一种基于Kalman滤波的卫星遥测数据预测方法技术

一种基于Kalman滤波的卫星遥测数据预测方法，针对卫星遥测数据量庞大、信号类型复杂、数据实时性、一致性和可靠性要求高、数据随环境变化快、传统手工数据判读方法无法满足卫星测试需求的问题，利用卫星当前时刻的遥测数据，实时预测下一时刻的遥测数据，能够提前发现数据的异常变化。实际测试应用中，如卫星遥测数据发生异常，某个遥测值异常攀升或下降，初期因为没有超过预先设定的门限值，测试人员无法发现测试异常。应用此数据预测方法，能准确预测出下一周期数据，对数据异常区域反应迅速，及时发现并预报数据异常，提醒测试人员重点关注，且算法执行效率高，可很好地满足卫星测试的实时性要求，适用于长期数据判读和异常数据检测。

【技术实现步骤摘要】
一种基于Kalman滤波的卫星遥测数据预测方法
本专利技术涉及一种基于Kalman滤波的卫星遥测数据预测方法，属于卫星测试

技术介绍
卫星遥测数据判读是指卫星在地面综合测试过程中，依据判读准则，对卫星控制指令、下行遥测数据进行相关性检查，判断卫星各设备工作是否正常、接口是否正确、卫星运行是否正常的过程。为了准确把握卫星的工作状态，及时发现问题，测试人员必须对这些数据进行不间断的监视和判读。目前，大部分卫星数据判读工作仍以人为主完成，这不但需要大量具有丰富知识和经验的测试人员，还存在着漏判和误判的隐患。卫星测试过程需要监视、检测数百个部件(如载荷、敏感器和执行机构等)的实时数据和状态。测试数据量庞大、信号类型复杂、数据实时性、一致性和可靠性要求高、数据随环境变化快，因此对卫星测试系统中数据判读和处理速度等均提出很高要求，传统手工数据判读方法无法满足卫星测试需求。为解决上述问题，目前主要使用遥测参数自动化监视工具软件，能够自动根据定义的参数范围进行数据判读，参数越界时发出报警提示，但是对于参数异常范围的定义不够精确，且严重依赖测试人员的经验。在目前型号任务日趋繁重、卫星结构日趋复杂的形势下，寻找一种有效的数据预测方法，并最终实现计算机自动判读，显得越来越重要。
技术实现思路
本专利技术的技术解决问题是：克服现有技术的不足，提供一种基于Kalman滤波的卫星遥测数据预测方法，利用卫星当前时刻的遥测数据，实时预测下一时刻的遥测数据，及时发现并预报数据异常，提醒测试人员重点关注，并且算法执行效率高，能够很好地满足卫星测试的实时性要求，适用于长期数据判读和异常数据检测。本专利技术的技术解决方案是：一种基于Kalman滤波的卫星遥测数据预测方法，预测步骤如下：（1）Kalman滤波器参数初始化，包括待预测遥测数据初值和预测误差方差阵初值；将待预测遥测数据初值作为步骤（2）中遥测数据最优估计值的初始值，将预测误差方差阵初值作为步骤（2）中预测误差方差阵的初始值；（2）通过Kalman滤波器状态更新方程，根据当前k时刻遥测数据的最优估计值，预测k+1时刻的遥测数据，即k+1时刻的遥测数据预测值，用于进行卫星遥测数据判读；通过Kalman滤波器状态更新方程，根据当前k时刻的预测误差方差阵，计算遥测数据预测的误差方差阵，即k+1时刻的预测误差方差阵，k=1,2,…,n，n为观测值个数；（3）利用步骤（2）求得的遥测数据预测的误差方差阵，计算Kalman滤波器增益矩阵，步骤（4）和步骤（5）使用Kalman滤波器增益矩阵来校正步骤（2）求得的遥测数据预测值和预测误差方差阵；（4）利用卫星k+1时刻遥测数据的实际观测值和步骤（3）求得的Kalman滤波器增益矩阵来校正步骤（2）求得的k+1时刻的遥测数据预测值，求得k+1时刻的遥测数据最优估计值；（5）利用步骤（3）求得的Kalman滤波器增益矩阵求得k+1时刻的最优估计的误差方差阵；（6）利用步骤（4）求得的k+1时刻的遥测数据最优估计值和步骤（5）求得的k+1时刻的最优估计的误差方差阵进行k+2时刻的遥测数据预测；（7）重复（2）至（6）步骤。本专利技术与现有技术相比的优点是：（1）改变了目前遥测参数自动化监视工具软件仅根据定义的参数范围进行数据判读的现状，实际测试应用中，如卫星遥测数据发生异常，某个遥测值异常攀升或下降，初期因为没有超过预先设定的门限值，测试人员无法发现测试异常。应用此数据预测方法，经过一段时间的数据积累，系统能够快速给出一段时间后参数越界的报警，提醒测试人员重点关注，便于发现遥测数据异常变化趋势；（2）通过合理建立遥测数据的状态方程和观测方程及方程中相关参数的设置，使得预测方法对数据异常区域反应迅速，算法执行效率高，且易于实现计算机自动判读，很好地满足卫星测试的实时性要求，适用于长期数据判读和异常数据检测。附图说明图1为本专利技术方法工作流程图。具体实施方式Kalman滤波是以最小均方误差为准则的最佳线性估计，它根据前一个估计值和最近一个观测值来估计信号的当前值，利用状态方程和递推方法进行估计，而且得到的解也是以估计值的形式给出的，能很好地应用于处理多变量系统、时变线性系统及非线性系统的最佳滤波等。下面结合附图对本专利技术作进一步详细地描述：如果要实现遥测数据的预测，首先要建立遥测数据的状态方程和观测方程。将遥测数据用X表示，不失一般性，设该参数与时间t可用非线性函数表示为：X=X(t)(1)根据遥测数据特点，在有限时间内，考虑到平稳过程中还受环境变化的影响，遥测数据用时间2阶Taylor展开近似，设遥测数据采样时间间隔为Δt，则可得：式（2）中，Xk表示遥测数据，表示遥测数据随时间的变化率，表示遥测数据随时间变化的加速度；k代表第k个采样时刻（即第k个星时，则Δt=1）；O(Δt3)是2阶Taylor展开的佩亚诺余项，表示2阶多项式近似的误差。式（2）即为遥测数据的CA（ConstantAcceleration）模型，该式实质上是遥测数据关于时间的回归模型。由式（2）可得遥测数据的状态方程描述：式（3）中，是k时刻的状态向量，分别代表式（2）中的Xk，和分别代表它们的误差，即系统的模型噪声，是均值为零、协方差矩阵为Q的正态白噪声（即Q=1）。式（3）中遥测数据k时刻到k+1时刻的状态转移矩阵如下：观测方程记为：式（4）中，Vk+1表示观测误差，是均值为零、协方差矩阵为R的正态白噪声（即R=1），且与Wk互不相关，Zk+1表示观测向量。根据式（3）的状态方程，由于观测向量即为遥测数据故设计观测矩阵H为1×3维：H=[100]。在建立了遥测数据状态方程（3）和观测方程（4）的基础上，遥测数据Xk+1的最佳估计值可以由下面的Kalman滤波方程组给出。Kalman滤波器的状态更新方程如下：校正方程如下：式（5）至式（9）中，表示由k时刻到k+1时刻的遥测数据预测值，表示由k时刻到k+1时刻的遥测数据预测的误差方差阵，表示校正后的遥测数据最优估计值，表示校正后的最优估计的误差方差阵，Kk+1表示滤波器增益矩阵。如图1所示，一种基于Kalman滤波的卫星遥测数据预测方法步骤如下：（1）Kalman滤波器参数初始化，包括待预测遥测数据初值和预测误差方差阵初值该初始化初值可作为步骤（2）中遥测数据最优估计值的初始值和预测误差方差阵的初始值；（2）通过Kalman滤波器状态更新方程，利用公式（5）根据当前k时刻遥测数据的最优估计值，预测k+1时刻的遥测数据，即k+1时刻的遥测数据预测值用于进行卫星遥测数据判读；通过Kalman滤波器状态更新方程，利用公式（6）根据当前k时刻的预测误差方差阵，计算遥测数据预测的误差方差阵，即k+1时刻的预测误差方差阵k=1,2,…,n，n为观测值个数；（3）利用步骤（2）求得的遥测数据预测的误差方差阵利用公式（7）计算Kalman滤波器增益矩阵Kk+1，步骤（4）和步骤（5）使用Kalman滤波器增益矩阵Kk+1来校正步骤（2）求得的k+1时刻遥测数据预测值和k+1时刻预测误差方差阵（4）利用k+1时刻遥测数据的实际观测值Zk+1和步骤（3）求得的Kalman滤波器增益矩阵Kk+1，通过公式（8）来校正步骤（2）求得的k+1时刻的遥测数据预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Kalman滤波的卫星遥测数据预测方法，其特征在于步骤如下：(1)根据遥测数据特点，在有限时间内，考虑到平稳过程中受环境变化的影响，遥测数据用时间2阶Taylor展开近似，设遥测数据采样时间间隔为Δt，则得到k+1时刻的遥测数据：其中，Xk表示遥测数据，表示遥测数据随时间的变化率，表示遥测数据随时间变化的加速度；k代表第k个采样时刻，即第k个星时，则Δt＝1；O(Δt3)是2阶Taylor展开的佩亚诺余项，表示2阶多项式近似的误差；(2)建立遥测数据的状态方程和观测方程；遥测数据的状态方程：其中，是k时刻的状态向量，分别代表步骤(1)中的Xk，和Wk＝[Wk0Wk1Wk2]T分别代表它们的误差，即系统的模型噪声，是均值为零、协方差矩阵为Q的正态白噪声，即Q＝1；遥测数据的观测方程：其中，Vk+1表示观测误差，是均值为零、协方差矩阵为R的正态白噪声(即R＝1)，且与Wk互不相关，Zk+1表示观测向量，设计观测矩阵H...

【专利技术属性】
技术研发人员：吴婧，陆春玲，苏振华，常武军，刘鸣鹤，
申请(专利权)人：航天东方红卫星有限公司，
类型：发明
国别省市：