基于机器学习方法的航天器在轨状态异变趋势预测算法研究

【摘要】：航天器指的是在地球大气层以外的宇宙空间中按照天体力学运动的各种飞行器,本文研究对象为人造卫星。卫星是一种高动态复杂的系统,造价昂贵,维护成本高,并且对国家有及其重要的战略意义。若卫星状态异变处理不及时可能会引发卫星事故,造成严重损失。卫星状态异变往往伴随着其关键参数的异变,因此可以基于关键参数历史数据上对异变趋势进行预测,以减小在轨卫星发生不可逆故障的可能性。本文的主要研究内容与贡献包括如下:(1)本论文针对研究对象——合作方提供的卫星实测信号时间序列的特点进行简要的分析,提出与之相适应的数据清洗预处理流程,包括去除野值、插值补偿、高频降噪,并说明机器学习模型预测精确度的量化判定指标。(2)本文使用浅层学习模型中的支持向量回归机(SVR)对实测数据进行趋势预测,该模型能够高效地进行短时间趋势预测。针对SVR参数最优化问题,使用智能优化算法中的遗传算法以及粒子群算法,优化SVR中自由参数,并在粒子群算法中优化固定惯性权重为递减惯性权重函数,同时添加收缩因子自适应项函数于速度迭代式,改善其最优搜索性能,从而使得预测模型更为精确。(3)本文使用深度学习模型深度神经网络中长短期记忆网络(LSTM)对实测数据进行情景学习和趋势预测,该模型可以有效预测中长时间趋势。循环神经网络(RNN)具有学习序列情景特征的能力,可以获得一定的短期记忆,但由于RNN存在梯度弥散问题导致无法解决序列长期依赖问题,基于此本文提出使用LSTM。LSTM可以从结构源头上改善RNN对长时间依赖的记忆能力,并通过防过拟合、小批量组合、自适应学习率等优化技术建立性能更好的深度学习预测模型。深度学习模型能够在时间维度上挖掘并学习更多潜在异变前后关联情景,可以实现更好的推广预测。最后,本文使用两类机器学习模型来对卫星实测信号时域信息进行异变趋势预测,从实验结果可以得出使用浅层学习SVR模型可以高效完成短期预测并达到精度指标,使用智能算法组合预测模型能够较大程度提高传统网格法SVR预测精度;使用深度学习LSTM模型可以完成中长期预测并达到精度指标,辅以深度学习优化技术能使得模型预测精度更高。