卫星功能部件未来状态评估方法及系统与流程

本发明涉及卫星在轨评估技术领域，具体地，涉及一种卫星功能部件未来状态评估方法及系统。

背景技术：

随着我国航天事业的迅速发展，卫星的发展也具有以下3个特点：1、应用越来越普及。卫星已应用在通信、导航、天气预报、环境监测中；2、星上载荷越来越多。为增强卫星的功能，卫星所携带的载荷数和元器件增多，涉及的元器件从几万、十几万到几十万个，这意味着卫星的造价也越来越高，据悉，卫星基本上每颗都数亿元，某些军用卫星甚至达到十几亿甚至几十亿元；3、寿命越来越长。以某气象卫星为例，01批仅要求3年寿命，02批就要求5年寿命，而03批要求达到8年寿命，某些高轨卫星甚至要求十五年的寿命。卫星的特点决定一旦卫星出现故障，造成的影响和经济损失巨大。

专利文献cn106599580a公开了一种基于可重构度的卫星在轨健康状态评估方法，以可重构度指标刻画卫星的高冗余、可重构和非线性等结构特性对系统健康状态的影响。在部件级水平上，采用非参数回归方法综合多元参数评估健康状态。从部件级到系统级，通过建立基于可重构度的系统结构树模型进行加权综合，实现卫星多级系统的健康状态评估。

专利文献cn103218515a的中国专利公开了一种基于变权分层评分的卫星健康状态评估方法，在部件级水平上，采用了基于模糊无量纲化函数和稳定更新过程的健康度计算方法。从部件级到系统级，利用改进的层次分析法，结合变权综合原理，建立了姿态控制系统的健康状态层次分析模型，并给出评估计算过程。

但上述这些评估方法存在评估结果滞后于事件发生的不足。

卫星的健康评估应具有对未来在轨状态评估的能力，利用pso-svr模型对遥测数据进行预测，将预测结果代入无量纲评分模型后结合熵值赋权法进行融合得到评估结果，利用该结果对未发生的异常进行预警，视情进行处理。目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种卫星功能部件未来状态评估方法及系统。

根据本发明提供的一种卫星功能部件未来状态评估方法，包括：

步骤s1：根据指标参数选取控制信息，获取指标参数选取结果信息；

步骤s2：根据指标参数选取结果信息，获取指标参数数据预处理结果信息；

步骤s3：根据指标参数数据预处理结果信息，获取指标参数数据预测结果信息；

步骤s4：根据指标参数数据预测结果信息、遥测参数波动情况信息，利用熵值赋权法进行赋权，获取非线性模糊无量纲模型中评分信息；

步骤s5：根据非线性模糊无量纲模型中评分信息，获取指标参数融合结果信息。

优选地，所述步骤s1包括：

步骤s1.1：根据待评估的功能部件，选取相关温度类、电流类、电压类等有一定规律性的遥测参数作为指标参数p1,p2,p3···pm；

优选地，所述步骤s2包括：

步骤s2.1：对各指标参数数据进行去重复、野值剔除等操作后，按照遥测变化的特点进行特征提取。

优选地，所述步骤s3包括：

步骤s3.1：利用粒子群优化算法(particleswarmoptimization，pso)优化支持向量回归机预测模型(supportvectorregression，svr)模型结构；

优选地，所述步骤s3包括：

步骤s3.2：将各指标参数数据训练预测模型参数，利用训练好的模型对指标参数分别进行一步或者多步预测，形成预测结果序列p1,p2,p3···pm。

根据本发明提供的一种卫星功能部件未来状态评估方法，包括：

模块m1：根据指标参数选取控制信息，获取指标参数选取结果信息；

模块m2：根据指标参数选取结果信息，获取指标参数数据预处理结果信息；

模块m3：根据指标参数数据预处理结果信息，获取指标参数数据预测结果信息；

模块m4：根据指标参数数据预测结果信息、遥测参数波动情况信息，利用熵值赋权法进行赋权，获取非线性模糊无量纲模型中评分信息；

模块m5：根据非线性模糊无量纲模型中评分信息，获取指标参数融合结果信息。

优选地，所述模块m1包括：

模块m1.1：根据待评估的功能部件，选取相关温度类、电流类、电压类等有一定规律性的遥测参数作为指标参数p1,p2,p3···pm；

优选地，所述模块m2包括：

模块m2.1：对各指标参数数据进行去重复、野值剔除等操作后，按照遥测变化的特点进行特征提取。

优选地，所述模块m3包括：

模块m3.1：利用粒子群优化算法(particleswarmoptimization，pso)优化支持向量回归机预测模型(supportvectorregression，svr)模型结构；

优选地，所述模块m3包括：

模块m3.2：将各指标参数数据训练预测模型参数，利用训练好的模型对指标参数分别进行一步或者多步预测，形成预测结果序列p1,p2,p3···pm。

与现有技术相比，本发明具有如下的有益效果：

1、本发明可有效的解决卫星健康评估中结果滞后于事件发生的问题，对于太阳同步轨道卫星，至少可提前一圈进行评估，所建立的评估层次结构清晰，所采用的方法符合工程实际。

2、本发明可有效解决卫星健康评估中各指标权重赋予主观性较强的问题，采用熵值赋权法根据各指标数据变化情况客观赋权，所得到结果更贴近真实情况。

3、本发明为卫星分系统级或系统级未来状态评估提供了数据输入。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明方法针对卫星功能部件未来状况评估方法的步骤流程示意图。

图2为本发明方法针对卫星功能部件评估分层模型示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

一种基于pso-svr的卫星功能部件未来状态评估方法，该评估方法是基于卫星结构和预测数据进行功能部件的健康状态评估，并为后续分系统级健康状态评估提供一种数据输入。

为解决上述技术问题，本发明提出的技术方案为一种卫星功能部件未来状态的评估方法，其步骤包括：

步骤1：指标参数选取，具体为，根据待评估的功能部件，选取相关温度类、电流类、电压类等有一定规律性的遥测参数作为指标参数p1,p2,p3···pm；

步骤2：指标参数数据预处理，具体为，对各指标参数数据进行去重复、野值剔除等操作后，按照遥测变化的特点进行特征提取；

步骤3：指标参数数据预测，具体为，利用粒子群优化算法(particleswarmoptimization，pso)优化支持向量回归机预测模型(supportvectorregression，svr)模型的参数c(惩罚系数)、g(核函数参数)、p(损失函数参数)，利用各参数的数据训练优化好的模型，并对指标参数分别进行一步、多步预测，形成预测结果序列p1,p2,p3···pm；

步骤4：根据预测结果序列的波动情况，利用熵值赋权法进行赋权。

假设有n组评估的指标，m个指标的数据，形成p＝(pij)m×n，进行归一化处理以满足取值范围在0～1之间。归一化后的数据为其中,

每个指标rj的信息熵ej为：

其中k＝1/lnm,j＝1,2,···,n。指标rj的熵权ωj为：

根据各特征参数的预测值和期望的偏差，代入非线性模糊无量纲模型中进行评分。

定义特征参数偏差为xi＝|xi-xei|，正常波动的偏差xai，及异常的偏差xdi。评分函数为：

其中，zi(xi)为非线性无量纲模型处理的数值，b为形状调节参数；

步骤5、指标参数融合，具体为，将上述权重和健康度结合，即可得到功能部件未来在轨状态的得分。

具体地，在一个实施例中，一种卫星功能部件未来状态评估方法的具体步骤如下：

1、从各遥测参数中选择合适的指标参数。

选择能反映待评估功能部件状态的遥测参数，一般为温度类、电压类和电流类变化有一定规律性的这样一组特征参数(p1,p2,p3···pm)作为评估数据。

2、各指标参数数据预处理。

由于不同测站之间的过渡，各指标数据中会存在野值，本发明采用箱线图法对野值剔除，认为小于ql-1.5iqr或大于qu+1.5iqr的值定义为野值。ql为下四分位数，即所有数据中有四分之一的数据比它小；qu为上四分位数，即所有数据中有四分之一的数据比它大；iqr为四分位数间距，是qu与ql之差。

本发明为减少评估的数据量以及延长预测时间跨度，对温度类、电流类和电压类的特征点进行标定后进行提取。

针对周期变化类型数据，提取各周期波峰点、波谷点形成新的序列。

针对阶跃变化类型数据，提取各阶跃段，进行偏度、峰度、均值等时域特性的计算后形成新的序列。

针对缓变类型数据，对数据进行局部加权平滑处理后，形成新的序列。

3、指标参数数据预测。

利用粒子群优化算法(particleswarmoptimization，pso)优化支持向量回归机预测模型(supportvectorregression，svr)模型的参数c(惩罚系数)、g(核函数参数)、p(损失函数参数)，将各优化好的参数代入svr中，采用点预测的方式，将数据按单步或多步的方式进行相空间转化，分别注入预测模型进行训练，以确定各模型的结构，并按相空间的形式进行后续数据单步或多步预测，形成预测结果序列p1,p2,p3···pm。

4、指标参数权重确定及建立指标参数评估。

假设有n组评估的指标，m个指标的数据，形成p＝(pij)m×n，进行归一化处理以满足取值范围在0～1之间。归一化后的数据为其中

每个指标rj的信息熵为：

其中k＝1/lnm,j＝1,2,···,n。指标rj的熵权

根据各特征参数的预测值和期望的偏差，代入非线性模糊无量纲模型中进行评分。

定义特征参数偏差为xi＝|xi-xei|，正常波动的偏差xai，及异常的偏差xdi。评分函数为：

其中，zi(xi)为非线性无量纲模型处理的数值，b为形状调节参数；

利用历史正常运行数据确定非线性无量纲模型的各参数xai、xdi、b。

5、指标参数融合

将上述权重和健康度结合，即可得到功能部件未来在轨状态的得分。

在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。