基于改进组合机器学习的卫星遥测参数预测

对在轨卫星的运行状态进行监测、分析以及异常检测是卫星在轨运行管理的重要内容。预测卫星遥测参数序列的变化趋势,对卫星异常检测与处置、保障安全运行非常必要。针对目前对于周期性不明显且具有多种变化特征的遥测参数预测精确度不够的问题,本文引入对遥测参数的预测有辅助作用的因素作为协变量,提出了基于改进组合机器学习的预测模型。该模型使用全局模型和局部模型分别获取遥测参数序列的趋势特征和局部不规则波动特征,并采用改进的注意力机制捕获多维参数之间的关联关系,提高了预测精度。此模型可以提供点预测和区间预测的结果,为在轨卫星处置决策提供了更多输入。在科学卫星真实遥测数据集和时间序列公开数据集上验证了本文方法的有效性。

基于新息灰预测的卫星遥测参数状态预测及应用

正确的预测是进行科学决策的依据。在航天测控领域中对卫星状态的准确预测是正确发布指令的重要依据,而卫星遥测参数趋势预测是状态预测的前提。根据卫星遥测数据特定的相似性,利用相似性原理和新陈代谢原理,充分利用最新的遥测信息,建立适用于卫星遥测数据的新息灰预测模型。通过工程数据仿真计算,验证该方法的正确性和可靠性。

一种卫星遥测参数趋势异常的自动识别方法

针对卫星遥测参数变化趋势人工监视准确度低、成本高的问题,在基于小波的频域转换方法基础上,提出了一种基于神经网络的趋势异常的自动学习和判别方法,即通过建立遥测参数趋势变化的频域特征向量模型,利用多层前馈(BP)神经网络方法,实现遥测趋势变化的自动判别和定位,能够有效提高卫星在轨监视的精细化程度和准确度。通过某卫星红外敏感器和太阳电池阵电流遥测趋势识别对方法的有效性进行了验证,结果表明:该方法能够满足自动监视要求,可为卫星在轨管理提供参考。

一种卫星遥测数据多参数预测方法

针对目前遥测数据多参数预测精度不足的问题,文章提出一种基于图注意力网络和时域卷积网络的预测方法。首先,采用多尺度时域卷积残差网络组件提取遥测时序数据在不同时间跨度下的时间依赖关系,以捕捉时间模式;随后,利用图结构学习组件自动获取遥测数据变量之间的空间依赖关系,以捕捉空间模式;最后,将图节点特征表示与数据嵌入表示进行融合,增强图注意力网络在信息聚合和消息传递过程中的学习能力。在某卫星遥测数据集上的应用结果表明:该方法比双向长短期记忆网络(LSTM)模型的平均绝对误差(MAE)降低62.38%,显著提高了遥测数据多参数的预测精度,为保障在轨卫星正常运行提供了更多决策分析支持。

时间序列模型在卫星异常检测中的应用研究

随着国内航天事业的迅猛发展,在轨卫星数量不断增多。以中科院空间科学先导专项为例,自2015年12月暗物质粒子探测卫星发射以来,先后有实践十号返回式科学卫星、量子科学实验卫星以及硬X射线调制望远镜卫星成功发射,未来还会有中法天文卫星、太阳风-磁层相互作用全景成像卫星等一系列的卫星任务,而卫星异常检测是保证卫星正常在轨运行的基础。文中利用卫星遥测参数的时间特性,以暗物质粒子探测卫星和量子科学实验卫星在轨运行一年多的时间里所产生的卫星遥测数据为基础,结合中科院空间科学先导专项实际空间科学卫星运控任务背景,对卫星有效载荷的异常检测进行实验研究,提出了一种基于时间序列模型的卫星有效载荷异常检测方法,并利用自回归滑动平均(AMRA)算法进行实验验证,挖掘卫星历史遥测数据和历史异常信息的关系,得到了较好的验证结果,为空间科学卫星健康有效的在轨运行提供了一定的支撑和辅助决策作用。