-
公开(公告)号：CN106570337B
公开(公告)日：2019-05-07
申请号：CN201610997310.4
申请日：2016-11-14
Applicant: 中国西安卫星测控中心
IPC: G06F17/50
Abstract: 本发明提供了一种航天器综合能力评估方法，用于解决现有航天器能力表达不直观，无法在其应用规划中提供最直接有效的决策信息的问题。本发明引入健康状态和风险状态作为重要的评估关键的输入因子，在此基础上从载荷性能和平台性能两个方面评估单星综合能力值；从重访周期，扫描幅宽，功能互补等方面量化计算多星综合能力提升指数。本发明提出了航天器综合能力的评估方案，给出了具体步骤，为航天器在轨能力评估提供了一种易于操作的评估方法。
-
公开(公告)号：CN104899457B
公开(公告)日：2017-07-25
申请号：CN201510329302.8
申请日：2015-06-15
Applicant: 西北工业大学 , 中国西安卫星测控中心
IPC: G06F19/00
Abstract: 本发明公开了一种基于改进无偏GM(1,1)模型的卫星数据预测方法，用于解决现有卫星数据预测方法预测结果精确度差的技术问题。技术方案是首先对卫星原始遥测数据的预处理，进行卫星原始遥测数据的缺失位补齐和野值数据剔除；其次对预处理后的数据进行归一化处理和平滑性处理；然后建立无偏GM(1,1)模型，并将上述步骤处理的数据作为输入数据进行预测，将获取的新预测结果作为信息带入无偏GM(1,1)模型对数据进行更新预测，最后将得到的预测数据进行反平滑处理和反归一化处理得到最终的预测结果。该方法通过对卫星遥测数据预处理，利用新获得的数据对输入无偏GM(1,1)模型的数据进行更新，获取了更精确的预测结果。
-
公开(公告)号：CN106599367A
公开(公告)日：2017-04-26
申请号：CN201610997322.7
申请日：2016-11-14
Applicant: 中国西安卫星测控中心
IPC: G06F17/50
CPC classification number: G06F17/5036 , G06F17/5095
Abstract: 本发明提供了一种航天器状态异常检测方法，用于解决现有航天器异变早期发现困难的技术问题；首先是利用卫星遥测参数建立正常状态下的关联关系模型，然后对卫星正常状态下的关联关系模型参数做统计分析，可以得到关联关系模型参数的统计特征及其变化范围，通过判断关联关系模型参数的大小是否在预测范围内来确定模型建立的正确性，最后将需要检测的数据代入正确的关联关系模型中，通过比较检测数据的变化规律与正常状态数据的变化规律来实现卫星状态异常检测。本发明的异常检测过程简洁明了，可为航天器异常状态检测的工程化应用提供有力的方法支撑。
-
公开(公告)号：CN106446081A
公开(公告)日：2017-02-22
申请号：CN201610814069.7
申请日：2016-09-09
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06F17/30
CPC classification number: G06F16/287 , G06F16/2465
Abstract: 基于变化一致性挖掘时序数据关联关系的方法，首先对时序数据变量进行预处理；然后对单个变量进行小波变换，用滑动窗口将原始时间序划分成若干个窗口，对每个窗口进行离散小波变换，提取最大小波细节系数；再对单个变量所有窗口的最大小波细节系数进行WDC聚类，目的是区分出和大部分窗口小波特征不一样的窗口，这些窗口对应了变量的变化点；最后对所有变量的变化点进行CCP聚类，聚类结果中同一个簇内变量的变化点是近似的，因此这些变量具有变化一致性，被认为具有潜在关联关系；本发明从变量间变化一致性角度出发，不但能够发现具有线性关联关系的变量，还能检测到具有复杂非线性关联关系的变量，这对于大型复杂系统变量之间的关联分析具有重要作用。
-
公开(公告)号：CN105259507A
公开(公告)日：2016-01-20
申请号：CN201510662549.1
申请日：2015-10-14
Applicant: 哈尔滨工业大学 , 中国西安卫星测控中心
IPC: G01R31/36
Abstract: 一种基于多变量关联关系的卫星蓄电池组故障检测方法，涉及航天工程技术领域，尤其涉及基于多变量关联关系的卫星蓄电池组故障检测方法。本发明是要解决现有卫星蓄电池组故障检测方法，只考虑单个蓄电池组观测量且需要先验故障知识，因此在缺乏先验故障知识的条件下，无法保证故障检测和诊断的及时性和准确性的问题。本发明方法通过以下步骤进行：一、分析蓄电池组的观测变量之间的相关性；二、观测变量的标准化处理；三、标准化观测变量构建完成后，计算主元模型的累积方差并确定主元个数；四、计算待测观测变量的SPE指标值，并根据指标是否超出阈值控制线来检测蓄电池组的故障。本发明应用于航天工程技术领域。
-
Patent Agency Ranking
公开(公告)号：CN105205113A
公开(公告)日：2015-12-30
申请号：CN201510551876.X
申请日：2015-09-01
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06F17/30
CPC classification number: G06F16/2474 , G06F16/2465
Abstract: 本发明公开一种时序数据异常变化过程的挖掘系统及方法，包括数据预处理模块、综合特征向量提取模块、SDMC聚类模块、特征字符串生成模块、异变过程学习模块。本发明能够从海量时序数据中挖掘出从正常到异常偏离再到明显故障的变化过程，分析上述过程中的特征变化规律。本发明把时序数据抽象成特征字符串，利用统计学习方法挖掘出频繁单词，由连续频繁单词构成频繁模式。频繁模式对应一般正常过程。而相邻频繁模式之间的间隙就是异变过程。异变过程的特征字符串就表达了该过程的特征。本发明可用于挖掘发现实时系统异常变化和故障发展过程，对于分析系统故障成因，提高故障诊断效率具有重要作用；对于进行复杂系统全寿命健康管理具有重要意义。
-
公开(公告)号：CN104899457A
公开(公告)日：2015-09-09
申请号：CN201510329302.8
申请日：2015-06-15
Applicant: 西北工业大学 , 中国西安卫星测控中心
IPC: G06F19/00
Abstract: 本发明公开了一种基于改进无偏GM(1,1)模型的卫星数据预测方法，用于解决现有卫星数据预测方法预测结果精确度差的技术问题。技术方案是首先对卫星原始遥测数据的预处理，进行卫星原始遥测数据的缺失位补齐和野值数据剔除；其次对预处理后的数据进行归一化处理和平滑性处理；然后建立无偏GM(1,1)模型，并将上述步骤处理的数据作为输入数据进行预测，将获取的新预测结果作为信息带入无偏GM(1,1)模型对数据进行更新预测，最后将得到的预测数据进行反平滑处理和反归一化处理得到最终的预测结果。该方法通过对卫星遥测数据预处理，利用新获得的数据对输入无偏GM(1,1)模型的数据进行更新，获取了更精确的预测结果。
-
公开(公告)号：CN111858680A
公开(公告)日：2020-10-30
申请号：CN202010764018.4
申请日：2020-08-01
Applicant: 西安交通大学 , 中国西安卫星测控中心
IPC: G06F16/2455 , G06F16/26 , G06K9/62
Abstract: 本发明提供了一种快速实时检测卫星遥测时序数据异常的方法，适用于卫星部件参数的遥测时序数据。本发明方法利用滑动窗口对遥测数据流进行分段处理，每个窗口数据与前k个窗口比较，具有自适应性，无需人工设置固定的参数上下限。本发明方法从时域和频域多重角度分析数据，综合了四种实时异常检测技术，包括时域统计量异常检测、时域一阶导数异常检测、频域相似性异常检测、频域统计量异常检测。本发明方法可以将多种异常检测技术同时使用或者组合使用，从而降低了漏检率和误报率，能够有效利用遥测时序数据流快速实时检测卫星遥测时序数据异常，帮助专家实时监测卫星运行状态，确保卫星健康安全运行。
-
公开(公告)号：CN106156401B
公开(公告)日：2020-02-18
申请号：CN201610397845.8
申请日：2016-06-07
Applicant: 西北工业大学 , 中国西安卫星测控中心
Abstract: 本发明公开了一种基于多组合分类器的数据驱动系统状态模型在线辨识方法，用于解决现有数据驱动系统状态模型在线辨识方法建模困难的技术问题。技术方案是结合对航天器历史监测数据与系统运行特点的分析，通过多组合分类器的设计及训练，对实时测量数据进行分析与分类，辨识得到航天器各个系统的运行状态模型。解决了由于系统复杂程度较高，无法直接利用物理模型搭建数学模型的技术问题。在辨识过程中，由于提前设计与训练分类器，使得实时模型的辨识时间较短，能够实现系统状态模型的在线辨识，由模型反映出正在运行的航天器中是否发生了故障以及故障的类型与程度，对系统的实时状态监测、容错控制系统设计、故障修复等研究具有重要意义。
-
公开(公告)号：CN110795453A
公开(公告)日：2020-02-14
申请号：CN201911006404.0
申请日：2019-10-22
Applicant: 中国西安卫星测控中心 , 复旦大学
IPC: G06F16/242 , G06F16/28 , G06F16/36
Abstract: 本发明提供一种基于关系数据库自动构建RDF的方法，包含步骤：S1、任意选取若干个关系型数据库，提取属性间的数据库模式特征值、数据库内容实例特征值；S2、选取部分关系型数据库作为训练数据库,剩余的作为测试数据库；通过机器学习训练所述训练数据库属性间的数据库模式特征值、数据库内容实例特征值，生成实体关系发现模型；通过实体关系发现模型得到测试数据库包含的属性间引用关系；S3、为所述测试数据库包含的属性间引用关系生成对应的数据库关系图；S4、根据关系型数据库的RDF转换规则，转换所述测试数据库包含的引用关系为对应的RDF语句。本发明能准确的发现关系型数据库中各属性间的潜在关系。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.026 seconds)
