应用自适应HP滤波的卫星遥测数据预测方法

在应用HP(Hodrick-Prescott)滤波的卫星遥测数据预测方法的基础上进一步研究,提出了基于二分法和琴生不等式判别的自适应HP滤波的遥测数据预测方法,有效解决了平滑参数的选择困难。同时,趋势项和波动项预测在应用HP滤波的方法的基础上有创新和优化,分别采用了线性预测模型和自回归单整移动平均(ARIMA)模型,有利于有效趋势特征提取和模型参数调整范围的优化。应用文章方法对卫星在轨行波管阳极电压数据进行分析,证实了方法的正确性和有效性。此方法可有效提高预测精度,实现遥测数据中长期预测,在卫星故障诊断和预警方面具有工程应用价值。

à Trous小波在卫星遥测数据递归预测中的应用

该文提出了一种基于劋Ｔｒｏｕｓ算法的小波递归预测方法?迷げ馑惴ú捎梦蕹槿±肷⑿〔ū浠坏膭ぃ裕颍铮酰笏惴?,可以逐点把时间序列分解为与原序列长度相同的小波系数 ,适合在递归预测中应用 ,弥补了Mallat算法不能实时调整模型参数的不足。预测卫星电源母线电压数据表明 ,该方法满足预测卫星遥测数据的要求。

基于多Agent卫星遥测数据实时监测与诊断技术

为了提高根据遥测数据进行卫星故障诊断的速度与精度,提出了集成多信号模型诊断Agent、模糊诊断Agent以及专家系统诊断Agent等多Agent监测与诊断系统。多信号模型诊断Agent,采用模糊阈值进行监测,并引入可信度因子对Deb原实时诊断推理方法做了改进,解决了Deb方法可能因虚警而导致的诊断结果冲突的问题。模糊诊断Agent采用Mamdani算法,能给出部件故障的可能性。专家系统诊断Agent采用基于规则的产生式系统,同时采用加权不确定推理解决了规则的不确定性问题。研究了3种诊断Agent的协作方式,采用D-S证据理论对各Agent的诊断结果进行决策融合,给出故障元件的置信区间。通过某卫星仿真遥测数据验证,该集成诊断系统充分利用了各种诊断方法的优点,诊断精度高且速度快(一般诊断时间小于0.3秒,PIII800/256M计算机),适用于卫星地面站对卫星遥测数据进行自动实时在线监测与诊断推理。

ID3算法在卫星遥测数据分析中的应用

为充分挖掘隐藏于遥测数据中的规则知识,发现数据间的关联性,采用ID3算法对卫星太阳帆板遥测数据进行挖掘分析,计算各类参数的信息增益值,以最大增益值为分裂属性构建出相关性决策树,得到决策知识,发现影响太阳帆板状态变化的参数间的关联性,为卫星在轨性能分析和故障诊断提供依据.分析结果表明,采用ID3算法对遥测数据进行分析可以获得预期的结果.

应用HP滤波的卫星遥测数据预测方法

卫星遥测数据预测分析在故障预警中发挥着重要作用。文章将用于时间序列分析的HP(Hodrick-Prescott)滤波引入到遥测数据分析领域中,提出了基于HP滤波分解的卫星遥测数据预测方法,并设计了在轨应用的系统方案。利用HP滤波将遥测数据的时间序列分解成趋势成分和波动成分,并根据各项特点分别使用多元自回归和季节型单整自回归移动平均(ARIMA)模型进行预测,然后叠加趋势成分和波动成分各自的预测值,得到最终组合预测结果。该预测方法可以有效降低由趋势性、波动性等因素相互影响产生的误差,提高预测精度,其系统方案可在卫星监视、故障诊断和预警中实际应用。利用预测方法对某卫星行波管阳压遥测数据进行分析,验证了预测方法的正确性和有效性,在半年时间内的预测结果的相对误差小于0.04%。

以文档结构存储海量卫星遥测数据

通过对卫星遥测数据的分析与挖掘,可以有效地进行卫星故障诊断、卫星参数异常变化预测以及提升卫星运行的可靠性。针对无法在海量卫星遥测数据中进行高效储存、检索的问题,提出了利用No SQL数据库Mongo DB以文档的结构形式存储卫星遥测数据。实验结果表明,相对于传统的SQL数据库,此方法可以有效地减少数据冗余并提高查询效率。

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。

基于大数据的卫星遥测数据故障征兆分析方法

卫星在轨遥测数据信息量巨大,且表征卫星在轨道上的运行状态和故障趋势[1]。首先,介绍了大数据在卫星故障分析方面的研究现状;其次,在现有研究的基础上充分地运用大数据技术,解决卫星遥测大数据采集、存储过程中的问题;然后,结合大数据分析方法研究卫星在轨遥测数据与故障状态的关系,并提出基于大数据的卫星遥测数据故障征兆分析方法;最后,分析了此方法的优势和应用场景,具有一定的推广使用价值。

基于滑动最速跟踪微分器的遥测数据滤波方法

原始卫星遥测数据中通常含有噪声和野值,为确保对卫星状态的准确分析,需要对遥测数据进行滤波处理。提出一种面向卫星遥测数据的滑动最速跟踪微分器滤波方法,针对最速跟踪微分器的参数选择问题,采用扫频法分析其幅频特性,建立了跟踪因子与滤波结果之间的函数关系,在此基础上,利用滑动窗口划分遥测数据,并分析各窗口内数据局部稳定性与跟踪因子之间的关系,给出了局部数据跟踪因子的计算方法,实现对各窗口内遥测数据的动态滤波。实验结果表明,该方法能够避免传统数字滤波器处理遥测数据的局限性,可以有效滤除卫星遥测数据中的噪声和野值。

应用自适应滑动窗口的卫星模拟量遥测数据跳变检测方法

提出一种应用自适应滑动窗口的卫星模拟量遥测数据跳变检测方法,针对卫星模拟量遥测数据特性,设计一种低计算量、简单易行的滑动窗口机制,并结合指数平滑方法处理遥测数据,根据遥测数据的局部波动情况自适应调整滑动窗口的检测灵敏度,通过组合滑动窗口实现对模拟量遥测数据的跳变检测、拐点检测和噪声检测,提高跳变信息检测的正确性。通过对某导航卫星热试验期间的真实遥测数据进行计算分析,验证了所提方法的正确性。该方法不依赖先验模型知识和标签数据集,具备可量化、低虚警、计算简易及适用性广的特点,可用于地面测试和在轨运行过程中的实时数据判读。

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题,提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法。首先利用源域卫星的遥测数据对1dCNN进行预训练,使得模型的卷积层具有卫星状态特征的提取能力;然后将训练好的模型迁移到缺乏标签数据的目标域卫星中;利用目标域有标签样本对预训练模型进行微调,从而实现了对目标域测试集样本的异常检测。为了使1dCNN能够适应遥测数据样本的不平衡性,引入了代价敏感训练策略,建立动态损失函数,从而提升代价敏感一维卷积神经网络(cs-1dCNN)对于异常样本的识别能力。以某两个卫星的电源分系统遥测数据进行了验证,实验结果表明该异常检测迁移方法具有较好的有效性和鲁棒性。

基于趋势符号聚合近似的卫星时序数据分类方法

作为在时间序列数据挖掘中广泛使用的主要符号化表示方法,符号聚合近似(SAX)使用段的平均值作为符号表示,由于无法区分具有不同趋势但具有相同平均值符号的不同时间序列,某些情况下可能会导致错误的分类。提出了一种改进的符号表示——趋势符号聚合近似(TrSAX),集成SAX与最小二乘法,用以描述时间序列的均值和斜率,并由此构建出BOTS分类器。此外,对卫星的模拟量遥测时序数据中的角度序列、转速序列、电流序列进行分析,并从UCR公开数据集中筛选出与3种序列类似的3个数据集进行分类实验验证。与应用了SAX和2个改进的SAX、经典的欧氏距离(ED)、动态时间规整(DTW)的1-NN分类方法进行对比,结果表明:提出的BOTS分类方法的分类错误率明显低于其他5种分类方法。

基于FIG-GRNN模型的卫星遥测趋势预测方法研究

卫星遥测数据的变化能够反映卫星性能和状态的改变,对其变化趋势进行预测可以为卫星在轨运行管理提供保障。本文提出一种基于模糊信息粒化—广义回归神经网络(FIG-GRNN)模型的卫星遥测趋势预测方法,先对遥测数据进行模糊信息粒化,得到能够反映遥测变化趋势的模糊信息时序数据,再对得到的数据进行预处理并划分训练集和验证集,使用训练集构建广义回归神经网络遥测趋势预测模型,最后将训练好的模型应用于验证集,输出预测结果;通过对某卫星姿态角遥测进行趋势预测,验证了该方法的有效性。

基于有向图的静止气象卫星故障检测模型

为解决基于卫星单个遥测值超限进行报警的方法会引起故障的误报和漏报这一问题,提出一种基于有向图的静止气象卫星故障检测模型。定义组合条件报警故障知识规则的描述方法和故障知识库,能够同时对卫星多个通道的遥测值进行综合分析与诊断,提高故障的诊断效率;基于有向图实施卫星故障的自动检测,省去关联故障的判别工作,减少冗余告警,提高故障检测的正确性。实际业务运行结果验证了该模型的可行性与有效性。

一种基于离散时间段的测运控数据异常检测方法

卫星遥测数据是了解卫星工作状态、进行卫星故障诊断的重要依据。针对卫星在轨运行时间长、遥测参数类型多、数据量大和数据变化缓慢等特点,提出了一种基于离散时间段的卫星测运控数据异常检测方法,解决了因数据量大导致检测处理困难、耗时长的问题。验证结果表明,该方法能够基于小样本数据量快速、有效地分析卫星长期运行中遥测参数的变化趋势,为卫星遥测数据异常检测和故障诊断提供了一种可行的技术途径。

一种基于生成对抗网络的卫星异常检测方法

针对卫星地面测控中心在异常检测时面临的遥测数据不平衡和缺乏异常标签等问题,提出了一种基于时序生成对抗网络的异常检测方法.首先对卫星遥测数据进行预处理,剔除原始数据中的噪声和野值.然后使用长短时记忆网络构建生成模型的生成器和判别器,使得模型可以学习到历史数据的时间依赖关系.采用改进的生成对抗损失函数,使得生成模型在训练时可以保证生成序列与输入序列的潜在空间分布一致.最后,使用残差作为测试序列的异常分数,通过阈值自适应方法判断测试序列是否异常.经真实卫星遥测数据进行实验验证,表明该异常检测方法具有较好的有效性.

一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.

Impacts of internal waves on chlorophyll a distribution in the northern portion of the South China Sea

Internal waves can bring nutrients to the upper level of water bodies and facilitate phytoplankton photosynthesis.Internal waves occur frequently in the northern portion of the South China Sea and inflict an important effect on chlorophyll a distribution.In this study,in-situ observation and satellite remote sensing data were used to study the effects of internal waves on chlorophyll a distribution.Based on the in-situ observations,lower chlorophyll a concentrations were present in the middle and bottom level in areas in which internal waves occur frequently,while the surface chlorophyll a distribution increased irregularly,and a small area with relatively higher chlorophyll a concentrations was observed in the area around the Dongsha Island.Satellite remote sensing showed that the chlorophyll a concentration increased in the area near Dongsha Island,where internal waves frequently occurred.The results of the increased chlorophyll a concentration in the surface water near Dongsha Island in the northern portion of the South China Sea indicated that internal waves could uplift phytoplankton and facilitate phytoplankton growth.