基于决策树的姿轨控数据分析方法

摘要

本发明提供了一种基于决策树的姿轨控数据分析方法，包括姿轨控数据预处理，通过数据预处理，完成遥测数据去重复、遥测数据排序、遥测数据提取、遥测数据野值剔除；姿轨控系统层次化建模，建立姿轨控系统的信息和控制流程图，确定与姿轨控系统当前故障相关的遥测变量，将其作为决策树分析的输入变量；建立决策树分析的流程图；决策树模型，创建决策树C5.0算法模型，在模型中定义模型名称，Boosting(推进)算法试验次数，修剪属性以及每个子分支的最小记录数。本发明解决了卫星姿轨控复杂数据分析的难点，对卫星故障识别、诊断和预判具有一定的指导作用。

说明书

技术领域

本发明涉及一种卫星数据分析方法，具体是一种基于决策树的姿轨控数据分析方法。

背景技术

随着航天事业的飞速发展，我国卫星数量日渐增多，卫星发生故障的总数也逐年增加，根据统计，仅2013年，90多颗卫星中，发生的异常或故障的事件就达近550起，其中姿轨控分系统故障约占总数的80％。

卫星姿态与轨道控制系统是卫星平台的核心，它保证卫星能够准确地按设计的姿态和轨道运行，是卫星完成任务和使命的基本保证。卫星姿轨控系统的故障具有复杂、时变、突发、耦合等特点，传统的数据分析和故障诊断及预测方法不能完全适应姿轨控故障数据分析的要求，现有的数据分析方法不能满足当前卫星姿轨控系统复杂数据的分析处理需求。

研究适应于卫星姿轨控系统复杂技术特点的数据处理和故障预警方法，根据异常变化规律进行故障模式辨识，研究故障演化与发展规律，有着十分迫切的航天应用需求。

决策树学习算法是对分类问题进行深入分析的一种方法，最早由Hunt等人在1966年提出，其中C5.0算法是Quinlan从最初的ID3算法、C4.5算法中发展起来的最新的决策树算法，根据提供最大信息增益的字段分割样本数据,并对决策树各叶子进行裁剪或合并来提高分类精度，最后确定各叶子的最佳阈值。通常不需花费大量的训练时间即可建立决策树，且生成的决策树容易进行解译。C5.0增加了强大的Boosting(推进)算法以提高分类精度,适合对卫星姿轨控系统的复杂数据进行分析。

目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

针对现有技术中的缺陷，为了解决卫星姿轨控数据分析和卫星故障诊断及预判难题，本发明提供了一种基于决策树的姿轨控数据分析方法，本发明适用于卫星姿轨控数据分析，用来解决复杂故障的分析和预警，提高卫星故障的预判能力。

根据本发明提供过的一种基于决策树的姿轨控数据分析方法，包括：

步骤1：预处理数据，具体为，对遥测数据进行去重复、排序、关键遥测选取以及野值剔除；

步骤2：姿轨控层次化建模，具体为，对姿轨控分系统按照卫星、分系统、单机、遥测的层次进行遥测层次化建模，建立姿轨控系统的信息和控制流程图，明确各遥测参数间的关联关系；

步骤3：决策树信息流处理，具体为，遥测数据经过决策树信息流处理后作为决策树模型分析的输入变量，其中，决策树信息流处理包括数据填充、决策树目标变量生成、数据过滤、类型定义；

步骤4：决策树建模，具体为，创建决策树型，在模型中定义模型名称，推进算法试验次数、修剪属性以及每个子分支的最小记录数。

优选地，通过去重复、排序、数据提取、剔除野值的数据预处理流程，得到按时间先后顺序存储的遥测原码序列，并通过数据提取和野值剔除，形成以Excel格式存储的遥测物理量数据，作为后续决策树分析的数据源。

优选地，通过对目前卫星姿轨控分系统的控制特点，完成姿轨控分系统的层次化建模，建立姿轨控系统的信息和控制流程图，明确各个遥测参数间的关联关系，通过层次化模型定位到与姿轨控故障相关的遥测参数。

优选地，将决策树模型应用于卫星姿轨控遥测数据分析，通过决策树模型对卫星姿轨控遥测数据进行统计分析，得到遥测值在各种取值下卫星故障发生的概率，并给出事件识别规则。

与现有技术相比，本发明具有如下的有益效果：

1、本发明根据卫星故障记录和数据，以基于决策树的数据分析方法为手段，利用决策树对姿轨控数据进行分析，研究卫星故障模式分析与识别方法，包括故障模式的界定、关联、耦合关系，多个状态参数、多种故障模式之间的相关性，识别出卫星故障模式及其征兆参数，给出故障模式的形式化(定性和定量)表示。

2、本发明采取数据分析流程完成对姿轨控数据的数据分析，得到遥测值在各种取值下卫星故障发生的概率，经过对卫星故障的分析，证明本发明稳定、可靠。

3、本发明解决了姿轨控分系统复杂故障难以分析识别、进行故障反演的难点，本发明公开的姿轨控数据分析方法对卫星其他分系统的故障数据分析及故障反演与预判具有一定的借鉴作用。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明一种基于决策树的姿轨控数据分析方法的步骤流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明涉及卫星姿轨控数据分析，公开了一种基于决策树的姿轨控数据分析方法。包括姿轨控数据预处理，通过数据预处理，完成遥测数据去重复、遥测数据排序、遥测数据提取、遥测数据野值剔除；姿轨控系统层次化建模，按照“卫星-分系统-单机-遥测”进行遥测层次化建模，建立姿轨控系统的信息和控制流程图，确定与姿轨控系统当前故障相关的遥测变量，将其作为决策树分析的输入变量；决策树信息流程，完成数据填充、目标变量生成、数据过滤、类型定义，建立决策树分析的流程图；决策树模型，创建决策树C5.0算法模型，在模型中定义模型名称，Boosting(推进)算法试验次数，修剪属性以及每个子分支的最小记录数。本发明解决了卫星姿轨控复杂数据分析的难点，对卫星故障识别、诊断和预判具有一定的指导作用。

根据本发明提供过的一种基于决策树的姿轨控数据分析方法，包括：

步骤1：预处理数据，具体为，对遥测数据进行去重复、排序、关键遥测选取以及野值剔除；

步骤2：姿轨控层次化建模，具体为，对姿轨控分系统按照卫星、分系统、单机、遥测的层次进行遥测层次化建模，建立姿轨控系统的信息和控制流程图，明确各遥测参数间的关联关系；

步骤3：决策树信息流处理，具体为，遥测数据经过决策树信息流处理后作为决策树模型分析的输入变量，其中，决策树信息流处理包括数据填充、决策树目标变量生成、数据过滤、类型定义；

步骤4：决策树建模，具体为，创建决策树型，在模型中定义模型名称，推进算法试验次数、修剪属性以及每个子分支的最小记录数。

优选地，通过去重复、排序、数据提取、剔除野值的数据预处理流程，得到按时间先后顺序存储的遥测原码序列，并通过数据提取和野值剔除，形成以Excel格式存储的遥测物理量数据，作为后续决策树分析的数据源。

优选地，通过对目前卫星姿轨控分系统的控制特点，完成姿轨控分系统的层次化建模，建立姿轨控系统的信息和控制流程图，明确各个遥测参数间的关联关系，通过层次化模型定位到与姿轨控故障相关的遥测参数。

优选地，将决策树模型应用于卫星姿轨控遥测数据分析，通过决策树模型对卫星姿轨控遥测数据进行统计分析，得到遥测值在各种取值下卫星故障发生的概率，并给出事件识别规则。

图1为本发明一种基于决策树的姿轨控数据分析方法系统框图，包括卫星姿轨控数据预处理、姿轨控遥测层次化建模、决策树信息流程、决策树模型。

1.姿轨控数据预处理方法

数据预处理包括数据去重复、数据排序、数据提取、野值剔除。各步骤原理如下.

1)数据去重复。由于卫星遥测是由多个地点的地面站接力接收，而不同的地面站的测控弧段有重复，地面接收时把这些遥测数据同时接收并存储下来，因此需要对遥测数据进行重复性去除，具体方法是取当前遥测帧的星上时间作为时间标记，对于星上时间重复的遥测帧，只保留其中一帧，将剩余的重复帧去除，保证数据帧的唯一性。

2)数据排序。选取卫星遥测帧的星上时间作为排序标志，按星上时间的先后排列遥测帧序列，得到按时间先后顺序存储的遥测原码序列。

3)数据提取。通过上述的遥测去重复和排序，可以得到按时间先后顺序存储且无重复的遥测原码序列，根据各个遥测参数的处理格式和处理系数，将各遥测参数16进制原码解析为物理量，获得可供直观查看和分析的卫星参数物理量，并保存为Excel文件。

4)野值剔除。首先进行遥测帧校验，将遥测帧校验字错误的遥测帧剔除；其次，通过对遥测帧计数连续性进行判断，把卫星入轨、出轨期间遥测通道产生的误码尽量消除(大部分野值均由此产生)；最后，使用差分法剔除野值，其中差分法主要是把前后跳变幅度较大的野值剔除。

假设当前时刻遥测值为x_k，前一时刻遥测值为x_k-1，则当前时刻与前一时刻之间的差分为

Δx_k＝x_k-x_k-1

根据当前参数的变化趋势设定门限阈值，当Δx_k＝x_k-x_k-1大于门限阈值时，则将该遥测值剔除。

2.姿轨控遥测层次化建模

姿轨控分系统由姿态测量部件、控制器和执行机构组成。对姿轨控分系统按照“卫星-分系统-单机-遥测”进行遥测层次化建模。通过遥测层次化建模后，建立姿轨控系统的信息和控制流程图，得到各遥测参数之间的关联关系，从而可以快速选出与姿轨控系统当前故障相关的遥测变量，将其作为决策树分析的输入变量。

3.决策树信息流

本发明一种基于决策树的姿轨控数据分析方法的数据分析流程，下面以某卫星由于星敏感器姿态跳变，导致卫星进入对日定向安全模式为例，对决策树数据分析流程进行概括性描述，流程分为以下三个步骤：

第一步：数据填充，加载需要进行分析的原始遥测数据文件，对遥测数据中的变量进行填充处理，即对变量进行算术运算，并将运算后的遥测参数覆盖原来遥测参数，在本例中对“姿态角”和“姿态角速率”取绝对值，将绝对值结果覆盖原遥测参数。

第二步：定义决策树目标变量，本例将“全姿态捕获模式标志”定义为目标变量，目标变量的生成规则是：当卫星遥测参数“F7W77_78:程序标志”为1047或1007时，表明卫星应急，进入全姿态，目标变量“全姿态捕获模式标志”取1，其他情况下目标变量“全姿态捕获模式标志”取0。

第三步：数据过滤，数据过滤完成样本划分，过滤后的样本作为决策树模型分析的输入变量。

第五步：类型定义,对过滤后的决策树模型输入变量进行类型定义，其中“全姿态捕获模式标志”参数定义为目标类型，其余参数定义为输入类型。

第六步：创建决策树模型，通过过滤模块，完成样本划分后，进行决策树C5.0建模。决策树C5.0模型的设置，设置Boosting(推进)算法试验次数为10次，每个子分支的最小记录数为200条。

决策树生长步骤：首先以给定样本集合作为决策树的根节点。然后分别计算当前节点中样本集合的每个特征属性(非类别属性)的信息增益率，选取信息增益率最高的属性作为当前节点(给定集合)的分裂属性，以被选取的分裂属性标示当前节点。然后对该属性的每个值创建一个分支，并据此将数据样本划分成若干个子集，为每个子集创建一个新的节点。属性有几个取值则形成几个子集。针对得到的每个新节点，重复以上步骤，直到最后所有的节点符合以下三个条件中的一个：

l)节点的样本集合中所有的样本都属于同一类。此时，该节点设定为叶子节点。

2)节点的样本集合中所有的属性都已经处理完毕，没有剩余属性可以用来进一步划分样本。这时候采用子集中多数样本所属于的类来标记该节点，并将其设定为叶结点。

3)节点的样本集合中所有样本的剩余属性取值完全相同，但所属类别却不同。此时用样本中多数类来标示该节点，并将其设定为叶结点。

4.决策树分析结果，以三轴姿态角作为输入，全姿态捕获模式作为目标，10个决策树模型中准确性最高的模型，估计的准确性为99.06％，即以三轴姿态角作为输入变量，经过决策树模型分析，当“俯仰陀螺角>1.056°或0.011°<俯仰陀螺角<1.056°、偏航陀螺角>0.473°”时，卫星有99.06％的概率已经进入了全姿态捕获模式。

以三轴姿态角速率作为输入，全姿态捕获模式作为目标，10个决策树模型中准确性最高的模型，估计的准确性为92.35％。即以三轴姿态角速率作为输入变量，经过决策树模型分析，当“俯仰陀螺角速度>0.027°”时，卫星有92.35％的概率已经进入了全姿态捕获模式。

综合考虑，以三轴姿态角为输入得到的决策树模型最适合用于全姿态捕获模式的识别，在地面监测中可以考虑使用“俯仰陀螺角>1.056°”作为一种卫星姿态故障的地面预警依据，根据决策树分结果，当俯仰陀螺角>1.056°度时，星上姿态有99.06％的概率已经发生了故障。相比于设计经验“姿态角连续2s大于16度，或连续2sIV象限有太阳II象限无太阳，则给出姿控应急标志”能够更早地给出故障预警。

本发明采取上述数据分析流程完成对姿轨控数据的统计分析，经过对多个平台的多颗卫星故障的分析，证明该方法稳定、可靠，本发明解决了姿轨控分系统复杂故障难以分析识别、进行故障反演的难点，本发明公开的姿轨控数据分析方法对其他分系统的故障数据分析及故障反演与预判具有一定的借鉴作用。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。