【技术实现步骤摘要】
本专利技术涉及航天航空，具体为基于数据挖掘的航天器在轨运行状态评估方法。
技术介绍
1、随着航天器在深空探测、国防应用、导航通信等多个领域发挥着越来越重要的作用，人们对航天器在轨自主运行的要求也越来越高。
2、自主导航是实现航天器自主运行的核心技术之一，是航天器实现轨道/姿态自主控制、执行深空探测、在轨服务等空间任务的前提。状态估计是实现航天器自主导航的核心手段，利用自身携带设备获得测量数据，结合航天器的动力学/运动学模型，对带有误差的观测数据分析处理，通过递推计算，实时地获得航天器的位置、速度和姿态的过程。
3、然而传统的在轨运行状态评估方法通常依赖于离线数据分析，缺乏实时性，由于数据分析是离线进行的，不能实时或接近实时地监测航天器的状态，在出现异常或问题时，需要较长的时间才能发现和识别，导致延迟响应，很难在紧急情况下及时采取行动，因此亟需一种实时进行状态识别的基于数据挖掘的航天器在轨运行状态评估方法来解决此类问题。
技术实现思路
1、（一）解决的技术问题
2、针对现有技术的不足，本专利技术提供了基于数据挖掘的航天器在轨运行状态评估方法，解决现有技术中存在的离线数据分析在出现异常或问题时，需要较长的时间才能发现和识别，导致延迟响应的问题。
3、（二）技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现，本专利技术提供了基于数据挖掘的航天器在轨运行状态评估方法，包括：
5、步骤1.边缘节点特征提取，
6、步骤2.数据流实时处理，基于边缘节点所提取的实时数据特征，采用流处理引擎在边缘计算节点上进行实时数据流处理，区分异常数据；
7、步骤3.特征传输，部署中央处理单元，步骤1中所部署的边缘计算节点再次进行实时的特征选择并生成新的特征，将相关特征传输至中央处理单元，所述步骤3中的中央处理单元部署在地面站，用于数据挖掘和模型评估；
8、步骤4.模型实时持续更新，中央处理单元基于深度学习模型，模型根据历史数据进行训练，持续更新；
9、步骤5.决策输出，中央处理单元执行实时决策支持，提供针对性的建议，包括状态调整和任务重新规划。
10、本专利技术进一步地设置为：所述步骤1中，边缘节点特征提取方法包括：
11、采集航天器上传感器所采集的数据，包括温度、压力、速度、位置以及通信链路数据；
12、将采集的数据以实时数据流的形式进行传输；
13、在航天器中部署边缘计算节点，计算节点部署位置靠近数据源；
14、在边缘计算节点上进行数据预处理，并基于采集的数据，在边缘计算节点上执行实时特征提取，包括频谱分析、统计特征、时序特征；
15、本专利技术进一步地设置为：所述步骤1中，所部署的边缘节点采用实时数据流处理引擎，执行异常数据检测步骤包括：
16、将时间序列数据分割成短时间窗口，每个窗口包含n个数据点；
17、对每个时间窗口进行离散傅里叶变换dft转换为频域信号：
18、，
19、其中表示频域信号，x(n)为时域信号，f为频率，n表示窗口内数据点数，为负指数项，j表示虚数单位；
20、计算频谱特征，即主要频率和频谱能量e：
21、，
22、；
23、本专利技术进一步地设置为：所述步骤1中，统计特征包括：
24、数据窗口均值和方差计算，具体为：
25、，
26、，
27、其中表示均值，为方差，n表示窗口内的数据点数，x(n)为窗口内的第n个数据点；
28、本专利技术进一步地设置为：所述步骤1中，时序特征包括：
29、计算自相关函数，用于分析时间序列数据内的周期性：
30、，
31、其中，用于表示数据周期性，n表示是窗口内的数据点数，x(n)为窗口内的第n个数据点，k表示时间间隔，此处的表示时间序列数据的滞后；
32、本专利技术进一步地设置为：所述步骤2中，实时数据流处理步骤包括：
33、在边缘计算节点上设置数据流接收器，用于接收步骤1中提取的实时特征数据；
34、将接收到的数据分成时间窗口，每个窗口包含一定数量的数据点；
35、采用流处理引擎apachesparkstreaming在边缘计算节点上执行数据流处理操作：
36、a.使用流处理引擎执行实时频谱分析检测频域特征中的异常；
37、b.计算均值、方差、偏度和峰度以检测统计特征中的异常；
38、c.计算自相关函检测现时间序列中的异常；
39、根据流处理引擎的结果，标记在数据流中检测到的异常数据点；
40、将异常数据从正常数据中分离，根据检测到的异常数据生成实时警报；
41、本专利技术进一步地设置为：所述步骤3中，将在边缘计算节点中提取的实时特征传输到中央处理单元进行数据挖掘和模型评估步骤包括：
42、在边缘计算节点上，使用步骤1中的频谱分析、统计特征、时序特征计算实时特征；
43、基于在边缘计算节点上选择的实时特征，进行组合、转换或生成新的特征；
44、将所选的实时特征和生成的新特征传输至中央处理单元；
45、本专利技术进一步地设置为：所述步骤4中，实时持续更新方法为：
46、采用循环神经网络rnn，利用历史数据训练初始模型；
47、采用在线学习方法，持续接收边缘计算节点的实时特征数据
48、使用更新后的模型对实时特征数据进行分析，并识别异常数据点；
49、比较实际数据与模型预测之间的差异确定是否存在异常情况；
50、采用增量学习方法适应新的情况和模式；
51、本专利技术进一步地设置为：所述步骤5中，对航天器运行状态的实时决策支持方法为：
52、更新的深度学习模型，对实时特征数据进行分析；
53、制定决策规则和策略，以根据数据分析结果作出决策，
54、根据数据分析和决策规则，中央处理单元实时生成决策建议，将决策建议输出给相关人员。
55、（三）有益效果
56、本专利技术提供了基于数据挖掘的航天器在轨运行状态评估方法。具备以下有益效果：
57、本申请所提供的基于数据挖掘的航天器在轨运行状态评估方法，以航天器上传感器数据和卫星通信数据为基础，航天器中部署边缘计算节点，进行实时数据流形式的传输和实时特征提取，特征包括频谱分析、统计特征和时序特征，用于监测和分析航天器的状态。
58、在边缘计算节点上，采用实时数据流处理引擎，将时间序列数据分割成短时间窗口，并进行离散傅里叶变换，以转换本文档来自技高网...
【技术保护点】
1.基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，包括：
2.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤1中，边缘节点特征提取方法包括：
3.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤1中，所部署的边缘节点采用实时数据流处理引擎，执行异常数据检测步骤包括：
4.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤1中，统计特征包括：
5.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤1中，时序特征包括：
6.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤2中，实时数据流处理步骤包括：
7.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤3中，将在边缘计算节点中提取的实时特征传输到中央处理单元进行数据挖掘和模型评估步骤包括：
8.根据权利要求1所述的基于数据挖掘的航天器在轨运行状
9.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤5中，对航天器运行状态的实时决策支持方法为：
...【技术特征摘要】
1.基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，包括：
2.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤1中，边缘节点特征提取方法包括：
3.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤1中，所部署的边缘节点采用实时数据流处理引擎，执行异常数据检测步骤包括：
4.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤1中，统计特征包括：
5.根据权利要求1所述的基于数据挖掘的航天器在轨运行状态评估方法，其特征在于，所述步骤1中，时序...
【专利技术属性】
技术研发人员：王硕，李达，呼震杰，李肇峰，
申请(专利权)人：北京开运联合信息技术集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。