一种基于历史遥测数据的关键分系统及单机关联性健康基线构建方法与流程

1.本申请涉及一种卫星健康监控技术，尤其涉及一种基于历史遥测数据的关键分系统及单机关联性健康基线构建方法。


背景技术：

2.卫星是功能、组成十分复杂的系统，其包含的关键分系统及单机数量庞杂、运行状态数据众多。通过分析卫星的运行状态数据，监控它们是否处于异常运行状态，有利于及时发现并处理卫星的运行故障，对于确保卫星的运行可靠性具有极为重要的意义。
3.开展卫星的异常监测，首先需要准确、有效、定量地表征卫星的健康状态。传统的健康状态表征方法主要分为3种，其方法特点如下所示：a.单参数健康表征：对某些卫星状态敏感参数一一设置对应的单参数阈值，通过超限与否来判断卫星当前的健康状态。这种单参数阈值法只能完成卫星健康状态的二值化表征(健康/异常)，且极容易受到卫星运行工况和随机环境波动的干扰，导致较大概率的虚警和漏报；b.定性健康状态表征：收集卫星多组遥测数据，利用幅值趋势变化指标(异常升高、异常下降等)对其一一进行定性健康表征，再结合一定逻辑组合，综合推理得到卫星定性的健康状态。这种方法只能对卫星健康状态进行定性表征，难以发现卫星的早期异常；c.物理模型健康状态表征：通过详细的卫星控制逻辑、物理结构等资料，完成卫星关键分系统的冗余建模，即观测器模型。通过观测器模型输出的理论遥参数据和实际遥参数据间的差异，定量地判断卫星健康状态。由于卫星结构庞杂、运行环境多变，所有观测器模型都需要完备的对象信息，导致模型体量较大，占用运算资源较高，难以匹配星载部署、实时运算的需求，同时也存在推广难度大、表征准确度低和专家知识依赖过高等问题。
4.为了有效开展卫星异常检测，有必要提出一套有效的卫星健康状态表征方法。


技术实现要素：

5.针对当前卫星健康状态表征方法存在的专家知识依赖度高、早期异常不敏感、异常检测鲁棒性差、模型体量过于复杂等问题，本申请旨在提出一种基于历史遥测数据的关键分系统及单机关联性健康基线构建方法。
6.本申请提出一种基于历史遥测数据的关键分系统及单机关联性健康基线构建方法，其包括以下步骤：
7.选取一组呈线性关联或呈非线性关联的二元遥参序列组合；
8.第一步，对所选取的二元遥参序列组合进行时间标定，实现二元遥参序列组合的数据点一一匹配；
9.第二步，对经时间标定的二元遥参序列进行目标工况识别与切割，得到目标工况时段下的二元遥参序列，目标工况时段下二元遥参序列间所存在的稳定数学关系即为该目标工况时段下二元遥参序列的二元关联性健康基线；
10.第三步，如二元关联性健康基线呈线性关系，利用正常状态目标工况二元遥参序列数据拟合该线性关系的解析方程，得到二元线性关联性健康基线模型的参数，即得到二元线性关联性健康基线；如二元关联性健康基线呈非线性关系，采用基于离散积分的方法，作非线性关系到线性关系的转换，并拟合得到二元非线性关联性健康基线模型的参数，即得到二元非线性关联性健康基线；该二元线性关联性健康基线和二元非线性关联性健康基线一起构成关联性健康基线库。
11.优选地，还包括第四步，对所述关联性健康基线进行拟合优度检验。
12.优选地，还包括第五步，通过统计学中的参数区间估计法，得到所述关联性健康基线的区间系数，由此得到对应的关联性健康基线族。
13.优选地，在第一步中，进行时间标定的步骤如下：
14.基准遥参确定，在进行时间标定预处理中，选取二元遥参序列中一个遥参序列为基准遥参序列，则二元遥参序列中的另一个为待标定遥参序列；
15.基准对比搜索，取基准遥参序列的各点的时间标签组成基准时间轴，以基准时间轴上的每个时间点，对待标定遥参序列进行关联时间范围内的搜索，如其在关联时间范围内存在遥参数据点，则该时间点为有效时间点，待标定遥参序列在该有效时间点对应的数据即为有效数据点；
16.遥参序列对齐，在所有有效时间点上对基准遥参序列和待标定遥参序列进行基准对比搜索，每个有效时间点上的基准遥参序列的遥参数据点构成时间标定后的基准遥参序列，每个有效时间点上的待标定遥参序列的遥参数据点构成时间标定后的待标定遥参序列，即实现二元遥参序列组合的数据点一一匹配。
17.优选地，在第二步中，进行目标工况识别与切割时，包括以下步骤：
18.进行工况敏感遥参序列时间标定；
19.目标工况转换阈值的生成；
20.基于证据逻辑组合的目标工况时段判别生成；
21.目标工况时段二元遥参序列数据提取。
22.优选地，所述工况敏感遥参序列由决定一个完整周期内二元遥参序列之间的各种相关关系的多个遥参序列确定；该多个遥参序列即为工况敏感遥参序列；
23.利用所述基准时间轴，对所述工况敏感遥参序列进行时间标定。
24.优选地，对于所述工况敏感遥参序列中的每个序列，利用多个正态分布对其多种工况进行拟合；对于每种工况，采用统计原则生成工况分段阈值区间，得到该种工况的稳定工况分布的上下边界值；相邻分布的上下边界进行两两组合，得到转换工况的阈值区间；所有转换工况的阈值区间构成目标工况转换阈值集合。
25.优选地，通过逻辑联结符号与逻辑比较符号，对所述的目标工况转换阈值集合进行逻辑组合，形成多证据逻辑组合判据；
26.利用所述基准时间轴、经时间标定的工况敏感遥参序列、所述目标工况转换阈值集合得到全部目标工况时段集合。
27.优选地，以所述全部目标工况时段集合为索引，对经时间标定的二元遥参序列切割出各工况时段下的目标工况时段的二元遥参序列。
28.优选地，在第三步中，采用基于离散积分的方法时，
29.利用所述目标工况时段集合提取时间标签，对每个目标工况时段，对其时段范围内相邻遥参数据的时刻值进行逐点差分处理，得到目标工况时间间隔集合；对每个目标工况时段，利用该目标工况时间间隔集合与目标工况时段的二元遥参序列中的自变量遥参序列进行逐点相乘，得到该目标工况时段内的每个单位时间间隔增长值，对单位时间间隔增长值进行累加处理，得到该目标工况时段的单位时间间隔累加值；所有目标工况时段的单位时间间隔累加值构成自变量遥参离散积分序列，由此将二元遥参序列组合间的非线性关系拟合简化为线性关系拟合。
30.本发明的优点与积极效果在于：
31.本发明提出的基于历史遥测数据的关键分系统及单机关联性健康基线构建方法，通过二元关联性健康基线族，在多运行工况、噪声干扰的实际卫星数据条件下，克服了传统方法健康表征方法单一、异常检测鲁棒性差、模型体量过分复杂的缺点，实现了对卫星关键分系统及单机健康状态轻量化的稳定、准确表征。本发明提出的健康基线构建方法，遥参信息利用率高、计算资源需求低、专家知识依赖少，在有效支持地面端卫星数据分析的同时，可以有效满足卫星星载端实时部署的相关需求。
附图说明
32.图1为本申请的关联性健康基线构建流程图；
33.图2为实施例1的未经时间标定的4个原始遥参局部序列；
34.图3为图2的经时间标定后的遥参序列；
35.图4为工况敏感遥参序列的分布直方图；
36.图5为经识别、筛选后的工况敏感遥参序列；
37.图6为经切割后的目标工况时段二元遥参序列数据；
38.图7为实施例1的二元线性关联性健康基线族曲线与及其局部细节图；
39.图8为实施例2的未经时间标定的原始遥参局部序列；
40.图9为经时间标定处理后的遥参序列；
41.图10为目标工况时段的识别效果示意图；
42.图11为目标工况时段二元遥参序列数据切割效果示意图；
43.图12为构建的关联性健康基线族曲线示意图。
具体实施方式
44.上述发明内容步骤如下：
45.步骤一、时间标定预处理
46.从海量卫星遥参中选取存在潜在关联性的二元遥参序列：
[0047][0048][0049]
其中，x为自变量遥参序列，总点数为n1；y为因变量遥参序列，总点数为n2。对二元遥参序列进行关联性健康基线构建的前提是保证两序列内数据点彼此严格对应匹配。然而实际上，由于卫星不同遥参间采样频率、采样时刻不一致，上述数据前提要求难以满足。对
此，开展二元遥参序列组合的时间标定预处理，以得到数据点严格匹配的二元遥参组合，为后续的关联性健康基线构建提供数据基础。
[0050]
步骤101：基准遥参确定
[0051]
对上述二元遥测序列x、y各自进行差分处理，得到其差分值序列d
x
、d
y
。分别对两个遥参的差分值序列取众数，得到遥测序列差分值众数的集合：
[0052]
m＝{m(d
x
),m(d
y
)}
[0053]
其中m(
·
)表示对数值序列取众数的数学操作。
[0054]
选取差分值众数最大的遥参序列(假定为x)作为遥参基准序列。此后，以遥参序列x的时间轴为基准对遥测序列y进行时间标定。
[0055]
步骤102：基准对比搜索
[0056]
取基准遥参序列x各点时间标签组成基准时间轴
[0057]
取时间轴中第一个时间点t1，搜索待标定遥参序列y在t1的关联范围内的遥测参数值。t1处的关联时间范围计算方式如下：
[0058][0059]
m(d
y
)为步骤101中计算得到的待标定遥参序列差分值的众数，关联时间范围为左开右闭区间。其余各时刻的关联时间范围计算方法均如上述所示，后续不再赘述。
[0060]
对于待标定遥参序列y而言，若其在关联时间范围内存在遥参数据点y
′1，则将该点作为序列y的首个时间标定值，记为t1被称为有效时间点，记为对于基准遥参序列x而言，t1所对应的数据点x1将作为遥参序列x的首个时间标定值，记为
[0061]
步骤103：遥参序列对齐
[0062]
对基准遥参序列x和待标定遥参序列y中的每一个时间点重复步骤102所述的基准对比搜索操作，最终将获得全部有效时间点集合m为有效时间点总数。
[0063]
时间标定后的基准遥参序列x记为时间标定后的待标定遥参序列y记为两序列内包含的数据点总数均为m。
[0064]
经过时间标定后的二元遥参序列x
′
、y
′
中的数据点一一严格匹配，由此可以开展后续的关联健康基线构建。
[0065]
步骤二、目标工况识别与切割
[0066]
卫星在周期性运行过程中，各周期内往往存在多种运行状态，即多运行工况。在不同运行工况下，卫星二元遥参序列x、y间的相关关系也会随之发生变化。对此，为建立二元遥参序列x、y间准确的关联性健康基线，首先需要通过工况敏感遥参序列进行目标工况识别，并利用识别的目标工况时间区间对处于二元遥参序列x、y的遥参数据进行切割，从而支持后续关联性健康基线的构建。对此，通过以下步骤方法实现。
[0067]
步骤201：工况敏感遥参序列时间标定
[0068]
假定一个完整周期内，二元遥参序列x、y间的相关关系呈现l种状态，即存在l种运
行工况，且这l种运行工况可由n个遥参序列决定，则上述n个遥参序列即作为工况敏感遥参序列，记为：
[0069][0070]
其中，n
2+j
为第j个工况敏感遥参序列中包含的数据总点数。
[0071]
利用步骤一所述方法对二元遥参序列和工况敏感遥参序列进行时间标定处理，得到时间标定后的工况敏感遥参序列，记为：
[0072][0073]
经过时间标定后的工况敏感遥参序列和二元遥参序列间的数据点一一严格匹配，为后续目标工况识别提供数据基础。
[0074]
步骤202：目标工况转换阈值生成
[0075]
在一个完整周期内若存在l种工况，那么工况敏感遥参序列中的数据必然存在l种数据分布类型。对于卫星遥参数据而言，其数据分布基本呈现正态分布特点。
[0076]
对此，以经过时间标定的第j个工况敏感遥参序列z
j
′
为例，利用多个正态分布函数对上述l种工况数据进行拟合，则工况敏感遥参数据可拟合出l组正态分布参数，将各组分布参数按照其均值大小升序排列后得到工况敏感遥参序列z
j
′
的参数集合，记为其中其中分别为第i种工况分布的均值、方差。
[0077]
构建关联性健康基线要求数据处于目标工况的稳定时段内，对此应识别目标工况分布内的工况敏感遥参数据，并标记其目标工况持续的时间区间。对于其余工况分布内以及各工况分布间的遥参数据应予以舍弃。
[0078]
对此，采用3σ统计原则生成工况分段阈值区间，以第i种工况分布为例，可得到稳定工况分布的上下边界值类似地对工况敏感遥参序列z
j
′
可得到l组上下边界值。将相邻分布的上下边界进行两两组合，可得到l-1组工况转换阈值区间记为：
[0079][0080]
假设所需的目标工况序号为i，则从工况i的相邻两个转换阈值区间
内得到两个工况转换点阈值其中
[0081]
类似地，对全部n个工况敏感遥参序列进行目标工况转换阈值生成，可以得到目标工况转换阈值集合，记为：
[0082][0083]
步骤203：基于证据逻辑组合的目标工况时段判别生成
[0084]
通过and/or逻辑联结符号与>/<逻辑比较符号，将步骤202中获取的目标工况转换阈值集合进行逻辑组合，形成多证据逻辑组合判据，以此完成目标工况时段遥参数据的识别。其遵循如下运算流程。
[0085]
输入:n个时间标定工况敏感遥参序列的统一时间标签序列n个时间标定工况敏感遥参序列z1′
,...,z
n
′
、目标工况转换阈值集合z
threshold
、初始目标工况状态位label＝0、初始目标工况时段元素序号i＝1。
[0086]
其中label＝0表示上一时刻工况敏感遥参序列的数据不属于目标工况段，label＝1表示上一时刻工况敏感遥参序列的数据属于目标工况段，i＝1表示当前已识别的目标工况时段数量为1。
[0087]
过程:
[0088]
[0089][0090]
输出:
[0091]
其中，t
target
是经过判别获取的全部目标工况时段集合，为第i段目标工况的时刻起点、时刻终点。
[0092]
步骤204：目标工况时段二元遥参序列数据提取
[0093]
经过时间标定处理，二元遥参序列x
′
、y
‘
与工况敏感遥参序列z1′
,...,z
n
′
间的时间标签已严格统一。因此，可利用步骤303中得到的目标工况时段集合t
target
为索引，从完整的二元遥参序列x
′
、y
‘
中切割出工况时段下的目标工况时段二元遥参序列：
[0094][0095][0096]
步骤三、二元关联性健康基线构建
[0097]
通过步骤二，得到了目标工况时段下的二元遥参序列x
′
target
、y
′
target
。
[0098]
正常状态下，目标工况时段二元遥参序列存在稳定的数学关系y
′
target
＝f(x
′
target
)，即二元关联性健康基线。当卫星对应设备出现异常时，其二元遥参序列的关联规律将发生改变，表现为目标工况时段二元遥参序列x
′
target
、y
′
target
间不再满足正常基线关系y
′
target
＝f(x
′
target
)，以此实现卫星健康状态的异常检测。
[0099]
根据目标工况二元遥参序列间基线数学形式f()的不同，明确二元关联性健康基线的基本型为两种：二元线性关联性健康基线、二元非线性关联性健康基线。在此阶段，根据对二元遥参序列相关关系的先验判断，选取线性或非线性模型，支持后续关联性健康基线模型构建。
[0100]
步骤301：二元线性关联性健康基线构建
[0101]
对于二元线性关联性健康基线，利用正常状态目标工况二元遥参序列数据x
′
target
、y
′
target
，并构建其解析方程为：
[0102]
y
′
target
＝f(x
′
target
)＝a+b
×
x
′
target
[0103]
此时，利用最小二乘法对数据x
′
target
、y
′
target
进行迭代拟合，从而得到二元线性关联性健康基线模型的参数，并将其记为[a,b]。
[0104]
步骤302：二元非线性关联性健康基线构建
[0105]
对于二元非线性关联性健康基线，卫星遥参数据间的非线性关系一般呈现为分段时间积分型，其解析方程形式为：
[0106][0107]
其中，为第i个目标工况时段内第时刻的遥参数据，为第i个目标工况时段内起点时刻的遥参数据，为第i个目标工况时段内相邻时刻的时间间隔。
[0108]
因此，在进行二元非线性管理关联性健康基线构建前，需要将非线性遥参数据进行转化处理，得到上述形式的数据。采用基于离散积分的非线性遥参转换方法，其步骤如下：
[0109]
步骤302-1：时间标签获取
[0110]
提取步骤203中得到的目标工况时段集合
[0111]
步骤302-2：时间差分处理
[0112]
以第i个目标工况时段为例，对其时段范围内相邻遥参数据的时刻值进行逐点差分处理得到时间间隔序列
[0113]
对其余目标工况时段重复上述操作，得到目标工况时间间隔集合：
[0114][0115]
步骤302-3：离散积分转化
[0116]
利用步骤302-2得到的目标工况时间间隔集合δt
target
与目标工况自变量遥参序列x
′
target
进行逐点相乘，以第i个目标工况时段为例：
[0117][0118]
表示第i个目标工况时段内第j-s个单位时间间隔增长值。
[0119]
在此基础上，对单位时间间隔增长值进行逐点累加处理得到单位时间间隔累加值
[0120]
对其余目标工况时段重复上述操作，得到自变量遥参离散积分序列σ：
[0121][0122]
由此，完成了原始遥参数据向离散积分数据的转化，将原本的非线性关系拟合简化为线性关系拟合。
[0123]
步骤302-4：基线参数拟合
[0124]
经过上述步骤，原始的二元遥参序列间的数学关系被转化为线性形式，以第i个目标工况段为例：
[0125][0126]
此时，利用最小二乘法对数据σ、y
′
target
进行迭代拟合，从而得到二元非线性关联性健康基线模型的参数，并将其记为[a,b]。
[0127]
步骤四、拟合优度检验
[0128]
经过步骤三完成对二元线性/非线性关联性健康基线构建后，需要对健康基线的拟合效果进行量化评价，对此利用拟合优度r2作为度量指标，其计算公式如下所示：
[0129][0130][0131][0132]
sst为总平方和，ssr为回归平方和；y
i
为因变量遥参实际数据，为因变量遥参估计数据，为因变量均值；r2为拟合优度指标，r2越接近1表示关联性健康基线拟合效果越好。预先设定r2阈值，若当前基线r2在阈值内，则判定当前构建的关联性健康基线模型有效。
[0133]
步骤五、关联性健康基线族生成
[0134]
同时，为了更加鲁棒地表征卫星遥测间的关联性，消除由于数据噪声等因素造成的不确定性干扰。通过统计学中的参数区间估计法，可以得到上述关联性健康基线的区间系数并且得到了对应的关联性健康基线族。
[0135]
对于二元线性关联性健康基线而言，其健康基线族表征如下：
[0136]
y
′
target
＝a+b
×
x
′
target
[0137][0138]
对于二元线性关联性健康基线而言，其健康基线族表征如下：
[0139]
y
′
target
＝a+b
×
σ
[0140][0141]
由此，关联性健康基线族系数和步骤三得到的健康基线系数[a,b]，共同完成了二元遥参序列的关联健康表征，由此可以克服遥测数据中的异常、噪声干扰，使得卫星健康表征结果具有更强的鲁棒性。
[0142]
下面以某卫星电源分系统为例，对本申请的方法进行说明。
[0143]
实施例一、线性关联性健康基线构建流程说明
[0144]
步骤一、时间标定预处理
[0145]
选取一组呈线性关联的二元遥参序列组合，记“蓄电池1-9电压”遥参序列为x，记“蓄电池电压”遥参序列为y。选取其工况敏感遥参序列组合，记“蓄电池充电电流”遥参序列
为z1，记“蓄电池放电电流”遥参序列为z2。
[0146]
其未经时间标定的原始遥参局部序列如图2所示。
[0147]
由图2可知，未经时间标定的4个原始遥参序列存在不同采样频率和采样时刻。
[0148]
通过步骤101所述的差分处理方法，可得m(d1)＝1，m(d2)＝1，m(d3)＝5，m(d4)＝2，m(d3)＞m(d4)＞m(d2)＝m(d1)，因此选取蓄电池充电电流作为基准遥参序列，通过步骤102、103所述的方法对遥参序列进行时间标定处理。时间标定处理后的遥参序列如图3所示。
[0149]
由图3可知，经过时间标定处理，选取的二元关联遥参序列x、y(蓄电池1-9电压、蓄电池电压)，工况敏感遥参序列z1、z2(蓄电池充电电流、蓄电池放电电流)，实现了数据点一一严格匹配。
[0150]
步骤二、目标工况识别与切割。
[0151]
对于本案例中的工况敏感遥参序列以及二元遥参序列而言，其包含两种运行工况：蓄电池充电状态与蓄电池放电状态。
[0152]
分别绘制蓄电池充电电流与蓄电池放电电流的分布直方图，其效果显示如图4所示。
[0153]
如图4所示，上述工况敏感遥参序列的分布直方图均呈现出明显的混合正态分布状态。按照步骤202所述的目标工况转换阈值生成方法，可以得到本实施例的工况转换阈值集合z
threshold
＝{1.3,4.0}。
[0154]
在此基础上，将蓄电池充电状态设为本实施例的目标工况，利用步骤203所述的基于证据逻辑组合的目标工况时段判别生成方法，设置本实施例目标工况的判据规则其中分别表示蓄电池充电电流、放电电流遥参序列数据。
[0155]
按照步骤203所述的方法，对本实施例工况敏感遥参序列数据共识别、筛选出8段目标工况。其工况识别效果如图5所示。
[0156]
在获得目标工况时段集合后，按照步骤204所述的方法对目标工况时段二元遥参序列数据进行切割、提取，以支持后续充电工况下健康基线的构建。目标工况时段二元遥参序列数据切割效果如图6所示。
[0157]
步骤三、关联性健康基线模型构建。通过对目标工况时段二元遥参序列曲线的观察可知，蓄电池1-9电压/蓄电池电压呈现出典型的线性关系。因此按照步骤301所述的方法对其进行二元线性关联性健康基线构建，其模型系数如下所示：
[0158]
序号二元遥参目标工况基线系数1蓄电池1-9电压/蓄电池电压蓄电池充电[3.86,3.72]
[0159]
步骤四、拟合优度检验。按照步骤四所述的方法，设定拟合优度有效区间为[0.6,1.4]。对步骤三构建的二元线性关联性健康基线进行拟合优度检验，其检验结果为：
[0160]
r2＝1.01
[0161]
经检验，拟合优度在阈值内，因此二元关联性健康基线模型有效。
[0162]
步骤五、关联性健康基线族构建。按照步骤五所述的参数区间估计法，设置区间估计置信度为0.95，得到健康基线族的区间系数，并以此和步骤三得到的模型系数一同作为二元遥参序列的健康表征。
[0163]
健康基线族的区间系数如下所示：
[0164][0165]
本实施例中，二元线性关联性健康基线族曲线与局部细节图片如图7所示。
[0166]
实施例二、非线性关联性健康基线构建流程说明
[0167]
步骤一、时间标定处理。选取一组呈非线性关联的二元遥参序列组合，记“蓄电池充电电流”遥参序列为x，记“蓄电池容量”遥参序列为y。选取其工况敏感遥参序列组合，记“蓄电池充电电流”遥参序列为z1，记“蓄电池放电电流”遥参序列为z2。
[0168]
其未经时间标定的原始遥参局部序列如图8所示。
[0169]
由图8可知，未经时间标定的3个原始遥参序列存在不同采样频率和采样时刻。
[0170]
通过步骤101所述的差分处理方法，可得m(d1)＝5，m(d2)＝1，m(d3)＝2，m(d1)＞m(d3)＞m(d2)，因此选取蓄电池充电电流作为基准遥参序列，通过步骤102、103所述的方法对遥参序列进行时间标定处理。时间标定处理后的遥参序列如图9所示。
[0171]
由图9可知，经过时间标定处理，选取的二元遥参序列x、y(蓄电池充电电流、蓄电池容量)与工况敏感遥参序列z1、z2(蓄电池充电电流、蓄电池放电电流)，实现了数据点一一严格匹配。
[0172]
步骤二、目标工况识别与切割
[0173]
类似实施例一，本实施例中的工况敏感遥参序列以及二元遥参序列而言同样包含两种运行工况：蓄电池充电状态与蓄电池放电状态。
[0174]
同样选取蓄电池充电作为目标工况，按照步骤201-203所述的方法进行工况转换阈值生成。由于目标工况同实施例一相同，在此不做赘述。其工况识别效果如图10所示。
[0175]
在获得目标工况时段集合后，按照步骤204所述的方法对目标工况时段二元遥参序列数据进行切割、提取，以支持后续充电工况下健康基线的构建。目标工况时段二元遥参序列数据切割效果如图11所示。
[0176]
步骤三、关联性健康基线模型构建。通过对目标工况二元遥参曲线的观察可知，蓄电池充电电流-蓄电池容量呈现出典型的非线性积分关系。按照步骤302所述的方法对其进行健康基线构建，其健康基线构建模型系数如下所示：
[0177]
序号二元遥参目标工况基线系数1蓄电池充电电流-蓄电池容量充电工况[-0.54,0.0003]
[0178]
步骤四、拟合优度检验。按照步骤四所述的方法对构建的健康基线进行拟合优度检验，其检验结果为：
[0179]
r2＝0.68
[0180]
经检验，拟合优度在阈值内，健康基线模型有效。
[0181]
步骤五、健康基线族构建。按照步骤五所述的参数区间估计算法，设置置信度为0.95，得到健康基线的区间系数和模型系数一同作为二元遥参序列的健康表征。
[0182]
健康基线族的区间系数如下所示：
[0183][0184]
健康基线族曲线如图12所示。
[0185]
本发明提出的基于历史遥测数据的关键分系统及单机关联性健康基线构建方法，采用无监督自主学习构建得到卫星关联性健康基线族，有效完成了卫星健康状态的联合表征。通过构建的二元关联性健康基线族，克服了实际数据的噪声、离群野值干扰。
[0186]
除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。
[0187]
虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。