距离相关系数融合GPR模型的卫星异常检测方法

卫星在轨运行期间，遥测数据表现形式通常为多维时间序列。高斯过程回归(GPR)模型可以为重要的遥测参数提供动态门限，及时发现隐藏在工程阈值内的故障征兆，但是高维卫星数据使得GPR模型具有局限性。因此，为获取与多个遥测参数相关的动态门限，在GPR模型的基础上，融合距离相关系数对预测变量进行选择，减少信息冗余和计算量，提高模型的可解释性，并估计模型的泛化误差以设置更合理的预测区间，提高模型的泛化能力，检测数据流的持续异常。对实际在轨卫星数据进行仿真实验，验证了距离相关系数融合GPR模型的卫星异常检测方法可以在卫星故障早期检测到数据异常，而且提高了模型的预测性能，降低了虚警率。      

基于梯度提升决策树的量子科学实验卫星光学实验预测

量子科学实验卫星在轨运行期间完成4种光学实验，地面监测人员通过遥测参数阈值判断卫星是否进行光学实验、实验类型及实验结果.这种方法需要预先设定大量阈值，并且这些阈值需要根据在轨卫星重新设定，可扩展性较差.针对以上问题，提出一种基于机器学习的光学实验判别方法，将量子科学实验卫星的光学实验监测任务抽象为机器学习中的多元分类问题，构建分类模型，利用量子科学实验卫星的真实历史遥测数据对模型进行训练，并通过真实实验计划对训练得到的模型进行验证.实验结果表明，本文提出的方法在没有专家先验知识的前提下，判别准确率达到99%，可用于量子科学实验卫星光学实验的实时监测任务.提出的基于机器学习的判别方法具有较强的可扩展性，可应用于卫星在轨运行的其他监测任务.      

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LightGBM的HXMT在轨运行模式监测算法

HXMT卫星的空间硬X射线巡天和定点观测计划切换频繁，需要对卫星有效载荷在轨状态进行实时监测和判别.目前采用的是地面监测人员根据总结的规则进行人工监测的方式，虽然执行方便，可解释性强，但人力消耗较大，且对规则之外的情况无法灵活处理.本文利用HXMT卫星的实时遥测数据，提出一种基于LightGBM机器学习模型的在轨运行模式监测算法，将监测工作规约为多分类问题，并构建判别模型，对卫星在轨运行模式进行判断.在保障判别准确率的前提下，算法模型构建迅速，具有很高的实用性.基于真实遥测数据的试验表明，模型的判别准确率达到99.9%，满足在轨运行模式监测要求，可为HXMT卫星的运行监控任务提供参考依据.      

基于LightGBM的卫星飞轮温度预测

为保障卫星的正常在轨运行，地面系统需要对卫星运行状态进行监控预警，其中对卫星各系统的温度监控尤为重要.温度不仅直接反映卫星系统的健康状态，更会对系统器件的性能和寿命造成影响.飞轮作为卫星姿态控制系统的重要组件，其温度变化是识别姿态控制系统状态的重要信息.卫星飞轮温度的预测与预警对卫星在轨稳定运行具有重要意义.本文基于某在轨卫星遥测数据，结合空间环境数据，应用LightGBM机器学习框架研究建立梯度提升决策树模型，对卫星飞轮温度进行预测.经与实际遥测温度值进行对比验证，预测精度可以满足对卫星飞轮温度的监视需求.研究结果可应用于地面系统，对卫星姿态控制系统可能发生的温度异常进行预警，使地面运控人员能够提前规避风险，保障卫星的安全在轨运行.      

遥测伪周期时间序列子序列异常检测算法

针对现有异常检测算法用于伪周期时间序列异常序列检测时易造成误差累积,导致序列周期与特征值上显著差异的不足,文章以卫星遥测伪周期时序数据为对象,综合两种常规分段方法的优势,提出了最大周期窗宽内基于极值的模式子序列分段算法。在此基础上,给出了一种基于均序列动态生成模型的子序列异常检测方法（AnomalySubsequenceDetectionmethodbasedonOptimizedSequenceModel,ASD_OSM）,并采用2次四分位距准则（DoubleQuantilerangescriterion,2Q准则）设置距离检测门限阈值,将超出阈值的序列判定为异常序列。某航天器传感器遥测子序列异常检测试验结果表明,提出的检测方法能够有效减少漏判,提高卫星遥测伪周期数据异常序列检测的准确性。     

基于符号化表示相似度度量的卫星多元工程参数异常检测

随着卫星系统复杂程度的日益增加,综合分析卫星多元参数之间的相关性异常对于卫星安全运行和空间任务的正确执行具有重要意义。利用某卫星工程参数数据,基于符号聚合近似算法（SAX）,研究卫星多元工程参数的异常检测问题,解决了当前异常检测方法中多元参数融合时不考虑上下文信息造成信息丢失的问题,实现多元参数有效融合,形成一种优化的基于快速动态时间规整算法（Fast-DTW）的异常检测算法。研究结果表明,模型在某卫星电源子系统的异常检测过程中,recall,precision和F1 score分别为0.947,0.9和0.923,能够实际应用于卫星异常检测,提高卫星在轨运行的安全性。     

ARIMA-SVR组合模型在卫星遥测参数预测中的应用

为辅助卫星在轨运行提供决策分析支持，结合卫星遥测参数的时间序列特性，利用一种ARIMA-SVR组合预测方法，通过对卫星遥测参数进行预测，判定实际遥测数据是否处于正常范围。该组合模型利用ARIMA模型对预处理后的数据进行线性拟合，并利用SVR模型对数据的非线性部分进行补偿。以KX09卫星星敏A的温度遥测数据为基础，分别利用组合模型对短期及中期星敏A温度进行预测，得出短期和中期均方根误差（RMSE）分别为0.768和0.968，相比单一ARIMA模型，短中期RMSE分别提高46.2%和16.4%。此外，对该卫星陀螺B的x轴角速度进行了短中期预测:短期预测中，组合模型比单一ARIMA模型的RMSE提高71.2%；中期预测中，组合模型比单一ARIMA模型的RMSE提高64.2%。实验结果表明，ARIMA-SVR组合模型为保证卫星在轨正常运行提供了有效的决策分析支持。      

基于深度迁移学习的航天器故障诊断

随着航天科技的发展，智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记，因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法，为在轨航天器实时故障诊断提供了可行方法.首先，对航天器运行数据进行预处理，将多维时域信号转换为二维图像信号；其次，搭建基于残差网络的故障诊断深度学习框架，并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练；进而，为了实现当前在轨航天器实时故障诊断，本文采用迁移学习自适应方法，设计网络联合分布自适应代价函数，对故障诊断模型进行参数重调，使模型适应当前在轨航天器故障诊断任务.仿真结果表明，所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.     

利用TLE数据分析LEO卫星轨道异常的新方法——————综合判据法

及时准确地发现在轨卫星的轨道异常意义重大. 通过有效的异常算法, 能够找出发生轨道异常的碎片或航天器, 为空间碎片碰撞预警系统分析和验证碰撞事件提供数据支持. 通过对利用TLE (Two Line Elements)数据分析LEO在轨卫星轨道异常的方法研究, 提出了一个利用单个卫星相邻根数时间差控制加综合判据的判别方法. 分析表明, 相对于取单一因素阈值的判别方法, 综合判据法能够最大限度地减少漏判, 并且保持相对较高的判断准确率.      

System-level prognostics approach for failure prediction of reaction wheel motor in satellites

The reaction wheels actuated by motors are widely used for advanced attitude control of satellites. During the satellite operation, the performance of reaction wheel motor degrades and results in unexpected failures. To guarantee the reliability and safety of satellites, it is important to predict its remaining useful life while it is in operation. To address this issue, this study presents a system-level prognostics approach for the reaction wheel motor, by regarding it as a system composed of multiple components. The approach is demonstrated by using the motor operation data obtained during the accelerated-life tests on ground for 3 years. Health degradation of each components of the motor are estimated using the adaptive extended Kalman filter. Failure threshold of the motor performance is established by the design requirement on characteristic curve. The anomaly detection and failure prediction are performed using the shifting kernel particle filter.     

姿态异常下的星体自旋角速度确定方法

摘要： 针对在轨姿态异常后星体高速自旋情况,开展星体自旋角速度确定方法研究.提出一种基于太阳敏感器测量数据确定自旋角速度的方法,并对自旋角速率确定误差进行分析,得到各误差源对确定精度的影响关系;基于角速率确定误差分析结论,给出根据角速度大小选取不同时间间隔测量数据的策略,通过大时间间隔测量数据的选取,保证小角速度情况下的确定精度.所提出方法的有效性通过数学仿真验证,并在实际应用中基于太阳敏感器遥测数据获取在轨姿态异常卫星角速度.     

基于Kalman滤波器的卫星钟实时异常监测算法

基于卫星钟钟差的Kalman滤波器模型,提出了一种卫星钟实时异常监测算法,对算法原理进行了讨论,并利用IGS精密钟差数据,对算法进行了性能验证。结果表明：该算法对卫星钟的异常情况（包括单点相位跳变与连续相位跳变）可以进行有效监测,同时还可以完成异常数据的剔除与替换,并且具有较小的替换误差。该算法具有显著的实时性,可以应用于星载原子钟的实时异常监测中。     

辅助型GPS接收机中伪码相位延时及其不确定度估计算法研究

快速捕获卫星信号是研制辅助型GPS (A-GPS)接收机所必须解决的一项关键技术. 针对A-GPS接收机能从辅助数据中获取有效星历的特点, 本文提出了一种伪码相位延时及其不确定度估计算法. 该算法在对建立的信号发射时刻方程泰勒展开的基础上, 利用辅助信息建立了伪码相位延时及其不确定度估计方程. 分析和仿真表明, 提出的算法能有效压缩剩余卫星伪码相位延时不确定度, 加快A-GPS接收机的捕获速度.      

SVOM卫星星载VHF系统设计

星载VHF系统是中法天文卫星SVOM（Space Variable Objects Monitor）的重要组成部分,为科学目标位置信息及重要数据提供VHF频段的准实时信息下传通道.本文介绍了SVOM卫星星载VHF系统的设计方案,对单机设计、软件设计和调制算法设计等进行了详细描述.SVOM卫星VHF系统是中国首个采用4CPFSK调制方式设计的VHF频段星载数据传输系统.测试和试验表明,星载VHF系统的工程实现满足卫星应用需求,为空间科学卫星重要数据实时传输提供了解决方案.      

MEO导航卫星在轨放气产生的干扰力矩研究

摘要： 针对多颗MEO导航卫星太阳翼展开后产生比较明显的干扰力矩，对卫星稳定控制产生了一定影响的现象，本文根据动力学模型、姿态、角速度和飞轮转速变化，给出了干扰力矩计算方法，并结合多颗卫星在轨遥测数据进行计算，得出放气期间产生的干扰力矩.通过使用此干扰力矩进行仿真得出，卫星模拟器结果和在轨表现基本一致.此研究有助于优化卫星飞控流程，并指导卫星放气孔设计.     

数据收集系统的电文碰撞和计算机模拟

数据收集系统是利用人造卫星中继地球环境资料的一种无线电遥测系统。近地卫星(如美国的陆地卫星、泰罗斯-N气象卫星)所属的数据收集系统一般都采取随机取数的方法。在这类系统设计中,电文碰撞规律是涉及到系统容量的重要问题。本文在古典概率的基础上,经适当修改,得到符合计算机模拟结果的理论公式。并提供针对不同系统方案的电文碰撞概率的计算方法。      

用于识别两颗故障卫星的RAIM算法

提出了一种可以识别两颗故障卫星的接收机自主完好性监测算法.将最优奇偶矢量法应用于两颗故障卫星识别,指出由于故障偏差可能会抵消而使得正确识别率较低.对最优奇偶矢量法进行了改进,利用对单颗卫星故障敏感的最优奇偶矢量对所有可能的两颗故障卫星组合分别构造两个新的奇偶矢量,用于两颗故障卫星的检测和识别.计算机仿真结果显示,改进后的算法与直接利用最优奇偶矢量法相比,可以显著提高两颗故障卫星正确识别率,识别率可超过90%.同时,改进算法的奇偶矢量构造方法简单,计算量将减少90%以上,更有利于工程实现.