[发明专利]基于决策树的姿轨控数据分析方法

说明书

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。

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。