1.本发明涉及卫星综合测试与在轨管理领域，涉及一种基于数据自适应的星载设备健康预测方法。
背景技术：2.星载电子设备的健康状态对于卫星的正常运行具有非常重要的作用。结合长期采集获取的设备数据，运行管理人员、设备专家及设计人员能够准确地发现异常运行情况、分析异常原因、改进设备设计，从而提高卫星的总体运行管理设计水平。星载电子设备工作期间，其性能变化是体现设备目前运行状态正常与否、设备未来寿命的长短的重要依据。基于设备历史数据的健康预测方法，主要利用设备的历史数据，结合近期设备的事件和状态变化进行关键参数变化趋势预测以及重要部件的性能衰减量预估，从而完成设备的健康预测。
3.星载电子设备健康预测，充分利用设备性能参数的历史数据，分析数据中的变化特性，结合三种不同的趋势预测方法实现设备参数的长期趋势预测，并通过历史值和预测值的比对完成设备参数的性能体现。在当前的长期数据预测中，有基于数据、基于物理模型以及基于组合模型的预测方法，例如参数回归分析方法、基于电源理论模型的数据预测方法等，这些方法在某些方面都能够实现数据的趋势预测，但是没有结合卫星实际工作环境长期预测过程中的特点，因此无法充分地利用数据中的特点，提高数据的长期预测效果，而基于物理模型的预测方法则对系统的模型要求比较高，在无法得到物理模型的情况下则该方法显的无能为力。
技术实现要素：4.本发明针对利用星载设备的长期监测数据实现参数的趋势预测以及性能衰减情况的计算等问题，提出一种基于数据自适应的星载设备健康预测方法，能够将历史数据进行分析后再一一进行数据的长期趋势预测，最终实现基于设备参数的自适应健康预测。
5.本发明通过以下技术方案实现。
6.一种基于数据自适应的星载设备健康预测方法，包括：
7.选择指定时间段的星载设备历史参数数据，对所述历史参数数据进行野值剔除、空值填充以及数据采样；
8.对采样后的数据进行数据点与点比较，得到采样序列对应的比较值序列；
9.分析所述比较值序列的周期，如果不存在周期，则设定该数据的周期值为0，如果存在周期，则在得到数据的比对值序列后按照时间序列分解方法分解为周期分量、趋势分量和随机分量；
10.利用相应的预测方法分别对所述周期分量、趋势分量和随机分量进行长期趋势预测，并根据数据的周期调整各类预测方法中的参数值，在三类数据的预测结果相加后，利用预测数据与原始数据的比较实现设备参数的衰减性能。
11.本发明的有益效果：
12.本发明提供的基于数据自适应的星载设备健康预测方法，克服了现有单一预测方法无法很好地解决参数多种变化规律情况下的数据有效分解和自适应预测问题，克服了现有预测方法无法独立解决设备参数的预测问题；充分利用设备参数历史数据，分析出带有周期波动特性数据中的最小周期值，从而实现设备参数的数据分解；同时根据分解出来的数据特点，选择适应不同数据的趋势预测方法实现三类数据的趋势预测，最终通过数据叠加的方法实现设备参数原始数据的趋势预测以及健康状态变化计算，为设备各个参数的变化掌控提供有力的技术支撑。
附图说明
13.图1为本发明基于数据自适应的星载设备健康预测方法流程图。
具体实施方式
14.下面结合附图对本发明做进一步说明。
15.本发明的核心思想：根据星载设备参数特点，采用设定正常数据变化区间的方式实现星载设备数据的野值点的剔除，采用移动平均方法实现空值点的填充，通过序列转化的方式来实现数据周期的计算，之后结合分析得到的周期值，分解出趋势项、周期项和随机项三类数据，并分别利用移动平均法、离散傅里叶变换法和最小二乘支持向量机法实现三类数据的长期预测，最终实现原始数据的趋势预测以及健康性能计算。
16.如图1所示，本发明的一种基于数据自适应的星载设备健康预测方法，具体包括：
17.步骤一、选择指定时间段的星载设备历史参数数据，对所述历史参数数据进行野值剔除、空值填充以及数据采样；
18.本实施例中，所述野值剔除、空值填充采用以下方式：利用所述历史参数数据的平均值以及三倍方差组成一个原始数据是否为野值的判断门限范围，当不处于该范围时，则将该数据点值视为野值点，则此时直接将该数据点置为空；对于空值点数据，利用移动平均的方法将空值点值补充上，形成一个完整数列。
19.步骤二、对采样后的数据进行数据点与点的比较，得到采样序列对应的比较值序列；
20.本实施例中，为了分析采样后数据的周期特性，同时降低周期衰减数据对周期分析算法的影响，本实施例中采用数据点比较的方式，在采样后的数据点序列的比较过程中，当y
t+1
＞y
t
时，y
t+1
对应的比较值为1，当y
t+1
＜y
t
时，y
t+1
对应的比较值为-1，当y
t+1
＝y
t
时，y
t+1
对应的比较值为0；从而能够更好地分析出周期衰减数据的特性。
21.步骤三、分析所述比较值序列的周期，如果不存在周期，则设定该数据的周期值为0，如果存在周期，则在得到数据的比对值序列后按照时间序列分解方法分解为周期分量、趋势分量和随机分量；
22.在对数据进行分解过程中，需要判断数据是否已经分解合理，因此本实施例中，所述按照时间序列分解方法分解具体为：利用设定的判断准则函数最小化的原则，进行数据分解次数的优化，所述判断准则函数为数据分解的随机项数据的方差值最小。
23.步骤四、利用相应的预测方法分别对所述周期分量、趋势分量和随机分量进行长
期趋势预测，并根据数据的周期调整各类预测方法中的参数值，在三类数据的预测结果相加后，利用预测数据与原始数据的比较实现设备参数的衰减性能；
24.本实施例中，对于趋势项数据的长期预测，采用移动平均法，具体为：
25.f
pt
＝(a
t-1
+a
t-2
+a
t-3
+
…
+a
t-n
)/n
26.其中，f
pt
为t时刻预测值；n为移动平均的个数；a
t-1
为前一时刻实际值； a
t-2
，a
t-3
，a
t-n
分别为前两、三时刻直至前n时刻的实际值。
27.本实施例中，对于周期项数据的长期预测，采用离散傅里叶变换方法，具体为：
28.周期性历史数据序列x＝[x0，x1，...，x
n-1
]为已知实测值，对时域内的序列进行离散傅里叶变换，得到频率为0/n，1/n，2/n，，(n-1)/n的复频域内各个频率的傅里叶变化系数x(k)：
[0029][0030]
利用傅里叶反变化得到n时刻的预测值：
[0031][0032]
本实施例中，对于随机变化项数据的长期预测，采用最小二乘支持向量机法，具体为：
[0033]
对于系统采集到的等间隔时间序列样本
[0034]
x(1)，x(2)，...，x(n)
[0035]
其中，n为样本个数，x(n+1)为预测的目标值，由n+1时刻的前m个值预测第n+1个值，即将前面m个值作为相关量，建立自相关输出与输入之间的映射关系f：rm→
r，所以预测的问题就成为寻找下式中的映射关系f的问题：
[0036][0037]
通过数据叠加得到设备参数原始数据的趋势预测结果：f
t
＝f
pt
+f
tt
+f
rt
，并且计算出设备参数的性能衰减值，从而实现数据的长期趋势预测以及健康性能计算。
[0038]
综上所述，以上仅为本发明的较佳实例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种基于数据自适应的星载设备健康预测方法，其特征在于，包括：选择指定时间段的星载设备历史参数数据，对所述历史参数数据进行野值剔除、空值填充以及数据采样；对采样后的数据进行数据点与点比较，得到采样序列对应的比较值序列；分析所述比较值序列的周期，如果不存在周期，则设定该数据的周期值为0，如果存在周期，则在得到数据的比对值序列后按照时间序列分解方法分解为周期分量、趋势分量和随机分量；利用相应的预测方法分别对所述周期分量、趋势分量和随机分量进行长期趋势预测，并根据数据的周期调整各类预测方法中的参数值，在三类数据的预测结果相加后，利用预测数据与原始数据的比较实现设备参数的衰减性能。2.如权利要求1所述的一种基于数据自适应的星载设备健康预测方法，其特征在于，所述野值剔除、空值填充采用以下方式：利用所述历史参数数据的平均值以及三倍方差组成一个原始数据是否为野值的判断门限范围，当不处于该范围时，则将该数据点值视为野值点，则此时直接将该数据点置为空；对于空值点数据，利用移动平均的方法将空值点值补充上，形成一个完整数列。3.如权利要求1或2所述的一种基于数据自适应的星载设备健康预测方法，其特征在于，所述对采样后的数据进行数据点与点比较具体为：在采样后的数据点序列的比较过程中，当y
t+1
＞y
t
时，y
t+1
对应的比较值为1，当y
t+1
＜y
t
时，y
t+1
对应的比较值为-1，当y
t+1
＝y
t
时，y
t+1
对应的比较值为0。4.如权利要求1或2所述的一种基于数据自适应的星载设备健康预测方法，其特征在于，所述按照时间序列分解方法分解具体为：利用设定的判断准则函数最小化的原则，进行数据分解次数的优化，所述判断准则函数为数据分解的随机项数据的方差值最小。5.如权利要求1或2所述的一种基于数据自适应的星载设备健康预测方法，其特征在于，对于趋势项数据的长期预测，采用移动平均法，具体为：f
pt
＝(a
t-1
+a
t-2
+a
t-3
+
…
+a
t-n
)/n其中，f
pt
为t时刻预测值；n为移动平均的个数；a
t-1
为前一时刻实际值；a
t-2
，a
t-3
，a
t-n
分别为前两、三时刻直至前n时刻的实际值。6.如权利要求1或2所述的一种基于数据自适应的星载设备健康预测方法，其特征在于，对于周期项数据的长期预测，采用离散傅里叶变换方法，具体为：周期性历史数据序列x＝[x0，x1，...，x
n-1
]为已知实测值，对时域内的序列进行离散傅里叶变换，得到频率为的复频域内各个频率的傅里叶变化系数x(k)：利用傅里叶反变化得到n时刻的预测值：
7.如权利要求1或2所述的一种基于数据自适应的星载设备健康预测方法，其特征在于，对于随机变化项数据的长期预测，采用最小二乘支持向量机法，具体为：对于系统采集到的等间隔时间序列样本x(1)，x(2)，...，x(n)其中，n为样本个数，x(n+1)为预测的目标值，由n+1时刻的前m个值预测第n+1个值，即将前面m个值作为相关量，建立自相关输出与输入之间的映射关系f：r
m
→
r，则预测的问题就成为寻找下式中的映射关系f的问题：通过数据叠加得到设备参数原始数据的趋势预测结果：f
t
＝f
pt
+f
tt
+f
rt
，并且计算出设备参数的性能衰减值。
技术总结本发明针对利用星载设备的长期监测数据实现参数的趋势预测以及性能衰减情况的计算等问题，提出一种基于数据自适应的星载设备健康预测方法，包括：选择指定时间段的星载设备历史参数数据，对所述历史参数数据进行野值剔除、空值填充以及数据采样；对采样后的数据进行数据点与点比较，得到采样序列对应的比较值序列；分析所述比较值序列的周期，在得到数据的比对值序列后按照时间序列分解方法分解为周期分量、趋势分量和随机分量；利用相应的预测方法分别对所述周期分量、趋势分量和随机分量进行长期趋势预测，并根据数据的周期调整各类预测方法中的参数值，在三类数据的预测结果相加后，利用预测数据与原始数据的比较实现设备参数的衰减性能。备参数的衰减性能。备参数的衰减性能。
技术研发人员：李乃海 赵征 于澎 时光 李顺 郑刚 方凯 闫金栋 韩小军 刘一帆 闫旭 张淳 付大伟
受保护的技术使用者：北京空间飞行器总体设计部
技术研发日：2021.12.29
技术公布日：2022/7/4
