[发明专利]一种基于机器深度学习的卫星机电类产品寿命预测方法

权利要求书

1.一种基于机器深度学习的卫星机电类产品寿命预测方法，其特征在于，包括如下步骤：

获取卫星机电类产品特征参数数据，并按采样时间进行排序后获得时序数据样本；所述特征参数数据包括卫星地面试验验证阶段数据、卫星在轨阶段遥测数据和各阶段记录的故障数据；

根据时序数据样本在地面试验验证阶段和在轨运行数据的时序特性，利用深度学习算法进行建模，挖掘时序数据上的关联关系，得到故障征兆识别模型；

通过对卫星机电类产品的进行故障模式影响分析，确定故障拓扑结构模型；

根据故障拓扑结构模型搭建可靠性评估模型；

将当前数据输入故障征兆识别模型，并将故障征兆识别模型输出作为可靠性评估模型的输入，得到产品可靠性评估结果；

对产品可靠性评估结果进行外推计算，并根据外部监测数据和卫星运行要求的变化动态改变阈值，将可靠性评估结果与阈值进行量化比较，实现对卫星在轨寿命的实时预测。

2.根据权利要求1所述的一种基于机器深度学习的卫星机电类产品寿命预测方法，其特征在于：所述获取卫星机电类产品特征参数数据，若采集数据中存在缺失值，则采用属性平均值进行填充，保证数据连续性；若采集数据中存在异常值，则采用3σ准则进行识别，采用属性平均值进行替换；若数据中存在重复值，则根据实际测点的布置情况进行剔除。

3.根据权利要求1所述的一种基于机器深度学习的卫星机电类产品寿命预测方法，其特征在于：所述深度学习算法包括递归神经网络、长短时记忆网络和支持向量机。

4.根据权利要求1所述的一种基于机器深度学习的卫星机电类产品寿命预测方法，其特征在于：所述故障模式包括机械转动故障、功耗异常故障和控制精度异常故障。

5.根据权利要求1所述的一种基于机器深度学习的卫星机电类产品寿命预测方法，其特征在于：所述根据故障拓扑结构模型搭建可靠性评估模型的方法为采用贝叶斯网搭建可靠性评估模型。

6.根据权利要求5所述的一种基于机器深度学习的卫星机电类产品寿命预测方法，其特征在于：所述故障征兆识别模型输出为故障模式发生概率。

7.根据权利要求5所述的一种基于机器深度学习的卫星机电类产品寿命预测方法，其特征在于：所述对产品可靠性评估结果进行外推计算的方法包括递归神经网络、长短时记忆网络和支持向量机。