本發(fā)明涉及一種基于實(shí)時(shí)遙測(cè)的多方法組合自主智能小衛(wèi)星狀態(tài)預(yù)測(cè)方法，可用于小衛(wèi)星平臺(tái)衛(wèi)星在軌管理、地面綜合測(cè)試以及系統(tǒng)功能仿真等時(shí)期，輔助科研人員對(duì)衛(wèi)星實(shí)時(shí)狀態(tài)、發(fā)展趨勢(shì)進(jìn)行判斷和決策。

背景技術(shù)：

預(yù)測(cè)技術(shù)經(jīng)過將近幾十年的發(fā)展，在機(jī)械系統(tǒng)、網(wǎng)絡(luò)軟件監(jiān)控、電力系統(tǒng)、衛(wèi)星系統(tǒng)、航空系統(tǒng)等領(lǐng)域得到了長(zhǎng)足的發(fā)展，各行業(yè)提出了很多得預(yù)測(cè)技術(shù)，開發(fā)出了很多實(shí)用的預(yù)測(cè)平臺(tái)，取得了可觀的經(jīng)濟(jì)效益和社會(huì)效益。但是隨著系統(tǒng)的復(fù)雜化程度越來越高，發(fā)生故障的概率及由此帶來的損失也越來越大?，F(xiàn)有的預(yù)測(cè)技術(shù)常常只是針對(duì)某個(gè)特定的系統(tǒng)而言是有效的，但不具有普適性。更由于小衛(wèi)星的空間特殊性，顛覆性前沿創(chuàng)新技術(shù)在小衛(wèi)星技術(shù)上的應(yīng)用速度越來越快，同時(shí)，小衛(wèi)星類型又多種多樣，應(yīng)用領(lǐng)域廣泛，由于受到各種故障預(yù)測(cè)技術(shù)本身的算法適用性等問題，現(xiàn)有的預(yù)測(cè)技術(shù)在小衛(wèi)星狀態(tài)預(yù)測(cè)上存在諸多局限，主要表現(xiàn)在以下幾個(gè)方面：

首先，國外可重復(fù)使用運(yùn)載器和國際空間站的最新故障診斷與預(yù)測(cè)系統(tǒng)基本上都是采用基于航天器模型的技術(shù)。應(yīng)用基于模型的故障預(yù)測(cè)技術(shù)首先由航天器各個(gè)分系統(tǒng)的專家給出系統(tǒng)故障預(yù)測(cè)的精確數(shù)學(xué)模型，利用模型來識(shí)別系統(tǒng)的特征，并將這些模型診斷值與系統(tǒng)觀測(cè)值進(jìn)行比較，從而來預(yù)測(cè)系統(tǒng)狀態(tài)。而建立分系統(tǒng)的數(shù)學(xué)模型恰恰是最難的地方，簡(jiǎn)化的數(shù)學(xué)模型雖然建立了狀態(tài)系統(tǒng)預(yù)測(cè)，但預(yù)測(cè)的精度、虛警率確大大提高，還得依靠科研人員得二次判讀，給科研人員造成很多重復(fù)性的工作，從而影響衛(wèi)星型號(hào)在軌任務(wù)的管理過程，同時(shí)也降低了預(yù)測(cè)系統(tǒng)的穩(wěn)定性和可靠性，管理和維護(hù)工作并沒有減少。

同時(shí)，每一種航天器故障預(yù)測(cè)方法，都有其適用范圍，故障診斷率較低。小衛(wèi)星內(nèi)部的系統(tǒng)復(fù)雜性不能完全掌握其故障特性，導(dǎo)致無法建立全面的故障案例，再加上對(duì)數(shù)據(jù)不能正確的處理導(dǎo)致不能為故障監(jiān)測(cè)提供支持。灰色系統(tǒng)預(yù)測(cè)缺點(diǎn)是其微分方程指數(shù)解比較適合于具有指數(shù)增長(zhǎng)趨勢(shì)的指標(biāo)，對(duì)于具有其他趨勢(shì)的指標(biāo)則有時(shí)擬合灰度較大，精度難以提高；以線性回歸ARMA模型為基礎(chǔ)的時(shí)間序列模型，它不適應(yīng)于非線性系統(tǒng)的建模與預(yù)報(bào)；人工神經(jīng)網(wǎng)絡(luò)方法也存在學(xué)習(xí)速度慢，存在局部極小點(diǎn)，難以科學(xué)確定網(wǎng)絡(luò)結(jié)構(gòu)等缺點(diǎn)；每種預(yù)測(cè)方法單獨(dú)使用時(shí)，無法適用于非平穩(wěn)、速變等航天器故障信號(hào)預(yù)測(cè)，而且，航天器某些故障狀態(tài)預(yù)測(cè)面臨樣本少、不確定性大、確定性解析預(yù)測(cè)模型難以建立等難題。實(shí)際故障預(yù)測(cè)應(yīng)用中一些關(guān)鍵設(shè)備的典型歷史工作數(shù)據(jù)、故障模式數(shù)據(jù)以及仿真實(shí)驗(yàn)數(shù)據(jù)的獲取代價(jià)還十分高昂，而且獲得的數(shù)據(jù)序列往往具有很強(qiáng)的不確定性和不完整性。

此外，目前常規(guī)的預(yù)測(cè)方法缺乏客觀性與自主性。由于系統(tǒng)在運(yùn)行的過程中存在了“人為”的因素，而且故障現(xiàn)象、部位和原因之間的關(guān)系非常復(fù)雜，同時(shí)，故障本身的隨機(jī)性，預(yù)測(cè)過程產(chǎn)生的誤差，導(dǎo)致得到的故障狀態(tài)信息不能充分反映系統(tǒng)本身的運(yùn)行，并且，龐大的信息量本身如何準(zhǔn)確融合也成為故障預(yù)測(cè)研究中的一個(gè)瓶頸，現(xiàn)有的衛(wèi)星管理人力、物力成本較大，不利于提高衛(wèi)星運(yùn)行管理效率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的技術(shù)解決問題是：克服現(xiàn)有單一技術(shù)預(yù)測(cè)的不足，提供一種基于實(shí)時(shí)數(shù)據(jù)的多方法組合航天器故障預(yù)測(cè)方法，基于實(shí)時(shí)遙測(cè)的多方法組合小衛(wèi)星狀態(tài)自主智能預(yù)測(cè)方法的基本思想是通過研究已發(fā)射的在軌小衛(wèi)星各分系統(tǒng)的故障預(yù)案、歷史故障以及狀態(tài)數(shù)據(jù)，研究小衛(wèi)星狀態(tài)、故障、未來狀態(tài)發(fā)展與故障數(shù)據(jù)間的邏輯關(guān)系，預(yù)測(cè)實(shí)時(shí)遙測(cè)的變化趨勢(shì)，通過遙測(cè)與故障狀態(tài)之間的關(guān)聯(lián)關(guān)系進(jìn)行在軌小衛(wèi)星狀態(tài)預(yù)測(cè)，智能自主輔助小衛(wèi)星在軌狀態(tài)監(jiān)測(cè)?；趯?shí)時(shí)遙測(cè)的故障預(yù)測(cè)技術(shù)不需要對(duì)衛(wèi)星系統(tǒng)的數(shù)學(xué)模型和專家經(jīng)驗(yàn)，克服一般狀態(tài)預(yù)測(cè)方法對(duì)對(duì)象模型的依賴，通過多方法融合挖掘遙測(cè)與衛(wèi)星狀態(tài)之間的隱含信息關(guān)系進(jìn)行狀態(tài)預(yù)測(cè)，提高了方法應(yīng)用的通用性和狀態(tài)預(yù)測(cè)精度，是一種比較實(shí)用的小衛(wèi)星狀態(tài)預(yù)測(cè)方法。

本發(fā)明的技術(shù)解決方案為：一種基于數(shù)據(jù)的多方法組合自主智能小衛(wèi)星故障預(yù)測(cè)方法，其特點(diǎn)在于包括下列步驟：

(1)根據(jù)小衛(wèi)星的歷史運(yùn)行狀態(tài)，選定用于表征小衛(wèi)星不同運(yùn)行狀態(tài)數(shù)據(jù)，確定小衛(wèi)星故障的閾值；

(2)根據(jù)小衛(wèi)星的運(yùn)行狀態(tài)數(shù)據(jù)三種類型確定小衛(wèi)星狀態(tài)自主智能預(yù)測(cè)方法；所述三種類型是：第一種樣本較少數(shù)據(jù)并存在較多不確定性數(shù)據(jù)，第二種是各種模式的時(shí)間序列數(shù)據(jù)，第三種是數(shù)據(jù)有突變信息和干擾數(shù)據(jù)；對(duì)于第一類型，采用BP神經(jīng)網(wǎng)絡(luò)和灰預(yù)測(cè)組合的預(yù)測(cè)方法；第二種類型采用小波包與BP神經(jīng)網(wǎng)絡(luò)組合的預(yù)測(cè)方法；第三種類型采用AR模型和BP神經(jīng)網(wǎng)絡(luò)組合的預(yù)測(cè)方法。

所述采用BP神經(jīng)網(wǎng)絡(luò)和灰預(yù)測(cè)組合的預(yù)測(cè)方法，其實(shí)現(xiàn)步驟如下：

(1)在構(gòu)造神經(jīng)網(wǎng)絡(luò)輸入輸出樣本時(shí)，選擇不同的小衛(wèi)星故障狀態(tài)以及正常狀態(tài)的特征數(shù)據(jù)作為樣本，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建立數(shù)據(jù)與小衛(wèi)星故障的閾值之間的映射關(guān)系；

(2)對(duì)輸入遙測(cè)數(shù)據(jù)采用灰色預(yù)測(cè)進(jìn)行預(yù)測(cè)，自行設(shè)定預(yù)測(cè)數(shù)據(jù)的步數(shù)，輸入前期記錄網(wǎng)絡(luò)結(jié)構(gòu)信息的文檔名，結(jié)合網(wǎng)絡(luò)結(jié)構(gòu)截取輸入數(shù)據(jù)，然后再輸入記錄權(quán)值的文件名，讀取節(jié)點(diǎn)信息，輸出結(jié)果，截取實(shí)時(shí)遙測(cè)數(shù)據(jù)，得到小衛(wèi)星未來時(shí)刻的狀態(tài)數(shù)據(jù)，進(jìn)行閾值判斷，若是數(shù)據(jù)已經(jīng)超限，立即采取措施，若未超限，將數(shù)據(jù)進(jìn)行處理；然后輸入給神經(jīng)網(wǎng)絡(luò)，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)輸入層，經(jīng)各隱層Sigmoid函數(shù)歸一化逐層處理后，傳向輸出層，獲取衛(wèi)星預(yù)測(cè)的實(shí)時(shí)狀態(tài)，利用建立好的網(wǎng)絡(luò)結(jié)構(gòu)權(quán)值，進(jìn)行故障預(yù)測(cè)。

所述采用小波包與BP神經(jīng)網(wǎng)絡(luò)組合的預(yù)測(cè)方法，其實(shí)現(xiàn)步驟如下：

小波包與BP神經(jīng)網(wǎng)絡(luò)組合算法，小波分析和神經(jīng)網(wǎng)絡(luò)采用是松散型結(jié)合，小波包分析為信號(hào)提供一種更加精細(xì)的分析方法，即對(duì)高頻和低頻信號(hào)都進(jìn)行分析，利用小波包分析，把信號(hào)的全部信息分解在互相獨(dú)立的頻帶之內(nèi)，各頻帶內(nèi)的能量值形成一個(gè)向量，該向量即為故障預(yù)測(cè)結(jié)果。

所述采用AR模型和BP神經(jīng)網(wǎng)絡(luò)組合的預(yù)測(cè)方法，其實(shí)現(xiàn)步驟如下：

采用AR模型和BP神經(jīng)網(wǎng)絡(luò)組合的預(yù)測(cè)方法時(shí)，AR模型時(shí)間序列與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，將數(shù)據(jù)進(jìn)行兩次差分運(yùn)算、標(biāo)準(zhǔn)化序列預(yù)處理，對(duì)于標(biāo)準(zhǔn)化處理后的穩(wěn)態(tài)隨機(jī)序列，選用線性最小方差預(yù)測(cè)；進(jìn)行針對(duì)單次信號(hào)進(jìn)行狀態(tài)預(yù)測(cè)，設(shè)計(jì)AR模型的參數(shù)然后進(jìn)行預(yù)測(cè)；輸入前期記錄網(wǎng)絡(luò)結(jié)構(gòu)信息的文檔名，結(jié)合網(wǎng)絡(luò)結(jié)構(gòu)截取輸入數(shù)據(jù)；然后再輸入記錄權(quán)值的文件名，讀取節(jié)點(diǎn)信息，最后輸出故障預(yù)測(cè)結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：本發(fā)明降低對(duì)原始數(shù)據(jù)的依賴程度，提高小衛(wèi)星故障參數(shù)、故障狀態(tài)的預(yù)測(cè)精度。可用于小衛(wèi)星平臺(tái)衛(wèi)星在軌管理、地面綜合測(cè)試以及系統(tǒng)功能仿真等時(shí)期，輔助科研人員對(duì)衛(wèi)星實(shí)時(shí)狀態(tài)、發(fā)展趨勢(shì)進(jìn)行判斷和決策。引入灰色預(yù)測(cè)模型，進(jìn)行小衛(wèi)星狀態(tài)預(yù)測(cè)建模時(shí)不需要計(jì)算統(tǒng)計(jì)特征量，能適應(yīng)于任何非線性變化的預(yù)測(cè)。ARMA模型對(duì)線性系統(tǒng)有較高的預(yù)測(cè)精度。BP神經(jīng)網(wǎng)絡(luò)不涉及到具體如何運(yùn)算的問題，提供一個(gè)“黑箱”，對(duì)于小衛(wèi)星預(yù)測(cè)過程中要處理的一些大量數(shù)據(jù)而又不能用符號(hào)或數(shù)字方法描述的問題，表現(xiàn)出極大的靈活性與自適應(yīng)性，將灰色預(yù)測(cè)模型、ARMA模型以及BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行組合預(yù)測(cè)，克服了各算法的確定，組合預(yù)測(cè)方法克服了單一方法的預(yù)測(cè)精度低、初值特殊要求、數(shù)據(jù)奇點(diǎn)等問題，發(fā)揮了各算法的優(yōu)勢(shì)，很好的解決了衛(wèi)星狀態(tài)預(yù)測(cè)的算法適用性問題。

附圖說明

圖1為本發(fā)明的預(yù)測(cè)方法實(shí)現(xiàn)流程圖；

圖2為本發(fā)明的灰預(yù)測(cè)與BP神經(jīng)網(wǎng)絡(luò)結(jié)合流程示意圖；

圖3為本發(fā)明的AR模型時(shí)間序列與BP神經(jīng)網(wǎng)絡(luò)結(jié)合流程示意圖；

圖4為本發(fā)明的小波預(yù)測(cè)與BP神經(jīng)網(wǎng)絡(luò)結(jié)合流程示意圖；

圖5為本發(fā)明的灰預(yù)測(cè)具體流程示意圖；

圖6為AR模型數(shù)據(jù)預(yù)測(cè)的流程示意圖；

圖7為本發(fā)明的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)(a)和預(yù)測(cè)(b)編程流程圖。

具體實(shí)施方式

如圖1所示，本發(fā)明的具體方法如下：

研究小衛(wèi)星的運(yùn)行歷史數(shù)據(jù)，根據(jù)預(yù)測(cè)研究對(duì)象需要，從中選出能表征系統(tǒng)運(yùn)行狀態(tài)的數(shù)據(jù)，結(jié)合系統(tǒng)的運(yùn)行狀況以及出現(xiàn)故障的模式，確定狀態(tài)數(shù)據(jù)出現(xiàn)故障時(shí)的閾值，再根據(jù)三種遙測(cè)數(shù)據(jù)類型，選擇不同組合預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，三種預(yù)測(cè)方法的具體實(shí)施步驟如下所述。

灰預(yù)測(cè)與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的具體實(shí)施步驟如圖2、5、7所示：

首先對(duì)遙測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，確定系統(tǒng)的閾值，按照灰預(yù)測(cè)模型預(yù)測(cè)數(shù)據(jù)，可以自行設(shè)定預(yù)測(cè)數(shù)據(jù)的步數(shù)，灰色預(yù)測(cè)基本步驟如圖5所示，包含極比檢驗(yàn)、GM(1,1)建模等步驟，灰預(yù)測(cè)步驟屬于通用公開。輸入記錄網(wǎng)絡(luò)結(jié)構(gòu)信息的文檔名，將灰預(yù)測(cè)的結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)的輸入層，經(jīng)權(quán)值處理、輸出層，其設(shè)置變量、初始化等過程與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法一致，得到系統(tǒng)的預(yù)測(cè)狀態(tài)值。

小波包與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的具體實(shí)施如圖3、6所示：

首先按照遙測(cè)類型進(jìn)行初始遙測(cè)參數(shù)預(yù)處理，啟動(dòng)MATLAB引擎，選擇小波函數(shù)和分解層數(shù)，然后對(duì)載入數(shù)據(jù)進(jìn)行小波包分析，提取能量特征，再進(jìn)行AR模型預(yù)測(cè)數(shù)據(jù)，輸入前期記錄網(wǎng)絡(luò)結(jié)構(gòu)信息的文檔名，結(jié)合網(wǎng)絡(luò)結(jié)構(gòu)截取輸入數(shù)據(jù)；然后再輸入記錄權(quán)值的文件名，經(jīng)BP網(wǎng)絡(luò)的輸入層、輸出層后，讀取節(jié)點(diǎn)信息，最后輸出結(jié)果，得到系統(tǒng)的狀態(tài)預(yù)測(cè)值，小波包分析采用MATLAB引擎進(jìn)行分析，BP神經(jīng)網(wǎng)絡(luò)步驟與上述一致。

AR模型時(shí)間序列與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的具體實(shí)施如圖4所示：

首先設(shè)置AR模型的初始遙測(cè)參數(shù)，然后載入遙測(cè)數(shù)據(jù)進(jìn)行分類和差分預(yù)處理，再進(jìn)行AR模型預(yù)測(cè)數(shù)據(jù)，輸入前期記錄網(wǎng)絡(luò)結(jié)構(gòu)信息的文檔名，結(jié)合網(wǎng)絡(luò)結(jié)構(gòu)截取輸入數(shù)據(jù)；然后再輸入記錄權(quán)值的文件名，經(jīng)BP網(wǎng)絡(luò)的輸入層、輸出層后，讀取節(jié)點(diǎn)信息，最后輸出結(jié)果，得到系統(tǒng)的狀態(tài)預(yù)測(cè)值，AR模型、BP神經(jīng)網(wǎng)絡(luò)步驟與公開的算法一致。