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.      

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。      

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.     

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.      

基于迁移学习的航天器遥测数据异常检测技术

航天器遥测数据异常检测是识别航天器状态、保障航天器安全可靠运行的关键技术.然而,航天器遥测数据异常检测通常面临时序数据维度大、异常不平衡、标签样本缺乏等问题.基于数据预测的异常检测思想,提出一种基于迁移学习的深度异常检测模型.根据遥测数据时序相关性强的特点,采用具有注意力机制的长短期记忆网络建立遥测数据预测模型.为了克服航天器遥测数据异常标签少、数据维度高的问题,采用微调的迁移学习方法对预测模型进行优化,同时采用全连接层统一不同数据集维度,从而提高了迁移学习模型精度,提升异常检测水平.以美国宇航局公开的两个航天器数据集为实验对象,利用提出的异常检测方法对该数据集异常状态进行识别,结果表明,与经典异常检测算法相比,引入迁移学习能明显提升模型性能,实验结果优于目前常见的异常检测模型,证明了方法的有效性.     

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。     

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。     

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.     

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。     

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。     

零偏模式下太阳光压对轨迹保持控制影响分析

从某颗在轨卫星地面轨迹漂移“异常”出发,分析了该现象发生的内在机理,建立了零偏模式下（卫星姿态偏航角保持为零）光压摄动力沿迹方向累积效应解析模型,并基于历史观测数据通过轨道改进估计模型参数。最后,利用该卫星2018年真实地面轨迹对新模型预报精度进行验证。结果表明,采用新模型后,卫星地面轨迹漂移预报误差得到明显改善,为该卫星轨迹保持控制策略制定提供了技术支持。     

导航卫星原子钟舱温度控制方法及其验证

原子钟是导航卫星的重要组成部分,可为卫星系统提供高准确及高稳定度的时间频率源.原子钟工作性能与环境温度变化密切相关,为保证其在轨连续、稳定运行,热控系统需为其提供良好的工作温度环境.本文以某导航卫星原子钟舱温度控制为研究内容,给出原子钟舱热控设计方案、控制算法,并进行仿真分析和试验验证.在轨遥测数据表明,卫星原子钟舱热控方案和控制算法设计合理,仿真分析及试验结果有效,各原子钟在轨工作温度满足要求,原子钟温度稳定度满足并优于设计指标近一个数量级.     

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.     

基于STK的卫星实时视景仿真系统设计

卫星在轨运行的可视化仿真,能够直观、逼真反映卫星的实时轨道和姿态运动。卫星工具软件包（STK）是进行卫星系统仿真和分析的重要工具,能够满足卫星二维和三维的可视化仿真要求。在深入研究STK/Connect模块的基础上,应用Windows Sockets和多线程编程技术,开发了STK实时视景仿真驱动程序,该程序利用UDP协议接收模拟遥测计算机给出的卫星参数,通过与STK/Connect模块的通信,实时驱动STK的仿真运行,成功实现了卫星在轨运行实时视景仿真的演示效果。     

基于改进萤火虫算法的小卫星质量特性调整 #br#

摘要： 为了消除小卫星在轨运行过程中因燃料消耗等原因造成质量特性变化的影响,提出一种基于改进萤火虫算法的卫星在轨质心调整方法.该方法运用萤火虫算法对PID控制器的参数整定进行优化,针对收敛速度慢和容易陷入局部极小值的问题,引入自适应步长因子对算法进行改进.算法通过编程注入星载计算机,进而控制电机调整机构完成卫星在轨质心调整.依托于地面气浮平台进行半物理仿真实验,实验结果表明改进算法在第48次迭代完成PID参数整定,相较于其他算法具有更快的收敛速度和动态响应特性.基于改进算法的调整系统可在59 s将单轴质心偏移量减小到精度要求,验证了系统在小卫星质量特性调整上的实时性和稳定性.     

海洋一号B卫星在轨成功运行四周年

从2007年4月11日成功发射至今,海洋一号B卫星已在轨稳定运行4周年,超寿命运行1年。在东方红卫星公司研制人员的精心“呵护”下,该卫星在水温环境要素探测、海洋生物资源开发利用、海洋污染监测和防治及全球环境变化研究等领域发挥了巨大作用。目前,卫星各分系统运行稳定,各项工程遥测参数正常,卫星还将继续服务于我国的海洋遥感事业。     

基于预报偏差的LEO航天器轨道异常检测

针对由轨道控制、大气环境、碰撞等因素造成的低轨(LEO)航天器轨道突变问题,提出了一种基于预报偏差的轨道异常检测方法。选择LEO轨道的半长轴和倾角作为特征轨道参数,利用SGP4模型长期项对目标的两行轨道要素(TLE)进行预报得到特征轨道参数的预报值,通过对特征轨道参数的编目数据和预报数据进行平滑后求差得到预报偏差序列,基于马氏距离对预报偏差数据的两个分量进行联合异常检测。对Terra卫星2010年的机动事件分析结果同NASA发布的其机动历史相吻合,表明该方法可以有效地检测航天器轨道异常的次数、时间和类型,可应用于空间目标的监视与空间态势的感知。     

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。