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。     

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.      

基于在轨温度测量数据的整星结构尺寸稳定性分析

针对高精度测绘卫星结构尺寸稳定性这一关键性问题,基于在轨温度测量数据,利用热分析模型和在轨温度变化规律,提出了卫星结构在轨温度场的反演方法.基于卫星结构在轨温度场反演数据,提出了针对载荷安装面法向夹角的拟合计算方法和夹角稳定性短期、长期指标的预示方法.根据该方法,给出了高分七号卫星在轨初期1个月内的结构稳定短期指标和长...     

GEO长寿命卫星热管在轨等温性能分析

热管是GEO长寿命卫星热控设计大量使用的重要传热元件，其在轨等温传热性能是影响卫星安全可靠工作的关键因素。针对中国在轨长期稳定运行的GEO长寿命卫星热管，基于热管在轨温度遥测数据，采用数理统计方法分析热管在轨等温性能随时间的实际变化规律，分析表明：GEO长寿命卫星热管在轨等温性能稳定性良好，等温性受热管自身温度水平影响较大，年周期内呈现季节性变化，全寿命周期内随飞行时间推移呈现性能衰减下降趋势，寿命末期等温性优于1.6℃，并从热管设计、热负荷大小与分布、使用环境等方面进行等温性改进分析及应用建议。     

利用BP神经网络对卫星无热敏设备温度的估测

卫星上测温资源有限,只有部分设备有测温点,难以准确获得其他无测温点设备的温度.基于反向传播(BP)神经网络对复杂非线性系统优秀的拟合能力,建立了估测卫星上无测温点设备温度的神经网络,以在轨有测温点设备温度为输入层,以在轨无测温点设备为输出层,并使用卫星热试验获得的星上温度遥测数据和在轨无测温点设备的热电偶温度数据进行训...     

基于BP神经网络的纳卫星轨道温度预测

为了实现纳卫星在轨温度的预测,在对纳卫星热系统动态特性模型分析的基础上,建立BP神经网络预测模型实现纳卫星在轨温度的预测.通过分析纳卫星热系统动态特性模型,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本.BP神经网络预测模型分别以纳卫星外壳、辐射器、舱内仪器的热流及温度值为神经网络输入、输出,预测纳卫星10s后的轨道温度.经验证,神经网络预测模型预测结果与纳卫星实际轨道温度吻合较好,表明神经网络预测模型是快捷有效的.      

红外地球敏感器辐射强度在轨数据分析

为了给在轨卫星红外地球敏感器性能评估提供更多参考依据,通过对某颗长期在轨正常运行卫星所配置的红外地球敏感器辐射强度数据进行统计分析,给出辐射强度短期、中期和长期的变化规律,并分析造成这种变化的内在机理.分析结果表明,辐射强度短期与星下点纬度相关且呈周期变化;中期与季节相关且呈周期变化;长期主要与红外地球敏感器自身特性相关呈逐渐衰减趋势.该结果可以作为在轨红外辐射强度判读的依据.     

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...     

基于剩余推进剂估算的卫星寿命预测方法

针对地球静止轨道卫星在轨寿命问题,提出了通过星上液体剩余推进剂计算分析卫星在轨寿命的方法,研究了工程中影响卫星在轨寿命的因素,给出了适用于工程的卫星寿命预测方法,并通过工程进行了验证.      

Upgrade of the GOCE Level 1b gradiometer processor

This paper describes the upgrade of the GOCE Level 1b gradiometer processing as part of ESA’s Payload Data Segment (PDS). Four processing steps have been identified which can be improved: 1. The optimal determination of the angular rates of the satellite, based on a combination of star sensor and gradiometer data. This is the so-called angular rate reconstruction. 2. The optimal determination of the spacecraft’s attitude, again based on a combination of star sensor and gradiometer data. 3. The combination of data of all simultaneously available star sensors. And, 4. the calibration of the measured accelerations is improved by taking the time dependence of selected calibration parameters into account.     

奇异谱分析在故障时间序列分析中的应用

由于日益增长的飞行安全和飞机维护质量需求,飞机使用可靠性已经成为一个重要的研究领域。从某航空公司波音737飞机使用过程中现场所记录的18年的故障数据出发,应用奇异谱分析（SSA）方法,对故障时间序列进行了建模和预测,进一步以预测结果的均方根误差（RMSE）最小为优化目标对SSA模型参数进行了优选。在此基础上,提出了一种更为广泛的模型组合方法和实现算法,这种方法采用不同的时间序列模型来构造SSA分解出的趋势、周期和残差等成分。通过与三次指数平滑（Holt-Winters）、自回归移动平均（ARIMA）2种时间序列模型的实验结果对比,SSA及其参数优选和模型组合方法在故障时间序列分析中具有更好的拟合和预测精度。      

冰雪天气下基于MFOA-KELM残差修正的跑道温度混合预测

道面温度短时精准预测是跑道积冰预警的关键因素之一, 为了解决单一机理预测模型随预测时间延长而造成误差累积的问题, 提出了一种冰雪天气下跑道温度混合预测方法。将跑道温度机理预测模型与核极限学习机(KELM)相结合, 建立一种数据驱动修正残差的跑道温度机理预测模型。针对果蝇优化算法(FOA)收敛速度慢、易陷入局部最小值的问题, 引入权值更新函数和距离扩充因子, 调整果蝇的全局寻优效果, 避免陷入局部极小值。利用改进的果蝇优化算法(MFOA)对KELM的正则化参数与核参数联合优化, 以冰雪天气下跑道温度实际数据为例, 建立基于改进果蝇优化核极限学习机(MFOA-KELM)的跑道温度混合预测模型, 并在不同时间尺度下对该混合预测模型进行仿真测试。实验结果表明:与单一机理预测模型相比, 当预测时长为120 min时, MFOA-KELM混合预测模型的平均绝对误差至少减小了61.43%, 在残差阈值为±0.5℃时, 平均预测准确率为91.25%。可见, MFOA-KELM混合预测模型具有更高的预测准确性, 研究结论显示该混合预测方法能够为机场跑道温度短时精准预测提供新思路。