一种基于GRU和GARCH的卫星长周期异方差退化预测评估方法技术

本发明专利技术实施例提供了一种基于GRU和GARCH的卫星长周期异方差退化预测评估方法，其设计思想是：针对传感器采集到的遥测参数数据具有长期退化以及异方差特征，首先对原始参数进行预处理以及时间序列分解，GRU模型对趋势项预测，以解决长期退化问题，GARCH模型对残差项进行预测，以解决异方差问题；并且结合卫星季节性周期规律，得到卫星参数预测结果。同时，在残差项中提取出卫星的正常波动阈值信息，并与季节项、趋势项相结合，实现了卫星稳定一致性自适应阈值的构建，基于此自适应阈值提出了卫星的稳定一致性健康评估方法。本方法能够准确地预测受卫星环境和多任务影响波动较大的遥测数据并且阈值可以在线更新较传统方法更有效准确。

【技术实现步骤摘要】
一种基于GRU和GARCH的卫星长周期异方差退化预测评估方法
本专利技术涉及卫星领域，特别涉及一种基于GRU和GARCH的卫星长周期异方差退化预测评估方法。
技术介绍
由于卫星长期处在太阳辐射等恶劣的外太空环境下，其在轨运行期间可能会发生无法预料的异常或故障，提前采取措施及时发现这些无法预料的异常或故障，对保障卫星长期稳定运行至关重要。因此，遥测数据的异常检测在卫星故障排查和实时健康检测等领域具有重要的意义。考虑到卫星复杂的设计结构和恶劣的工作环境，无法直接在外太空的环境下进行异常检测。目前通过在卫星各部件上安装多个传感器直接采集卫星各部件的在轨运行数据，将在轨运行数据传输到地面遥测中心，存储为时序遥测数据，然后对卫星时序遥测数据进行分析，进而实现对卫星在轨状态的异常检测。目前在卫星退化预测评估以及异常监测方面也有了一定的专利成果，如《一种对抗网络自编码器的卫星异常检测方法》，《一种对卫星遥测参数位置信息自动检错的方法》，《一种数据驱动的卫星分系统异常预测方法》等，传统的异常监测方法都是基于人为设定阈值的基础上，监测卫星参数与阈值之间的本文档来自技高网...

【技术保护点】
1.一种基于GRU和GARCH的卫星长周期异方差退化预测评估方法，对具有长周期异方差特征的卫星监测参数数据进行退化预测与评估，其特征在于，所述方法包括：/n步骤一：传感器收集到卫星遥测参数数据；/n步骤二：对卫星的遥测参数数据进行3σ去野处理，剔除数据中的异常点；/n步骤三：对卫星遥测参数数据按日取平均值，提取卫星主要变化趋势；/n步骤四：利用时间序列分解算法(STL)将预处理后的历史遥测参数数据分解为季节项、趋势项以及残差项三部分；/n步骤五：构建历史遥测参数的趋势项的GRU长期时间序列预测模型；/n步骤六：构建历史遥测参数的残差项的GARCH异方差时间序列预测模型；/n步骤七：基于卫星历史...

【技术特征摘要】
1.一种基于GRU和GARCH的卫星长周期异方差退化预测评估方法，对具有长周期异方差特征的卫星监测参数数据进行退化预测与评估，其特征在于，所述方法包括：
步骤一：传感器收集到卫星遥测参数数据；
步骤二：对卫星的遥测参数数据进行3σ去野处理，剔除数据中的异常点；
步骤三：对卫星遥测参数数据按日取平均值，提取卫星主要变化趋势；
步骤四：利用时间序列分解算法(STL)将预处理后的历史遥测参数数据分解为季节项、趋势项以及残差项三部分；
步骤五：构建历史遥测参数的趋势项的GRU长期时间序列预测模型；
步骤六：构建历史遥测参数的残差项的GARCH异方差时间序列预测模型；
步骤七：基于卫星历史季节项周期规律构建历史遥测参数的季节项预测模型；
步骤八：通过GRU、GARCH以及季节项预测模型预测结果，进行多维融合，得到卫星遥测参数的预测结果；
步骤九：读取残差项中上下波动阈值范围，通过季节项以及趋势项与阈值叠加，得到卫星波动自适应阈值；
步骤十：计算卫星在线监测参数与阈值的马氏距离得到卫星当前健康度。


2.根据权利要求1所述的方法，步骤二中对卫星的遥测参数数据进行3σ去野处理，其特征在于，
3σ去野处理为数据预处理方法中的一种，根据误差理论剔除明显异常的数据点，以便提高模型的精度，根据误差理论，当测量数据服从正态分布时，其落在三倍方差[-3σ,3σ]之内的概率大于99.73％，落在此区间之外的概率不到0.3％，所以，可以认为落在该区间之外的测量值为异常值，应该予以剔除，该方法称为3σ方法。
首先对于遥测参数A＝{x1,x2,x3,…,xn}计算其均值x残差vi以及标准差σ，计算公式如下：









计算出遥测参数的均值、残差以及标准差后，进行判断，若则认为xi是野值，进行剔除。


3.根据权利要求1所述的方法，步骤三中对卫星遥测参数数据按日取平均值，提取卫星主要变化趋势，其特征在于，
卫星遥测参数数据按日取平均值是指由于卫星遥测参数采集间隔短，而参数变化趋势较小，因此将同一天的遥测参数数据进行平均值计算，以计算结果代表当天的遥测参数，以便提取出长期的参数变化趋势。


4.根据权利要求1所述的方法，步骤四中利用时间序列分解算法(STL)将预处理后的历史遥测参数数据分解为季节项、趋势项以及残差项三部分，其特征在于，
所述时间序列分解算法是以鲁棒局部加权回归作平滑的时间序列分解算法。STL算法的基础是鲁棒加权回归法，基于局部加权回归将某时刻的数据Yv分解为趋势分量、周期分量和余项:
Yv＝Tv+Sv+Rvv＝1,…,N
基于局部加权回归，STL通过内循环与外循环中一系列的平滑操作，逐步分离出趋势分量与季节分量，其中，内循环的每一次计算中趋势分量与季节分量逐步更新，而在外循环中，由上一次内循环的结果计算鲁棒权重，用以减少下一次内循环中少量的噪声引起的异常。在循环完成后可以通过公式Yv＝Tv+Sv+Rvv＝1,…,N计算出余项Rv，STL时间序列分解算法在外循环中调整临近权重，在内循环中完成去趋势、去周期以及平滑处理，最终，逐步分解出趋势项，季节项与余项。


5.根据权利要求1所述的方法，步骤五中构建历史遥测参数的趋势项的GRU长期时间序列预测模型，其特征在于，
针对STL分解产生的趋势项，本专利使用GRU长期时间序列预测模型进行预测。GRU神经网络模型包括一个输入层，一个GRU隐藏层和一个输出层；通过门递归长短期记忆模块更新数据，一个门递归长短期记忆模块由更新门和重置门构成。
GRU神经网络模型使用平均绝对误差MAE损失函数来更新...

【专利技术属性】
技术研发人员：陶来发，张统，郝杰，贾苑，丁宇，吕琛，
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