CN111967501A - 一种遥测原始数据驱动的载荷状态判别方法及判别*** - Google Patents
一种遥测原始数据驱动的载荷状态判别方法及判别*** Download PDFInfo
- Publication number
- CN111967501A CN111967501A CN202010710292.3A CN202010710292A CN111967501A CN 111967501 A CN111967501 A CN 111967501A CN 202010710292 A CN202010710292 A CN 202010710292A CN 111967501 A CN111967501 A CN 111967501A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- telemetry
- machine equipment
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012850 discrimination method Methods 0.000 title claims description 3
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000007636 ensemble learning method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种遥测原始数据驱动的载荷单机设备状态判别方法,所述方法包括:接收卫星下传的遥测原始数据;根据遥测参数配置文件,从遥测原始数据中抽取载荷单机设备对应的分包遥测数据;将分包遥测数据输入预先训练好的载荷单机设备判别模型,得出载荷单机设备状态结果;该载荷单机设备判别模型包括:遥测参数格式化处理模块、野值剔除模块和载荷单机设备判别模块;其中,遥测参数格式化处理模块,用于根据处理策略对分包遥测数据进行格式化处理,得到遥测参数格式化数据;野值剔除模块,用于剔除遥测参数格式化数据中的野值;载荷单机设备判别模块,用于根据遥测参数格式化数据,输出载荷单机设备状态结果。
Description
技术领域
本发明涉及卫星管控、仪器监控等应用领域。具体涉及一种遥测原始数据驱动的载荷单机设备状态判别方法及判别***。
背景技术
遥测参数数据是专家学者及航天器地面运管人员了解航天器仪器在轨状态的唯一依据,在轨仪器设备状态判别是航天器任务运控与监管过程中重要的工作环节。一方面,与航天器平台常规分***相较,有效载荷设备仪器随任务更为个性、精密、复杂;另一方面,随着国家综合实力的增强和科技水平的提高,在轨任务日益增多,功能设计复杂、下行的遥测参数格式多样、遥测参数维度达到上千维。这些都给载荷单机设备运行状态判别带来巨大的难度,给有限的弧段跟踪资源和人力资源提出了挑战。
载荷单机设备在轨运行状态直接涉及到任务安排和调度执行,进而牵扯到任务的成败。载荷设备状态的判别比遥测参数判读和航天器平台状态判别更为复杂和个性化。传统参数判读方式依赖专家知识,也不能满足日益复杂的任务要求,判读效率和数据利用率低,还存在误判和漏判等问题。
随着航天事业和空间探测任务发展,航天任务在轨运行会更多的以科学目标为导向,以载荷设备为核心,载荷设备状态的判别不同于参数判读。目前,国内外专家学者对遥测参数通过航天器平台状态监测、设备参数判读读和故障判读做了较深入研究并取得了一些成果,但缺乏对各类任务载荷单机设备仪器状态的遥测原始数据判别学习方法分析研究。
发明内容
本发明的目的在于克服现有技术缺陷,提出了一种遥测原始数据驱动的载荷单机设备状态判别方法及判别***。
为了实现上述目的,本发明提出了一种遥测原始数据驱动的载荷单机设备状态判别方法,所述方法包括:
接收卫星下传的遥测原始数据;
根据遥测参数配置文件,从遥测原始数据中抽取载荷单机设备对应的分包遥测数据;
将分包遥测数据输入预先训练好的载荷单机设备判别模型,得出载荷单机设备状态结果;
所述载荷单机设备判别模型的输入为载荷单机设备对应的分包遥测数据,输出为载荷单机设备状态结果,该载荷单机设备判别模型包括:遥测参数格式化处理模块、野值剔除模块和载荷单机设备判别模块;其中,
所述遥测参数格式化处理模块,用于根据处理策略对分包遥测数据进行格式化处理,得到遥测参数格式化数据;
所述野值剔除模块,用于剔除遥测参数格式化数据中的野值;
所述载荷单机设备判别模块,用于根据遥测参数格式化数据,输出载荷单机设备状态结果。
作为上述方法的一种改进,所述方法还包括对载荷单机设备判别模型进行训练的步骤,具体包括:
根据航天器任务型号和载荷单机设备,从航天器遥测原始数据库中抽取载荷单机设备对应的分包遥测数据,从航天器任务运行计划数据库中提取载荷单机运行计划数据;
根据处理策略对分包遥测数据进行格式化处理,得到遥测参数格式化数据,采用3σ原则一阶数据差分方法剔除野值,建立遥测参数格式化数据集;
将遥测参数格式化数据集和载荷单机设备状态数据按照时标进行匹配,得到遥测特征集;
对遥测特征集进行筛选、信息增益排序和多标签特征转化得到经筛选降维的特征集,并划分为训练集和验证集;
利用训练集,通过集成学习方法对模型进行训练,得到训练好的载荷单机设备判别模型;
利用验证集,对模型进行验证和参数调优,得到最终载荷单机设备判别模型。
作为上述方法的一种改进,所述根据航天器任务型号和载荷单机设备,从航天器遥测原始数据库中抽取载荷单机设备对应的分包遥测数据,从航天器任务运行计划数据库中提取载荷单机运行计划数据;具体包括:
根据航天器任务型号和载荷单机设备,配置遥测参数库表访问信息和任务载荷单机运行计划库表访问信息;
根据任务载荷运行计划库表访问信息,从航天器任务运行计划数据库中提取载荷单机运行计划数据;
对载荷单机运行计划数据进行解析,得到载荷运行计划和载荷单机设备状态数据;
根据遥测参数库表访问信息和载荷单机设备状态数据,从航天器遥测原始数据库中抽取载荷单机设备对应的分包遥测数据。
作为上述方法的一种改进,所述将遥测参数格式化数据集和载荷单机设备状态数据按照时标进行匹配,得到遥测特征集;具体包括:
按照时标进行匹配,得到遥测特征集D={(TM(i),P(i))|1≤i≤s}
作为上述方法的一种改进,所述筛选具体包括:
对遥测特征集中的遥测参数格式化数据计算皮尔森相关系数ρ2(a,b):
其中,a、b分别表示遥测特征集中的两个遥测参数格式化数据,T表示转置,E表示期望值;
若满足|ρ2(a,b)-1|≤ε,则保留一个遥测参数格式化数据,ε表示阈值;
对遥测特征集中的遥测参数格式化数据计算方差,筛除载荷单机设备状态分类判别无关的恒定值或缓变值。
作为上述方法的一种改进,所述信息增益排序,具体为:对遥测特征集中的载荷单机设备状态数据计算信息增益,
其中,X表示某遥测参数的随机变量,H(X)表示随机变量X的信息熵,pi表示随机事件X的概率,n表示遥测参数集构成的随机变量集合元素数量;
随机变量(X,Y)的条件熵H(Y|X):
其中,(X,Y)为表示遥测参数X和遥测参数Y组成的二维随机变量,H(Y|X)表示随机变量X给定先验条件下随机变量Y的条件熵;
信息增益g(Y,X)为:
g(Y,X)=H(Y)-H(Y|X)
其中,H(Y)表示随机变量Y的信息熵;
遍历各遥测参数特征对单机设备状态的信息增益,获得信息增益排序,选择信息增益大的特征留下。
作为上述方法的一种改进,所述利用训练集,通过集成学习方法对模型进行训练,得到训练好的载荷单机设备判别模型;具体包括:
初始化弱分类器h0(tm):
其中,tm表示遥测参数,arg表示最优解,pi表示第i个真实样本值,即载荷单机设备处于状态i,c表示分类器判别的分类结果,L(pi,c)表示样本值和分类结果损失函数,N表示样本总数;
对M个弱分类器进行迭代,其内部迭代过程如下:
对样本特征集TM”,计算负梯度残差rmi:
其中,p表示载荷单机设备状态的真实样本值,h(tmi)表示当前弱分类器,即对遥测参数tmi进行载荷单机设备状态判别,L表示损失函数,x表示分类器的输入参数,h(x)表示本次迭代分类器的选取,hm-1(x)表示前一次残差迭代的弱分类器;
将残差作为新样本值得到下课树的数据集{TM”,rmi},得到新的回归树hm(tm)对应的叶子节点区域Rjm,j=1,2…,J,J为该回归树的叶子节点数目;
根据经验风险最小化准则对回归树的叶子区域进行计算最佳拟合cjm:
更新学习器:
其中,hm-1(tm)表示前一次回归树,I(tm∈Rjm)表示指示函数;
直到负梯度残差收敛,得到训练好的载荷单机设备判别模型:
一种遥测原始数据驱动的载荷单机设备状态判别***,所述***包括:接收模块、抽取模块、判别模块和训练好的载荷单机设备判别模型;其中,
所述接收模块,用于接收卫星下传的遥测原始数据;
所述抽取模块,用于从遥测原始数据中抽取载荷单机设备对应的分包遥测数据;
所述判别模块,用于将分包遥测数据输入预先训练好的载荷单机设备判别模型,得出载荷单机设备状态结果。
与现有技术相比,本发明的优势在于:
1、本发明提供的遥测原始数据驱动的载荷单机设备状态判别方法及***可普适于面向航天器任务目标的载荷单机设备状态判别学***;
2、本发明提供的遥测原始数据驱动的载荷单机设备状态判别方法及***,准确性、可解释和执行效率方面选择模型和算法,采用集成学习实现了根据遥测原始数据与载荷单机设备状态较高准确率的识别;
3、采用信息增益参数进行遥测参数筛选满足了航天器任务分析的可解释性要求,采用皮尔森系数、方差、信息增益等参数降维方法实现了高执行效率。
附图说明
图1是本发明的实施例1的遥测原始数据驱动的载荷单机状态判别方法的流程图;
图2是本发明的实施例2的一种遥测原始数据驱动的载荷单机状态判别***的组成示意图;
图3是本发明的实施例1中的信息增益降维方法与主成分分析方法对比在运行效率方面改进情况示意图;
图4是使用训练得到的载荷单机状态判别模型对其他时间段载荷遥测参数原始数据进行载荷单机状态判别结果混淆矩阵示意图。
具体实施方式
本发明提供一种基于遥测原始数据,针对载荷单机设备遥测参数维度高、数据量大、存在类别不平衡、无法直观判别单机设备运行情况等问题,考虑到航天任务对可解释性要求,提出一种基于信息增益参数特征选择和集成学习方法的载荷单机状态快速识别方法。本发明的方法包括:
载荷单机设备状态判别学习问题归约为多标签分类问题模型;
载荷分包遥测原始数据抽取和载荷计划提取;
遥测原始数据集格式化与分表分库融合和载荷运行计划文件解析;
载荷遥测参数特征样本集和载荷状态多标签样本集构建,遥测参数样本集与载荷状态多标签样本级分段时标匹配和野值剔除;
遥测参数特征筛选降维和载荷状态多标签特征转化,实现可解释性降维,采用方差和皮尔森系数等统计量性质,以及遥测参数特征与目标值;
采用集成学习模型训练和评估方法,使用对数损失函数。
为完成模型建立,多标签分类问题模型还包括定义遥测参数数据和载荷状态张量,如下:
TM={tmj|j=1,2,...,n}为载荷遥测参数集合,tmj为第j维遥测参数。
P={pk|k=1,2,...,l}为任务有效载荷设备集合,pk表示第k载荷设备状态。
为完成模型建立,多标签分类问题模型表示为:
给定多标签训练样本集D={(TM(i),P(i))|1≤i≤s},对于每条样本记录(TM(i),P(i)),TM(i)∈ΩTM为记录的n维特征向量,为记录TM(i)对应的标签。则给定样本记录数据集D中学习到多标签分类器h(·)为:
h(TM(i))=P(i)
载荷分包遥测原始数据抽取和载荷计划,包括:根据任务载荷和分包遥测说明选取相应的遥测源包和相应载荷运行计划安排。
遥测原始数据集格式化与分表分库融合和载荷运行计划文件解析,包括:进行原始数据数值化、合并和解析处理等。
载荷遥测参数特征样本集和载荷状态多标签样本集构建,遥测参数样本集与载荷状态多标签样本级分段时标匹配和野值剔除,包括:
对遥测原始数据数值化后的参数数据采用3σ原则一阶数据差分完成野值剔除;
根据遥测数据星上时和载荷状态进行时间对标和分段筛选,得到载荷遥测参数特征样本集和载荷状态多标签样本集。
遥测参数特征筛选降维和载荷状态多标签特征转化,实现可解释性降维。
采用方差和皮尔森系数等统计量性质,航天器任务遥测数据皮尔森相关系数公式如下:
对遥测数据特征样本集计算两者间的相关系数,其中,a、b分别表示遥测特征集中的两个遥测参数格式化数据,T表示转置,E表示期望值;
若满足|ρ2(a,b)-1|≤ε,则保留其中之一特征;ε表示阈值。
通过计算遥测数据特征样本集的方差,筛除载荷单机设备状态分类判别无关的恒定值或缓变值,降低分类模型的运算量和模型准确率的干扰项;
通过计算载荷单机状态判别信息增益,遍历各参数特征对载荷状态把标签的信息增益,获得增益排序Rank,选择信息增益大的特征,公式如下:
其中,X表示某遥测参数的随机变量,H(X)表示随机变量X的信息熵,pi表示随机事件X的概率,n表示遥测参数集构成的随机变量集合元素数量;
随机变量(X,Y)的条件熵H(Y|X):
其中,(X,Y)为表示遥测参数X和遥测参数Y组成的二维随机变量,H(Y|X)表示随机变量X给定先验条件下随机变量Y的条件熵;
信息增益g(Y,X)为:
g(Y,X)=H(Y)-H(Y|X)
其中,H(Y)表示随机变量Y的信息熵;
遍历各遥测参数特征对单机设备状态的信息增益,获得信息增益排序,选择信息增益大的特征留下。
采用集成学习模型训练和评估方法,使用对数损失函数。其算法流程及公式如下:
1)初始化弱分类器
其中,tm表示遥测参数,arg表示最优解,pi表示第i个真实样本值,即载荷单机设备处于状态i,c表示分配器判别的分类结果,L表示样本值和分类结果损失函数,N表示样本总数;
2)对M个弱分类器进行迭代,其内部迭代过程如下:
对样本特征集TM”,计算负梯度残差
其中,p表示载荷单机设备状态的真实样本值,h(tmi)表示当前弱分类器,即对遥测参数tmi进行载荷单机设备状态判别,L表示损失函数,x表示分类器的输入参数,h(x)表示本次迭代分类器的选取,hm-1(x)表示前一次残差迭代的弱分类器;
将残差作为新样本值得到下课树的数据集{TM”,rmi},得到新的回归树hm(tm)对应的叶子节点区域Rjm,j=1,2…,J,J为该回归树的叶子节点数目;
根据经验风险最小化准则对回归树的叶子区域进行计算最佳拟合cjm:
3)更新学习器
直到负梯度残差收敛,得到最终学习器
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
本发明的原理为:建立遥测原始数据驱动的载荷单机设备状态判别问题模型,使用集成学习方法对遥测原始数据集和载荷单机设备状态数据集进行训练,使用拟合到的模型根据遥测数据对载荷单机设备状态进行自动判别。
如图1所示,本发明的实施例1提供了一种遥测原始数据驱动的载荷单机设备状态判别方法,该方法使用卫星遥测数据,自动判别载荷单机设备状态,方法包括:
步骤1)根据待判读卫星任务、载荷单机设备状态,配置遥测参数库表访问信息和任务载荷运行计划库表访问信息;
步骤2)初始化***参数,主要包括待访问任务单机设备实时、延时遥测参数表信息和任务载荷运行计划文件信息;
步骤3)根据分包遥测及任务载荷选择与抽取遥测原始数据,解析任务载荷运行文件获取单机设备状态信息,建立原始样本集;
步骤4)根据处理策略数值化遥测原始数据及载荷单机设备状态数据,根据数据时间戳信息建立遥测数据与载荷单机设备状态信息特征样本集;
该步骤具体包括遥测参数数据和载荷状态张量定义,遥测数据和载荷单机设备状态的多标签分类问题模型建立。
遥测参数数据和载荷状态张量定义包括:
TM={tmj|j=1,2,...,n}为载荷遥测参数集合,tmj为第j维遥测参数;
P={pk|k=1,2,...,l}为任务有效载荷设备集合,pk表示第k载荷设备状态;
遥测数据和载荷单机设备状态的多标签分类问题模型建立包括:
给定多标签训练样本集D={(TM(i),P(i))|1≤i≤s},对于每条样本记录(TM(i),P(i)),TM(i)∈ΩTM为记录的n维特征向量,为记录TM(i)对应的标签。则给定样本记录数据集D中学习到多标签分类器h(·)为:
h(TM(i))=P(i)
步骤5)分析遥测数据特性,对遥测数据特征集筛选、降维,分析载荷单机设备状态数据特性将问题转化并建立多标签分类问题模型,划分训练集和验证集进行集成学习模型训练;
该步骤遥测数据特性分析主要包括:原始数据集格式化与分表分库融合和载荷运行计划文件解析,遥测数据野值剔除,遥测数据统计特性分析,以及信息增益计算,得到载荷遥测参数特征样本集和载荷状态多标签样本集。
遥测数据野值剔除采用3σ原则一阶数据差分完成;
遥测数据统计特性分析采用方差和皮尔森系数计算,航天器任务遥测数据皮尔森相关系数公式如下:
对遥测数据特征样本集计算两者间的相关系数,若满足|ρ2(a,b)-1|≤ε,则保留其中之一特征;
通过计算遥测数据特征样本集的方差,筛除载荷单机设备状态分类判别无关的恒定值或缓变值,降低分类模型的运算量和模型准确率的干扰项;
通过计算载荷单机状态判别信息增益,遍历各参数特征对载荷状态把标签的信息增益,获得增益排序Rank,选择信息增益大的特征,公式如下:
g(Y,X)=H(Y)-H(Y|X)
遥测原始数据驱动的载荷单机设备状态判别的学习算法流程及公式如下:
b)对M个弱分类器进行迭代,其内部迭代过程如下:
1.对样本特征集TM”,计算负梯度残差
2.将残差作为新样本值得到下课树的数据集{TM”,rmi},得到新的回归树hm(tm)对应的叶子节点区域Rjm,j=1,2…,J,J为该回归树的叶子节点数目;
3.根据经验风险最小化准则对回归树的叶子区域进行计算最佳拟合
c)更新学习器
d)得到最终学习器
步骤6)将训练好的模型应用到验证集调整参数,进一步应用到实际任务载荷单机设备状态判别中。
效果分析:
如图3所示,是采用信息增益降维方法与主成分分析方法对比在运行效率方面改进情况示意图,运行效率明显改善。
如图4是使用训练得到的载荷单机状态判别模型对其他时间段载荷遥测参数原始数据进行载荷单机状态判别结果混淆矩阵示意图。
实施例2
如图2所示,本发明的实施例2提供了一种遥测原始数据驱动的载荷单机设备状态判别***,该***包括卫星遥测数据原始数据库、卫星任务运行计划数据库、遥测参数库表(实时、延时)配置模块、任务载荷运行计划数据库表配置模块、分包遥测载荷数据提取模块、遥测参数原始数据合并与格式化模块、遥测参数格式化数据集构建模块、野值剔除模块、分段时标对准模块、特征筛选模块、遥测数据和载荷状态多标签分类集成学习模型训练模块、模型调优参数及应用模块。
卫星遥测数据原始数据库中存储的数据卫星下行的所有原始遥测数据。
卫星任务运行计划数据库中存储的数据为载荷运行计划数据,包括载荷单机设备的运行计划和状态信息。
卫星任务遥测参数库表配置模块:根据卫星任务型号设定对应的遥测参数库表,设置数据库表及卫星遥测参数变量的访问信息。
任务载荷运行计划数据库配置模块:根据任务型号,设置相应任务载荷运行计划数据的访问参数信息。从任务载荷运行计划数据库中读取载荷计划数据,解析载荷状态信息。
分包遥测载荷数据提取模块:根据状态待判别的载荷单机设备,选择相应的分包遥测编号下的遥测数据。
遥测参数原始数据合并与格式化模块:将选定的载荷单机设备状态相应分包遥测数据进行合并与数值转化。
任务数据解析模块:解析任务载荷运行计划文件,得到载荷单机设备状态数据。
遥测参数格式化数据集构建模块:将前序模块处理得到的各参数数据构建出遥测参数格式化数据样本集。
野值剔除模块:采用3σ原则一阶数据差分找到并剔除遥测数据样本集中的野值。
分段时标对准模块:将载荷遥测参数数据样本集与载荷单机设备状态数据按照时标进行匹配,建立遥测数据驱动的载荷单机设备状态判别问题模型,并将数据集划分为测试集和验证集。方法如下:
遥测参数数据和载荷状态张量定义包括:
TM={tmj|j=1,2,...,n}为载荷遥测参数集合,tmj为第j维遥测参数;
P={pk|k=1,2,...,l}为任务有效载荷设备集合,pk表示第k载荷设备状态;
遥测数据和载荷单机设备状态的多标签分类问题模型建立包括:
给定多标签训练样本集D={(TM(i),P(i))|1≤i≤s},对于每条样本记录(TM(i),P(i)),TM(i)∈ΩTM为记录的n维特征向量,为记录TM(i)对应的标签。则给定样本记录数据集D中学习到多标签分类器h(·)为:
h(TM(i))=P(i)
特征筛选模块:从遥测参数格式化数据集中进行特征筛选和降维。主要方法根据样本数据集的统计特性和信息增益排序。
其中,遥测参数数据皮尔森系数的计算公式和特征筛选方法如下:
对遥测数据特征样本集计算两者间的相关系数,若满足|ρ2(a,b)-1|≤ε,则保留其中之一特征;
通过计算遥测数据特征样本集的方差,筛除载荷单机设备状态分类判别无关的恒定值或缓变值,降低分类模型的运算量和模型准确率的干扰项;
通过计算载荷单机状态判别信息增益,遍历各参数特征对载荷状态把标签的信息增益,获得增益排序Rank,选择信息增益大的特征,公式如下:
g(Y,X)=H(Y)-H(Y|X)
遥测数据和载荷状态多标签分类集成学习模型训练模块:遥测原始数据驱动的载荷单机设备状态判别的学习算法流程及公式如下:
a)初始化弱分类器
b)对M个弱分类器进行迭代,其内部迭代过程如下:
1.对样本特征集TM”,计算负梯度残差
2.将残差作为新样本值得到下课树的数据集{TM”,rmi},得到新的回归树hm(tm)对应的叶子节点区域Rjm,j=1,2…,J,J为该回归树的叶子节点数目;
3.根据经验风险最小化准则对回归树的叶子区域进行计算最佳拟合
c)更新学习器
d)得到最终学习器
模型调优参数及应用模块:将训练得到集成学习模型在验证集进行验证,调整相应模型参数,应用到实际运行任务中进行载荷单机设备状态判别。
实施例3
基于实施例1的方法,本发明的实施例3提出了一种遥测原始数据驱动的载荷单机设备状态判别***。该***包括接收模块、抽取模块、判别模块和训练好的载荷单机设备判别模型;其中,
接收模块,用于接收卫星下传的遥测原始数据;
抽取模块,用于从遥测原始数据中抽取载荷单机设备对应的分包遥测数据;
判别模块,用于将分包遥测数据输入预先训练好的载荷单机设备判别模型,得出载荷单机设备状态结果。
载荷单机设备判别模型的输入为载荷单机设备对应的分包遥测数据,输出为载荷单机设备状态结果,该载荷单机设备判别模型包括:遥测参数格式化处理模块、野值剔除模块和载荷单机设备判别模块;其中,
遥测参数格式化处理模块,用于根据处理策略对分包遥测数据进行格式化处理,得到遥测参数格式化数据;
野值剔除模块,用于剔除遥测参数格式化数据中的野值;
载荷单机设备判别模块,用于根据遥测参数格式化数据,输出载荷单机设备状态结果。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种遥测原始数据驱动的载荷单机设备状态判别方法,所述方法包括:
接收卫星下传的遥测原始数据;
根据遥测参数配置文件,从遥测原始数据中抽取载荷单机设备对应的分包遥测数据;
将分包遥测数据输入预先训练好的载荷单机设备判别模型,得出载荷单机设备状态结果;
所述载荷单机设备判别模型的输入为载荷单机设备对应的分包遥测数据,输出为载荷单机设备状态结果,该载荷单机设备判别模型包括:遥测参数格式化处理模块、野值剔除模块和载荷单机设备判别模块;其中,
所述遥测参数格式化处理模块,用于根据处理策略对分包遥测数据进行格式化处理,得到遥测参数格式化数据;
所述野值剔除模块,用于剔除遥测参数格式化数据中的野值;
所述载荷单机设备判别模块,用于根据遥测参数格式化数据,输出载荷单机设备状态结果。
2.根据权利要求1所述的遥测原始数据驱动的载荷单机设备状态判别方法,其特征在于,所述方法还包括对载荷单机设备判别模型进行训练的步骤,具体包括:
根据航天器任务型号和载荷单机设备,从航天器遥测原始数据库中抽取载荷单机设备对应的分包遥测数据,从航天器任务运行计划数据库中提取载荷单机运行计划数据;
根据处理策略对分包遥测数据进行格式化处理,得到遥测参数格式化数据,采用3σ原则一阶数据差分方法剔除野值,建立遥测参数格式化数据集;
将遥测参数格式化数据集和载荷单机设备状态数据按照时标进行匹配,得到遥测特征集;
对遥测特征集进行筛选、信息增益排序和多标签特征转化得到经筛选降维的特征集,并划分为训练集和验证集;
利用训练集,通过集成学习方法对模型进行训练,得到训练好的载荷单机设备判别模型;
利用验证集,对模型进行验证和参数调优,得到最终载荷单机设备判别模型。
3.根据权利要求2所述的遥测原始数据驱动的载荷单机设备状态判别方法,其特征在于,所述根据航天器任务型号和载荷单机设备,从航天器遥测原始数据库中抽取载荷单机设备对应的分包遥测数据,从航天器任务运行计划数据库中提取载荷单机运行计划数据;具体包括:
根据航天器任务型号和载荷单机设备,配置遥测参数库表访问信息和任务载荷单机运行计划库表访问信息;
根据任务载荷运行计划库表访问信息,从航天器任务运行计划数据库中提取载荷单机运行计划数据;
对载荷单机运行计划数据进行解析,得到载荷运行计划和载荷单机设备状态数据;
根据遥测参数库表访问信息和载荷单机设备状态数据,从航天器遥测原始数据库中抽取载荷单机设备对应的分包遥测数据。
4.根据权利要求2所述的遥测原始数据驱动的载荷单机设备状态判别方法,其特征在于,所述将遥测参数格式化数据集和载荷单机设备状态数据按照时标进行匹配,得到遥测特征集;具体包括:
按照时标进行匹配,得到遥测特征集D={(TM(i),P(i))|1≤i≤s}
6.根据权利要求2所述的遥测原始数据驱动的载荷单机设备状态判别方法,其特征在于,所述信息增益排序,具体为:对遥测特征集中的载荷单机设备状态数据计算信息增益,
其中,X表示某遥测参数的随机变量,H(X)表示随机变量X的信息熵,pi表示随机事件X的概率,n表示遥测参数集构成的随机变量集合元素数量;
随机变量(X,Y)的条件熵H(Y|X):
其中,(X,Y)为表示遥测参数X和遥测参数Y组成的二维随机变量,H(Y|X)表示随机变量X给定先验条件下随机变量Y的条件熵;
信息增益g(Y,X)为:
g(Y,X)=H(Y)-H(Y|X)
其中,H(Y)表示随机变量Y的信息熵;
遍历各遥测参数特征对单机设备状态的信息增益,获得信息增益排序,选择信息增益大的特征留下。
7.根据权利要求2所述的遥测原始数据驱动的载荷单机设备状态判别方法,其特征在于,所述利用训练集,通过集成学习方法对模型进行训练,得到训练好的载荷单机设备判别模型;具体包括:
初始化弱分类器h0(tm):
其中,tm表示遥测参数,arg表示最优解,pi表示第i个真实样本值,即载荷单机设备处于状态i,c表示分类器判别的分类结果,L(pi,c)表示样本值和分类结果损失函数,N表示样本总数;
对M个弱分类器进行迭代,其内部迭代过程如下:
对样本特征集TM”,计算负梯度残差rmi:
其中,p表示载荷单机设备状态的真实样本值,h(tmi)表示当前弱分类器,即对遥测参数tmi进行载荷单机设备状态判别,L表示损失函数,x表示分类器的输入参数,h(x)表示本次迭代分类器的选取,hm-1(x)表示前一次残差迭代的弱分类器;
将残差作为新样本值得到下课树的数据集{TM”,rmi},得到新的回归树hm(tm)对应的叶子节点区域Rjm,j=1,2…,J,J为该回归树的叶子节点数目;
根据经验风险最小化准则对回归树的叶子区域进行计算最佳拟合cjm:
更新学习器:
其中,hm-1(tm)表示前一次回归树,I(tm∈Rjm)表示指示函数;
直到负梯度残差收敛,得到训练好的载荷单机设备判别模型:
8.一种遥测原始数据驱动的载荷单机设备状态判别***,所述***包括:接收模块、抽取模块、判别模块和训练好的载荷单机设备判别模型;其中,
所述接收模块,用于接收卫星下传的遥测原始数据;
所述抽取模块,用于从遥测原始数据中抽取载荷单机设备对应的分包遥测数据;
所述判别模块,用于将分包遥测数据输入预先训练好的载荷单机设备判别模型,得出载荷单机设备状态结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010710292.3A CN111967501B (zh) | 2020-07-22 | 2020-07-22 | 一种遥测原始数据驱动的载荷状态判别方法及判别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010710292.3A CN111967501B (zh) | 2020-07-22 | 2020-07-22 | 一种遥测原始数据驱动的载荷状态判别方法及判别*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967501A true CN111967501A (zh) | 2020-11-20 |
CN111967501B CN111967501B (zh) | 2023-11-17 |
Family
ID=73363892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010710292.3A Active CN111967501B (zh) | 2020-07-22 | 2020-07-22 | 一种遥测原始数据驱动的载荷状态判别方法及判别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967501B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502516A (zh) * | 2023-01-15 | 2023-07-28 | 北京控制工程研究所 | 一种航天器部件退化阶段的辨识方法和装置 |
CN116522467A (zh) * | 2023-01-16 | 2023-08-01 | 北京控制工程研究所 | 一种航天器部件寿命的预测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761532A (zh) * | 2014-01-20 | 2014-04-30 | 清华大学 | 基于特征相关隐式编码的标签空间降维方法及*** |
CN104217273A (zh) * | 2013-05-31 | 2014-12-17 | 北京空间技术研制试验中心 | 一种航天器三维数字化模型特征管理方法 |
CN105809190A (zh) * | 2016-03-03 | 2016-07-27 | 南京邮电大学 | 一种基于特征选取的svm级联分类器方法 |
US20180123681A1 (en) * | 2016-10-19 | 2018-05-03 | Vector Launch Inc. | State transfer among virtualization-enabled satellite platforms |
CN110210534A (zh) * | 2019-05-21 | 2019-09-06 | 河海大学 | 基于多包融合的高分遥感图像场景多标签分类方法 |
-
2020
- 2020-07-22 CN CN202010710292.3A patent/CN111967501B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217273A (zh) * | 2013-05-31 | 2014-12-17 | 北京空间技术研制试验中心 | 一种航天器三维数字化模型特征管理方法 |
CN103761532A (zh) * | 2014-01-20 | 2014-04-30 | 清华大学 | 基于特征相关隐式编码的标签空间降维方法及*** |
CN105809190A (zh) * | 2016-03-03 | 2016-07-27 | 南京邮电大学 | 一种基于特征选取的svm级联分类器方法 |
US20180123681A1 (en) * | 2016-10-19 | 2018-05-03 | Vector Launch Inc. | State transfer among virtualization-enabled satellite platforms |
CN110210534A (zh) * | 2019-05-21 | 2019-09-06 | 河海大学 | 基于多包融合的高分遥感图像场景多标签分类方法 |
Non-Patent Citations (3)
Title |
---|
QINGLEI HU 等: ""Spacecraft attitude fault-tolerant control based on iterative learning observer and control allocation"", 《AEROSPACE SCIENCE AND TECHNOLOGY》, pages 245 - 253 * |
彭喜元 等: ""航天器遥测数据异常检测综述"", 《仪器仪表学报》, pages 1929 - 1945 * |
石梦鑫 等: ""基于集成学习的遥测数据互相关结构知识发现"", 《北京航空航天大学学报》, vol. 46, no. 1, pages 181 - 188 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502516A (zh) * | 2023-01-15 | 2023-07-28 | 北京控制工程研究所 | 一种航天器部件退化阶段的辨识方法和装置 |
CN116502516B (zh) * | 2023-01-15 | 2023-12-01 | 北京控制工程研究所 | 一种航天器部件退化阶段的辨识方法和装置 |
CN116522467A (zh) * | 2023-01-16 | 2023-08-01 | 北京控制工程研究所 | 一种航天器部件寿命的预测方法和装置 |
CN116522467B (zh) * | 2023-01-16 | 2023-10-31 | 北京控制工程研究所 | 一种航天器部件寿命的预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111967501B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN111967501A (zh) | 一种遥测原始数据驱动的载荷状态判别方法及判别*** | |
CN111367801B (zh) | 一种面向跨公司软件缺陷预测的数据变换方法 | |
CN112756759A (zh) | 点焊机器人工作站故障判定方法 | |
CN110659682A (zh) | 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法 | |
CN117056834A (zh) | 基于决策树的大数据分析方法 | |
CN115169534A (zh) | 卷积神经网络的样本优化训练方法及计算机可读存储介质 | |
CN116805051A (zh) | 基于注意力机制的双卷积动态域适应设备故障诊断方法 | |
CN114912798A (zh) | 一种基于随机森林和震害大数据的地震损失评估*** | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析*** | |
CN117763316A (zh) | 一种基于机器学习的高维数据降维方法及降维*** | |
CN113591962A (zh) | 一种网络攻击样本生成方法及装置 | |
CN111105041B (zh) | 一种用于智慧数据碰撞的机器学习方法及装置 | |
CN115797044B (zh) | 基于聚类分析的信贷风控预警方法及*** | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
AU2021102380A4 (en) | Intelligent Mineral Identification Method and System | |
CN114627333A (zh) | 一种改进深度主动学习的锌浮选泡沫图像分类算法及*** | |
CN115456693A (zh) | 一种大数据驱动的汽车外造型设计的自动评估方法 | |
CN112559589A (zh) | 一种远程测绘数据处理方法及*** | |
CN117076454B (zh) | 一种工程质量验收表单数据结构化存储方法及*** | |
CN116701912B (zh) | 基于一维卷积神经网络的轴承故障诊断方法及*** | |
CN117764713A (zh) | 授信额度的确定方法及装置、存储介质、电子设备 | |
CN117131244B (zh) | 一种新型分布式大数据筛选过滤*** | |
CN117893216B (zh) | 基于大数据的用户行为分析方法及*** | |
CN118378141A (zh) | 一种基于装配参数的航空发动机振动预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |