得到的每个探测器下行频谱中，由此得到带标签的探测器下行频谱；

每个带标签的探测器下行频谱作为一个训练样本，由此得到训练样本集；

步骤2，建立卷积神经网络，采用所述训练样本集中的各个训练样本，对所述卷积神经网络进行分类识别训练，得到训练完成的卷积神经网络；

步骤3，在探测器实际飞行执行任务时，实时采集得到实际下行频谱数据，将所述实际下行频谱数据输入到所述训练完成的卷积神经网络，所述训练完成的卷积神经网络输出探测器状态类别的识别结果；

步骤4，判断所述探测器状态类别的识别结果是否与预期探测器状态相同，如果相同，则返回步骤3，继续对探测器进行状态监视；如果不相同，则进行探测器状态的告警，并立刻呼叫人工排查探测器故障。

优选的，所述探测器状态参数Key包括：调制测距音、遥测码率、加调遥测调制度、加调测距调制度、主载波频率、遥测副载波频率、测距音频率、以及整体下行信号强度。

优选的，步骤1.3具体为：

仿真生成探测器每种技术状态对应的探测器下行频谱；对每种探测器下行频谱进行扩充，由此得到探测器全技术状态频谱。

优选的，扩充方法为：

预设定频率偏移范围以及步长值；

在所述预设定频率偏移范围中，按步长值移动仿真生成的探测器下行频谱的中心频率，由此得到多个扩充后的探测器下行频谱。

本发明提供的一种基于卷积神经网络的深空探测器状态监视识别的方法具有以下优点：

本发明提供一种基于卷积神经网络的深空探测器状态监视识别的方法，通过采集测控下行链路不同类型的频谱数据，利用卷积神经网络对已知不同类型的频谱数据进行识别分类训练，将训练完成的卷积神经网络用于后续任务的频谱识别。本发明可以大大减轻地面人员工作量，为深空探测器的无人状态监视判断和异常情况下应急处置等提供自动化支持。

附图说明

图1为本发明提供的一种深空统一测控体制频谱示意图；

图2为本发明提供的频率偏移示意图；

图3为本发明提供的第一种卷积神经网络的详细参数图；

图4为本发明提供的第二种卷积神经网络的详细参数图；

图5为本发明提供的第一种卷积神经网络对探测器状态识别结果图；

图6为本发明提供的第二种卷积神经网络对探测器遥测码速率识别结果图；

图7为本发明提供的一种基于卷积神经网络的深空探测器状态监视识别的方法的流程示意图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

发明人研究发现，探测器下行信号的频谱是信号层面反映卫星信号特性的最基本特征。在实际任务或对接试验中，也经常需要将信号频谱接入频谱仪，检查信号频点、信号强度、信号调制等基本特性，用于状态监测和问题排查。如图1所示，为一种典型的深空统一测控体制频谱示意图。通过频谱判断探测器技术状态，对探测器进行监视是一种直接、有效、可行的方法，也往往是故障排查的第一步。具体的，当监测到探测器下行信号频谱出现较大变化时，能够反映出探测器出现较大的技术状态变化或出现故障。因此，对探测器下行信号频谱进行实时监视，准确识别探测器技术状态(如探测器目前所处模式状态、是否正常状态、是否进入故障模式、进入的故障状态类别等)，可以为探测器状态监视和故障监测提供支持。

因此，本发明提供一种基于卷积神经网络(Conventional Neural Network)的深空探测器状态监视识别的方法，参考图7，包括以下步骤：

步骤1，获取训练样本集，所述训练样本集通过以下方式获取：

步骤1.1，确定用于描述探测器状态的n种探测器状态参数Key，以及确定每种探测器状态参数Key的取值Value；

其中，所述探测器状态参数Key的取值Value包括两类，第一类为：取值Value为至少一个离散值；第二类为：取值Value为取值范围，同时确定步长值；

作为一种具体实施方式，所述探测器状态参数Key包括但不限于：调制测距音、遥测码率、加调遥测调制度、加调测距调制度、主载波频率、遥测副载波频率、测距音频率、以及整体下行信号强度。

第一类取值Value为至少一个离散值的情况：比如，探测器状态参数Key为遥测码率，其取值Value为两个离散值，8192bps、1024bps。

第二类取值Value为取值范围，同时确定步长值：比如，探测器状态参数Key为加调测距调制度，其取值Value为0.3rad-0.8rad，步长值为0.05rad。再比如，探测器状态参数Key为遥测调制度，其取值Value为0.3rad-0.8rad，步进值为0.05rad。

步骤1.2，将n种探测器状态参数Key的取值Value进行所有可能的组合，每种组合形成一种技术状态，由此得到探测器所有可能的技术状态；

其中，在对探测器状态参数Key的取值Value进行组合时，如果取值Value为取值范围，则在该取值范围内按步长值取值，由此得到该取值范围内多个离散值，每个离散值参与一次组合；

例如，为说明方便，假设共有两种探测器状态参数Key，分别为：遥测码率和遥测调制度，其中，遥测码率的取值Value为8192bps、1024bps；遥测调制度取值Value为0.3rad-0.8rad，步进值为0.05rad。

则：遥测调制度取值Value可以转化为11个离散值：0.3rad、0.35rad、0.4rad、0.45rad、0.5rad、0.55rad、0.6rad、0.65rad、0.7rad、0.75rad、0.8rad。

可组合形成探测器所有可能的技术状态为：

1)遥测码率值为8192bps时，分别与遥测调制度值为0.3rad，或0.35rad、或0.4rad、或0.45rad、或0.5rad、或0.55rad、或0.6rad、或0.65rad、或0.7rad、或0.75rad、或0.8rad进行组合，为11种技术状态；

2)遥测码率值为1024bps时，分别与遥测调制度值为0.3rad，或0.35rad、或0.4rad、或0.45rad、或0.5rad、或0.55rad、或0.6rad、或0.65rad、或0.7rad、或0.75rad、或0.8rad进行组合，为11种技术状态。

因此，共有22种探测器所有可能的技术状态。

步骤1.3，仿真生成探测器每种技术状态对应的探测器下行频谱，由此得到探测器全技术状态频谱；

本步骤具体为：

仿真生成探测器每种技术状态对应的探测器下行频谱；对每种探测器下行频谱进行扩充，由此得到探测器全技术状态频谱。

扩充方法为：

预设定频率偏移范围以及步长值；

在所述预设定频率偏移范围中，按步长值移动仿真生成的探测器下行频谱的中心频率，由此得到多个扩充后的探测器下行频谱。

例如，预设定频率偏移范围为-300kHz～300kHz，步长值为100kHz。

因此，针对每个仿真生成的探测器下行频谱，经过频率偏移，可扩充出7个频率偏移后的探测器下行频谱，完成探测器下行频谱扩充过程。

进行频率偏移的原理为：探测器下行频谱由于探测器飞行速度，地球自转等因素存在多普勒效应，探测器下行频谱中心频率可能与标称频率存在偏离，所以进行频率偏移，仿真得到不同频率偏移情况下的探测器下行频谱。如图2所示，为频率偏移示意图。

步骤1.4，确定探测器状态类别：

步骤1.4.1，在n种所述探测器状态参数Key的取值Value中，确定第1级目标组合；

所述第1级目标组合为：从n种探测器状态参数Key中选择任意种类的探测器状态参数Key作为探测器目标状态参数和/或从探测器状态参数Key的取值Value中，选择任意数量的取值Value作为探测器目标状态参数的目标取值；

例如，遥测码率值为8192bps(包含全部遥测调制度Value 0.3rad-0.8rad)，同时加调测距，并且加调测距调制度取值Value为0.3rad-0.8rad，步长值为0.05rad，组合形成第1级目标组合。

第1级目标组合，可根据实际需求灵活设置，本发明对设定的第1级目标组合的具体形式并不限制。

如果不具有第1级目标组合，则探测器状态类别为第0类别；

如果具有第1级目标组合，则探测器状态类别为第1类别；

步骤1.4.2，确定与第1级目标组合不相同的第2级目标组合；

第2级目标组合，同样根据实际需求灵活设置，本发明对设定的第2级目标组合的具体形式并不限制。

对于第0类别的探测器状态，如果不具有第2级目标组合，则探测器状态类别为第0-1类别；如果具有第2级目标组合，则探测器状态类别为第0-2类别；

步骤1.4.3，依此类推，根据确定的不同级别的目标组合，确定探测器状态类别；

步骤1.5，将步骤1.4确定的探测器状态类别，作为标签增加到步骤1.3得到的每个探测器下行频谱中，由此得到带标签的探测器下行频谱；

每个带标签的探测器下行频谱作为一个训练样本，由此得到训练样本集；

步骤2，建立卷积神经网络，采用所述训练样本集中的各个训练样本，对所述卷积神经网络进行分类识别训练，得到训练完成的卷积神经网络；

例如，如果需要建立自动判断下行遥测码速率的卷积神经网络，则利用遥测码速率8192bps，1024bps的数据和对应标签进行训练。如果需要建立自动判断探测器是否在进行外测的卷积神经网络，则利用加调和未加调测距的频谱和对应标签进行卷积神经网络训练。

步骤3，在探测器实际飞行执行任务时，实时采集得到实际下行频谱数据，将所述实际下行频谱数据输入到所述训练完成的卷积神经网络，所述训练完成的卷积神经网络输出探测器状态类别的识别结果；例如，判断遥测码速率，是否在外测等等。

步骤4，判断所述探测器状态类别的识别结果是否与预期探测器状态相同，如果相同，则返回步骤3，继续对探测器进行状态监视；如果不相同，则进行探测器状态的告警，并立刻呼叫人工排查探测器故障。

下面以仿真数据为例说明本发明的具体实施例：

步骤1，确定探测器状态参数Key和取值Value：

a)探测器采用S频段主载波,1MHz。

实际任务中S频段主载波频率约为2GHz-2.2GHz。而对于本发明来说，主载波绝对频率的值不影响发明的具体实施，发明主要关注主载波和其他副载波之间的相对关系，因此为方便仿真，本发明S频段主载波采用1MHz。

b)遥测副载波频率：65.536kHz

c)测距音频率：100kHz

d)遥测码速率：8192bps，1024bps

e)遥测调制度，变化范围为0.3rad-0.8rad，步长值为0.05rad

f)测距音调制度，变化范围为0.3rad-0.8rad，步长值为0.05rad

步骤2，将以上探测器状态参数Key的取值Value进行所有可能的组合，每种组合形成一种技术状态，由此得到探测器所有可能的技术状态；

步骤3，仿真生成探测器每种技术状态对应的探测器下行频谱，由此得到探测器全技术状态频谱；

在生成探测器全技术状态频谱的过程中，重点说明如下：

加调遥测：加调遥测时，遥测副载波频率：设置为65.536kHz，遥测码速率：设置为8192bps，1024bps两档，遥测仿真采用0、1随机数据。遥测调制度：0.3rad至0.8rad，步长0.05rad

未加调遥测：无上述加调遥测相关操作。

加调测距：加调测距时，测距音频率：设置为100kHz；测距音调制度：0.3rad至0.8rad，步长0.05rad

未加调测距：无上述测距相关操作。

整体下行信号强度：0.5至1.0可变，步长0.1

噪声信号强度：0.1至0.35可变，步长0.05。噪声信号为全频谱高斯白噪声。

频率偏移：-100kHz至100kHz，步长20kHz

生成探测器下行频谱时，主载波频率，遥测副载波频率，测距音频率设计为确定值。调制度、信号强度、频率偏移等参数，遍历全部组合生成频谱。

步骤4，确定探测器状态类别，用于向各个探测器下行频谱中添加分类标签；

例如，具有两个分类目标：

a)：判断探测器调制信号状态。分为遥测外测/仅遥测/仅外测三种状态。

遥测外测：表示探测器发送下行遥测信号，同时接收并转发地面发送的测距音，这是探测器最常规的状态。

仅遥测：指探测器只发送下行遥测数据，地面不发送测距音。这种状态多用于探测器在深空转移轨道长时间稳定运行时，无需地面进行轨道测量的情况。

仅外测：指仅转发地面发送的测距音而不发送遥测，往往代表探测器存在故障或处于异常状态。

需要对上述三种状态实现状态监视和识别分类。

b)：自动判断遥测码速率

当探测器处于加调遥测状态时，其遥测码速率有8192bps和1024bps两档。需要对探测器遥测码速率进行状态识别判断。

因此针对上述两种分类目标，针对a)，将仿真数据根据不同调制情况分为三类。针对b)，将仿真数据根据不同遥测码速率分为两类。作为后续神经网络学习的输入。

步骤5，设计卷积神经网络

对于a)的自动识别问题，建立3层卷积神经网络(网络1)。包含三个卷积层和一个全连接层。共提取64个特征，将数据变换为一个3分类的向量，分别代表仅遥测、仅测距和遥测测距同时加调的三个状态。神经网络详细参数见图3所示。

对于b)的自动识别分类问题，建立3层卷积神经网络(网络2)。包含三个卷积层和一个全连接层。共提取64个特征，将数据变换为一个2分类的向量，分别代表遥测码速率1024bps和8192bps两个状态。神经网络详细参数见图4所示。

步骤6，对卷积神经网络进行训练

采用交叉熵损失函数最小化分类误差，完成卷积神经网络训练。并另外生成约1000个数据作为验证集。训练结果和测试集验证精度见表1、表2和图5、图6所示。

表1网络1训练结果

Epoch:0|train loss:1.1123|accuracy:0.5528

Epoch:0|train loss:0.1487|accuracy:0.9688

Epoch:1|train loss:0.0371|accuracy:0.9928

Epoch:1|train loss:0.0095|accuracy:0.9936

Epoch:2|train loss:0.0275|accuracy:0.9976

Epoch:2|train loss:0.0029|accuracy:0.9992

表2网络1训练结果

Epoch:0|train loss:0.6938|accuracy:0.5160

Epoch:0|train loss:0.1918|accuracy:0.9612

Epoch:1|train loss:0.0024|accuracy:0.9892

Epoch:1|train loss:0.1004|accuracy:0.9960

Epoch:2|train loss:0.0217|accuracy:0.9956

Epoch:2|train loss:0.0005|accuracy:0.9968

从表1和表2可知，对于探测器状态识别a)和遥测码速率识别b)的训练误差均小于0.001，而测试集的准确率均到达99％以上，说明卷积神经网络能很好的完成频谱识别分类的功能，能够基于需要开展定制化的设计并实现。

图5和图6展示了对测试集个别频谱的识别结果。图5中，神经网络准确的对探测器状态进行了识别和分类。识别的结果准确，与人直观识别结果一致。(TMTR表示加调测距遥测，TR表示仅加调测距，TM表示仅加调遥测)。图6中，准确识别了不同遥测码速率状态下的遥测频谱状态。

仿真数据的结果表明，本发明提出的将卷积神经网络用于深空探测器状态监视的方法具有可行性，识别分类效果良好，能够使用仿真数据，对关心的探测器技术状态进行识别训练，结果准确，达到预期目标，是解决深空探测器自动状态监视的一种有效途径。

本发明提供一种基于卷积神经网络的深空探测器状态监视识别的方法，主要原理为：

本发明提供一种利用卷积神经网络(Conventional Neural Network)对下行频谱进行监督学习的方法，采用仿真以及频率偏移的方式，生成探测器所有可能的技术状态对应的探测器下行频谱，由此得到探测器全技术状态频谱；再根据需求灵活设置多级目标组合，完成对探测器技术状态分类，将每种分类作为标签添加到探测器下行频谱中，形成训练样本数据，采用训练样本数据对卷积神经网络进行训练；然后，将训练后的卷积神经网络用于探测器长期运行管理中的频谱监视，将采集的实际探测器频谱数据实时输入卷积神经网络，由卷积神经网络给出探测器当前所处技术状态，与预期的技术状态进行比对，发现不一致时及时告警，由人类专家进行状态进一步分析排查。

此外，若探测器/地面出现故障，导致无法解调测控信号时，由卷积神经网络直接从信号层判断探测器当前状态，为数据解调解码提供参数设置支持。

综上所述，本发明提供一种基于卷积神经网络的深空探测器状态监视识别的方法，采用仿真以及频率偏移的方式，生成探测器所有可能的技术状态对应的探测器下行频谱；再根据目标完成对探测器下行频谱的分类，将每种分类作为标签添加到探测器下行频谱中，形成训练样本数据；采有训练样本数据对卷积神经网络进行训练，将训练完成的卷积神经网络用于后续任务的频谱识别。本发明可以大大减轻地面人员工作量，为深空探测器的无人状态监视判断和异常情况下应急处置等提供自动化支持。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (4)

1.一种基于卷积神经网络的深空探测器状态监视识别的方法，其特征在于，包括以下步骤：

步骤1，获取训练样本集，所述训练样本集通过以下方式获取：

步骤1.1，确定用于描述探测器状态的n种探测器状态参数Key，以及确定每种探测器状态参数Key的取值Value；

其中，所述探测器状态参数Key的取值Value包括两类，第一类为：取值Value为至少一个离散值；第二类为：取值Value为取值范围，同时确定步长值；

步骤1.2，将n种探测器状态参数Key的取值Value进行所有可能的组合，每种组合形成一种技术状态，由此得到探测器所有可能的技术状态；

其中，在对探测器状态参数Key的取值Value进行组合时，如果取值Value为取值范围，则在该取值范围内按步长值取值，由此得到该取值范围内多个离散值，每个离散值参与一次组合；

步骤1.3，仿真生成探测器每种技术状态对应的探测器下行频谱，由此得到探测器全技术状态频谱；

步骤1.4，确定探测器状态类别：

步骤1.4.1，在n种所述探测器状态参数Key的取值Value中，确定第1级目标组合；

所述第1级目标组合为：从n种探测器状态参数Key中选择任意种类的探测器状态参数Key作为探测器目标状态参数和/或从探测器状态参数Key的取值Value中，选择任意数量的取值Value作为探测器目标状态参数的目标取值；

如果不具有第1级目标组合，则探测器状态类别为第0类别；

如果具有第1级目标组合，则探测器状态类别为第1类别；

步骤1.4.2，确定与第1级目标组合不相同的第2级目标组合；

对于第0类别的探测器状态，如果不具有第2级目标组合，则探测器状态类别为第0-1类别；如果具有第2级目标组合，则探测器状态类别为第0-2类别；

步骤1.4.3，依此类推，根据确定的不同级别的目标组合，确定探测器状态类别；

步骤1.5，将步骤1.4确定的探测器状态类别，作为标签增加到步骤1.3得到的每个探测器下行频谱中，由此得到带标签的探测器下行频谱；

每个带标签的探测器下行频谱作为一个训练样本，由此得到训练样本集；

步骤2，建立卷积神经网络，采用所述训练样本集中的各个训练样本，对所述卷积神经网络进行分类识别训练，得到训练完成的卷积神经网络；

步骤3，在探测器实际飞行执行任务时，实时采集得到实际下行频谱数据，将所述实际下行频谱数据输入到所述训练完成的卷积神经网络，所述训练完成的卷积神经网络输出探测器状态类别的识别结果；

步骤4，判断所述探测器状态类别的识别结果是否与预期探测器状态相同，如果相同，则返回步骤3，继续对探测器进行状态监视；如果不相同，则进行探测器状态的告警，并立刻呼叫人工排查探测器故障。

2.根据权利要求1所述的一种基于卷积神经网络的深空探测器状态监视识别的方法，其特征在于，所述探测器状态参数Key包括：调制测距音、遥测码率、加调遥测调制度、加调测距调制度、主载波频率、遥测副载波频率、测距音频率、以及整体下行信号强度。

3.根据权利要求1所述的一种基于卷积神经网络的深空探测器状态监视识别的方法，其特征在于，步骤1.3具体为：

仿真生成探测器每种技术状态对应的探测器下行频谱；对每种探测器下行频谱进行扩充，由此得到探测器全技术状态频谱。

4.根据权利要求3所述的一种基于卷积神经网络的深空探测器状态监视识别的方法，其特征在于，扩充方法为：

预设定频率偏移范围以及步长值；

在所述预设定频率偏移范围中，按步长值移动仿真生成的探测器下行频谱的中心频率，由此得到多个扩充后的探测器下行频谱。

Images