基于機(jī)器學(xué)習(xí)方法的航天器在軌狀態(tài)異變趨勢(shì)預(yù)測(cè)算法研究.pdf

1、航天器指的是在地球大氣層以外的宇宙空間中按照天體力學(xué)運(yùn)動(dòng)的各種飛行器，本文研究對(duì)象為人造衛(wèi)星。衛(wèi)星是一種高動(dòng)態(tài)復(fù)雜的系統(tǒng)，造價(jià)昂貴，維護(hù)成本高，并且對(duì)國(guó)家有及其重要的戰(zhàn)略意義。若衛(wèi)星狀態(tài)異變處理不及時(shí)可能會(huì)引發(fā)衛(wèi)星事故，造成嚴(yán)重?fù)p失。衛(wèi)星狀態(tài)異變往往伴隨著其關(guān)鍵參數(shù)的異變，因此可以基于關(guān)鍵參數(shù)歷史數(shù)據(jù)上對(duì)異變趨勢(shì)進(jìn)行預(yù)測(cè)，以減小在軌衛(wèi)星發(fā)生不可逆故障的可能性。
　　本研究主要內(nèi)容包括：⑴針對(duì)研究對(duì)象----合作方提供的衛(wèi)星實(shí)測(cè)信號(hào)

2、時(shí)間序列的特點(diǎn)進(jìn)行簡(jiǎn)要的分析，提出與之相適應(yīng)的數(shù)據(jù)清洗預(yù)處理流程，包括去除野值、插值補(bǔ)償、高頻降噪，并說明機(jī)器學(xué)習(xí)模型預(yù)測(cè)精確度的量化判定指標(biāo)。⑵使用淺層學(xué)習(xí)模型中的支持向量回歸機(jī)(SVR)對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行趨勢(shì)預(yù)測(cè)，該模型能夠高效地進(jìn)行短時(shí)間趨勢(shì)預(yù)測(cè)。針對(duì)SVR參數(shù)最優(yōu)化問題，使用智能優(yōu)化算法中的遺傳算法以及粒子群算法，優(yōu)化SVR中自由參數(shù)，并在粒子群算法中優(yōu)化固定慣性權(quán)重為遞減慣性權(quán)重函數(shù)，同時(shí)添加收縮因子自適應(yīng)項(xiàng)函數(shù)于速度迭代式，改善

3、其最優(yōu)搜索性能，從而使得預(yù)測(cè)模型更為精確。⑶使用深度學(xué)習(xí)模型深度神經(jīng)網(wǎng)絡(luò)中長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行情景學(xué)習(xí)和趨勢(shì)預(yù)測(cè)，該模型可以有效預(yù)測(cè)中長(zhǎng)時(shí)間趨勢(shì)。循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)具有學(xué)習(xí)序列情景特征的能力，可以獲得一定的短期記憶，但由于RNN存在梯度彌散問題導(dǎo)致無法解決序列長(zhǎng)期依賴問題，基于此本文提出使用 LSTM。LSTM可以從結(jié)構(gòu)源頭上改善RNN對(duì)長(zhǎng)時(shí)間依賴的記憶能力，并通過防過擬合、小批量組合、自適應(yīng)學(xué)習(xí)率等優(yōu)化技術(shù)建立