机器学习在卫星遥测分析建模中的应用

卫星在研制和应用的各个环节产生了庞大的特征和相关性复杂的遥测数据,人工判读或使用专家策略进行分析均无法充分梳理出这些数据的相关性并进一步挖掘和应用它们的价值;利用Python强大的机器学习生态环境和算法,能够实现对卫星遥测数据的分析和建模;以星载铷钟遥测数据为样本,提出了对卫星遥测数据进行算法分析和建立模型的方法,为实现对铷钟的健康状态进行实时评估、预报、精准控制奠定了基础;除遥测数据外,该方法亦可用于分析卫星其它数据,为卫星研制和应用过程中利用机器学习技术提高智化能水平提供了参考。     

逐段回归近似的卫星遥测数据挖掘算法与仿真

卫星长期运行过程中积累的大量遥测数据蕴涵有宝贵的卫星状态变化信息,挖掘变化特征对发现卫星状态异常变化和诊断卫星运行过程故障具有重要意义.围绕在轨卫星遥测数据分析以及遥测的故障诊断相似性查找问题,提出了一种基于逐段回归近似(PRA)的卫星遥测时序数据相似性挖掘算法.算法首先通过对卫星遥测数据挖掘实现数据的降维处理,以减少数据量;其次通过建立多维空间索引树,并在索引树中通过相似阈值判断进行查找,以获得给定时序数据的相似序列.理论分析和仿真实测卫星电源分系统的时序遥测数据实验表明,该算法对遥测数据序列可有效地进行降维处理,并保持数据趋势性;建立的相似序列为提高在轨卫星数据分析和故障诊断的有效性和正确性提供了依据.     

一种卫星遥测数据相关性分析方法

卫星遥测数据反映了卫星各系统的实时工作情况,是对卫星各系统工作状态进行分析判断的依据,其数据处理结果及质量直接影响卫星在轨性能的分析和状态的评定.运用ID3算法对卫星太阳帆板遥测数据进行分析,挖掘隐藏在数据中的知识和规则,得到数据之间的关联性,为卫星在轨性能分析提供依据.     

基于循环神经网络的通信卫星故障检测

随着现代航天事业的飞速发展,通信卫星的结构日益复杂,其故障也逐渐增多,通信卫星的故障检测已成为当前航天领域关注的重点问题。目前,各大航天机构对故障的检测仍以简单的上下限阈值检测为主,只能检测出少部分特定的故障。早期利用传统机器学习算法进行检测的研究也仅能检测出数量特征上的故障。针对传统的机器学习算法难以有效学习遥测数据趋势变化的问题,文中提出了基于长短时记忆(Long Short-term Memory,LSTM)网络的阈值化方法。通过LSTM预测模型来学习卫星遥测数据的趋势变化,同时以最大化相关系数与F1分数的方式为多维遥测数据的故障判定确定合适的阈值,此方式能够有效地通过卫星遥测数据的趋势变化来判断故障。实验数据采用某航天机构提供的时长为2年的24维通信卫星遥测数据,其核心模型LSTM网络在NVIDIA Corporation GP102[TITAN Xp]上训练,最终整体模型的准确率为99.34%,查准率为81.93%,查全率为94.62%。同时,与传统机器学习算法以及基于LSTM的非阈值方法进行对比,该模型的精度明显更高。实验结果表明,LSTM网络能够高效地学习到卫星遥测数据的趋势变化特征;同时,采用合适的方法选定阈值,能够有效地检测出通信卫星发生的故障,在很大程度上成功地解决航天领域中通信卫星的故障检测难题。     

基于LSTM和多种异常定义的卫星异常检测方法

针对在轨卫星异常检测中现存的异常定义单一、检测流程不规范不灵活的问题,提出一种基于长短期记忆(Long-Short Term Memory,LSTM)网络和多种异常定义的卫星异常检测方法.基于某在轨卫星实测电源遥测数据,首先进行卫星时序数据预处理,随后以LSTM为示例算法对数据的"正常值"进行预测,最后分别以测试数据均值的标准差、预测结果均值的标准差和非参数动态阈值作为异常定义,进行异常的联合投票检测,检测流程可容纳丰富的预测算法和异常定义,且流程模块间耦合度低.仿真结果表明,LSTM模型预测结合多异常定义的联合投票机制能有效提升异常点检测的性能.     

基于TSEOPM的在轨航天器故障预报方法研究

针对在轨航天器非线性系统的故障预报,提出一种基于时间序列事件征兆模式挖掘的在轨航天器故障预报方法,该方法以在轨航天器遥测数据建立状态监测时间序列,根据事件特征函数利用层次聚类算法挖掘出故障事件征兆模式,然后利用故障事件征兆模式对航天器的状态监测时间序列数据进行分析,判断是否为故障征兆点,从而实现故障预报;实验结果表明,该方法能有效地预测在轨航天器状态监测时间序列数据中的故障事件。     

卫星遥测数据处理软件的Excel VBA实现

为解决航天领域遥测数据处理复杂、判读困难的问题,采用Excel VBA技术,设计了一种卫星遥测数据处理软件,利用该软件可以很方便地对卫星遥测数据进行分析和判读,得到各遥测量的曲线显示及变化状态,并能给出遥测异常时的报警信息;该软件运行于通用计算机平台,需要Office、Excel支持,它包括卫星遥测数据的处理分析和遥测数据的曲线显示两大部分;该数据处理软件的使用为卫星遥测数据处理提供了一种新方法,实现了卫星遥测数据处理自动化处理和判读,大大提高了卫星遥测数据的分析判读效率,该软件现已成功应用于某型号卫星的遥测数据分析系统。     

基于逻辑框图的卫星健康评估方法

针对目前无法准确量化反映在轨卫星健康状态的问题,提出一种基于卫星部组件逻辑连接关系的健康状态分层评估模型,用任务健康度和任务风险度定量表示卫星状态。在部件层,选取关键遥测参数指标,通过统计历史健康数据及查阅设计资料建立部件级非线性无量纲评估模型;在组件层,通过各部件的逻辑连接关系分别建立评估模型;在分系统层,利用组件层得到的结果及各组件的逻辑连接关系,结合模糊层次分析（fuzzy analytic hierarchy process,FAHP）和变权理论,建立分系统健康状态评估模型。最后,通过某卫星正常运行时期和异常运行时期的在轨遥测数据验证,结果表明,该评估模型具有正确性。     

面向皮纳卫星姿态确定的MEMS陀螺磁强计组合滤波系统

针对难以配置高精度部件的皮纳卫星姿态测量系统,当卫星处于阴影区或任何太阳敏感器不可用的状态下,MEMS陀螺与磁强计的组合便成为卫星在轨姿态测量精度的重要保障.本文基于MEMS陀螺与磁强计的低功耗、全轨、全天时、最小姿态敏感组合,提出一种适用于皮纳卫星在轨运行的滤波系统方案.该方案通过滑窗ARMA建模降低陀螺随机噪声的影响,并由姿态滤波器估计所得的零偏在线去除陀螺常值分量,以保证其建模的长期有效性.本文以浙江大学皮星二号卫星搭载的敏感部件以及姿态测量算法为研究基础,结合在轨实测数据,仿真对比表明,该系统方案有效降低了陀螺随机噪声,抑制比达50％以上;陀螺零偏估计精度提高310％,可达到0.001°/s;姿态确定精度提升190％,可达1.2127°.该系统方案是对皮纳卫星姿态确定最小系统精度提升及实用方案设计的有益探索.     

基于BP神经网络的卫星故障诊断方法

为了有效地利用卫星下传的海量遥测数据,在测试过程中对卫星进行实时的故障诊断,提出了一种基于BP神经网络的卫星故障诊断方法;该方法包括离线自主学习和实时在线故障诊断两部分;离线自主学习部分基于历史数据库和更新样本进行自主学习,学习获得神经网络模型存储于知识库;实时在线故障诊断部分依据相应的神经网络模型,对遥测数据进行实时在线的诊断;为了验证基于BP神经网络的卫星故障诊断方法的有效性和优越性,以现有型号三轴稳定近地卫星控制分系统为实验对象,利用该方法对具有代表性的红外地球敏感器和动量轮的相关遥测数据进行分析;通过将该方法的实验结果与基于Kalman滤波的方法的实验结果进行对比分析,表明该方法能够有效地对卫星的故障进行诊断。     

基于机器学习建模的航天器健康管理平台研究

近年来,随着深度学习等技术的快速发展和航天器系统数据量的不断增加,新型的机器学习平台凭借其友好的流程化分析框架、丰富的即插即用机器学习工具、分布式的服务等诸多优点,为航天器等领域复杂问题分析处理提出了新思路。在分析了航天器故障预测与健康管理方面存在的难点以及机器学习优势基础上,提出了面向机器学习建模的航天器健康管理平台设计方案与方法,分析了多语言融合的健康管理算法模型构建、基于分布式的健康管理计算服务引擎等关键技术,并以某卫星电源系统太阳电池阵功率预测等案例详细说明平台实际应用情况,验证结果表明研究成果能够为基于机器学习建模的航天器健康管理技术研究与应用提供技术参考,最终提高卫星、空间站等航天器的安全性。     

基于虚拟化技术的卫星控制系统软件构件库运行监控与可信验证技术

动态系统建模工具可以按照设定的仿真步长对控制器的行为动态模拟,也可以在仿真环境下模拟控制器所在的系统架构和动态数据交互,因此传统的卫星控制系统方案设计时一般采用在同一模型建模体系进行,并进行相应的控制算法设计。但是由于动态系统建模工具其自身的时钟步长和数据流处理逻辑,不能完全模拟目标机的内部ALU逻辑和真实外围设备工作行为,可能与真实物理环境要求的系统有一定的出入,造成对承载卫星控制器功能的目标机CPU处理系统存在一定程度的失真,影响仿真效果。提出了一种基于虚拟化技术的卫星控制系统软件构件库可信验证技术,使用虚拟化技术实现对真实物理目标机功能的完全模拟,运用软件非干涉运行监控技术,获取可信的开发证据和应用证据,利用协同仿真组件和卫星控制系统方案设计的控制算法模型对各个软件构件进行动态同步仿真验证。     

捕获目标卫星后组合体航天器模糊神经网络滑模控制

探讨了漂浮基空间机械臂系统在轨捕获参数未知目标卫星后组合体航天器的镇定控制问题.首先在耦合空间机械臂系统捕获目标卫星操作过程动量、冲量的传递的基础上,建立了适用于漂浮基空间机械臂系统在轨捕获漂浮卫星控制系统设计的组合体航天器数学模型.利用该模型,设计了一种基于模糊高斯基神经网络的非奇异Terminal滑模控制算法.提出的控制算法不仅不要求系统动力学方程关于惯性参数呈线性函数关系,而且也不需要预知系统惯性参数;由于利用神经网络的自学习能力修正模糊控制的控制规则和隶属函数,这样在系统参数识别中,模糊神经网络可减少模糊规则数,更适应于空间机械臂系统在轨捕获的实际应用.最后通过仿真试验对比结果验证了所提出的控制算法的有效性.     

大数据下的典型机器学习平台综述

由于大数据海量、复杂多样、变化快,传统的机器学习平台已不再适用,因此,设计一个高效的、通用的大数据机器学习平台成为目前的研究热点。通过介绍和分析机器学习算法的特点以及大规模机器学习的数据和模型并行化,引出常见的并行计算模型。简单介绍了整体同步并行模型（BSP）、SSP并行计算模型以及BSP、SSP模型与AP模型的区别,主要介绍了基于这些并行模型的典型的机器学习平台和这些平台的优缺点,并指出各个平台最适合处理何种大数据问题。最后从采用的抽象数据结构、并行计算模型、容错机制等方面对典型的机器学习平台进行了总结,并提出一些建议和展望。     

基于交叉熵的安全Tri-training算法

半监督学习方法通过少量标记数据和大量未标记数据来提升学习性能.Tri-training是一种经典的基于分歧的半监督学习方法,但在学习过程中可能产生标记噪声问题.为了减少Tri-training中的标记噪声对未标记数据的预测偏差,学习到更好的半监督分类模型,用交叉熵代替错误率以更好地反映模型预估结果和真实分布之间的差距,并结合凸优化方法来达到降低标记噪声的目的,保证模型效果.在此基础上,分别提出了一种基于交叉熵的Tri-training算法、一个安全的Tri-training算法,以及一种基于交叉熵的安全Tri-training算法.在UCI(University of California Irvine)机器学习库等基准数据集上验证了所提方法的有效性,并利用显著性检验从统计学的角度进一步验证了方法的性能.实验结果表明,提出的半监督学习方法在分类性能方面优于传统的Tri-training算法,其中基于交叉熵的安全Tri-training算法拥有更高的分类性能和泛化能力.     

基于同步遥测信号处理的实时仿真模型设计

卫星遥测信号解析是卫星综合测试系统的重要组成部分。传统的遥测信号采集方案,基于Windows非实时平台,降低了系统解析的实时性和和判读的有效性。从故障预案的模型系统应用场景为出发点,阐述了基于实时系统模型架构的遥测信号仿真模型设计思路、原理及功能实现。该方法继承了模型的迭代特性,通过在每一个周期中对比特流数据的读取和同步帧头的识别,实时地获取遥测信息,为设计故障预案,提供充分信息,具有较强的工程实际意义。     

数据库内AI模型优化

近年来,机器学习模型在各行各业中被普遍应用.在大量变化着的数据中,数据分析师常常只关心预测结果为特定值的少量数据.然而利用机器学习模型进行推理的工作流程中,由于机器学习算法库默认数据以单表方式组织,用户必须先通过SQL语句查询出全部数据,即使随后在模型推理过程中会将大量数据丢弃.本文指出了在这个过程中,如果可以预先从模型中提取信息,就有望能在数据获取阶段快速排除不需要的数据,从而降低数据获取过程中的多表连接代价,进程间通信代价,以及模型预测代价,进而加速整个工作流程.本文以决策树模型为例,首先提出一种预筛选+验证的执行方法对查询过程进行优化,之后给出了从决策树中提取用于预筛选谓词的离线算法,最后在真实数据集上进行测试.实验结果表明,本文提出的方法能够对借助决策树模型推理结果对数据进行筛选的应用场景起到较好的加速效果.     

同步卫星扫描视锥与轨道的绘制算法

为了模拟同步卫星在外太空的飞行状态,建设先进的同步卫星模拟仿真系统对于卫星的研制与性能分析有着重要的意义;由于卫星是在特定的轨道上飞行,所以对卫星轨道的绘制建模是卫星模拟仿真系统开发中关键的一环;在这篇文章中介绍了同步卫星与地面观察站通信过程中的扫描视锥与同步卫星运行轨道的绘制算法,重点探讨了基于OpenGL基本矢量图元的绘制以及利用世界坐标系和向量的方法对在绘制过程中所需数据的求解过程;分析了根据同步卫星的运行姿态与其所在轨道的位置来确定同步卫星扫描视锥的角度;最后通过一个虚拟世界的3D引擎验证算法的可行性与绘制效果。