一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法技术

基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法，采用双层卫星网络管理架构，在不影响故障诊断准确率的情况下先通过改进的蝗虫优化特征选择算法LS

【技术实现步骤摘要】
一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法


[0001]本专利技术属于卫星故障管理
，主要涉及一种面向超大规模低轨卫星星座的故障诊断方法。

技术介绍

[0002]近年来，由于智能设备的不断普及而带来的不断增多的新兴业务，人们对信息服务和通信质量的需求也在不断增加。显而易见，仅依靠传统的地面网络通信是无法提供全球范围内的高速率、高可靠度的通信服务。卫星网络由于其覆盖范围广、灵活度高、通信距离远、不受地理环境限制等优势引领了新的研究趋势。其中，低轨卫星(LEO)因其低生产成本、高容量、高速率、低时延等优势成为空天地一体化网络中的重要组成部分。近年来，随着成千上万颗LEO卫星覆盖地球，超大规模低轨卫星网络可以提供仅依靠地面通信系统无法实现的覆盖范围和服务，已成为当前的一项研究热点。
[0003]然而，超大规模意味着在轨卫星数量、设计寿命和型号种类越来越多，随着超大规模低轨卫星系统的发展，卫星可能会面临很多不同类型的故障，而错误的诊断这些卫星的健康状态会造成巨大的经济损失，所以卫星故障诊断技术也变得尤为重要。因此，需要采用合理的故障诊断技术。
[0004]经过对现有文献的检索发现，P.M.Frank等人于1996年在《European Journal of control(欧洲控制杂志)》上发表的文章“Analytical and qualitative model
‑
based fault diagnosis
–
a survey and some new results(基于分析和定性模型的故障诊断——调查和一些新结果)”中将故障诊断方法分为三种主要类型：基于分析模型的方法、基于信号处理的方法和基于数据驱动的方法。
[0005]随着人工智能技术的快速发展，基于数据驱动的故障诊断方法以其高效率已成为该领域的主要发展方向。由于超大规模低轨卫星网络产生高维的、庞大复杂的数据量且星上的存储和计算资源均有限，为了方便后面的数据分析，我们要用数据挖掘的手段先对数据做预处理工作，特征选择是数据挖掘过程的一种预处理步骤。其主要思想是在不牺牲故障诊断的准确率的情况下，通过消除不相关的、冗余的或噪声特征来压缩数据。
[0006]常用的特征选择算法分为两类：过滤和封装法。过滤法与学习算法无关，主要依据统计分析内在属性和数据关联判断特征相关性，进而选择特征子集。该方法简单易于实现，但冗余特征较多、精度差，如互信息法、主成分分析法。封装法将机器学习性能与特征子集评估密切关联，可以有效选择相关性更高的特征子集,剔除冗余特征，降低特征维度。由于特征选择的目标是在最大化分类准确率基础上降低特征数量，因此可视为一个优化问题。近年来,许多学者借助群体智能算法作为特征选择封装法的搜索机制进行最优特征子集的选择，取得了不错的结果。
[0007]经过对现有文献的检索发现，K.EberhartRc等人于1995年在《IEEE service center(IEEE国际服务大会)》上发表的“A new optimizer using particle swarm theory
(一种基于粒子群理论的新的优化器)”以及S.Saremi等人分别于2015年在《Neural Computing and Applications(神经计算与应用)》和《Advances in Engineering Software(工程技术
‑
计算机)》中发表的“Evolutionary population dynamics and grey wolf optimizer(进化种群动态和灰狼优化器)”和“Grasshopper optimization algorithm:theory and application(蝗虫优化算法：理论与应用)”的文章中，分别利用粒子群优化算法、灰狼优化算法以及蝗虫算法作为寻优问题的搜索机制，均取得了不错的效果。其中，蝗虫优化算法凭借其快速收敛性、高寻优效率可以作为在故障诊断中特征选择过程的一个搜索机制。
[0008]然而传统的蝗虫优化算法存在缺少种群多样性、缺少选择随机性、易于陷入局部最优等问题，因此我们需要对算法进行改进，提高寻优过程中种群的质量、增加种群多样性、帮助种群跳出局部最优，从而得到更优解，达到在保障诊断准确率条件下进行有效数据压缩的目的。

技术实现思路

[0009]本专利技术目的是：面向超大规模低轨卫星星座中故障诊断的需求，提供了一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法。
[0010]为实现上述目的，本专利技术采用的技术方案为：一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法，采用双层卫星网络管理架构，在不影响故障诊断准确率的情况下先通过改进的蝗虫优化特征选择算法LS
‑
BGOA(Levy Flight and Shuffled Complex Evolution with Binary Grasshopper Optimization Algorithm)进行数据降维和压缩，然后再通过压缩后的数据信息来判断卫星的健康状态，包括以下步骤：
[0011]步骤1：利用基于改进蝗虫优化算法(GOA)的特征选择算法LS
‑
BGOA进行数据预处理工作，消除不相关的或噪声数据以降低卫星传输的数据维度，选择出适用于卫星故障诊断的最优特征子集。所述特征选择算法LS
‑
BGOA包括以下步骤：
[0012]步骤1.1：将包含卫星各传感信息和状态信息的历史数据作为LS
‑
BGOA算法的训练数据集，其中选择80％数据作为训练数据，20％作为测试数据；
[0013]步骤1.2：定义输入的传感数据为特征信息，卫星状态信息作为故障判断信息，特征数N代表传感数据的维度，定义选择出的特征子集大小为R，代表LEO卫星需要上传数据的特征数；
[0014]步骤1.3：定义LS
‑
BGOA算法的适应度函数：将适应度函数作为算法的优化目标，包含两个方面：其中γ
R
(D)是使用某一特征子集对应的数据信息进行分类的错误率，|R|为该特征子集所包含的特征个数，|N|为所有特征的个数，参数α和β分别表示分类精度和子集大小的权重，满足α+β＝1。因此，适应度函数考虑了选取特征子集的两个标准：使用该特征子集对应的数据做故障诊断的错误率γ
R
(D)和特征子集的大小|R|。当使用某一特征子集对应的数据进行故障诊断的错误率越低且同时特征数越少，则该特征子集对应的适应度函数值越低，因此对应更低适应度函数值的解(即特征子集)性能更优；
[0015]步骤1.4：以适应度函数为优化目标，将特征选择问题变为一个优化问题，每个特征子集被视作一个个体，通过计算该个体的适应度函数值来衡量该解集的质量，在种群进
化过程中出现的拥有最低适应度函数值的个体被视为当前的最优解，直到有个体有更低的适应度函数值取代它成为新的最优解。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法，其特征在于，采用双层卫星网络管理架构，在不影响故障诊断准确率的情况下先通过改进的蝗虫优化特征选择算法LS
‑
BGOA(Levy Flight and Shuffled Complex Evolution with Binary Grasshopper Optimization Algorithm)进行数据预处理，该算法将Levy飞行策略、混合复杂进化策略和蝗虫优化算法(GOA)相结合，进行数据降维和压缩，然后再通过压缩后的数据信息来判断卫星的健康状态，包括以下步骤：步骤1：利用改进的蝗虫优化特征选择算法LS
‑
BGOA进行数据预处理工作，消除不相关的或噪声数据以降低卫星传输的数据维度，选择出适用于卫星故障诊断的最优特征子集。所述特征选择算法LS
‑
BGOA包括以下步骤：步骤1.1：将包含卫星各传感信息和状态信息的历史数据作为LS
‑
BGOA算法的训练数据集，其中选择80％数据作为训练数据，20％作为测试数据；步骤1.2：定义输入的传感数据为特征信息，卫星状态信息作为故障判断信息，特征数N代表传感数据的维度，定义选择出的特征子集大小为R，代表LEO卫星需要上传数据的特征数；步骤1.3：定义LS
‑
BGOA算法的适应度函数：将适应度函数作为算法的优化目标，包含两个方面：其中γ
R
(D)是使用某一特征子集对应的数据信息进行分类的错误率，|R|为该特征子集所包含的特征个数，|N|为所有特征的个数，参数α和β分别表示分类精度和子集大小的权重，满足α+β＝1；因此，适应度函数考虑了选取特征子集的两个标准：使用该特征子集对应的数据做故障诊断的错误率γ
R
(D)和特征子集的大小|R|。当使用某一特征子集对应的数据进行故障诊断的错误率越低且同时特征数越少，则该特征子集对应的适应度函数值越低，因此对应更低适应度函数值的解(即特征子集)性能更优；步骤1.4：以适应度函数为优化目标，将特征选择问题变为一个优化问题，每个特征子集被视作一个个体，通过计算该个体的适应度函数值来衡量该解集的质量，在种群进化过程中出现的拥有最低适应度函数值的个体被视为当前的最优解，直到有个体有更低的适应度函数值取代它成为新的最优解。当种群进化结束即达到最大迭代次数时产生最终的最优解，由此利用改进的蝗虫优化特征选择算法LS
‑
BGOA选择出准确率高且特征数小的最优解，该最优解对应的特征信息就是LEO卫星在故障监测中需要上传的传感数据；步骤2：采用MEO/LEO双层递阶管理架构，MEO网络层作为管理层，所有的LEO卫星将步骤1中得到的最优特征子集对应的传感数据上传给对应的MEO管理卫星；所述双层递阶管理架构包括：步骤2.1、每一颗MEO卫星管理其覆盖范围内的LEO卫星，若某颗LEO卫星同时被多颗MEO卫星覆盖，则选择距离最短的MEO卫星作为它的管理卫星；步骤2.2、在每颗MEO卫星的管理范围内，随机选择一颗LEO卫星作为该管理范围内的代表卫星RS(Representative Satellite),代表卫星规律性的收集其他LEO的传感信息并将收集到的数据上传给对应的MEO管理卫星；步骤3：由MEO卫星通过LEO上传的信息进行故障诊断工作，判断LEO卫星是否是故障状态；所述诊断工作包括：
步骤3.1、MEO卫星利用支持向量机SVM(Support Vector Machine)分类器来判断卫星的健康状态；步骤3.2、当MEO诊断某颗LEO卫星为故障状态时，将该卫星信息发送给地面站，地面站负责卫星的维修工作。2.根据权利要求1所述的一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法，其特征在于，所述步骤1.3中在计算适应度函数中求取故障诊断错误率γ
R
(D)时用的分类器是SVM支持向量机分类器，该分类器在判断卫星状态是健康还是故障时可以实现快速分类和高准确率，对每个特征子集而言，将其对应的数据信息作为输入，分类出的状态作为诊断结果，于是可以得到每个特征子集对应的故障诊断错误率，从而计算该个体的适应度函数值，衡量该解集的质量。3.根据权利要求1所述的一种基于改进蝗虫优化算法的超大规模低轨卫星故障诊断方法，其特征在于，所述步骤1.4中改进的蝗虫优化特征选择算法LS
‑
BGOA在进行最优特征子集的搜索时具体步骤如下：步骤1.4.1、将随机生成的一定数量的解初始化为种群；步骤1.4.2、把种群随机分为两个子种群；步骤1.4.3、将传统蝗虫优化算法和Levy飞行相结合，提高传统蝗虫优化算...

【专利技术属性】
技术研发人员：周海波，汤文静，赵纪伟，薛鉴哲，马婷，
申请(专利权)人：南京大学，
类型：发明
国别省市：