CN116091457A - 一种卫星太阳电池阵异常预测方法、装置及计算机设备 - Google Patents
一种卫星太阳电池阵异常预测方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN116091457A CN116091457A CN202310056858.9A CN202310056858A CN116091457A CN 116091457 A CN116091457 A CN 116091457A CN 202310056858 A CN202310056858 A CN 202310056858A CN 116091457 A CN116091457 A CN 116091457A
- Authority
- CN
- China
- Prior art keywords
- satellite solar
- solar cell
- abnormal
- cell array
- orbit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 118
- 230000005856 abnormality Effects 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000002372 labelling Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011897 real-time detection Methods 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 30
- 238000001514 detection method Methods 0.000 description 15
- 238000010276 construction Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 206010036436 Posture abnormal Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种卫星太阳电池阵异常预测方法、装置及计算机设备,方法包括:获取卫星太阳电池阵的历史运行视频和历史遥测数据;将历史运行视频进行抽帧和标注处理,获得历史运行数据集;根据历史运行数据集构建CNN模型,根据历史遥测数据构建LSTM模型;获取卫星太阳电池阵的在轨运行视频和在轨遥测数据;根据在轨运行视频和CNN模型,判断卫星太阳电池阵是否受损和/或位姿异常;若是,则根据在轨运行视频获取卫星太阳电池阵的受损和/或位姿异常位置;若否,则根据在轨遥测数据和LSTM模型,判断卫星太阳电池板是否异常,若是,则获取卫星太阳电池板的位置。本发明实现了实时检测卫星太阳电池阵异常并定位故障位置。
Description
技术领域
本发明涉及太阳电池阵性能检测技术领域,具体而言,涉及一种卫星太阳电池阵异常预测方法、装置及计算机设备。
背景技术
随着我国航天事业的发展,在轨运行卫星数量逐年增加。太阳电池阵作为在轨卫星电源***中的关键组成部件,为卫星执行各种任务提供能量。然而,低轨卫星太阳电池阵长期面临着包括空间辐照、微流星体与空间碎片撞击等较为复杂的太空环境,其发电可靠性必然随工作时间不断下降,甚至出现元器件损坏等故障,导致卫星无法正常执行在轨任务。因此,如何在卫星太阳电池阵故障发生前或发生早期及时检测其异常,以便采取相应的措施,是卫星地面管理人员所面临的挑战。
目前,大多数地面监控站通过获取遥测数据并结合基于人工监测的阈值检测方法对卫星太阳电池阵进行异常检测,虽然该方法操作简单,能够筛选出绝大部分太阳电池阵遥测数据异常,但是在轨卫星的工作状态需要全天候实时监测,这对于地面技术人员来说是一个枯燥且需要耐心的艰巨挑战。同时,由于太阳电池阵由多块太阳电池板组合拼接而成,发生异常时往往是其中一块或多块电池板故障而其它太阳电池板正常工作,因此如何定位故障发生位置也是一大难点。
发明内容
本发明所要解决的问题是如何实时检测卫星太阳电池阵异常并定位故障位置。
为解决上述问题,本发明提供一种卫星太阳电池阵异常预测方法,包括:
获取卫星太阳电池阵的历史运行视频和历史遥测数据;
将所述历史运行视频进行抽帧和标注处理,获得历史运行数据集;
根据所述历史运行数据集构建CNN模型,根据所述历史遥测数据构建LSTM模型;
获取所述卫星太阳电池阵的在轨运行视频和在轨遥测数据;
根据所述在轨运行视频和所述CNN模型,判断所述卫星太阳电池阵是否受损和/或位姿异常;
当所述卫星太阳电池阵受损和/或位姿异常时,根据所述在轨运行视频获取所述卫星太阳电池阵的受损和/或位姿异常位置;
当所述卫星太阳电池阵受损和/或位姿无异常时,根据所述在轨遥测数据和所述LSTM模型,判断卫星太阳电池板是否异常,当所述卫星太阳电池板异常时,获取所述卫星太阳电池板的位置。
与现有技术相比:本发明通过联合CNN模型和LSTM模型对卫星太阳电池阵进行检测,对历史运行视频进行抽帧和标注处理,获得历史运行数据集,根据历史运行数据集构建CNN模型,获取历史遥测数据,根据所述历史遥测数据构建LSTM模型,通过CNN模型检测卫星太阳电池阵位姿是否正确展开和/或是否遭遇空间碎片而发生破损,若显示受损和/或位姿异常,则根据在轨运行视频获取卫星太阳电池阵的受损和/或位姿异常位置,若显示受损和/或位姿无异常,则将在轨遥测数据输入LSTM模型,检测卫星太阳电池阵中的电池板是否异常,若检测出卫星太阳电池板异常,则显示卫星太阳电池板异常,并获取显示异常的卫星太阳电池板的位置,通过本发明的异常检测能够实现实时不间断异常检测,且通过联合CNN模型和LSTM模型,不仅可以通过外观的受损和/或位姿来判断卫星太阳电池阵是否异常,还可以通过对每个卫星太阳电池板进行检测从而判断卫星太阳电池阵是否异常,因此能够在卫星太阳电池阵故障发生前或发生早期及时检测其异常并对其早维修、早更换,也能够避免仅一块或多块电池板故障而其它太阳电池板正常工作的情况影响对于卫星太阳电池阵异常检测的结果,提高异常检测的准确率。
可选地,所述将所述历史运行视频进行抽帧和标注处理,获得历史运行数据集,包括:
将所述历史运行视频抽帧处理为历史运行图像,并对所有所述历史运行图像进行标注处理为正常工作或异常工作;
所有标注后的所述历史运行图像形成历史运行数据集。
可选地,所述根据所述历史遥测数据构建LSTM模型,包括:
根据所述卫星太阳电池板的在轨年限对所述历史遥测数据进行划分,获得多个历史遥测数据集;
根据多个所述历史遥测数据集构建子LSTM模型;
将多个所述子LSTM模型并联构建所述LSTM模型。
可选地,所述根据所述在轨运行视频和所述CNN模型,判断所述卫星太阳电池阵是否受损和/或位姿异常,包括:
对所述在轨运行视频进行抽帧处理,获得目标图像;
根据所述目标图像和所述CNN模型,判断所述卫星太阳电池阵是否受损和/或位姿异常。
可选地,所述当所述卫星太阳电池阵受损和/或位姿异常时,根据所述在轨运行视频获取所述卫星太阳电池阵的受损和/或位姿异常位置,包括:
根据所述在轨运行视频获取异常图像,并获取所述异常图像对应的所述卫星太阳电池阵的受损和/或位姿异常位置。
可选地,所述当所述卫星太阳电池阵受损和/或位姿非异常时,根据所述在轨遥测数据和所述LSTM模型,判断卫星太阳电池板是否异常,包括:
根据所述在轨遥测数据和所述LSTM模型,获得电流预测值;
获取在轨实际电流值;
获取所述电流预测值和所述在轨实际电流值的差值;
根据所述差值,判断卫星太阳电池板是否异常,当所述差值大于预设阈值时,判定所述卫星太阳电池板异常。
可选地,所述当所述卫星太阳电池板异常时,获取所述卫星太阳电池板的位置,包括:
获取显示异常的所述子LSTM模型,根据所述子LSTM模型获得对应的所述卫星太阳电池板的位置。
为解决上述问题,本发明还提供一种卫星太阳电池阵异常预测方法的装置,包括:
获取单元,用于获取卫星太阳电池阵的历史运行视频和历史遥测数据;
处理单元,用于将所述历史运行视频进行抽帧和标注处理,获得历史运行数据集;
所述处理单元还用于根据所述历史运行数据集构建CNN模型,根据所述历史遥测数据构建LSTM模型;
所述获取单元还用于获取所述卫星太阳电池阵的在轨运行视频和在轨遥测数据;
判断单元,用于根据所述在轨运行视频和所述CNN模型,判断所述卫星太阳电池阵是否受损和/或位姿异常;
所述判断单元还用于当所述卫星太阳电池阵受损和/或位姿异常时,根据所述在轨运行视频获取所述卫星太阳电池阵的受损和/或位姿异常位置;
所述判断单元还用于当所述卫星太阳电池阵受损和/或位姿非异常时,根据所述在轨遥测数据和所述LSTM模型,判断卫星太阳电池板是否异常,当所述卫星太阳电池板异常时,获取所述卫星太阳电池板的位置。
本发明所述的一种卫星太阳电池阵异常预测方法的装置与所述的一种卫星太阳电池阵异常预测方法相对于现有技术的优势相同,在此不再赘述。
为解决上述问题,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述卫星太阳电池阵异常预测方法的步骤。
本发明所述的一种计算机设备与所述的一种卫星太阳电池阵异常预测方法相对于现有技术的优势相同,在此不再赘述。
为解决上述问题,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述卫星太阳电池阵异常预测方法的步骤。
本发明所述的一种计算机可读存储介质与所述的一种卫星太阳电池阵异常预测方法相对于现有技术的优势相同,在此不再赘述。
附图说明
图1为本发明实施例中卫星太阳电池阵异常预测方法的流程图之一;
图2为本发明实施例中卫星太阳电池阵异常预测方法的CNN模型构建的流程图;
图3为本发明实施例中卫星太阳电池阵异常预测方法的LSTM模型构建的流程图之一;
图4为本发明实施例中卫星太阳电池阵异常预测方法的LSTM模型构建的流程图之二;
图5为本发明实施例中卫星太阳电池阵异常预测方法的LSTM模型构建的流程图之三;
图6为本发明实施例中卫星太阳电池阵异常预测方法的流程图之二。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
为解决上述问题,结合图1所示,本发明提供一种卫星太阳电池阵异常预测方法,包括:
获取卫星太阳电池阵的历史运行视频和历史遥测数据;
具体地,历史运行视频记录卫星整个太阳电池阵的形态和位姿,可以理解的是历史运行视频包括正常工作状态和非正常工作状态下的太阳电池阵的形态和位姿,为后续构建模型判断是否异常提供数据支持;历史遥测数据包括但不限于太阳电池阵的历史电流、历史温度以及太阳辐射、辐射角度等。
将历史运行视频进行抽帧和标注处理,获得历史运行数据集;
具体地,抽帧是指在一段视频中,通过间隔一定帧数抽取若干帧的方式,每个视频在抽帧之前,都会先形成帧数,视频的帧数就是在1秒钟时间里传输的图片的量,也可以理解为图形处理器每秒钟能够刷新几次,通常用fps表示,本发明实施例将历史运行视频抽帧处理,再对其进行标注,从而获得历史运行数据集。
根据历史运行数据集构建CNN模型,根据历史遥测数据构建LSTM模型;
具体地,基于卷积神经网络并结合历史运行数据集构建CNN模型,该模型属于图像二分类模型,能够深度学习分类数据,从而实现通过运行视频判断卫星太阳电池阵是否异常,结合图2所示,本发明实施例CNN模型的构建过程是获取历史运行数据,根据历史运行数据获得历史运行数据集,将历史运行数据集划分为历史运行训练集和历史运行验证集,通过历史运行训练集对CNN模型进行训练,即对历史运行训练集进行数据样本拟合,并在训练过程中通过训练误差对样本数据的权重参数进行梯度下降处理,完成训练后的CNN模型还需要通过历史运行验证集进行验证,验证其泛化性能,由于在数据过少时容易出现数据过拟合的情况,因此需要提高泛化性能,而提高泛化性能的本质是引入更多的随机性数据,通过增加更多的随机性,使得输出结果能够逼近全局更优解,同时尽可能避免输出结果陷入局部优化,因此,可以理解的是本发明实施例的验证集通过对CNN模型的泛化性能进行初步评估,能够判断出CNN模型是否可以停止训练,即CNN模型是否构建完成,除此之外,本发明实施例的历史运行验证集还可以对用于CNN模型训练过程中的超参数调整,即对模型的一些优化完善,其中,超参数包括但不限于学习率等。
具体地,基于长短期记忆网络并结合历史遥测数据构建LSTM模型,长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,作为非线性模型,长短期记忆网络可作为复杂的非线性单元,用于构造更大型深度神经网络,由于其独特的设计结构,长短期记忆网络适合于处理和预测时间序列中间隔和延迟非常长的重要事件。
获取卫星太阳电池阵的在轨运行视频和在轨遥测数据;
具体地,对于在轨运行视频和在轨遥测数据的获取可以是实时获取或定时获取,具体方式根据实际应用需求设定。
根据在轨运行视频和CNN模型,判断卫星太阳电池阵是否受损和/或位姿异常;
具体地,经过训练构建的CNN模型能够根据获取的在轨运行视频判断卫星太阳电池阵是否受损和/或位姿异常,并对异常情况进行显示。
当卫星太阳电池阵受损和/或位姿异常时,根据在轨运行视频获取卫星太阳电池阵的受损和/或位姿异常位置;
具体地,当检测到卫星太阳电池阵有受损和/或位姿异常时,需要对其进行维修或更换,因此需要对受损和/或位姿异常位置进行确定,本发明实施例可根据在轨运行视频获取卫星太阳电池阵的受损和/或位姿异常位置。
当卫星太阳电池阵受损和/或位姿无异常时,根据在轨遥测数据和LSTM模型,判断卫星太阳电池板是否异常,当卫星太阳电池板异常时,获取卫星太阳电池板的位置。
具体地,当未能卫星太阳电池阵受损和/或位姿异常时,还需要对卫星电池阵的所有电池板进行检测,确保每个电池板是正常工作状态,通过在轨遥测数据和LSTM模型对每个电池板进行检测,当检测出某个或多个电池板异常时,则显示卫星太阳电池板异常,并通过LSTM模型获取卫星太阳电池板的位置,便于后续电池板的维修和更换。
本发明实施例通过联合CNN模型和LSTM模型对卫星太阳电池阵进行检测,对历史运行视频进行抽帧和标注处理,获得历史运行数据集,根据历史运行数据集构建CNN模型,获取历史遥测数据,根据所述历史遥测数据构建LSTM模型,通过CNN模型检测卫星太阳电池阵位姿是否正确展开和/或是否遭遇空间碎片而发生破损,若显示受损和/或位姿异常,则根据在轨运行视频获取卫星太阳电池阵的受损和/或位姿异常位置,若显示受损和/或位姿无异常,则将在轨遥测数据输入LSTM模型,检测卫星太阳电池阵中的电池板是否异常,若检测出卫星太阳电池板异常,则显示卫星太阳电池板异常,并获取显示异常的卫星太阳电池板的位置,通过本发明的异常检测能够实现实时不间断异常检测,且通过联合CNN模型和LSTM模型,不仅可以通过外观的受损和/或位姿来判断卫星太阳电池阵是否异常,还可以通过对每个卫星太阳电池板进行检测从而判断卫星太阳电池阵是否异常,因此能够在卫星太阳电池阵故障发生前或发生早期及时检测其异常并对其早维修、早更换,也能够避免仅一块或多块电池板故障而其它太阳电池板正常工作的情况影响对于卫星太阳电池阵异常检测结果,提高异常检测的准确率。
可选地,将历史运行视频进行抽帧和标注处理,获得历史运行数据集,包括:
将历史运行视频抽帧处理为历史运行图像,并对所有历史运行图像进行标注处理为正常工作或异常工作;
所有标注后的历史运行图像形成历史运行数据集。
具体地,本发明实施例将历史运行视频进行抽帧处理,随机在历史运行视频中抽取多个帧数为1的图像,即历史运行图像,并将所有的历史运行图像进行标注处理,即将每个历史运行图像标注标签,标签的形式为正常工作和异常工作,并根据历史运行图像实际工作情况选取其中之一进行标注,可以理解的是,对于标注处理包括但不限于这种标注方式,具体方式可根据实际应用设定,所有标注后的历史运行图像形成历史运行数据集,本发明实施例通过抽帧和标注处理将长视频进行分割,便于后续模型的训练、验证和检测。
可选地,根据历史遥测数据构建LSTM模型,包括:
根据卫星太阳电池板的在轨年限对历史遥测数据进行划分,获得多个历史遥测数据集;
根据多个历史遥测数据集构建子LSTM模型;
将多个子LSTM模型并联构建LSTM模型。
具体地,鉴于科技进步及卫星轨道紧张,卫星零部件拥有可维修、可更换的能力是发展趋势,因此,在实际卫星运行时,卫星太阳电池阵中的电池板实际在轨年限并不相同,从而若仅以单一在轨年限进行构建模型,对于检测结果的准确性有极大的影响,为解决实际应用过程中的在轨年限问题,结合图3所示,本发明实施例中获取历史遥测数据并按照在轨年限对历史遥测数据进行划分,从而获得多个不同在轨年限的历史遥测数据集,可以理解的是对于在轨年限间隔的划分可按实际应用过程中的实际需求设定不做限定,再将不同在轨年限的历史遥测数据集每个都按一定比例划分为历史遥测训练集和历史遥测验证集,可以理解的是划分比例可按实际需求设定不做限定,根据多组不同在轨年限的历史遥测训练集和历史遥测验证集训练和验证子LSTM模型,即每个子LSTM模型都包括所有在轨年限的数据参数,最后将多个子LSTM模型并联构建LSTM模型,其中,子LSTM模型的数量根据实际应用中卫星太阳电池阵的电池板个数确定。
其中,LSTM模型在进行历史遥测验证集验证时,获得电流预测值和实际电流值的偏差,根据偏差获得不同在轨年限的偏差子序列,通过对不同在轨年限的偏差子序列进行加权求和处理,获得不同在轨年限的偏差阈值,该偏差阈值可作为后续卫星太阳电池板异常检测的预设阈值,该偏差阈值的计算公式为:
,
其中,为偏差子序列,为偏差阈值。
一实施例中,卫星太阳电池阵包括10块太阳电池板,其中每块太阳电池板的在轨年限不同,为能更准确的预测每块太阳电池板的在轨年限,每块太阳电池板的位置对应一个子LSTM模型,且每个子LSTM模型在构建时都对所有在轨年限的数据参数进行训练,结合图4所示,获取历史遥测数据,按一定年限间隔划分为K个历史遥测数据集,并将其划分为历史遥测训练集和历史遥测验证集,并构建子LSTM模型,构建后的子LSTM模型包括所有不同年限的偏差阈值,因此每个子LSTM模型在检测太阳电池板在轨年限和/或人工输入太阳电池板在轨年限后,子LSTM模型根据在轨年限自动调节数据参数,从而提高太阳电池板预测的准确性,本实施例中当第一位置的太阳电池板的在轨年限为第一年限时,子LSTM模型自动调节为第一年限的数据参数,并对该太阳电池板进行电流预测。
可选地,结合图5所示,本发明实施例中的LSTM模型的构建也可以通过对每个在轨年限构建一个子LSTM模型,通过并联构建LSTM模型,每个卫星太阳电池板对应一个LSTM模型,若每个LSTM模型有M个子LSTM模型,那么当有N个卫星太阳电池板时,则有N×M个LSTM模型,将N×M个LSTM模型并联构建总LSTM模型,例如,本发明实施例中,根据第一电池板遥测数据集获得第一年限历史遥测数据集,将其划分为历史遥测训练集和历史遥测数据集,并构建子LSTM模型,且该模型包括第一年限对应的偏差阈值,可以理解的是其他年限子LSTM模型与上述第一年限子LSTM模型构建方式相同。
可选地,本发明实施例中的LSTM模型的构建还可以通过针对每个在轨年限构建一个子LSTM模型,再通过并联构建LSTM模型,因此每个子LSTM模型仅包括一组在轨年限所对应的数据参数,在实际应用中,LSTM模型获取卫星太阳电池板的在轨年限后,根据在轨年限将每个卫星太阳电池板的数据输入至对应在轨年限的子LSTM模型中进行检测,其中,子LSTM模型的数量根据实际应用中卫星太阳电池阵的电池板可使用的在轨年限确定。
可选地,根据在轨运行视频和CNN模型,判断卫星太阳电池阵是否受损和/或位姿异常,包括:
对在轨运行视频进行抽帧处理,获得目标图像;
根据目标图像和CNN模型,判断卫星太阳电池阵是否受损和/或位姿异常。
具体地,结合图6所示,由于卫星太阳电池阵长期面临着包括空间辐照、微流星体与空间碎片撞击等较为复杂的太空环境,因此通过CNN模型对在轨运行视频进行抽帧处理,获得目标图像,又因为CNN模型在构建训练过程中学习了大量的数据参数,所以CNN模型根据目标图像能够检测其是正常工作状态还是异常工作状态,当目标图像经检测后显示为异常工作状态,则判断卫星太阳电池阵为受损和/或位姿异常,可以理解的是若检测出卫星太阳电池阵是否受损和/或位姿异常则无需再对卫星太阳电池板进行检测,需对卫星太阳电池阵受损和/或位姿异常的位置进行维修,在维修后再次通过CNN模型进行检测,当CNN模型输出结果为无异常,再对所有卫星太阳电池板进行检测。
可选地,当卫星太阳电池阵受损和/或位姿异常时,根据在轨运行视频获取卫星太阳电池阵的受损和/或位姿异常位置,包括:
根据在轨运行视频获取异常图像,并获取异常图像对应的卫星太阳电池阵的受损和/或位姿异常位置。
具体地,在CNN模型输出结果为异常时,根据在轨运行视频获取异常图像,并根据异常图像查看具体受损和/或位姿异常位置,后续人工可根据受损和/或位姿异常位置对卫星太阳电池阵进行维修和/或更换。
可选地,当卫星太阳电池阵受损和/或位姿非异常时,根据在轨遥测数据和LSTM模型,判断卫星太阳电池板是否异常,包括:
根据在轨遥测数据和LSTM模型,获得电流预测值;
获取在轨实际电流值;
获取电流预测值和在轨实际电流值的差值;
根据差值,判断卫星太阳电池板是否异常,当差值大于预设阈值时,判定卫星太阳电池板异常。
具体地,结合图6所示,在轨遥测数据通过LSTM模型检测,获得电流预测值,获取电流预测值和在轨实际电流值的差值,可以理解的是当差值为负数是取其绝对值作为最终的差值,将差值与预设阈值进行比较,当差值大于预设阈值时,判定卫星太阳电池板异常,需要说明的是,对于判断卫星太阳电池板是否异常时,可连续进行多次检测且均显示异常后,再判定卫星太阳电池板异常,具体连续检测次数由实际应用时具体需求确定,可以理解的是连续检测次数越多,准确率越高,通过对每个卫星太阳电池板进行异常检测,能够在卫星太阳电池阵故障发生前或发生早期及时检测其异常并对其早维修、早更换,也能够避免仅一块或多块电池板故障而其它太阳电池板正常工作的情况影响对于卫星太阳电池阵异常检测的结果,提高异常检测的准确率。
可选地,当卫星太阳电池板异常时,获取卫星太阳电池板的位置,包括:
获取显示异常的子LSTM模型,根据子LSTM模型获得对应的卫星太阳电池板的位置。
具体地,当卫星太阳电池板显示异常后,为便于对卫星太阳电池板的维修或更换,需要获取卫星太阳电池板的位置,在实际应用中,可根据每个电池板的位置进行标号,通过将各个子LSTM模型与位置标号进行关联,从而可以根据显示异常的那个子LSTM模型确定对应位置标号的卫星太阳电池板的位置,实现对异常卫星太阳电池板位置的准确定位。
和上述智能指挥方法相对应,本发明实施例还提供了一种卫星太阳电池阵异常预测方法的装置,包括:
获取单元,用于获取卫星太阳电池阵的历史运行视频和历史遥测数据;
处理单元,用于将历史运行视频进行抽帧和标注处理,获得历史运行数据集;
处理单元还用于根据历史运行数据集构建CNN模型,根据历史遥测数据构建LSTM模型;
获取单元还用于获取卫星太阳电池阵的在轨运行视频和在轨遥测数据;
判断单元,用于根据在轨运行视频和CNN模型,判断卫星太阳电池阵是否受损和/或位姿异常;
判断单元还用于当卫星太阳电池阵受损和/或位姿异常时,根据在轨运行视频获取卫星太阳电池阵的受损和/或位姿异常位置;
判断单元还用于当卫星太阳电池阵受损和/或位姿非异常时,根据在轨遥测数据和LSTM模型,判断卫星太阳电池板是否异常,当卫星太阳电池板异常时,获取卫星太阳电池板的位置。
本实施例中的一种卫星太阳电池阵异常预测方法的装置与的一种卫星太阳电池阵异常预测方法相对于现有技术的优势相同,在此不再赘述。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述卫星太阳电池阵异常预测方法的步骤。
在一个实施例中,提供了还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述卫星太阳电池阵异常预测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种卫星太阳电池阵异常预测方法,其特征在于,包括:
获取卫星太阳电池阵的历史运行视频和历史遥测数据;
将所述历史运行视频进行抽帧和标注处理,获得历史运行数据集;
根据所述历史运行数据集构建CNN模型,根据所述历史遥测数据构建LSTM模型;
获取所述卫星太阳电池阵的在轨运行视频和在轨遥测数据;
根据所述在轨运行视频和所述CNN模型,判断所述卫星太阳电池阵是否受损和/或位姿异常;
当所述卫星太阳电池阵受损和/或位姿异常时,根据所述在轨运行视频获取所述卫星太阳电池阵的受损和/或位姿异常位置;
当所述卫星太阳电池阵受损和/或位姿无异常时,根据所述在轨遥测数据和所述LSTM模型,判断卫星太阳电池板是否异常,当所述卫星太阳电池板异常时,获取所述卫星太阳电池板的位置。
2.根据权利要求1所述的卫星太阳电池阵异常预测方法,其特征在于,所述将所述历史运行视频进行抽帧和标注处理,获得历史运行数据集,包括:
将所述历史运行视频抽帧处理为历史运行图像,并对所有所述历史运行图像进行标注处理为正常工作或异常工作;
所有标注后的所述历史运行图像形成历史运行数据集。
3.根据权利要求1所述的卫星太阳电池阵异常预测方法,其特征在于,所述根据所述历史遥测数据构建LSTM模型,包括:
根据所述卫星太阳电池板的在轨年限对所述历史遥测数据进行划分,获得多个历史遥测数据集;
根据多个所述历史遥测数据集构建子LSTM模型;
将多个所述子LSTM模型并联构建所述LSTM模型。
4.根据权利要求1所述的卫星太阳电池阵异常预测方法,其特征在于,所述根据所述在轨运行视频和所述CNN模型,判断所述卫星太阳电池阵是否受损和/或位姿异常,包括:
对所述在轨运行视频进行抽帧处理,获得目标图像;
根据所述目标图像和所述CNN模型,判断所述卫星太阳电池阵是否受损和/或位姿异常。
5.根据权利要求4所述的卫星太阳电池阵异常预测方法,其特征在于,所述当所述卫星太阳电池阵受损和/或位姿异常时,根据所述在轨运行视频获取所述卫星太阳电池阵的受损和/或位姿异常位置,包括:
根据所述在轨运行视频获取异常图像,并获取所述异常图像对应的所述卫星太阳电池阵的受损和/或位姿异常位置。
6.根据权利要求1所述的卫星太阳电池阵异常预测方法,其特征在于,所述当所述卫星太阳电池阵受损和/或位姿非异常时,根据所述在轨遥测数据和所述LSTM模型,判断卫星太阳电池板是否异常,包括:
根据所述在轨遥测数据和所述LSTM模型,获得电流预测值;
获取在轨实际电流值;
获取所述电流预测值和所述在轨实际电流值的差值;
根据所述差值,判断卫星太阳电池板是否异常,当所述差值大于预设阈值时,判定所述卫星太阳电池板异常。
7.根据权利要求6所述的卫星太阳电池阵异常预测方法,其特征在于,所述当所述卫星太阳电池板异常时,获取所述卫星太阳电池板的位置,包括:
获取显示异常的所述子LSTM模型,根据所述子LSTM模型获得对应的所述卫星太阳电池板的位置。
8.一种卫星太阳电池阵异常预测方法的装置,其特征在于,包括:
获取单元,用于获取卫星太阳电池阵的历史运行视频和历史遥测数据;
处理单元,用于将所述历史运行视频进行抽帧和标注处理,获得历史运行数据集;
所述处理单元还用于根据所述历史运行数据集构建CNN模型,根据所述历史遥测数据构建LSTM模型;
所述获取单元还用于获取所述卫星太阳电池阵的在轨运行视频和在轨遥测数据;
判断单元,用于根据所述在轨运行视频和所述CNN模型,判断所述卫星太阳电池阵是否受损和/或位姿异常;
所述判断单元还用于当所述卫星太阳电池阵受损和/或位姿异常时,根据所述在轨运行视频获取所述卫星太阳电池阵的受损和/或位姿异常位置;
所述判断单元还用于当所述卫星太阳电池阵受损和/或位姿非异常时,根据所述在轨遥测数据和所述LSTM模型,判断卫星太阳电池板是否异常,当所述卫星太阳电池板异常时,获取所述卫星太阳电池板的位置。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述卫星太阳电池阵异常预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的卫星太阳电池阵异常预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310056858.9A CN116091457B (zh) | 2023-01-16 | 2023-01-16 | 一种卫星太阳电池阵异常预测方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310056858.9A CN116091457B (zh) | 2023-01-16 | 2023-01-16 | 一种卫星太阳电池阵异常预测方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091457A true CN116091457A (zh) | 2023-05-09 |
CN116091457B CN116091457B (zh) | 2023-10-27 |
Family
ID=86205975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310056858.9A Active CN116091457B (zh) | 2023-01-16 | 2023-01-16 | 一种卫星太阳电池阵异常预测方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091457B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646167A (zh) * | 2013-11-22 | 2014-03-19 | 北京空间飞行器总体设计部 | 一种基于遥测数据的卫星异常状态检测*** |
CN106199276A (zh) * | 2016-07-25 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种用电信息采集***中异常信息的智能诊断***及方法 |
CN110569700A (zh) * | 2018-09-26 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 优化损伤识别结果的方法及装置 |
US20200279367A1 (en) * | 2019-02-28 | 2020-09-03 | Measure Global, Inc. | Drone inspection analytics for asset defect detection |
KR20200119383A (ko) * | 2019-03-26 | 2020-10-20 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
CN113283113A (zh) * | 2021-06-11 | 2021-08-20 | 中国人民解放军国防科技大学 | 航天器太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 |
CN114943858A (zh) * | 2022-04-22 | 2022-08-26 | 阿里巴巴(中国)有限公司 | 数据中心巡检***、电池异常识别方法、设备及存储介质 |
-
2023
- 2023-01-16 CN CN202310056858.9A patent/CN116091457B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646167A (zh) * | 2013-11-22 | 2014-03-19 | 北京空间飞行器总体设计部 | 一种基于遥测数据的卫星异常状态检测*** |
CN106199276A (zh) * | 2016-07-25 | 2016-12-07 | 国电南瑞科技股份有限公司 | 一种用电信息采集***中异常信息的智能诊断***及方法 |
CN110569700A (zh) * | 2018-09-26 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 优化损伤识别结果的方法及装置 |
US20200279367A1 (en) * | 2019-02-28 | 2020-09-03 | Measure Global, Inc. | Drone inspection analytics for asset defect detection |
KR20200119383A (ko) * | 2019-03-26 | 2020-10-20 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
CN113283113A (zh) * | 2021-06-11 | 2021-08-20 | 中国人民解放军国防科技大学 | 航天器太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 |
CN114943858A (zh) * | 2022-04-22 | 2022-08-26 | 阿里巴巴(中国)有限公司 | 数据中心巡检***、电池异常识别方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116091457B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
Herp et al. | Bayesian state prediction of wind turbine bearing failure | |
Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
Zio et al. | A data-driven fuzzy approach for predicting the remaining useful life in dynamic failure scenarios of a nuclear system | |
US11035346B2 (en) | Method and device for predicting wind turbine fault | |
Jufri et al. | Development of Photovoltaic abnormal condition detection system using combined regression and Support Vector Machine | |
US20140222379A1 (en) | Method and apparatus for monitoring an operational state of a system on the basis of telemetry data | |
CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
JP6813291B2 (ja) | 太陽光発電の性能評価方法 | |
Pan et al. | Anomaly detection for satellite power subsystem with associated rules based on kernel principal component analysis | |
US20190163549A1 (en) | Label rectification and classification/prediction for multivariate time series data | |
JP6148508B2 (ja) | 発電設備に対する収益分析装置およびその方法、ならびにプログラム | |
CN116164843A (zh) | 一种基于物联网的电缆监测预警方法及*** | |
JP6608619B2 (ja) | 太陽光発電システムの発電状況診断方法及びその装置 | |
CN116091457B (zh) | 一种卫星太阳电池阵异常预测方法、装置及计算机设备 | |
Liu et al. | Automatic early fault detection for rod pump systems | |
CN113283113B (zh) | 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 | |
JP6377805B2 (ja) | 発電設備に対する収益分析装置およびその方法、ならびにプログラム | |
Lindig et al. | Towards the development of an optimized Decision Support System for the PV industry: A comprehensive statistical and economical assessment of over 35,000 O&M tickets | |
US20230188091A1 (en) | Method and apparatus for diagnosing photovoltaic panel faults | |
JP6548955B2 (ja) | 太陽光発電における発電量推定学習の支援システム | |
Mesa-Jiménez et al. | Early warning signals of failures in building management systems | |
Laskowska et al. | Prognostic model for reliability assessment of emergency shutdown valves used in oil & gas facility | |
KR102525249B1 (ko) | 인공지능 기반 영상 처리를 통한 태양광 발전소 이상 모니터링 및 분석 방법, 장치 및 시스템 | |
CN116990685B (zh) | 一种预退役电机质量评测方法及*** |
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 |