首页 > 资讯 > 一种基于深度学习的卫星健康数据综合分析系统及方法与流程

一种基于深度学习的卫星健康数据综合分析系统及方法与流程

泰然健康网
2024-12-27 22:24

1.本发明涉及卫星健康数据管理技术领域，尤其涉及一种基于深度学习的卫星健康数据综合分析系统及方法。

背景技术：

2.目前，我国的航天事业发展迅速，卫星的任务越来越复杂化，卫星的遥测数据极速增加，进而获取的卫星参数众多，但是，目前的卫星星务系统无法高效的满足日常需求。
3.载荷参数关联分析技术是故障检测、健康分析与预测技术的基础，在卫星的有效载荷健康管理方面，现有的系统处理存在效率不高，数据判读准确性不大，以及模型构建不合理等诸多问题，导致目前很多情况下都是由人工根据经验判断数值的准确性，极大地浪费了人力。

技术实现要素：

4.本发明的目的在于提供一种基于深度学习的卫星健康数据综合分析系统及方法，旨在解决现有技术中的卫星的有效载荷健康管理方面，系统处理存在诸多问题，导致目前很多情况下都是由人工根据经验判断数值的准确性，极大地浪费了人力的技术问题。
5.为实现上述目的，本发明采用的一种基于深度学习的卫星健康数据综合分析系统，包括数据挖掘模块、载荷数据故障知识库和有效载荷故障检测模块；
6.所述数据挖掘模块与所述有效载荷故障检测模块连接，所述载荷数据故障知识库分别与所述数据挖掘模块和所述有效载荷故障检测模块连接；
7.所述数据挖掘模块，用于获取载荷数据，并将所述载荷数据进行数据管理和规范化，获得重组数据，并将所述重组数据上传至所述有效载荷故障检测模块，以及根据所述重组数据建立数据仓库，并将所述数据仓库上传至所述载荷故障知识库；
8.所述载荷故障数据知识库，用于获取所述数据仓库，并根据某一特定状态或特定时间区间或非人为事件内，对所述数据仓库中的载荷参数的变化趋势进行分析，建立故障样本集、故障模型和故障类型；
9.所述有效载荷故障检测模块，用于获取所述重组数据，并将所述重组数据进行故障分析，获取设置参数，最后根据所述设置参数在所述故障模型和所述故障类型中进行匹配，并输出结果。
10.所述数据挖掘模块，获取卫星的载荷数据，其中，载荷数据包括卫星实时载荷数据库、卫星全生命周期载荷数据库和卫星数据综合基础数据库，并对其进行抽取、清洗、转换和归纳，获得重组数据，将重组数据建立成数据仓库，并上传至所述载荷数据故障知识库中进行存储，将重组数据中的实时数据上传至所述有效故障检测模块；所述载荷数据故障知识库基于数据仓库建立故障样本集、故障模型和故障类型；所述有效载荷故障检测模块，对实时数据进行故障分析，并根据分析结果提取设置参数，变将设置参数输入故障模型和故障类型中进行匹配，最后输出匹配结果，供工作人员实时发现卫星异常，减少人力观察。
11.其中，所述数据挖掘模块包括数据解析单元和标准化单元，所述标准化单元与所述数据解析单元连接；
12.所述数据解析单元，用于获取所述载荷数据，并将二进制的所述载荷数据翻译为标准格式的载荷分析业务数据，以及将所述载荷分析业务数据上传至所述标准化单元；
13.所述标准化单元，用于对已有的所述载荷分析业务数据进行格式标准化处理，获得标准载荷分析数据。
14.所述数据解析单元将载荷数据进行翻译，所述标准化单元将翻译后的载荷数据进行标准化处理，有利于下一步操作。
15.其中，所述数据挖掘模块还包括数据清洗单元和数据预处理单元，所述数据清洗单元与所述标准化单元连接，所述数据预处理单元与所述数据清洗单元连接，所述预处理单元还与所述载荷数据故障知识库和所述有效载荷故障检测模块连接；
16.所述数据清洗单元，用于去掉所述标准载荷分析数据的重复行列，并填充缺值和时标对齐，获得清洗载荷分析数据；
17.所述数据预处理单元，用于将所述清洗载荷分析数据进行离散化、二元化、归一化和变量变换，获得所述重组数据，并将所述重组数据上传至所述有效载荷故障检测模块，同时，将所述重组数据建立成所述数据仓库，并将所述数据仓库上传至所述载荷数据故障知识库。
18.所述数据清洗单元，将标准化后的载荷数据进行清洗，所述数据预处理单元，将清洗后的载荷数据进行转化和归纳，有利于下一步操作。
19.其中，所述数据挖掘模块还包括特征提取单元和索引标签单元，所述特征提取单元与所述数据预处理单元连接，所述索引标签单元与所述特征提取单元连接；
20.所述特征提取单元，用于提取所述重组数据的特征，并将获取的特征存入特征库中；
21.所述索引标签单元，用于对所述重组数据建立索引标签。
22.所述特征单元，提取种族数据的特征，解决维数灾难问题以及降低学习任务的难度，为后续的任务提供数据支撑，所述索引标签单元，对采集的重组数据建立索引标签，为后续的载荷数据入库、检索、查询提供依据。
23.其中，所述载荷数据故障知识库包括故障样本单元和故障模型单元，所述故障样本单元与所述数据预处理单元连接，所述故障模型单元分别与所述有效载荷故障检测模块和所述故障样本单元连接；
24.所述故障样本单元，用于获取所述数据仓库，并根据某一特定状态或特定时间区间或非人为事件内，对所述数据仓库中的载荷参数的变化趋势进行分析，建立故障样本集；
25.所述故障模型单元，用于根据所述故障样本集建立故障模型和判断规则。
26.所述故障样本单元，基于数据仓库，并对数据仓库中的载荷参数的变化趋势进行分析，建立故障样本集，所述故障模型单元，根据故障样本集建立故障模型和判断规则。
27.一种基于深度学习的卫星健康数据综合分析方法，包括以下步骤：
28.获取载荷数据，并将所述载荷数据进行数据管理和规范化，获得重组数据，并将所述重组数据上传至有效载荷故障检测模块，以及根据所述重组数据建立数据仓库，并将所述数据仓库上传至载荷故障知识库；
29.获取所述数据仓库，并根据某一特定状态或特定时间区间或非人为事件内，对所述数据仓库中的载荷参数的变化趋势进行分析，建立故障样本集、故障模型和故障类型；
30.获取所述重组数据，并将所述重组数据进行故障分析，获取设置参数，最后根据所述设置参数在所述故障模型和所述故障类型中进行匹配，并输出结果。
31.首先，获取卫星的载荷数据，其中，载荷数据包括实时载荷数据库、全生命周期载荷数据库和卫星数据综合基础数据库，并将各数据进行管理和规范化，将生成的数据仓库上传至所述载荷故障知识库，将实时载荷数据上传至所述有效载荷故障检测模块进行分析；然后，所述载荷故障知识库通过大数据的挖掘技术，将海量的数据仓库中数据进行分析，并建模，创建故障样本集、故障模型及判断规则、故障类型，为算法分析提供数据支撑；所述有效载荷故障检测模块，接收实时载荷数据，并对其进行分析，提取设置参数，变将设置参数导入所述载荷数据故障知识库中的故障模型和故障类型进行匹配，最后输出匹配结果，供工作人员实时获取卫星故障信息，并查看故障现象和原因信息，减少人工劳动强度。
32.本发明的基于深度学习的卫星健康数据综合分析系统及方法，通过所述数据挖掘模块，获取卫星的实时载荷数据库、全生命周期载荷数据库和微型数据综合基础数据库，并对数据库进行管理和规范化，将生成的数据仓库上传至所述载荷数据故障知识库，将实时载荷数据上传至所述有效载荷故障检测模块；所述载荷数据故障知识库通过大数据的挖掘技术，将数据仓库的海量数据进行分析，建模，对载荷参数的变化数据进行分析，建立故障样本集、故障模型和故障类型；所述有效载荷故障检测模块，获取实时载荷数据，并对其进行故障分析，提取设置参数，最后将设置参数导入所述载荷故障数据知识库，在故障模型和故障类型中进行匹配，最后输出结果，供工作人员实时获取卫星健康信息，减少人工劳动强度。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1是本发明的基于深度学习的卫星健康数据综合分析系统的结构示意图。
35.图2是本发明的数据挖掘模块的结构示意图。
36.图3是本发明的载荷数据故障知识库的结构示意图。
37.图4是本发明的有效载荷故障检测模块的结构示意图。
38.图5是本发明的基于深度学习的卫星健康数据综合分析方法的步骤图。
39.1-数据挖掘模块、2-载荷数据故障知识库、3-有效载荷故障检测模块、11-数据解析单元、12-标准化单元、13-数据清洗单元、14-数据预处理单元、15-特征提取单元、16-索引标签单元、21-故障样本单元、22-故障模型单元、23-故障类型单元、31-故障分析单元、32-参数设置单元、100-基于深度学习的卫星健康数据综合分析系统。
具体实施方式
40.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终
相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
41.请参阅图1至图4，本发明提供了一种基于深度学习的卫星健康数据综合分析系统100，包括数据挖掘模块1、载荷数据故障知识库2和有效载荷故障检测模块3；
42.所述数据挖掘模块1与所述有效载荷故障检测模块3连接，所述载荷数据故障知识库2分别与所述数据挖掘模块1和所述有效载荷故障检测模块3连接；
43.所述数据挖掘模块1，用于获取载荷数据，并将所述载荷数据进行数据管理和规范化，获得重组数据，并将所述重组数据上传至所述有效载荷故障检测模块3，以及根据所述重组数据建立数据仓库，并将所述数据仓库上传至所述载荷故障知识库；
44.所述载荷故障数据知识库，用于获取所述数据仓库，并根据某一特定状态或特定时间区间或非人为事件内，对所述数据仓库中的载荷参数的变化趋势进行分析，建立故障样本集、故障模型和故障类型；
45.所述有效载荷故障检测模块3，用于获取所述重组数据，并将所述重组数据进行故障分析，获取设置参数，最后根据所述设置参数在所述故障模型和所述故障类型中进行匹配，并输出结果。
46.在本实施方式中，利用所述数据挖掘模块1获取卫星的载荷数据，其中，载荷数据包括卫星的实时载荷数据库、全生命周期载荷数据库和卫星数据综合基础数据库，并对数据库进行抽取、清洗、转换和归纳的数据管理和规范化，生成重组数据，将重组数据建立成数据仓库，然后上传至所述载荷数据故障知识库2，将重组数据中的卫星实时载荷数据上传至所述有效载荷故障检测模块3；所述载荷数据故障知识库2，获取数据仓库，并通过大数据的挖掘技术，对数据仓库进行分析和建模，建立健康状态知识库，对算法分析提供数据支撑，同时，根据某一特定状态或特定时间区间或非人为事件内，对参数的变化趋势进行分析，通过构建载荷的预测模型，将各参数预测趋势输入模型进行计算，获取载荷健康的趋势预测，通过训练数据集，经过bagging算法得出新训练的数据集集合，再通过初始化权值进行计算，根据子模型融合函数跟初始化权值进行计算，将操作数据方法和操作模型参数进行相融合的集成学习方法，建立故障样本集、故障模型和故障类型，其中，故障模型中具有阈值判断和包络线判断的规则，故障类型中包含故障现象和故障原因；所述有效载荷故障检测模块3获取卫星的实时载荷数据，并对其进行故障分析，提取出变化参数，生成设置参数，并将设置参数导入所述载荷数据故障知识库2中，与故障模型和故障类型进行匹配，获得故障类型、故障现象、故障原因，以便于维修人员能对故障进行快速定位和排除；进而具有深度的自我学习算法，将海量数据进行有效的利用以及模型的准确构建；支持灵活的配置，实现可扩展性，支持外部算法的集成，为诊断手段提供多方支持，通过系统接口预留，将外部算法程序包进行在线导入集成，配置路径、入参等信息，系统业务进行调用配置可实现外部算法库的集成；关联挖掘技术，可进行不同维度的数据分析，能够大幅度的提高分析效率以及准确性，保障故障诊断时可高时效的出结果；通过集成信息融合方法，对海量异构数据进行解析，分析判断，有效地实现有效数据的分析与判读，提高故障的分析效率，大大减少人工劳动量。
47.进一步地，请参阅图2，所述数据挖掘模块1包括数据解析单元11和标准化单元12，所述标准化单元12与所述数据解析单元11连接；
48.所述数据解析单元11，用于获取所述载荷数据，并将二进制的所述载荷数据翻译为标准格式的载荷分析业务数据，以及将所述载荷分析业务数据上传至所述标准化单元12；
49.所述标准化单元12，用于对已有的所述载荷分析业务数据进行格式标准化处理，获得标准载荷分析数据。
50.进一步地，请参阅图2，所述数据挖掘模块1还包括数据清洗单元13和数据预处理单元14，所述数据清洗单元13与所述标准化单元12连接，所述数据预处理单元14与所述数据清洗单元13连接，所述预处理单元还与所述载荷数据故障知识库2和所述有效载荷故障检测模块3连接；
51.所述数据清洗单元13，用于去掉所述标准载荷分析数据的重复行列，并填充缺值和时标对齐，获得清洗载荷分析数据；
52.所述数据预处理单元14，用于将所述清洗载荷分析数据进行离散化、二元化、归一化和变量变换，获得所述重组数据，并将所述重组数据上传至所述有效载荷故障检测模块3，同时，将所述重组数据建立成所述数据仓库，并将所述数据仓库上传至所述载荷数据故障知识库2。
53.进一步地，请参阅图2，所述数据挖掘模块1还包括特征提取单元15和索引标签单元16，所述特征提取单元15与所述数据预处理单元14连接，所述索引标签单元16与所述特征提取单元15连接；
54.所述特征提取单元15，用于提取所述重组数据的特征，并将获取的特征存入特征库中；
55.所述索引标签单元16，用于对所述重组数据建立索引标签。
56.在本实施方式中，所述数据解析单元11，将获取的二进制载荷数据翻译为标准格式的载荷分析业务数据，其中，可以通过xml文件描述二进制载荷数据的数据格式，软件基于xml文件对不同格式数据进行解析，并将载荷分析业务数据传输至所述标准化单元12；所述标准化单元12，对已有载荷分析业务数据进行格式标准化处理，实现统一格式，方便下一步操作；所述数据清洗单元13，去除标准载荷分析数据中的重负行列，并填充缺值和进行时标对齐，获得清洗载荷分析数据；所述数据预处理模块，对清洗载荷分析数据进行离散化、二元化、归一化和变量变换，获得重组数据，为算法分析提供数据支撑，并将重组数据建立成数据仓库，以及将数据仓库上传至所述载荷数据故障知识库2进行存储，同时，将重组数据中的实时载荷数据上传至所述有效载荷故障检测模块3 进行检测；所述特征提取单元15，对重组数据进行特征提取与选择，以此解决维数灾难问题，以及降低学习任务的难度，并将获取的特征存入数据库中的特征库中，为后续的任务提供数据支撑；所述索引标签单元16，对重组数据建立索引标签，也为后续采集的载荷数据入库、检索、查询提供依据，通过大数据的挖掘技术，将海量数据进行分析处理，有效地实现有效数据的分析与判读，提高故障的分析效率，减少人工劳动量。
57.进一步地，请参阅图3，所述载荷数据故障知识库2包括故障样本单元21 和故障模型单元22，所述故障样本单元21与所述数据预处理单元14连接，所述故障模型单元22分别与所述有效载荷故障检测模块3和所述故障样本单元21 连接；
58.所述故障样本单元21，用于获取所述数据仓库，并根据某一特定状态或特定时间
区间或非人为事件内，对所述数据仓库中的载荷参数的变化趋势进行分析，建立故障样本集；
59.所述故障模型单元22，用于根据所述故障样本集建立故障模型和判断规则。
60.进一步地，请参阅图3，所述载荷数据故障知识库2还包括故障类型单元 23，所述故障类型单元23分别与所述有效载荷故障检测模块3和所述故障模型单元22连接；
61.所述故障类型单元23，用于基于所述故障模型对所述故障样本集进行分类，获得故障类型。
62.在本实施方式中，所述故障样本单元21获取数据仓库，通过结构化数据关联挖掘技术，采用空间数据挖掘(树形结构)、多维时间序列关联分析(图结构)，根据某一特定状态或特定时间区间或非人为事件内，对参数的变化趋势进行分析，建立故障样本集，并实时更新数据仓库，以丰富故障样本集；所述故障模型单元22以故障样本集为基础，建议阈值判断和包络线判断的故障模型和判断规则；所述故障类型模块，基于故障模型对故障样本集进行分类，将故障类型、故障现象和故障原因相应关联，为所述有效载荷故障检测模块3提供数据支撑。
63.进一步地，请参阅图4，所述有效载荷故障检测模块3包括故障分析单元 31和参数设置单元32，所述故障分析单元31与所述数据预处理单元14连接，所述参数设置单元32分别与所述故障分析单元31、所述故障模型单元22和所述故障类型单元23连接；
64.所述故障分析单元31，用于获取所述重组数据，并对所述重组数据中的参数异常情况进行载荷内和载荷间的故障分析，并将分析结果上传至所述参数设置单元32；
65.所述参数设置单元32，用于获取所述分析结果，并生成相应的参数，以及将所述参数上传至所述故障模型单元22和所述故障类型单元23中进行匹配，最后输出匹配结果。
66.在本实施方式中，所述故障分析单元31，获取实时载荷数据，并对实时载荷数据进行载荷内和载荷间故障分析，并将分析结果上传至所述参数设置单元 32，所述参数设置单元32，根据分析结果提取各参数异常情况，并生成相应的异常参数数据，通过调用所述故障模型单元22中的故障模型对异常参数进行检测，输出的故障类型与所述故障类型单元23中进行匹配，给出故障类型、故障现象、故障原因，以便于维修人员能对故障进行快速定位和排除，减少人工劳动量。
67.请参阅图5，一种基于深度学习的卫星健康数据综合分析方法，包括以下步骤：
68.s101：获取载荷数据，并将所述载荷数据进行数据管理和规范化，获得重组数据，并将所述重组数据上传至有效载荷故障检测模块3，以及根据所述重组数据建立数据仓库，并将所述数据仓库上传至载荷故障知识库。
69.s102：获取所述数据仓库，并根据某一特定状态或特定时间区间或非人为事件内，对所述数据仓库中的载荷参数的变化趋势进行分析，建立故障样本集、故障模型和故障类型。
70.s103：获取所述重组数据，并将所述重组数据进行故障分析，获取设置参数，最后根据所述设置参数在所述故障模型和所述故障类型中进行匹配，并输出结果。
71.在本实施方式中，首先，获取卫星的载荷数据，其中，载荷数据包括实时载荷数据库、全生命周期载荷数据库和卫星数据综合基础数据库，并将各数据进行管理和规范化，将生成的数据仓库上传至所述载荷故障知识库，还将实时载荷数据上传至所述有效载荷故障
检测模块3进行分析；然后，所述载荷故障知识库通过大数据的挖掘技术，在海量的数据仓库中数据进行分析，并建模，创建故障样本集、故障模型及判断规则、故障类型，为下一步算法分析提供数据支撑；然后，所述有效载荷故障检测模块3，接收实时载荷数据，并对其进行分析，提取设置参数，变将设置参数导入所述载荷数据故障知识库2中的故障模型和故障类型进行匹配，最后，输出匹配结果，给出故障类型、故障现象、故障原因，以便于维修人员能对故障进行快速定位和排除，减少人工劳动强度。
72.以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。