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。     

量子科学实验卫星的多维数据立方体方法研究

科学实验卫星以科学目标为任务战略导向，需要任务团队结合实际业务运行情况制定阶段实验计划.这些实验计划以任务运行数据为依据，由科学卫星任务各分系统数据分析获得的策略集合综合得到.量子科学实验卫星在轨运行期间会产生大量运行数据，如何有效利用这些数据给不同决策层提供辅助是当前面临的一大难题.目前主流方式主要借助值班日志统计和常规的数据库系统数据统计，需耗费较多时间和人力成本，对分析人员专业技能要求较高，无法满足多角度和多粒度任务研判的要求，并且该方法可扩展性差，当问题的观察角度变化时，往往需要重新组织数据统计分析.针对上述问题，本文提出一种基于数据立方体的多维数据建模和分析方法，对于不同主题，能够对数据进行多层次、多角度、多粒度统计分析，为决策提供良好支持.      

量子科学实验卫星密钥分发实验任务规划

针对量子科学实验卫星密钥分发实验任务规划约束条件多以及时效性要求高的特点，基于对密钥分发实验过程及约束分析，建立了约束满足规划模型.以完成时限最短为优化目标，综合考虑任务规划所需光学及数传站资源分配，利用深度优先搜索算法对模型进行求解，解决了实验过程中多要素紧耦合、强时间约束的难题.仿真分析结果表明，所提出的模型及算法有效，能够满足量子科学实验卫星密钥分发实验星地交互的需求.      

基于遥测数据动态特征的卫星异常检测方法

基于遥测参数分析异常是保证卫星正常在轨运行的基础,通常采用阈值法判断遥测参数是否超差来判断卫星工作状态,由于其无法检测在阈值范围内变化的卫星遥测数据异常,因而会导致故障漏报.本文利用遥测参数动态变化特性,提出一种基于遥测数据变化规律检测异常的方法.利用周期图谱法求解遥测参数周期,根据遥测数据各周期之间参数值的相似性,按照遥测参数周期对数据进行采样,得到平稳差分序列,对其建立自回归移动平均混合模型,通过精确的预测结果与实测遥测数据比较来发现异常.利用该方法对实际在轨运行的某卫星2012年5月太阳能帆板转动异常故障进行验证,结果表明其能够有效避免故障漏报.      

基于集成学习的空间科学卫星工作模式识别

针对空间科学卫星遥测参数数据量大且特征维度高、需要消耗大量人力资源预先设置海量阈值、预先设置的阈值可能不再适用、现有监测手段可扩展性低等问题，提出了一种基于集成学习的空间科学卫星工作模式识别方法。该方法采用相关系数统计特性和互信息理论对遥测参数数据进行筛选降维，使用数据重采样技术解决数据集中存在的类别不平衡问题，构建集成学习模型，实现空间科学卫星工作模式的识别。借助某型号科学卫星真实遥测参数数据对该方法进行验证，在短时内便可构建完成算法模型，模型对整体类别的识别正确率高达99.67%，可正确识别多数类样本和少数类样本，为地面运控人员判断空间科学卫星工作模式提供了决策依据。     

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.      

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.     

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。      

基于集成学习的遥测数据互相关结构知识发现

针对传统遥测数据相关性分析方法仅能发现相关程度知识，无法提供相关结构丰富信息的问题，提出一种神经网络与极限梯度提升（XGBoost）集成的遥测数据互相关结构知识发现方法。在对遥测时间序列进行线性、单调性、序对一致性、散点图形状4个维度相关结构信息标注的基础上，将混合采样、代价矩阵、神经网络、XGBoost算法相结合，直接对遥测数据进行分类得到其相关结构类别或相关关系有无的知识。采用量子卫星任务数据进行实验的结果表明:较之于原始XGBoost模型、融合混合采样与代价矩阵的XGBoost模型，所提方法在受试者工作特征（ROC）曲线、F1-score等性能指标方面具有更高的分类精度，且对类别不平衡数据不敏感，是一种适用于遥测数据互相关结构知识发现的有效方法。      

最小数据丢失量的地月中继卫星任务调度研究

月球背面的探测器必须依靠地月中继卫星进行数据传输与通信。地月中继任务包括实时性任务和延迟容忍类任务，如数传任务。当探测器等待传输的数据量超出用户存储容量时，延迟容忍类任务会由于探测器本地存储资源不足和地月中继卫星天线资源受限而无法完成，导致任务数据丢失，所以需要设计一种合理的地月中继任务调度策略，提高地月中继卫星的资源利用率，减少数据的丢失。对地月中继卫星任务调度进行了研究，在分析地月中继卫星数传任务的特点及用户的存储限制的基础上，以最小化数据丢失量为优化目标，建立了地月中继卫星任务调度模型，并设计了一种基于离散烟花算法（DFWA）的地月中继卫星任务调度算法。仿真数据分析表明，基于离散烟花算法的地月中继卫星任务调度算法在求解结果上优于遗传算法，是一种合理、有效的调度方法。     

Progress of the Quantum Experiment Science Satellite (QUESS) Micius Project

The Micius satellite was successfully launched on 16 August 2016, from Jiuquan, China, orbiting at an altitude of about 500 km. The main scientific goals, including satellite-to-ground quantum key distribution, satellite-based quantum entanglement distribution, ground-to-satellite quantum teleportation, and satellite relayed intercontinental quantum network, were achieved in 2017. As a starting point, the Micius satellite has become a platform for quantum science experiments at the space scale. Here, we introduce the latest experimental achievements (in 2018-2020) based on the Micius satellite.      

风云二号气象卫星指令与数据获取站

风云二号气象卫星指令与数据获取站是中国第一套集遥感图像接收与实时处理,多种云图广播与数据通信,以及对卫星跟踪、三点测距、确定卫星姿态、遥测、遥控等多种功能于一体,多载波体制工作的具有国际先进水平的大型综合站。文章对其任务、系统组成与功能进行介绍,给出了系统框图和主要参数。对研制全过程的重要技术问题,特别是对原始云图实时处理为展宽云图,三点测距等关键技术难点进行了较详细的分析。     

Monitoring atomic clocks on board GNSS satellites

A method for monitoring atomic clocks on board Global Navigation Satellites System (GNSS) satellites is described to address the issue of clock related signal integrity in safety–critical applications of GNSS. The carrier-phase time transfer is employed in the clock monitoring method which enables tight tracking of the satellite onboard clocks and thus improves detectability of clock anomalies. Detecting onboard clock anomalies requires the ability to monitor clocks in real time, and a Kalman filter can then be utilized to estimate the phase offsets between the satellite clocks and ground clocks. This study, using the difference between the measured and predicted phase offset as a test statistic, sets a threshold for clock anomalies based on the prediction interval approach. Finally the validity of the monitoring method is examined by processing a set of real GNSS data that includes two recent incidents of clock anomalies in GNSS satellites.