1.本发明涉及航天技术领域，特别是一种星间链路天线主反射器温度异常检测方法。
背景技术：2.随着我国卫星的高密度发射，在役卫星数量增幅巨大，但对卫星的监测维护也带来了巨大挑战，其中对星间链路天线主反射器的温度检测是十分重要的一环，由于星间链路天线主反射器的温度变化范围极大，星间链路天线主反射器受空间辐射外热流变化的影响，被周期性地加热和冷却，温度变化极大，即使同一时刻卫星的温度分布也不均匀，为准确评估星间链路天线主反射器的温度状况，对卫星所受的空间外热流进行准确的分析计算是非常必要的，此外，受恶劣空间环境刺激，星间链路天线主反射器的测温电阻器件性能退化明显，但星间链路天线主反射器测温电阻器件性能退化不影响其他部件正常运行，因此需要对由于星间链路天线主反射器测温电阻器件性能退化引发的异常进行补偿。此外，目前用于长时间序列建模的算法模型存在参数量大、能耗高等特点，无法在具有低算力、低功耗要求的卫星上应用。
3.欧拉状态网络是一种新型的递归神经网络，发展自状态回声网络，该类网络的特征表示是由一种未经训练的内部动力系统驱动，在需要长期记忆建模的任务中具有明显的优势，此外，在时间序列分类性能上能够匹配(甚至超过)可训练的递归神经网络(如循环神经网络rnn、长短期记忆神经网络lstm、门控循环网络gru等主流时序网络)的精度水平，同时允许节省高达100倍的计算时间和能量消耗。
技术实现要素：4.本发明的目的就是提供一种星间链路天线主反射器温度异常检测方法。
5.本发明的目的是通过这样的技术方案实现的，具体步骤如下：
6.1)通过传感器获取天线主反射器的温度数据；
7.2)计算当前温度数据下的相对热表征能量参数；
8.3)通过欧拉状态网络模型对相对热表征能量参数进行分析，判断当前温度的异常程度；
9.4)监测传感器数据，若有新的温度数据转向步骤1)。
10.作为优选，步骤2)中所述计算当前温度数据下的相对热表征能量参数的具体步骤如下：
11.2-1)构建轨道空间环境外热流时变描述；
12.2-2)将获取的天线主反射器温度形成温度二元离散序列，对温度二元离散序列进行等位时间融合，得到第一处理结果；
13.2-3)对第一处理结果进行性能退化补偿，得到第二结果；
14.2-4)基于轨道空间环境外热流时变描述，结合第二处理结果，计算相对热表征能
量参数即第三处理结果。
15.作为优选，步骤3)中所述通过欧拉状态网络模型对相对热表征能量参数进行分析，判断当前温度异常程度的具体步骤如下：
16.3-1)构建欧拉状态网络模型，初始化欧拉状态网络并整定超参数；
17.3-2)根据第三处理结果，基于欧拉状态网络模型提取长时序特征，得到第四处理结果；
18.3-3)根据处理结果，计算温度异常程度。
19.作为优选，步骤2-1)中所述构建轨道空间环境外热流时变描述，包括有建立太阳辐射外热流表征模型、建立地球阳光反射热流表征模型、建立地球红外辐射热流表征模型。
20.作为优选，对所述太阳辐射外热流表征模型为：
21.其中q1表示太阳辐射外热流，表示卫星在一个轨道周期内平均太阳吸收比，通常取值为0.3，s表示太阳光，φ1表示太阳辐射角系数，a
s-p
表示卫星外表面垂直于太阳光方向的投影面积，其中τs表示太阳光照时间，τc表示卫星一个轨道周期的运行时间。
22.所述建立地球阳光反射热流表征模型为：
23.其中q2表示地球阳光反射热流，ρ表示平均反照率，通常取值为0.3，a
e-s
表示太阳辐射角系数，a
s-p
表示受到太阳直接照射的地球表面面积，φ2表示地球阳光反射角系数；
24.所述建立地球红外辐射热流表征模型为：
25.其中q3表示地球红外辐射热流，表示卫星面平均红外发射率，as表示卫星外表面积，φ3表示地球红外辐射角系数。
26.作为优选，步骤2-2)所述将获取的天线主反射器温度形成温度二元离散序列，对温度二元离散序列进行等位时间融合，得到第一处理结果的具体方法如下：
27.采集天线主反射器的温度低端电阻数据和温度高端电阻数据，对测量温度数据进行均匀采样，采样周期为t，得到所述测量温度二元离散序列；
28.通过s
t
＝f(x
1t
,x
2t
,w1,w2)对天线主反射器温度的二元离散序列进行等位时间融合，其中s
t
表征t时刻星间链路天线主反射器温度，x
1t
,x
2t
分别为t时刻星间链路天线主反射器测量低端温度和高端温度，w1,w2分别表示融合的权重系数，由s
t
所构成的时间序列集合{s0,s1,s2,...,sn}即为第一处理结果；
29.其中，当温度低端电阻数据达到上界t1时，w1取值为0，当温度高端电阻数据达到下界t2时，w2取值为0。
30.作为优选，步骤2-3)中所述对第一处理结果进行性能退化补偿，得到第二结果的具体方法如下：
31.通过s
t
'＝s
t-δ(d)对所述第一处理结果进行性能退化补偿，其中δ(d)表示测温电
阻性能退化模型，由s
t
'所构成的时间序列集合{s0',s1',s2',...,sn'}即为第二处理结果；
32.其中，δ(d)为电阻性能退化经验模型其中d表示测温电阻服役天数，c1表示退化系数，c2表示时间系数，表示电阻性能初相，其取值大于等于1，ε(d)表示性能线性退化项。
33.作为优选，步骤2-4)中所述计算相对热表征能量参数即第三处理结果的具体公式如下：
34.其中qr为相对热表征能量参数，是关于时间的离散序列，κ为总调制系数，κ1,κ2,κ3分别为太阳辐射热流调制系数、地球阳光反射热流调制系数和地球红外辐射热流调制系数。
35.作为优选，步骤3-1)中所述构建欧拉状态网络模型，初始化欧拉状态网络并整定超参数的具体方法如下：
36.从区间[-wr,wr]上的均匀分布中随机初始化一个矩阵w∈rn×n的值，其中wr是一个正的递归缩放系数，然后设置储蓄池矩阵wh＝w-w
t
；
[0037]
从[-w
x
,w
x
]上的均匀分布中随机初始化输入权值矩阵w
x
的值，其中w
x
是一个正的输入比例系数；
[0038]
从[-wb,wb]上的均匀分布中随机初始化偏差向量b的值，其中wb是一个正的偏差尺度系数。
[0039]
作为优选，步骤3-2)中所述根据第三处理结果，基于欧拉状态网络模型提取长时序特征，得到第四处理结果的具体方法如下：
[0040]
依次遍历第三处理结果集合的每个元素，并输入欧拉状态网络进行递归计算，得到输出状态集合{h1,h2,h3,...,hn}，并将最后一个输出状态hn作为输出特征，即第四处理结果。
[0041]
作为优选，步骤3-3)所述根据处理结果，计算温度异常程度的具体方法如下：
[0042]
收集温度正常欧拉状态网络输出状态集合{h1',h2',h3',...,hn'}，该集合样本服从x分布，x分布表示温度正常状态的特征分布；
[0043]
由该集合元素估计欧拉状态网络输出特征空间中心，即该分布的期望，通过计算，其中p表示概率，取值p＝1-β，其中β为置信度；
[0044]
通过对所述欧拉状态网络输出特征向量的离心率进行计算，离心率即即所述温度异常程度。
[0045]
由于采用了上述技术方案，本发明具有如下的优点：
[0046]
1、本发明构建轨道空间环境外热流时变描述为建立星间链路天线主反射器相对热表征能量参数提供了参照量，相比于直接分析星间链路天线主反射器温度参数，相对热表征能量参数融入了空间辐射所带来的热流影响，更能准确表征星间链路天线主反射器温度异常情况；
[0047]
2、本发明采用无需训练的欧拉状态网络进行异常特征提取，大大减少计算能耗，
对内存等资源需求也较少，从而提高了运算效率并节省算力，使得在卫星部署高性能温度异常检测装置具有可行性。
[0048]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
[0049]
本发明的附图说明如下。
[0050]
图1为本发明的流程示意图；
[0051]
图2为本发明实施例的传感器监测数据波形图；
[0052]
图3为本发明实施例的传感器监测数据离散采样序列图；
[0053]
图4为本发明实施例的轨道空间环境外热流模拟图；
[0054]
图5为本发明实施例的传感器监测数据融合序列图；
[0055]
图6为本发明实施例的传感器性能退化补偿对比图；
[0056]
图7为本发明实施例的相对热表征能量参数分布图；
[0057]
图8为本发明实施例的欧拉状态网络模型提取的温度特征图；
[0058]
图9为本发明实施例的异常程度曲线图；
[0059]
图10为本发明的装置示意图。
具体实施方式
[0060]
下面结合附图和实施例对本发明作进一步说明。
[0061]
一种星间链路天线主反射器温度异常检测方法以及装置，如图1和图10所示，具体步骤为：
[0062]
步骤11，构建轨道空间环境外热流时变描述；
[0063]
步骤12，获取星间链路天线主反射器测量温度二元离散序列；
[0064]
步骤13，对测量温度二元离散序列进行等位时间融合，得到第一处理结果；
[0065]
步骤14，对所述第一处理结果进行性能退化补偿，得到第二处理结果；
[0066]
步骤15，基于轨道空间环境外热流时变描述，结合第二处理结果，计算相对热表征能量参数即第三处理结果；
[0067]
步骤16，构建欧拉状态网络模型并整定超参数；
[0068]
步骤17，基于欧拉状态网络模型提取长时序温度特征，得到第四处理结果；
[0069]
步骤18，根据第四处理结果，计算温度异常程度；
[0070]
该实施例中，通过构建轨道空间环境外热流时变描述；获取星间链路天线主反射器测量温度二元离散序列；对测量温度二元离散序列进行等位时间融合，得到第一处理结果；对所述第一处理结果进行性能退化补偿，得到第二处理结果；基于轨道空间环境外热流时变描述，结合第二处理结果，计算相对热表征能量参数即第三处理结果；构建欧拉状态网络模型并整定超参数；基于欧拉状态网络模型提取长时序特征，得到第四处理结果；根据第四处理结果，计算温度异常程度。构建轨道空间环境外热流时变描述为建立星间链路天线
主反射器相对热表征能量参数提供了参照量，相比于直接分析星间链路天线主反射器温度参数，相对热表征能量参数融入了空间辐射所带来的热流影响，更能准确表征星间链路天线主反射器温度异常情况。另外，采用无需训练的欧拉状态网络对星间链路天线主反射器温度状态进行表征，大大减少计算能耗，对内存等资源需求也较少，从而提高了运算效率并节省算力。
[0071]
步骤111，建立太阳辐射外热流表征模型；
[0072]
步骤112，建立地球阳光反射热流表征模型；
[0073]
步骤113，建立地球红外辐射热流表征模型。
[0074]
步骤111包括，包括：
[0075]
其中q1表示太阳辐射外热流，表示卫星在一个轨道周期内平均太阳吸收比，通常取值为0.3，s表示太阳光，φ1表示太阳辐射角系数，a
s-p
表示卫星外表面垂直于太阳光方向的投影面积，其中τs表示太阳光照时间，τc表示卫星一个轨道周期的运行时间。
[0076]
步骤112包括，包括：
[0077]
其中q2表示地球阳光反射热流，ρ表示平均反照率，通常取值为0.3，a
e-s
表示太阳辐射角系数，a
s-p
表示受到太阳直接照射的地球表面面积，φ2表示地球阳光反射角系数。
[0078]
步骤113包括，包括：
[0079]
其中q3表示地球红外辐射热流，表示卫星面平均红外发射率，as表示卫星外表面积，表示地球红外辐射角系数。
[0080]
该实施例中，构建轨道空间环境外热流时变描述为建立星间链路天线主反射器温度表征提供了参照依据，相比于直接分析星间链路天线主反射器温度参数，融入空间辐射所带来的热流影响，更能准确表征星间链路天线主反射器温度异常情况。
[0081]
步骤12包括：获取测量温度低端电阻数据和测量温度高端电阻数据；对测量温度数据进行均匀采样，采样周期为t，得到所述测量温度二元离散序列。
[0082]
该实施例中，来自某卫星的星间链路天线主反射器测量温度数据包含三个字段，分别表示为{date,ta10,ta11},其中date表示采样时间，即时间戳，采样间隔为1min，ta10为温度高端测量数据，当该温度值低于下界t2即-76.126时，超出温度高端电阻测量范围，ta11为温度低端测量数据，当该温度高于上界t1即1.0862时，超出温度低端电阻测量范围。
[0083]
步骤13可以包括：对测量温度二元离散序列进行等位时间融合。
[0084]
该实施例中，ta10字段数据与ta11字段数据呈现强相关性，因此考虑将两个字段数据进行融合，以方便后续建模分析，但考虑到某些温度越界时段，存在测温电阻失效的情况，如当温度值低于下界t2即-76.126时，ta10为失效数据，同理，当温度高于上界t1即1.0862时，ta11为失效数据，鉴于此，两个字段的数值融合不能用简单的线性叠加实现，因此本实施例提供一种可选的条件加权融合策略，通过：
[0085]
其中s
t
表征t时刻星间链路天线主反射器温度，x
1t
,x
2t
分别为t时刻星间链路天线主反射器测量低端温度和高端温度，w1,w2分别表示融合的权重系数，所述的条件融合是，当温度低端测量值达到上界t1时，w1取值为0，同理，当温度高端测量值达到下界t2时，w2取值为0。通过这种有条件的融合方法可以使得融合后的数值序列能够更加真实地表征星间链路天线主反射器温度情况。
[0086]
步骤14可以包括：通过s
t
'＝s
t-δ(d)对所述第一处理结果进行性能退化补偿，其中δ(d)表示测温电阻性能退化模型，由s
t
'所构成的时间序列集合{s0',s1',s2',...,sn'}即为第二处理结果。
[0087]
该型测温电阻性能退化经验模型其中d表示测温电阻服役天数，c1表示退化系数，c2表示时间系数，表示电阻性能初相，一般取值为1且不可小于1，ε(d)表示性能线性退化项，通常为一次函数形式，斜率与实际电阻型号有关。
[0088]
对所述第一处理结果进行性能退化补偿，避免了由于测温电阻自身性能退化的影响而导致对星间链路天线主反射器温度情况的错误评估，提升了异常检测的准确性。
[0089]
步骤15包括：基于轨道空间环境外热流时变描述，结合第二处理结果，计算相对热表征能量参数即第三处理结果，通过：
[0090]
其中qr为相对热表征能量参数，是关于时间的离散序列，κ为总调制系数，κ1,κ2,κ3分别为太阳辐射热流调制系数、地球阳光反射热流调制系数和地球红外辐射热流调制系数。
[0091]
步骤16包括：
[0092]
步骤161，建立欧拉状态方程h(t)＝f(h(t-1),x(t))，其中h(t)表示t时刻的储蓄池输出状态，h(t-1)表示t-1时刻储蓄池输出状态，x(t)表示t时刻输入；
[0093]
步骤162，初始化欧拉状态网络；
[0094]
步骤163，欧拉状态网络模型超参数整定。
[0095]
步骤161包括：f(h(t-1),x(t))＝h(t)+ε
·
sigmoid((w
h-γi)h(t-1)+w
x
x(t)+b)，其中wh，w
x
分别代表储蓄池矩阵，ε表示步长，γ是用于稳定正向传播的扩散系数，b表示偏置。值得说明的是，上述欧拉状态方程中，sigmoid非线性变换函数是可选的，比如tanh非线性变换函数。
[0096]
步骤162包括：
[0097]
步骤1621，从区间[-wr,wr]上的均匀分布中随机初始化一个矩阵w∈rn×n的值，其中wr是一个正的递归缩放系数，然后设置储蓄池矩阵wh＝w-w
t
；
[0098]
步骤1622，从[-w
x
,w
x
]上的均匀分布中随机初始化输入权值矩阵w
x
的值，其中w
x
是一个正的输入比例系数；
[0099]
步骤1623，从[-wb,wb]上的均匀分布中随机初始化偏差向量b的值，其中wb是一个正的偏差尺度系数。
[0100]
步骤163包括：调整wr,w
x
,wb的取值，以平衡欧拉状态网络递归转换中不同项的贡献。在本实施例中，采用经验法进行参数整定，此外，还可采用粒子群算法、差分进化算法、
遗传算法、贝叶斯优化等经典超参数优化方法进行参数整定，以获得更好的模型性能。
[0101]
该实施例中，构建了建立欧拉状态方程，对其状态参数矩阵进行了随机初始化，并对超参数进行了整定，值得说明的是，储蓄池的稳定性是由于wh的反对称结构，而不需要如传统状态回声网络esn中那样缩放其光谱半径以确保稳定性。另外，该方法状态参数矩阵初始化完成后，不需要如rnn、lstm和gru网络一般进行训练，节约了大量算力。
[0102]
步骤17包括：依次遍历待检测时段的第三处理结果的每个元素，并输入欧拉状态网络进行递归计算，得到输出状态集合{h1,h2,h3,...,hn}，并将最后一个输出状态hn作为输出特征，即第四处理结果。
[0103]
步骤18可以包括：
[0104]
步骤181，计算欧拉状态网络输出特征空间中心；
[0105]
步骤182，计算当前欧拉状态网络输出特征向量的离心率，即所述温度异常程度。
[0106]
步骤181包括有：
[0107]
步骤1811，收集温度正常欧拉状态网络输出状态集合{h1',h2',h3',...,hn'}，该集合样本服从x分布，x分布表示温度正常状态的特征分布；
[0108]
步骤1812，由该集合元素估计欧拉状态网络输出特征空间中心，即该分布的期望，通过计算，其中p表示概率，取值p＝1-β，其中β为置信度通常取值为0.05。
[0109]
步骤182包括：
[0110]
通过对所述欧拉状态网络输出特征向量的离心率进行计算。需要注意的是，该式中的变量都是n维向量，n为储蓄池神经元数量。若需将离心率指标以单一数值进行表示，可采取对离心率向量取模的方式。另外，根据业务需求，可采用阈值选择的方法将定量化异常指标即离心率转换为定性化指标即正常或异常。
[0111]
实施例：
[0112]
传感器监测数据波形图如图2所示，仿真数据来源于某卫星2012年星间链路天线主反射器温度传感器遥测数据；基于python 3.8进行数据处理仿真，具体使用科学计算库numpy进行数据处理，可视化使用matplotlib实现。如图2所示，监测数据以二元序列组成，且以天为周期进行变化，但极值点有所波动，异常程度分布跨度大，表现为突变异常和缓变异常。
[0113]
传感器监测数据离散采样序列如图3所示，采样间隔为1min；可视化使用matplotlib库中scatter函数实现；如图3所示，离散化后的监测数据序列在空间分布上有明显的分层现象，且异常显著特征集中在中间层。
[0114]
轨道空间环境外热流模拟图如图4所示，采样间隔为1min；可视化使用seaborn库中heatmap函数实现；如图4所示，轨道空间环境外热流变化在时间上亦呈现周期性，实际上，传感器监测数据变化与轨道空间环境外热流变化具有强因果关系，即传感器监测数据变化很大程度上取决于轨道空间环境外热流变化。
[0115]
传感器监测数据融合序列图如图5所示，采样间隔为1min；可视化使用matplotlib库中scatter函数实现；图5与图3相比，监测数据序列在空间分布上的分层现象更加清晰，
更多的离群值被剥离出来。
[0116]
传感器性能退化补偿对比图如图6所示，采样间隔为1min；可视化使用matplotlib库中plot函数实现；研究数据窗口扩展到年；从超长时间尺度来看，监测数据序列边界有明显的趋势性变化，该变化主要由于传感器性能退化引起，此外，复杂的太空环境干扰也构成致因。
[0117]
相对热表征能量参数分布图如图7所示，采样间隔为1min；可视化使用matplotlib库中scatter函数实现；如图7所示，在诸多参数分布中，相对热表征能量参数分布更加平稳，变化跨度更小，融合了多个参数的变化规律，对星间链路天线主反射器温度特征表示更加稳定。
[0118]
欧拉状态网络模型提取的温度特征图如图8所示，采样间隔为1min；可视化使用seaborn库中heatmap函数实现；如图8所示，温度特征分布具有很好的纹理特性，可见欧拉状态网络能够从大量数据中提取到一般化的异常特征。
[0119]
异常程度曲线图如图9所示，采样间隔为1min；可视化使用matplotlib库中plot函数实现；如图9所示，基于特征空间离心率进行星间链路天线主反射器温度异常度量方法能够很好表征温度异常程度，验证了本发明的有效性。
[0120]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0121]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0122]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0123]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0124]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
技术特征：1.一种星间链路天线主反射器温度异常检测方法，其特征在于，具体步骤如下：1)通过传感器获取天线主反射器的温度数据；2)计算当前温度数据下的相对热表征能量参数；3)通过欧拉状态网络模型对相对热表征能量参数进行分析，判断当前温度的异常程度；4)监测传感器数据，若有新的温度数据转向步骤1)。2.如权利要求1所述的星间链路天线主反射器温度异常检测方法，其特征在于，步骤2)中所述计算当前温度数据下的相对热表征能量参数的具体步骤如下：2-1)构建轨道空间环境外热流时变描述；2-2)将获取的天线主反射器温度形成温度二元离散序列，对温度二元离散序列进行等位时间融合，得到第一处理结果；2-3)对第一处理结果进行性能退化补偿，得到第二结果；2-4)基于轨道空间环境外热流时变描述，结合第二处理结果，计算相对热表征能量参数即第三处理结果。3.如权利要求2所述的星间链路天线主反射器温度异常检测方法，其特征在于，步骤3)中所述通过欧拉状态网络模型对相对热表征能量参数进行分析，判断当前温度异常程度的具体步骤如下：3-1)构建欧拉状态网络模型，初始化欧拉状态网络并整定超参数；3-2)根据第三处理结果，基于欧拉状态网络模型提取长时序特征，得到第四处理结果；3-3)根据处理结果，计算温度异常程度。4.如权利要求3所述的星间链路天线主反射器温度异常检测方法，其特征在于，步骤2-1)中所述构建轨道空间环境外热流时变描述，包括有建立太阳辐射外热流表征模型、建立地球阳光反射热流表征模型、建立地球红外辐射热流表征模型。5.如权利要求4所述的星间链路天线主反射器温度异常检测方法，其特征在于，对所述太阳辐射外热流表征模型为：其中q1表示太阳辐射外热流，表示卫星在一个轨道周期内平均太阳吸收比，通常取值为0.3，s表示太阳光，φ1表示太阳辐射角系数，a
s-p
表示卫星外表面垂直于太阳光方向的投影面积，其中τ
s
表示太阳光照时间，τ
c
表示卫星一个轨道周期的运行时间。所述建立地球阳光反射热流表征模型为：其中q2表示地球阳光反射热流，ρ表示平均反照率，通常取值为0.3，a
e-s
表示太阳辐射角系数，a
s-p
表示受到太阳直接照射的地球表面面积，φ2表示地球阳光反射角系数；所述建立地球红外辐射热流表征模型为：其中q3表示地球红外辐射热流，表示卫星面平均红外发射率，a
s
表示卫星外表面积，φ3表示地球红外辐射角系数。
6.如权利要求5所述的星间链路天线主反射器温度异常检测方法，其特征在于，步骤2-2)所述将获取的天线主反射器温度形成温度二元离散序列，对温度二元离散序列进行等位时间融合，得到第一处理结果的具体方法如下：采集天线主反射器的温度低端电阻数据和温度高端电阻数据，对测量温度数据进行均匀采样，采样周期为t，得到所述测量温度二元离散序列；通过s
t
＝f(x
1t
,x
2t
,w1,w2)对天线主反射器温度的二元离散序列进行等位时间融合，其中s
t
表征t时刻星间链路天线主反射器温度，x
1t
,x
2t
分别为t时刻星间链路天线主反射器测量低端温度和高端温度，w1,w2分别表示融合的权重系数，由s
t
所构成的时间序列集合{s0,s1,s2,...,s
n
}即为第一处理结果；其中，当温度低端电阻数据达到上界t1时，w1取值为0，当温度高端电阻数据达到下界t2时，w2取值为0。7.如权利要求6所述的星间链路天线主反射器温度异常检测方法，其特征在于，步骤2-3)中所述对第一处理结果进行性能退化补偿，得到第二结果的具体方法如下：通过s
t
'＝s
t-δ(d)对所述第一处理结果进行性能退化补偿，其中δ(d)表示测温电阻性能退化模型，由s
t
'所构成的时间序列集合{s0',s1',s2',...,s
n
'}即为第二处理结果；其中，δ(d)为电阻性能退化经验模型其中d表示测温电阻服役天数，c1表示退化系数，c2表示时间系数，表示电阻性能初相，其取值大于等于1，ε(d)表示性能线性退化项。8.如权利要求7所述的星间链路天线主反射器温度异常检测方法，其特征在于，步骤2-4)中所述计算相对热表征能量参数即第三处理结果的具体公式如下：其中q
r
为相对热表征能量参数，是关于时间的离散序列，κ为总调制系数，κ1,κ2,κ3分别为太阳辐射热流调制系数、地球阳光反射热流调制系数和地球红外辐射热流调制系数。9.如权利要求8所述的星间链路天线主反射器温度异常检测方法，其特征在于，步骤3-1)中所述构建欧拉状态网络模型，初始化欧拉状态网络并整定超参数的具体方法如下：从区间[-w
r
,w
r
]上的均匀分布中随机初始化一个矩阵w∈r
n
×
n
的值，其中w
r
是一个正的递归缩放系数，然后设置储蓄池矩阵w
h
＝w-w
t
；从[-w
x
,w
x
]上的均匀分布中随机初始化输入权值矩阵w
x
的值，其中w
x
是一个正的输入比例系数；从[-w
b
,w
b
]上的均匀分布中随机初始化偏差向量b的值，其中w
b
是一个正的偏差尺度系数。10.如权利要求9所述的星间链路天线主反射器温度异常检测方法，其特征在于，步骤3-2)中所述根据第三处理结果，基于欧拉状态网络模型提取长时序特征，得到第四处理结果的具体方法如下：依次遍历第三处理结果集合的每个元素，并输入欧拉状态网络进行递归计算，得到输
出状态集合{h1,h2,h3,...,h
n
}，并将最后一个输出状态h
n
作为输出特征，即第四处理结果。11.如权利要求10所述的星间链路天线主反射器温度异常检测方法，其特征在于，步骤3-3)所述根据处理结果，计算温度异常程度的具体方法如下：收集温度正常欧拉状态网络输出状态集合{h1',h2',h3',...,h
n
'}，该集合样本服从x分布，x分布表示温度正常状态的特征分布；由该集合元素估计欧拉状态网络输出特征空间中心，即该分布的期望，通过计算，其中p表示概率，取值p＝1-β，其中β为置信度；通过对所述欧拉状态网络输出特征向量的离心率进行计算，离心率即即所述温度异常程度。
技术总结一种星间链路天线主反射器温度异常检测方法，首先构建轨道空间环境外热流时变描述为建立星间链路天线主反射器相对热表征能量参数提供了参照量，相比于直接分析星间链路天线主反射器温度参数，相对热表征能量参数融入了空间辐射所带来的热流影响，更能准确表征星间链路天线主反射器温度异常情况。另外，采用无需训练的欧拉状态网络进行异常特征提取，大大减少计算能耗，对内存等资源需求也较少，从而提高了运算效率并节省算力，使得在卫星部署高性能温度异常检测装置具有可行性。性能温度异常检测装置具有可行性。性能温度异常检测装置具有可行性。
技术研发人员：张可 柴毅 蒲华祥 邱可玥 王嘉璐 钱亚林 宋倩倩 安翼尧 李希晨
受保护的技术使用者：重庆大学
技术研发日：2022.03.31
技术公布日：2022/7/5
