一種數(shù)據(jù)驅(qū)動的衛(wèi)星健康狀態(tài)判讀模型

劉傳魯 李常亮 高伊萱 章雷 薛彬

(航天科工空間工程發(fā)展有限公司,北京 100854)

隨著衛(wèi)星硬件性能的提升,衛(wèi)星由在軌運行的簡單傳感器和數(shù)據(jù)發(fā)送接收器向集高精密電子計算機及自動控制等多種先進技術(shù)為一體的復(fù)雜航天器轉(zhuǎn)變,其系統(tǒng)內(nèi)載荷及平臺內(nèi)連接部件之間互相關(guān)聯(lián)且緊密耦合,致使現(xiàn)在的工作狀況異常特征往往具有微弱性、非線性、不確定性以及因果關(guān)系復(fù)雜等特點[1]。因此,當(dāng)衛(wèi)星上設(shè)備工作狀況出現(xiàn)異常后,如何及時發(fā)現(xiàn)、定位以及處置,對提升在軌衛(wèi)星生存能力和保障其使用壽命具有重要意義。

采用人工監(jiān)測的方式對衛(wèi)星系統(tǒng)運行狀態(tài)進行實時監(jiān)測,存在判讀反應(yīng)慢和受主觀因素影響的問題,面對已經(jīng)產(chǎn)生異常運行數(shù)據(jù)的衛(wèi)星或者即將進入異常運行狀態(tài)的衛(wèi)星,受制于星地測控鏈路等因素,往往難以采取實時檢測與處置措施,這對于衛(wèi)星系統(tǒng)的安全性存在一定隱患。數(shù)字化技術(shù)的發(fā)展對衛(wèi)星多種工作狀況監(jiān)測范圍變廣,產(chǎn)生的健康管理數(shù)據(jù)急劇增加,促進了以大數(shù)據(jù)為背景的智能判讀發(fā)展,并逐漸成為故障診斷研究的主流[2]?；跀?shù)據(jù)驅(qū)動的判讀模型從衛(wèi)星運行過程中積累的大量數(shù)據(jù)中訓(xùn)練系統(tǒng)健康狀態(tài)模型和判據(jù),在很大程度上擺脫對人工特征設(shè)計與工程診斷經(jīng)驗的依賴,提升了監(jiān)視發(fā)現(xiàn)異常問題并預(yù)判潛在風(fēng)險的能力。當(dāng)前傳統(tǒng)數(shù)據(jù)驅(qū)動的判讀方法分為無監(jiān)督的聚類方法和有監(jiān)督的分類方法。采用聚類方法的判讀包含了通過分析擬合數(shù)據(jù)與異常數(shù)據(jù),設(shè)計兩者之間的差異,建立航天器故障診斷模型[3]。通過生成健康狀態(tài)知識庫,與健康狀態(tài)的差異大小來定量描述衛(wèi)星的健康狀態(tài),區(qū)分衛(wèi)星異常狀態(tài)的等級[4]。采用分類方法的判讀是通過有監(jiān)督的方式訓(xùn)練多分類模型對故障進行診斷[5]。衛(wèi)星系統(tǒng)復(fù)雜性的快速增長同樣給以數(shù)據(jù)驅(qū)動的傳統(tǒng)智能診斷方法帶來了極大地挑戰(zhàn),主要表現(xiàn)在:①表征衛(wèi)星狀態(tài)的參數(shù)越來越多,復(fù)雜的衛(wèi)星參數(shù)間關(guān)系難量化且冗余參數(shù)多,關(guān)鍵參數(shù)難以確定;②現(xiàn)有智能判讀方法可以定性確定是否故障狀態(tài)卻難以定量判讀健康狀態(tài)。

本文研究了可量化衛(wèi)星網(wǎng)絡(luò)系統(tǒng)參數(shù)間關(guān)聯(lián)復(fù)雜關(guān)系的空間數(shù)據(jù)挖掘方法,衛(wèi)星健康狀態(tài)關(guān)鍵關(guān)聯(lián)參數(shù)提取方法和衛(wèi)星健康狀態(tài)定量判讀的方法。提出一種結(jié)合相關(guān)性聚類分析的數(shù)據(jù)處理機制和多分類器集成的健康狀態(tài)判讀模型。

1 數(shù)據(jù)提煉

數(shù)據(jù)提煉過程是在海量遙測管理數(shù)據(jù)中提煉出與故障關(guān)聯(lián)的關(guān)鍵信息,生成訓(xùn)練衛(wèi)星自主健康監(jiān)測判讀模型的知識庫。挖掘方法包含了相關(guān)性分析、關(guān)鍵關(guān)聯(lián)參數(shù)選擇和聚類分析3個部分。其中,相關(guān)性分析是識別海量健康管理數(shù)據(jù)中各參數(shù)之間的關(guān)聯(lián)關(guān)系,關(guān)聯(lián)的強弱以及強弱的分布情況,為故障的關(guān)鍵關(guān)聯(lián)參數(shù)提取提供依據(jù);關(guān)鍵關(guān)聯(lián)參數(shù)選擇是在高維遙測數(shù)據(jù)中篩選出與故障高度相關(guān)且彼此之間低冗余的參數(shù),其關(guān)鍵關(guān)聯(lián)參數(shù)也作為智能判讀模型的輸入,避免了高維冗余參數(shù)輸入模型造成的額外空間和時間開銷;聚類分析是對健康狀態(tài)關(guān)鍵關(guān)聯(lián)參數(shù)樣本劃分為不同的狀態(tài),為模型訓(xùn)練提供健康狀態(tài)樣本知識庫,以此實現(xiàn)故障的定量判讀。

1.1 最大信息系數(shù)

相關(guān)性分析方法采用最大信息系數(shù)(MIC)。MIC是建立在互信息上的方法,其核心思想是如果兩個變量之間存在某種關(guān)系,則可以在其散點圖中用網(wǎng)格劃分?jǐn)?shù)據(jù)點來封裝這種關(guān)系[6]。在處理高維健康管理數(shù)據(jù)時,相比于其他相關(guān)性度量方法如皮爾森(Pearson)相關(guān)系數(shù)[7],斯皮爾曼(Spearman)相關(guān)系數(shù)[8],距離相關(guān)系數(shù)(Dcor)[9-10],MIC最重要的優(yōu)勢是兼具通用性和均勻性,不僅可以檢測出各種類型的關(guān)系,線性和非線性,單調(diào)和非單調(diào),甚至是非函數(shù)類型的廣泛關(guān)系,而且對于相同噪聲水平的不同函數(shù)關(guān)系,可以給出相近的評估值,受異常值的影響較少。

給定二元變量數(shù)據(jù)集D,以及在橫向劃分?jǐn)?shù)量為y與在縱向劃分?jǐn)?shù)量x滿足的上限條件xy

(1)

式中:B(n)是關(guān)于樣本量n的函數(shù)B(n)=nα,參數(shù)α的默認(rèn)值為0.6[6],max 表示取最大值函數(shù),M表示特征矩陣。

衛(wèi)星遙測數(shù)據(jù)的參數(shù)樣本為時間段t1～tn記錄的狀態(tài)值。如圖1所示,當(dāng)每個參數(shù)的樣本量相同,那么既可以衡量單個載荷內(nèi)部參數(shù)間的關(guān)聯(lián),也可以衡量載荷間參數(shù)的關(guān)聯(lián)。若考慮單個載荷A內(nèi)部參數(shù)間的關(guān)聯(lián),那么僅需要對載荷A的Ka個參數(shù)進行兩兩組合,并按相關(guān)性強弱進行排序選出強相關(guān)的參數(shù)。若考慮兩個載荷及以上參數(shù)間的關(guān)聯(lián),如圖1中兩個載荷A與載荷B,其參數(shù)的個數(shù)分別為Ka與Kb,那么需要對K=Ka+Kb個參數(shù)進行兩兩組合,并量化參數(shù)之間的關(guān)系,其中識別過程如圖2所示。

圖2 強相關(guān)關(guān)系識別

1.2 關(guān)鍵表征參數(shù)選擇

高維遙測數(shù)據(jù)是指在遙測終端接收到的實時數(shù)據(jù),其維度高是典型特點。提取與故障高度相關(guān)且彼此間低冗余的參數(shù),要求故障特征具有維度少、表征故障信息量豐富、故障特征與故障模式存在明確的關(guān)聯(lián)關(guān)系。

本文對關(guān)鍵關(guān)聯(lián)參數(shù)的選擇分為3個階段(見圖3),其中第一階段是通過分析特征本身特性對海量特征數(shù)據(jù)進行預(yù)篩選,降低后續(xù)兩個階段的計算量;第二階段與第三階段是基于最大信息系數(shù)MIC篩選高相關(guān)低冗余特征,第二階段是度量特征與類別間的相關(guān)性,應(yīng)用特征排序方法獲得與不同特征與類別之間的強弱關(guān)系;第三階段是冗余性分析階段[11],綜合考慮特征與類別間的強弱關(guān)系以及特征間的冗余性進行特征選擇。

注:M、K為特征數(shù)。

健康管理數(shù)據(jù)特征維數(shù)高,其中有些特征值對于整體判讀影響極小,且增加判讀模型的復(fù)雜性。由于這一部分特征數(shù)據(jù)表現(xiàn)特點就是值的變動幅度小,為了降低時間成本,在進行MIC的相關(guān)性特征選擇之前,采用計算簡單快速的方差篩選方法,過濾掉與健康狀態(tài)相互關(guān)聯(lián)程度低的特征。

對于K-1個特征 (f1,f2,…,fK-1),計算每一個特征的方差,然后根據(jù)方差的大小進行排序,并按比例刪除排名靠后的特征。

將進行方差過濾之后的特征子集,首先進行高相關(guān)特征的確定,在本文處理中,刪除與指定關(guān)鍵特征目標(biāo)變量Tv弱相關(guān)特征。分別計算選擇特征(FS)中特征和關(guān)鍵特征Tv之間的相關(guān)性,若大于給定的閾值,則將其保留。

刪除冗余特征基于近似馬爾科夫毯。對于給定的兩個特征變量fi、fj(i≠j)和目標(biāo)變量Tv,fi是fj的近似馬爾科夫毯當(dāng)且僅當(dāng)如下條件滿足FMIC(fi,Tv) >FMIC(fj,Tv)且FMIC(fj,Tv)

1.3 聚類分析

聚類分析是對健康狀態(tài)關(guān)鍵關(guān)聯(lián)參數(shù)樣本劃分為不同的狀態(tài),進而對不同的工作狀態(tài)進行區(qū)分識別,以此實現(xiàn)故障的定量判讀?；诿芏染垲愃惴ㄔ谔幚砜臻g數(shù)據(jù)具有快速、有效處理噪聲點和發(fā)現(xiàn)不同形狀簇的特點[12],本文采用密度聚類算法(DBSCAN)對表述衛(wèi)星運行狀態(tài)的關(guān)鍵遙測參數(shù)數(shù)據(jù)進行聚類。

DBSCAN包含2個參數(shù),即掃描半徑(Eps)和最小包含點數(shù)(MinPts)。Eps描述了某一樣本的鄰域距離閾值,MinPts描述了某一樣本距離為Eps的鄰域中樣本個數(shù)的閾值。

(1)任選一個未被訪問(unvisited)的點p,找出與其距離在Eps之內(nèi)(包括Eps)的所有點,若包含的點數(shù)不小于MinPts,則當(dāng)前點與其附近點形成一個新簇C,將其中的所有點加入候選集N,標(biāo)記p為已訪問(visited);

(2)對候選集N中所有未被訪問(unvisited)的點q,檢查其鄰域,若包含的點數(shù)不小于MinPts,則將這些點加入N;如果q未歸入任何一個簇,則將q加入C;

(3)重復(fù)步驟(2),繼續(xù)遍歷N中的剩余點;

(4)重復(fù)步驟(1)～(3),直到所有對象都?xì)w入了某個簇或標(biāo)記為離群點。

在聚類算法中,作為輸入的每一個衛(wèi)星運行狀態(tài)的關(guān)鍵遙測參數(shù)樣本表示一個點,不同類簇結(jié)果對應(yīng)了不同的實際工作狀態(tài)。通常情況下,衛(wèi)星運行狀態(tài)可以分為正常、異常和故障。其中,正常狀態(tài)的數(shù)量最多,異常狀態(tài)的數(shù)量次之,故障狀態(tài)數(shù)量最少。在本文故障模式即表示為異常狀態(tài)和故障狀態(tài),不同狀態(tài)的差異通過聚類結(jié)果的不同簇集表現(xiàn)。正常運行狀態(tài)的數(shù)據(jù)簇內(nèi)點數(shù)量多,異常運行狀態(tài)和故障狀態(tài)數(shù)據(jù)的簇內(nèi)點數(shù)量少(在聚類結(jié)果上表現(xiàn)為離群點)。正常狀態(tài)與異常和故障狀態(tài)在數(shù)據(jù)上表現(xiàn)出的簇間距差異是定量描述衛(wèi)星的健康狀態(tài),區(qū)分衛(wèi)星異常狀態(tài)的等級的理論依據(jù)。

1.4 判讀模型生成

判讀模型采用4種分類方法集成對健康狀態(tài)進行綜合判讀,較單一模型具備更高魯棒性和預(yù)判的準(zhǔn)確性。模型的訓(xùn)練數(shù)據(jù)是經(jīng)過挖掘分析降維后的簡化數(shù)據(jù),這保證軟件部署之后,軟件的數(shù)據(jù)輸入和計算的復(fù)雜性都大幅簡化。

圖4所示為生成模型的檢測過程,其中關(guān)鍵關(guān)聯(lián)參數(shù)通過1.1節(jié)中最大信息系數(shù)和1.2節(jié)中關(guān)鍵表征參數(shù)選擇確定,關(guān)鍵關(guān)聯(lián)參數(shù)數(shù)據(jù)將作為模型的輸入。判讀模型集成了4種方法,分別為神經(jīng)網(wǎng)絡(luò)(NNs)[13],邏輯回歸(LR)[14],自適應(yīng)提升(AdaBoost)[15],K最鄰近法(KNN)[16]。每個方法都采用由1.3節(jié)DBSCN聚類的樣本數(shù)據(jù)單獨訓(xùn)練出一個最優(yōu)分類器,在工作判讀時,每一個分類器都有一個結(jié)果,最后集成作為輸出。健康管理中的工作狀況定量分為4種,其中第1種狀態(tài)是故障,第2種狀態(tài)是異常,第3和第4種狀態(tài)是兩種健康工作狀態(tài)。在本文中的多個分類器的集成是結(jié)合投票機制和權(quán)重相結(jié)合的方式,4種分類器算法集成對4種健康狀態(tài)的判讀機制如下。

注:W為權(quán)重。

情形1:4個分類器的分類結(jié)果為同一個類別C1,那么判讀結(jié)果是類別C1;

情形2:4個分類器的判讀結(jié)果為兩個類別C1和C2,且其中3個分類器分類結(jié)果為C1,那么判讀結(jié)果是類別C1;

情形3:4個分類器的判讀結(jié)果為兩個類別C1和C2,且其中2個分類器分類結(jié)果為C1,2個分類器分類結(jié)果為C2,那么判讀結(jié)果是訓(xùn)練過程中分類準(zhǔn)確率最高的分類器分類結(jié)果;

情形4:4個分類器的判讀結(jié)果為3個類別C1,C2和C3,且其中2個分類器分類結(jié)果為C1,那么判讀結(jié)果為C1;

情形5:4個分類器的判讀結(jié)果為4個類別C1、C2、C3和C4,那么判讀結(jié)果是訓(xùn)練過程中分類準(zhǔn)確率最高的分類器分類結(jié)果。

2 仿真結(jié)果與分析

為了對本文所提出的數(shù)據(jù)驅(qū)動的衛(wèi)星健康狀態(tài)判讀模型進行驗證,采用某星的載荷遙測數(shù)據(jù)進行驗證。其中用于訓(xùn)練的數(shù)據(jù)集有486個樣本,測試數(shù)據(jù)集有1142個樣本,樣本特征個數(shù)為146個。在這里樣本特征即是遙測參數(shù),代表了統(tǒng)計中的隨機變量。

2.1 相關(guān)性降維分析

首先對載荷遙測數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集進行相關(guān)性分析,篩選健康狀態(tài)的關(guān)鍵關(guān)聯(lián)參數(shù)。采用MIC方法對146個特征的兩兩組合進行度量,相關(guān)性分布結(jié)果如圖5所示,其中相關(guān)性主要集中在3個大部分:第1部分是強相關(guān)性的,相關(guān)性的值在0.8到1之間;第2部分的相關(guān)值是中等相關(guān),值在0.4到0.6之間;第3部分是弱相關(guān),值在0到0.1之間。

圖5 載荷任意變量組相關(guān)性

作為通信載荷,其內(nèi)部必然存在強相關(guān)的參數(shù)關(guān)系。從圖5中的強相關(guān)參數(shù)的數(shù)量,也驗證了這種預(yù)計的設(shè)想,通過對相關(guān)性的值為1的關(guān)系進行散點圖觀測,其中的關(guān)系主要呈現(xiàn)一種線性相關(guān),側(cè)面反映出這些特征之間存在明顯的冗余,這種冗余在實際判讀體現(xiàn)在以隨機變量T表示故障變量,隨機變量X與T相關(guān),隨機變量Y也與T相關(guān),X和Y表示與故障相關(guān)的兩個變量[17]。若X與Y也相關(guān),那么這兩個變量是相互冗余的,在高維數(shù)據(jù)中存在的類似大量相互冗余的參數(shù)即為高維冗余參數(shù)。

在本文以饋線鏈路發(fā)射機輸出功率監(jiān)測作為一個降維關(guān)鍵指標(biāo)參數(shù),相關(guān)性參數(shù)閾值設(shè)置為0.7,從146個特征中篩選出7個關(guān)鍵關(guān)聯(lián)參數(shù),關(guān)鍵關(guān)聯(lián)參數(shù)即與饋線鏈路發(fā)射機輸出功率監(jiān)測強相關(guān),而彼此之間相關(guān)性又極弱。7個與故障相關(guān)的參數(shù)分別為:T7檢波2;饋線鏈路發(fā)射機A機電壓模擬;T7檢波7;接收+6V主份電壓狀態(tài)量;饋線鏈路開關(guān)加電;接收-6V主份電壓狀態(tài)量;饋線鏈路發(fā)射機輸出功率監(jiān)測。

以饋線鏈路發(fā)射機輸出功率監(jiān)測作為工作狀態(tài)主要參考指標(biāo),其余6個參數(shù)特征都與其存在明顯關(guān)聯(lián)關(guān)系,6個參數(shù)特征之間彼此弱相關(guān),表示出6個參數(shù)是非冗余特征。7個關(guān)鍵關(guān)聯(lián)參數(shù)表示衛(wèi)星載荷是否出現(xiàn)在軌故障的情況。例如,對于正常工作狀態(tài)的數(shù)據(jù),饋線鏈路發(fā)射機輸出功率監(jiān)測值為0的情況下,T7檢波2與T7檢波7顯示值應(yīng)為0;倘若饋線鏈路發(fā)射機輸出功率監(jiān)測值為0,T7檢波2與T7檢波7兩個參數(shù)中任何一個參數(shù)顯示值為非0,那么就是異常的數(shù)據(jù)。

2.2 模型超參數(shù)選擇

部署在衛(wèi)星上的判讀模型越簡單,那么對星上的計算資源和內(nèi)存資源占用越少。判讀模型中的超參數(shù)設(shè)置決定了其計算的復(fù)雜性,為了選擇合適的超參數(shù)配置簡化判讀模型,在本節(jié)采用窮舉遍歷的方式來確定模型超參數(shù)。超參數(shù)作為一個未知常量,KNN超參數(shù)為近鄰個數(shù),AdaBoost超參數(shù)為基分類器的個數(shù),NNs超參數(shù)為神經(jīng)網(wǎng)絡(luò)的層數(shù)和節(jié)點個數(shù)。在這里對KNN的超參數(shù)近鄰個數(shù),AdaBoost的超參數(shù)基分類器個數(shù)都在2至20之間進行遍歷。NNs的超參數(shù)層數(shù)和節(jié)點個數(shù)分別在2至30之間遍歷。其中超參數(shù)結(jié)果如圖6所示。

圖6 分類器的參數(shù)選擇

根據(jù)圖6(a)與圖6(b)所示,其中KNN方法隨著近鄰個數(shù)增加,準(zhǔn)確率沒有改變;AdaBoost超參數(shù)基分類器個數(shù)隨著基分類器個數(shù)的增加,準(zhǔn)確率也沒有改變;NNs的超參數(shù)層數(shù)和節(jié)點個數(shù)分別在2至30之間遍歷,其中參數(shù)結(jié)果如圖6(c)所示。當(dāng)層數(shù)為3,每一層神經(jīng)元個數(shù)為6時,準(zhǔn)確率已經(jīng)達到最大值。因此,KNN方法近鄰個數(shù)選擇2,AdaBoost超參數(shù)基分類器個數(shù)選擇2,NNs的層數(shù)選擇為3層。

2.3 模型性能評估

為了模擬生成的判讀模型部署在星上的性能,在ZYNQ7045ARM嵌入式開發(fā)平臺上進行實驗。實驗測試數(shù)據(jù)集為不同時間產(chǎn)生的1142個樣本,經(jīng)過相關(guān)性降維和聚類后數(shù)據(jù)維度為7,每一個維度即是一個參數(shù),每一個樣本表示某個功能模塊當(dāng)前的一個工作狀態(tài),涵蓋了故障,異常和正常的工作狀態(tài)。首先對4種單獨方法NNs,邏輯回歸(LR),KNN,AdaBoost以及4種方法集成的方法集成(Ensemble)進行準(zhǔn)確率的測試。

圖7所示為5種方法對測試數(shù)據(jù)健康狀態(tài)的預(yù)測結(jié)果。NNs、LR、KNN和AdaBoost中都存在將故障以及異常判讀錯誤的情況,而Ensemble沒有將故障以及異常判讀失誤的情況。對于4種狀態(tài)的判讀,誤判出現(xiàn)最多的是在兩種正常狀態(tài)之間,其中標(biāo)簽為-1的狀態(tài)是故障,標(biāo)簽為0的狀態(tài)是異常,標(biāo)簽為1或2的狀態(tài)是健康。

圖7 5種方法對測試數(shù)據(jù)健康狀態(tài)的預(yù)測

表1為訓(xùn)練樣本與測試樣本中4個類別的準(zhǔn)確率,對于訓(xùn)練樣本中4個類別的判讀結(jié)果,NNs、KNN和集成分類器Ensemble的準(zhǔn)確率都是最高值1。Ensemble僅在第4個正常類別沒有達到1,其余均達到最大值。

表1 訓(xùn)練樣本與測試樣本4種類別的準(zhǔn)確率

表2為5種方法的虛警率(FAR)和漏警率(MAR)結(jié)果,其中FAR是誤報為故障的正常樣本數(shù)目與正常樣本總數(shù)目的比值。正常樣本是狀態(tài)1和2的兩種健康狀態(tài)樣本;MAR為誤報為正常的故障樣本數(shù)目與故障樣本總數(shù)目的比值。故障樣本是狀態(tài)-1和0的故障和異常狀態(tài)。

表2 5種方法的虛警率和漏警率

由表2可知,對于虛警率,5種方法在訓(xùn)練樣本上的值都是0,而在測試樣本上,僅LR和Ensemble的值為0。對于漏警率,5種方法在訓(xùn)練樣本上的值是0的方法是NNs、KNN和Ensemble,在測試樣本上,僅LR為大于0的值0.015,其余方法的值都為0。由虛警率和漏警率越低,模型的判讀效果越好。對于訓(xùn)練集和測試集,僅Ensemble模型的虛警率和漏警率都為0,可以得出集成模型的判讀結(jié)果最好。

此外,數(shù)據(jù)庫中每一組樣本都有正?；虍惓５臉?biāo)簽,集成模型對每一組樣本進行判讀,若預(yù)測結(jié)果與標(biāo)簽一致,則判斷準(zhǔn)確,經(jīng)統(tǒng)計對每一組樣本平均判讀時間僅為15 ms,且準(zhǔn)確率達98%。由于每一組樣本可以看作某一個時間點衛(wèi)星載荷工作記錄的多個參數(shù)值,因此具備在星上有限的算力下,實現(xiàn)高效判讀的能力。

3 結(jié)束語

針對衛(wèi)星系統(tǒng)變得越來越復(fù)雜,其工作狀況的健康狀態(tài)也越來越難實時判讀的問題,本文提出了一種數(shù)據(jù)驅(qū)動的判讀模型,對衛(wèi)星工作狀況的健康狀態(tài)進行實時定量判讀。模型包含了數(shù)據(jù)處理和訓(xùn)練判讀兩個部分,其中數(shù)據(jù)處理部分作用是對數(shù)據(jù)的簡化,降低數(shù)據(jù)判讀難度,提高狀態(tài)判讀效率。首先是對特征進行相關(guān)性分析并提取關(guān)鍵關(guān)聯(lián)參數(shù),然后對關(guān)鍵參數(shù)數(shù)據(jù)聚類分析,劃分出工作狀況的數(shù)據(jù),為多分類器提供訓(xùn)練知識庫。訓(xùn)練判讀部分是多分類集成,通過多個分類器的分類結(jié)果綜合判讀,以此來提升對健康狀態(tài)判讀的泛化能力。根據(jù)上述方法針對某衛(wèi)星載荷的遙測數(shù)據(jù)對該模型有效性進行了驗證,通過在載荷遙測訓(xùn)練數(shù)據(jù)中提煉出與故障關(guān)鍵關(guān)聯(lián)參數(shù)測試數(shù)據(jù)對智能判讀模型驗證。模擬結(jié)果表明:該集成判讀模型具有較好的衛(wèi)星異常狀態(tài)識別能力,有望為未來在軌衛(wèi)星自主健康監(jiān)測技術(shù)提供一種新型手段。