基于改进组合机器学习的卫星遥测参数预测.pdf
《基于改进组合机器学习的卫星遥测参数预测.pdf》由会员分享,可在线阅读,更多相关《基于改进组合机器学习的卫星遥测参数预测.pdf(7页珍藏版)》请在咨信网上搜索。
1、Journal of SpaceScience,2023,43(4):786-792.D0I:10.11728/3.04.2022-0057JIANG Gaixin,LIU Yurong.Satellite Telemetry Parameter Prediction Based on Improved Combinatorial Machine Learning(in Chinese).Chinese0254-6124/2023/43(4)-0786-07Chin.J.SpaceSci.空间科学学报基于改进组合机器学习的卫星遥测参数预测姜改新1,2刘玉荣1(中国科学院国家空间科学中心、北京1
2、0 0 190)2(中国科学院大学北京100049)摘要对在轨卫星的运行状态进行监测、分析以及异常检测是卫星在轨运行管理的重要内容。预测卫星遥测参数序列的变化趋势,对卫星异常检测与处置、保障安全运行非常必要。针对目前对于周期性不明显且具有多种变化特征的遥测参数预测精确度不够的问题,本文引人对遥测参数的预测有辅助作用的因素作为协变量,提出了基于改进组合机器学习的预测模型。该模型使用全局模型和局部模型分别获取遥测参数序列的趋势特征和局部不规则波动特征,并采用改进的注意力机制捕获多维参数之间的关联关系,提高了预测精度。此模型可以提供点预测和区间预测的结果,为在轨卫星处置决策提供了更多输人。在科学卫星
3、真实遥测数据集和时间序列公开数据集上验证了本文方法的有效性。关键词卫星遥测参数,预测模型,机器学习,注意力机制中图分类号V557.3Satellite Telemetry Parameter Prediction Based onImproved Combinatorial Machine LearningJIANG Gaixin-2LIU Yurong11(National Space Science Center,Chinese Academy of Sciences,Beijing 100190)2(University of Chinese Academy of Sciences,Be
4、ijing 100049)AbstractThe monitoring,analysis and anomaly detection of the operational status of satellites in or-bit are important contents of satellite operational management.It is very necessary to predict the chang-ing trend of satellite telemetry parameter data series for detecting,dealing with
5、satellite anomalies andensuring the safe operation of satellites.Aiming at the problem that the current prediction research isnot accurate enough for telemetry parameters with insignificant periodicity and multiple changing char-acteristics,this paper introduces covariates that are helpful for telem
6、etry parameter sequence prediction,and proposes a prediction model based on improved combined machine learning,using the global model*空间科学先导专项科学卫星任务运控技术(XDA15040100)和科学卫星在轨运行维护项目(E02215A01S)共同资助2022-10-09收到原稿,2 0 2 3-0 2-0 8 收到修定稿E-mail:The Author(s)2023.This is an open access article under the CC-B
7、Y 4.0 License(https:/creativecommons.org/licenses/by/4.0/)787姜改新等:基于改进组合机器学习的卫星遥测参数预测and the local model to obtain the trend characteristics and local irregular fluctuation characteristics ofthe telemetry parameter sequence respectively,and the improved Attention mechanism is used to cap-ture the co
8、rrelation between multi-dimensional parameters to improve the prediction accuracy.At thesame time,this model can provide point prediction and interval prediction results for the telemetry datasequence,providing more input for the decision-making of on-orbit satellite disposal.The validity of theprop
9、osed method is verified on the real telemetry data set of scientific satellites and the public time se-ries datasets.KeywordsSatellite telemetry parameters,Prediction model,Machine learning,Attention mechanism0引言卫星由于自身系统的复杂性,以及在轨运行过程中长期受到光照、辐射、太阳粒子等多种因素的影响,其在轨运行状态可能发生与预期不符的情况,甚至发生异常和故障。通过预测卫星遥测参数序列的
10、变化趋势,可以使操作人员对卫星的异常情况进行预判,从而增加异常处置的准备时间。遥测数据包含着丰富的卫星在轨运行状态的信息,是预测卫星运行状态变化趋势的重要输人。由于卫星在轨状态受到空间环境、载荷工作模式和任务规划等多种因素的影响,遥测参数序列呈现不同的变化规律,是缓慢的趋势变化、不规则波动变化等统计特征的叠加,不具备明显的周期性 2 目前在遥测参数序列的预测方面有点预测(预测某一时刻序列的具体数值)和区间预测(某一时刻序列预测结果的波动范围)。点预测可以提供直观的预测结果,但是无法体现预测结果的不确定性;区间预测可以对预测的不确定性进行评估,提供预测结果可能波动的范围,提高预测可信度。基于数理
11、统计的自回归模型(AR)、自回归滑动平均模型(ARMA)、自回归综合移动平均模型(ARIMA)3和指数平滑 4I等在遥测参数单一序列点预测方面都取得了不错的效果。在深度学习方面,Roman D5 通过深度神经网络(DNN)、贝叶斯岭回归(BRR)等深度学习模型把卫星锂电池的电容量作为健康指标来预测锂电池的剩余寿命;OMEARA使用自编码器和长短时记忆网络(LSTM)进行自动特征提取、异常检测和遥测参数预测,用迭代方式训练,进行卫星异常模式或者行为的预先警告。Li等 利用HP滤波将遥测参数序列分为趋势性和波动性特征,利用全局和局部的结构独立建模捕获,提高了预测准确性。Liu等8 基于最小二乘支持
12、向量机,根据模型的估计误差服从高斯分布,利用置信区间获得了具有一定置信度的异常片段的波动范围。Fang等 9 假设卫星电压参数数据服从高斯分布,使用ARMA时间序列预测模型来预测,获得了电压参数具有95%置信度的区间预测范围。Shil10)基于注意力机制(Attention)结合质量驱动的区间预测方法,对锂电池放电电流进行了多步区间预测。近年来在遥测参数序列预测的研究中,使用基于数据驱动的组合机器学习方法已成为国内外研究的热点。根据现有知识和专家经验可知的影响因素中可以提前获得或预报的、对预测遥测参数序列变化趋势起到辅助作用的因素将之定义为协变量,例如根据卫星运行轨道计算得到的相关参数、卫星过
13、南大西洋异常区(SAA)时段以及其他可提前预知的因素等。通过引人可提前获得的协变量数据,为遥测参数序列的预测提供更多的输信息,提高预测准确性。基于数理统计ARIMA、支持向量回归(SVR)、高斯回归(GPR)和灰度模型(GM)的遥测参数预测方法不适用于模型输人为多维时间序列的预测;而能够处理多维输人的LSTM网络对于周期性不明显且具有多种变化特征的遥测参数序列预测精确度不够。为了进一步提升LSTM模型在时间维度上的特征提取能力,越来越多的学者引人了Attention机制,但在时间维度上注重单一序列时间步长信息的Attention缺乏对多维参数间关联特征的提取能力。根据遥测参数数据具有复杂变化规
14、律和不明显周期性的特征,采用全局-局部融合的结构1113 分别独立建模提取序列时间维度上的趋势性和波动性特征,并采用改进的Atten-tion机制捕获多维参数之间的关联关系,提高模型的7882023,43(4)Chin.J.SpaceSci.空间科学学报点预测和区间预测精度。本文在分析卫星遥测参数在轨变化规律的基础上,针对其具有非典型周期特性和多种复杂变化特征,将卫星遥测参数序列的全局趋势性和局部不规则波动性特征采用全局-局部结构分开独立建模,并用高斯耦合函数进行两个特征分量的融合,为周期性不明显且变化规律复杂的遥测参数序列提供了精确度较高的点预测和区间预测结果。采用注重捕获状态矩阵中行向量权
15、重的Attention机制,捕获多维参数之间更多的关联信息,根据协变量关联性的强弱对目标序列预测施加不同的影响权重,以提高预测准确性。1问题定义为了清晰描述遥测参数序列与协变量之间的关系,对各类数据进行形式化定义定义1在t时刻,协变量为Bt=(a1,t,2,Cn,t).(1)式中,Ci,t为第个协变量在时刻t的取值,n代表协变量的维度。定义2 木根据t时刻卫星的遥测参数序列和已知的协变量B得到t时刻卫星的组合数据Xt=(t,Bt,yt).(2)其中,t表示遥测参数序列在t时刻的取值。定义3卫星在t时刻的遥测参数序列的预测结果为Zt=(t,dt,St,yt).(3)其中dt,St 分别表示遥测参
16、数序列在t时刻的预测上限值和预测下限值,t代表在t时刻遥测参数序列点预测的结果。定义4卫星遥测参数序列的预测问题可以抽象为F:(Xt:t2,Bt2+1:ts)Zt2+1:t3:(4)其中Xt1:t2代表从时刻t到t2的历史组合数据,Bt2+1:ts代表未来时刻t2+1到t3的已经获得具体数据的协变量,Zt2+1:t3是未来t2+1到t3的预测结果。2预测模型2.1预测框架基于以上问题定义,设计卫星遥测参数序列的预测模型框架如图1所示,将遥测参数和协变量数据进行剔除异常值、填充缺失值和归一化等步骤后处理成组合数据输人模型,分别经过全局模块和局部模块后获得全局分量(趋势性特征)和局部分量(波动性特
17、征),随后利用高斯函数进行两个特征分量的融合,训练后获得预测模型。实时数据预处理后输入预测模型,其输出数据通过分位函数后得到最终的点预测和区间预测结果,2.2全局模型2.2.1初步全局分量初步全局分量由k个循环神经网络(RNN)线性组合而成的LSTM给出,将上一时间步的组合数据Xt-1和LSTM的输出gt-1以及下一时间步已知的协变量Bt作为下一时间步的输入,即9t=G(gt=1,Xt-1,Bt).(5)其中,g 的初始状态是LSTM 网络G(X,B)的输出,在训练阶段和预测阶段,使用相同的网络结构,并且共享权重以减少计算量。2.2.2注意力机制传统的时间序列注意力机制主要关注于改变注意力模型
18、的网络结构来提升任务性能,选择与当前时间步相关的信息,上下文向量是当前RNN隐状态矩阵的列加权和,这种设计适合每个时间步包含单一序列的任务,但是只关注了几个时间步长信息,很难跨越多个时间步长获取周期性信息。LSTNet14 虽然加DataTelemetry dataCovariates dataselectionDataOutliereliminationMissing value fillingpreprocessingGlobalLSTMLocalmodulemodulelRNNModelingAttentionGaussian likelihood functionModelQuanti
19、lePoint and intervalpredictionPredictingfunctionpredictionresults图1卫星遥测参数序列预测模型框架Fig.1Framework of satellite telemetry parametersequence prediction model789姜改新等:基习的卫星遥测参数预测人了skip机制和传统的Attention,减轻了这一问题,但其是为具有强周期特征的序列数据设计的。由于卫星绕地球运行受多种因素的影响,遥测参数序列不具有明显的周期性,而且本文引人了对预测遥测参数序列有辅助作用的协变量,形成多维的模型输,传统的方法难以提取
20、在空间上多参数之间的相关信息。本文的Attention将更加关注隐向量矩阵中行向量的信息而非时间维度上的时间步长信息,考虑了多维协变量对预测目标序列的影响权重因子,适合多元时间序列。因为卷积神经网络(CNN)能够提取重要的空间特征,因此引人了CNN来获取每个个体变量的隐状态重要信息。使用9t作为注意力机制函数的输人,Attention函数定义如下。使用CNN获取gt空间维度上重要的特征:H%-2H;,(t-w-1+I)j,t-w+l.(6)1=1式中,H.代表第第j的卷积值,Cj.t-w+表示卷积权重矩阵的行t一W+。给注意力加权,可得f(H,gt)=(HC)TWagt.(7)其中,HC是隐状
21、态HC的第行,W。ERk x m。将权重向量通过sigmoid函数进行归一化,根据多变量的重要性程度进行选择A;=sigmoid(f(H,ht).(8)根据注意力权重,对提取了空间特征的状态向量每行进行加权求和,得到全局分量,有mht=ZA.Hg.(9)=1此时,全局分量ht包含了多个时间步长的gt行向量的加权和,所以它可以捕获到目标序列的长时间跨度的信息和多维协变量之间影响权重的时间信息2.3局部模型局部模型R可以选择任意经典概率时间序列模型,为了有效地计算高斯似然函数P(Z;R),根据本文数据的分析得局部分量r满足正态分布假设,rtN(0,o),其中2(即lt)是由和全局模型相同的输人特征
22、经过RNN得到的结果,即lt=R(Xt-1,Bt),Tt N(O,lt).(10)2.4优化目标假设数据服从高斯分布,使用全局分量以及局部分量(ht,rt)作为高斯似然的均值和标准差(,o)计算结果,即y()=(2g)-2 exp-(-)/(22).(11)在整体训练阶段,利用高斯函数作为Loss 函数,通过求Loss函数的极大似然估计作为目标值进行训练得到最佳的(,)和模型参数,在输出预测结果时,采用分位函数(Quantile function),对于一个给定的分位数pE(O,1)可提供点预测和区间预测的结果。2.5评价指标选取回归模型常用评价指标MAPE和PID分别来验证模型点预测和区间预
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 组合 机器 学习 卫星 遥测 参数 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。