一种基于高斯混合模型的卫星健康评估方法技术

本发明专利技术公开了一种基于高斯混合模型的卫星健康评估方法，包括：通过对获取的正常运行多维遥参数据和当前运行多维遥参数据分别进行预处理特征提取，得到正常高维特征向量和当前高维特征向量；利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。

【技术实现步骤摘要】
一种基于高斯混合模型的卫星健康评估方法
本专利技术涉及航天器
，特别涉及一种基于高斯混合模型的卫星健康评估方法。
技术介绍
卫星系统由许多元部件组成，结构复杂，加之轨道环境可能存在的不确定因素的影响，很难保证在轨运行期间不发生任何故障。卫星系统故障发生的形式多样，而且系统内各组成部分功能相关联，故障传播可能引起链式反应，一旦不能及时干预，将导致严重后果，因此对卫星开展有效的健康管理需求迫切。卫星健康管理主要包括异常检测、故障诊断、健康评估与寿命预测。由于卫星故障模式多样且故障样本缺乏，目前尚未建立起系统完善的卫星故障数据库，导致依赖故障数据的故障诊断难以在实际中推广。尽管异常检测技术具有不依赖故障样本的特点，但其无法从遥参数据中挖掘足够的健康信息，不能对卫星健康状态的动态演化进行有效地表征。对此，健康评估技术具有不依赖故障样本、动态表征系统健康状态的能力，在实际应用条件下具有极大使用价值。目前，卫星健康评估主要依赖层次分析法、模糊评判法等技术。这些方法往往需要大量的专家知识来进行参数加权融合以及健康等级划分，不能充分利用遥参数据中潜在的健康信息，同时推广泛化难度大。
技术实现思路
根据本专利技术实施例提供的方案解决的技术问题是当前卫星状态评估方法中需要对专家知识依赖的问题。根据本专利技术实施例提供的一种基于高斯混合模型的卫星健康评估方法，包括：从历史遥参数据中获取卫星健康状态下的正常运行多维遥参数据和用于待评估卫星健康状态的当前运行多维遥参数据；通过对所述正常运行多维遥参数据和所述当前运行多维遥参数据分别进行预处理特征提取，得到所述正常运行多维遥参数据的正常高维特征向量和所述当前运行多维遥参数据的当前高维特征向量；利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。优选地，所述计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：通过将所述正常高维特征向量输入到训练后的正常高斯混合模型中，得到正常概率分数，以及通过将所述当前高维特征向量输入到所述训练后的当前高斯混合模型中，计算当前概率分数；根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度。优选地，所述根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：其中，所述overlap为重叠度；所述g1(x)为正常概率分数；所述g2(x)为当前概率分数。优选地，所述利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型包括：根据预先设定的所述初始高斯混合模型的初始值，计算出所述初始高斯混合模型的模型验概率pik；利用最大概似法和所述模型验概率pik，重新估计和修正所述初始高斯混合模型的初始值参数。优选地，所述训练后的正常高斯混合模型包括：其中，所述K为模型的混合数；所述ωk为高斯混合模型的权重系数，所述φk(x|θk)为第k个单一高斯分布概率密度函数；所述μ为均值，密度函数的中心点；所述∑k为第k个单一高斯分布概率密度函数的协方差矩阵。优选地，所述计算所述初始高斯混合模型的模型验概率pik包括：其中，所述ωk为高斯混合模型的权重系数，所述K为混合数目；所述φk(x|θk)为第k个单一高斯分布概率密度函数。优选地，所述重新估计和修正所述初始高斯混合模型的初始值参数包括：其中，所述pik为模型验概率；所述θk为第k个高斯函数的参数；所述K为混合数目；ωk为高斯混合模型的权重系数，优选地，所述通过对所述重叠度进行归一化处理，得到当前健康度指数值包括：根据本专利技术实施例提供的方案，能有效挖掘卫星健康信息，尽可能少依赖专家知识的健康评估技术，来对卫星健康状态进行实时有效地度量。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于理解本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术实施例提供的一种基于高斯混合模型的卫星健康评估方法的流程图；图2是本专利技术实施例提供的基于高斯混合模型的卫星健康评估框图；图3是本专利技术实施例提供的GMM重叠度原理图；图4是本专利技术实施例提供的去野值后的短期数据图；图5是本专利技术实施例提供的去野值后的长期数据图；图6是本专利技术实施例提供的标准化处理前后数据对比图。具体实施方式以下结合附图对本专利技术的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。本专利技术通过利用对高斯混合模型用简单模型表达复杂结构、结合参数模型解析优势和非参数模型灵活性、模型不依赖于先验知识等优势，对卫星遥测参数的数据信息挖掘，用遥测参数中包含的健康信息对比当前状态的遥测参数来实现对卫星健康状态的表征。本专利技术通过对健康状态数据和当前待评估状态数据的特征提取与预处理、高斯混合模型聚类、密度分布函数重叠度计算和健康度序列的计算，能够解决现有健康评估模型中对专家知识依赖度过高、评估模型推广度差的问题，并且本专利技术提出的新评估模型评估可信度高，灵敏度高并且易于推广。图1是本专利技术实施例提供的一种基于高斯混合模型的卫星健康评估方法的流程图，如图1所示，包括：步骤S101：从历史遥参数据中获取卫星健康状态下的正常运行多维遥参数据和用于待评估卫星健康状态的当前运行多维遥参数据；步骤S102：通过对所述正常运行多维遥参数据和所述当前运行多维遥参数据分别进行预处理特征提取，得到所述正常运行多维遥参数据的正常高维特征向量和所述当前运行多维遥参数据的当前高维特征向量；步骤S103：利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；步骤S104：计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；步骤S105：利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。其中，所述计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：通过将所述正常高维特征向量输入到训练后的正常高斯混合模型中，得到正常概率分数，以及通过本文档来自技高网...

【技术保护点】
1.一种基于高斯混合模型的卫星健康评估方法，其特征在于，包括：/n从历史遥参数据中获取卫星健康状态下的正常运行多维遥参数据和用于待评估卫星健康状态的当前运行多维遥参数据；/n通过对所述正常运行多维遥参数据和所述当前运行多维遥参数据分别进行预处理特征提取，得到所述正常运行多维遥参数据的正常高维特征向量和所述当前运行多维遥参数据的当前高维特征向量；/n利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；/n计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；/n利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。/n

【技术特征摘要】
20190603 CN 20191047457071.一种基于高斯混合模型的卫星健康评估方法，其特征在于，包括：
从历史遥参数据中获取卫星健康状态下的正常运行多维遥参数据和用于待评估卫星健康状态的当前运行多维遥参数据；
通过对所述正常运行多维遥参数据和所述当前运行多维遥参数据分别进行预处理特征提取，得到所述正常运行多维遥参数据的正常高维特征向量和所述当前运行多维遥参数据的当前高维特征向量；
利用所述正常高维特征向量对初始高斯混合模型进行训练处理，得到训练后的正常高斯混合模型，并利用所述当前高维特征向量对所述训练后的正常高斯混合模型进行训练处理，得到训练后的当前高斯混合模型；
计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度，并通过对所述重叠度进行归一化处理，得到当前健康度指数值；
利用多个所述当前健康度指数值，对所述卫星健康状态进行评估处理。


2.根据权利要求1所述的方法，其特征在于，所述计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：
通过将所述正常高维特征向量输入到训练后的正常高斯混合模型中，得到正常概率分数，以及通过将所述当前高维特征向量输入到所述训练后的当前高斯混合模型中，计算当前概率分数；
根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度。


3.根据权利要求2所述的方法，其特征在于，所述根据所述正常概率分数和所述当前概率分数，计算所述训练后的正常高斯混合模型和所述训练后的当前高斯混合模型的重叠度包括：

【专利技术属性】
技术研发人员：吕琛，陶来发，张兴柳，李商羽，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11