1.本發(fā)明涉及衛(wèi)星健康數(shù)據(jù)管理技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析系統(tǒng)及方法。

背景技術(shù)：

2.目前，我國的航天事業(yè)發(fā)展迅速，衛(wèi)星的任務(wù)越來越復(fù)雜化，衛(wèi)星的遙測數(shù)據(jù)極速增加，進而獲取的衛(wèi)星參數(shù)眾多，但是，目前的衛(wèi)星星務(wù)系統(tǒng)無法高效的滿足日常需求。
3.載荷參數(shù)關(guān)聯(lián)分析技術(shù)是故障檢測、健康分析與預(yù)測技術(shù)的基礎(chǔ)，在衛(wèi)星的有效載荷健康管理方面，現(xiàn)有的系統(tǒng)處理存在效率不高，數(shù)據(jù)判讀準確性不大，以及模型構(gòu)建不合理等諸多問題，導(dǎo)致目前很多情況下都是由人工根據(jù)經(jīng)驗判斷數(shù)值的準確性，極大地浪費了人力。

技術(shù)實現(xiàn)要素：

4.本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析系統(tǒng)及方法，旨在解決現(xiàn)有技術(shù)中的衛(wèi)星的有效載荷健康管理方面，系統(tǒng)處理存在諸多問題，導(dǎo)致目前很多情況下都是由人工根據(jù)經(jīng)驗判斷數(shù)值的準確性，極大地浪費了人力的技術(shù)問題。
5.為實現(xiàn)上述目的，本發(fā)明采用的一種基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析系統(tǒng)，包括數(shù)據(jù)挖掘模塊、載荷數(shù)據(jù)故障知識庫和有效載荷故障檢測模塊；
6.所述數(shù)據(jù)挖掘模塊與所述有效載荷故障檢測模塊連接，所述載荷數(shù)據(jù)故障知識庫分別與所述數(shù)據(jù)挖掘模塊和所述有效載荷故障檢測模塊連接；
7.所述數(shù)據(jù)挖掘模塊，用于獲取載荷數(shù)據(jù)，并將所述載荷數(shù)據(jù)進行數(shù)據(jù)管理和規(guī)范化，獲得重組數(shù)據(jù)，并將所述重組數(shù)據(jù)上傳至所述有效載荷故障檢測模塊，以及根據(jù)所述重組數(shù)據(jù)建立數(shù)據(jù)倉庫，并將所述數(shù)據(jù)倉庫上傳至所述載荷故障知識庫；
8.所述載荷故障數(shù)據(jù)知識庫，用于獲取所述數(shù)據(jù)倉庫，并根據(jù)某一特定狀態(tài)或特定時間區(qū)間或非人為事件內(nèi)，對所述數(shù)據(jù)倉庫中的載荷參數(shù)的變化趨勢進行分析，建立故障樣本集、故障模型和故障類型；
9.所述有效載荷故障檢測模塊，用于獲取所述重組數(shù)據(jù)，并將所述重組數(shù)據(jù)進行故障分析，獲取設(shè)置參數(shù)，最后根據(jù)所述設(shè)置參數(shù)在所述故障模型和所述故障類型中進行匹配，并輸出結(jié)果。
10.所述數(shù)據(jù)挖掘模塊，獲取衛(wèi)星的載荷數(shù)據(jù)，其中，載荷數(shù)據(jù)包括衛(wèi)星實時載荷數(shù)據(jù)庫、衛(wèi)星全生命周期載荷數(shù)據(jù)庫和衛(wèi)星數(shù)據(jù)綜合基礎(chǔ)數(shù)據(jù)庫，并對其進行抽取、清洗、轉(zhuǎn)換和歸納，獲得重組數(shù)據(jù)，將重組數(shù)據(jù)建立成數(shù)據(jù)倉庫，并上傳至所述載荷數(shù)據(jù)故障知識庫中進行存儲，將重組數(shù)據(jù)中的實時數(shù)據(jù)上傳至所述有效故障檢測模塊；所述載荷數(shù)據(jù)故障知識庫基于數(shù)據(jù)倉庫建立故障樣本集、故障模型和故障類型；所述有效載荷故障檢測模塊，對實時數(shù)據(jù)進行故障分析，并根據(jù)分析結(jié)果提取設(shè)置參數(shù)，變將設(shè)置參數(shù)輸入故障模型和故障類型中進行匹配，最后輸出匹配結(jié)果，供工作人員實時發(fā)現(xiàn)衛(wèi)星異常，減少人力觀察。
11.其中，所述數(shù)據(jù)挖掘模塊包括數(shù)據(jù)解析單元和標(biāo)準化單元，所述標(biāo)準化單元與所述數(shù)據(jù)解析單元連接；
12.所述數(shù)據(jù)解析單元，用于獲取所述載荷數(shù)據(jù)，并將二進制的所述載荷數(shù)據(jù)翻譯為標(biāo)準格式的載荷分析業(yè)務(wù)數(shù)據(jù)，以及將所述載荷分析業(yè)務(wù)數(shù)據(jù)上傳至所述標(biāo)準化單元；
13.所述標(biāo)準化單元，用于對已有的所述載荷分析業(yè)務(wù)數(shù)據(jù)進行格式標(biāo)準化處理，獲得標(biāo)準載荷分析數(shù)據(jù)。
14.所述數(shù)據(jù)解析單元將載荷數(shù)據(jù)進行翻譯，所述標(biāo)準化單元將翻譯后的載荷數(shù)據(jù)進行標(biāo)準化處理，有利于下一步操作。
15.其中，所述數(shù)據(jù)挖掘模塊還包括數(shù)據(jù)清洗單元和數(shù)據(jù)預(yù)處理單元，所述數(shù)據(jù)清洗單元與所述標(biāo)準化單元連接，所述數(shù)據(jù)預(yù)處理單元與所述數(shù)據(jù)清洗單元連接，所述預(yù)處理單元還與所述載荷數(shù)據(jù)故障知識庫和所述有效載荷故障檢測模塊連接；
16.所述數(shù)據(jù)清洗單元，用于去掉所述標(biāo)準載荷分析數(shù)據(jù)的重復(fù)行列，并填充缺值和時標(biāo)對齊，獲得清洗載荷分析數(shù)據(jù)；
17.所述數(shù)據(jù)預(yù)處理單元，用于將所述清洗載荷分析數(shù)據(jù)進行離散化、二元化、歸一化和變量變換，獲得所述重組數(shù)據(jù)，并將所述重組數(shù)據(jù)上傳至所述有效載荷故障檢測模塊，同時，將所述重組數(shù)據(jù)建立成所述數(shù)據(jù)倉庫，并將所述數(shù)據(jù)倉庫上傳至所述載荷數(shù)據(jù)故障知識庫。
18.所述數(shù)據(jù)清洗單元，將標(biāo)準化后的載荷數(shù)據(jù)進行清洗，所述數(shù)據(jù)預(yù)處理單元，將清洗后的載荷數(shù)據(jù)進行轉(zhuǎn)化和歸納，有利于下一步操作。
19.其中，所述數(shù)據(jù)挖掘模塊還包括特征提取單元和索引標(biāo)簽單元，所述特征提取單元與所述數(shù)據(jù)預(yù)處理單元連接，所述索引標(biāo)簽單元與所述特征提取單元連接；
20.所述特征提取單元，用于提取所述重組數(shù)據(jù)的特征，并將獲取的特征存入特征庫中；
21.所述索引標(biāo)簽單元，用于對所述重組數(shù)據(jù)建立索引標(biāo)簽。
22.所述特征單元，提取種族數(shù)據(jù)的特征，解決維數(shù)災(zāi)難問題以及降低學(xué)習(xí)任務(wù)的難度，為后續(xù)的任務(wù)提供數(shù)據(jù)支撐，所述索引標(biāo)簽單元，對采集的重組數(shù)據(jù)建立索引標(biāo)簽，為后續(xù)的載荷數(shù)據(jù)入庫、檢索、查詢提供依據(jù)。
23.其中，所述載荷數(shù)據(jù)故障知識庫包括故障樣本單元和故障模型單元，所述故障樣本單元與所述數(shù)據(jù)預(yù)處理單元連接，所述故障模型單元分別與所述有效載荷故障檢測模塊和所述故障樣本單元連接；
24.所述故障樣本單元，用于獲取所述數(shù)據(jù)倉庫，并根據(jù)某一特定狀態(tài)或特定時間區(qū)間或非人為事件內(nèi)，對所述數(shù)據(jù)倉庫中的載荷參數(shù)的變化趨勢進行分析，建立故障樣本集；
25.所述故障模型單元，用于根據(jù)所述故障樣本集建立故障模型和判斷規(guī)則。
26.所述故障樣本單元，基于數(shù)據(jù)倉庫，并對數(shù)據(jù)倉庫中的載荷參數(shù)的變化趨勢進行分析，建立故障樣本集，所述故障模型單元，根據(jù)故障樣本集建立故障模型和判斷規(guī)則。
27.一種基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析方法，包括以下步驟：
28.獲取載荷數(shù)據(jù)，并將所述載荷數(shù)據(jù)進行數(shù)據(jù)管理和規(guī)范化，獲得重組數(shù)據(jù)，并將所述重組數(shù)據(jù)上傳至有效載荷故障檢測模塊，以及根據(jù)所述重組數(shù)據(jù)建立數(shù)據(jù)倉庫，并將所述數(shù)據(jù)倉庫上傳至載荷故障知識庫；
29.獲取所述數(shù)據(jù)倉庫，并根據(jù)某一特定狀態(tài)或特定時間區(qū)間或非人為事件內(nèi)，對所述數(shù)據(jù)倉庫中的載荷參數(shù)的變化趨勢進行分析，建立故障樣本集、故障模型和故障類型；
30.獲取所述重組數(shù)據(jù)，并將所述重組數(shù)據(jù)進行故障分析，獲取設(shè)置參數(shù)，最后根據(jù)所述設(shè)置參數(shù)在所述故障模型和所述故障類型中進行匹配，并輸出結(jié)果。
31.首先，獲取衛(wèi)星的載荷數(shù)據(jù)，其中，載荷數(shù)據(jù)包括實時載荷數(shù)據(jù)庫、全生命周期載荷數(shù)據(jù)庫和衛(wèi)星數(shù)據(jù)綜合基礎(chǔ)數(shù)據(jù)庫，并將各數(shù)據(jù)進行管理和規(guī)范化，將生成的數(shù)據(jù)倉庫上傳至所述載荷故障知識庫，將實時載荷數(shù)據(jù)上傳至所述有效載荷故障檢測模塊進行分析；然后，所述載荷故障知識庫通過大數(shù)據(jù)的挖掘技術(shù)，將海量的數(shù)據(jù)倉庫中數(shù)據(jù)進行分析，并建模，創(chuàng)建故障樣本集、故障模型及判斷規(guī)則、故障類型，為算法分析提供數(shù)據(jù)支撐；所述有效載荷故障檢測模塊，接收實時載荷數(shù)據(jù)，并對其進行分析，提取設(shè)置參數(shù)，變將設(shè)置參數(shù)導(dǎo)入所述載荷數(shù)據(jù)故障知識庫中的故障模型和故障類型進行匹配，最后輸出匹配結(jié)果，供工作人員實時獲取衛(wèi)星故障信息，并查看故障現(xiàn)象和原因信息，減少人工勞動強度。
32.本發(fā)明的基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析系統(tǒng)及方法，通過所述數(shù)據(jù)挖掘模塊，獲取衛(wèi)星的實時載荷數(shù)據(jù)庫、全生命周期載荷數(shù)據(jù)庫和微型數(shù)據(jù)綜合基礎(chǔ)數(shù)據(jù)庫，并對數(shù)據(jù)庫進行管理和規(guī)范化，將生成的數(shù)據(jù)倉庫上傳至所述載荷數(shù)據(jù)故障知識庫，將實時載荷數(shù)據(jù)上傳至所述有效載荷故障檢測模塊；所述載荷數(shù)據(jù)故障知識庫通過大數(shù)據(jù)的挖掘技術(shù)，將數(shù)據(jù)倉庫的海量數(shù)據(jù)進行分析，建模，對載荷參數(shù)的變化數(shù)據(jù)進行分析，建立故障樣本集、故障模型和故障類型；所述有效載荷故障檢測模塊，獲取實時載荷數(shù)據(jù)，并對其進行故障分析，提取設(shè)置參數(shù)，最后將設(shè)置參數(shù)導(dǎo)入所述載荷故障數(shù)據(jù)知識庫，在故障模型和故障類型中進行匹配，最后輸出結(jié)果，供工作人員實時獲取衛(wèi)星健康信息，減少人工勞動強度。
附圖說明
33.為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
34.圖1是本發(fā)明的基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析系統(tǒng)的結(jié)構(gòu)示意圖。
35.圖2是本發(fā)明的數(shù)據(jù)挖掘模塊的結(jié)構(gòu)示意圖。
36.圖3是本發(fā)明的載荷數(shù)據(jù)故障知識庫的結(jié)構(gòu)示意圖。
37.圖4是本發(fā)明的有效載荷故障檢測模塊的結(jié)構(gòu)示意圖。
38.圖5是本發(fā)明的基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析方法的步驟圖。
39.1-數(shù)據(jù)挖掘模塊、2-載荷數(shù)據(jù)故障知識庫、3-有效載荷故障檢測模塊、11-數(shù)據(jù)解析單元、12-標(biāo)準化單元、13-數(shù)據(jù)清洗單元、14-數(shù)據(jù)預(yù)處理單元、15-特征提取單元、16-索引標(biāo)簽單元、21-故障樣本單元、22-故障模型單元、23-故障類型單元、31-故障分析單元、32-參數(shù)設(shè)置單元、100-基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析系統(tǒng)。
具體實施方式
40.下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終
相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。
41.請參閱圖1至圖4，本發(fā)明提供了一種基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析系統(tǒng)100，包括數(shù)據(jù)挖掘模塊1、載荷數(shù)據(jù)故障知識庫2和有效載荷故障檢測模塊3；
42.所述數(shù)據(jù)挖掘模塊1與所述有效載荷故障檢測模塊3連接，所述載荷數(shù)據(jù)故障知識庫2分別與所述數(shù)據(jù)挖掘模塊1和所述有效載荷故障檢測模塊3連接；
43.所述數(shù)據(jù)挖掘模塊1，用于獲取載荷數(shù)據(jù)，并將所述載荷數(shù)據(jù)進行數(shù)據(jù)管理和規(guī)范化，獲得重組數(shù)據(jù)，并將所述重組數(shù)據(jù)上傳至所述有效載荷故障檢測模塊3，以及根據(jù)所述重組數(shù)據(jù)建立數(shù)據(jù)倉庫，并將所述數(shù)據(jù)倉庫上傳至所述載荷故障知識庫；
44.所述載荷故障數(shù)據(jù)知識庫，用于獲取所述數(shù)據(jù)倉庫，并根據(jù)某一特定狀態(tài)或特定時間區(qū)間或非人為事件內(nèi)，對所述數(shù)據(jù)倉庫中的載荷參數(shù)的變化趨勢進行分析，建立故障樣本集、故障模型和故障類型；
45.所述有效載荷故障檢測模塊3，用于獲取所述重組數(shù)據(jù)，并將所述重組數(shù)據(jù)進行故障分析，獲取設(shè)置參數(shù)，最后根據(jù)所述設(shè)置參數(shù)在所述故障模型和所述故障類型中進行匹配，并輸出結(jié)果。
46.在本實施方式中，利用所述數(shù)據(jù)挖掘模塊1獲取衛(wèi)星的載荷數(shù)據(jù)，其中，載荷數(shù)據(jù)包括衛(wèi)星的實時載荷數(shù)據(jù)庫、全生命周期載荷數(shù)據(jù)庫和衛(wèi)星數(shù)據(jù)綜合基礎(chǔ)數(shù)據(jù)庫，并對數(shù)據(jù)庫進行抽取、清洗、轉(zhuǎn)換和歸納的數(shù)據(jù)管理和規(guī)范化，生成重組數(shù)據(jù)，將重組數(shù)據(jù)建立成數(shù)據(jù)倉庫，然后上傳至所述載荷數(shù)據(jù)故障知識庫2，將重組數(shù)據(jù)中的衛(wèi)星實時載荷數(shù)據(jù)上傳至所述有效載荷故障檢測模塊3；所述載荷數(shù)據(jù)故障知識庫2，獲取數(shù)據(jù)倉庫，并通過大數(shù)據(jù)的挖掘技術(shù)，對數(shù)據(jù)倉庫進行分析和建模，建立健康狀態(tài)知識庫，對算法分析提供數(shù)據(jù)支撐，同時，根據(jù)某一特定狀態(tài)或特定時間區(qū)間或非人為事件內(nèi)，對參數(shù)的變化趨勢進行分析，通過構(gòu)建載荷的預(yù)測模型，將各參數(shù)預(yù)測趨勢輸入模型進行計算，獲取載荷健康的趨勢預(yù)測，通過訓(xùn)練數(shù)據(jù)集，經(jīng)過bagging算法得出新訓(xùn)練的數(shù)據(jù)集集合，再通過初始化權(quán)值進行計算，根據(jù)子模型融合函數(shù)跟初始化權(quán)值進行計算，將操作數(shù)據(jù)方法和操作模型參數(shù)進行相融合的集成學(xué)習(xí)方法，建立故障樣本集、故障模型和故障類型，其中，故障模型中具有閾值判斷和包絡(luò)線判斷的規(guī)則，故障類型中包含故障現(xiàn)象和故障原因；所述有效載荷故障檢測模塊3獲取衛(wèi)星的實時載荷數(shù)據(jù)，并對其進行故障分析，提取出變化參數(shù)，生成設(shè)置參數(shù)，并將設(shè)置參數(shù)導(dǎo)入所述載荷數(shù)據(jù)故障知識庫2中，與故障模型和故障類型進行匹配，獲得故障類型、故障現(xiàn)象、故障原因，以便于維修人員能對故障進行快速定位和排除；進而具有深度的自我學(xué)習(xí)算法，將海量數(shù)據(jù)進行有效的利用以及模型的準確構(gòu)建；支持靈活的配置，實現(xiàn)可擴展性，支持外部算法的集成，為診斷手段提供多方支持，通過系統(tǒng)接口預(yù)留，將外部算法程序包進行在線導(dǎo)入集成，配置路徑、入?yún)⒌刃畔ⅲ到y(tǒng)業(yè)務(wù)進行調(diào)用配置可實現(xiàn)外部算法庫的集成；關(guān)聯(lián)挖掘技術(shù)，可進行不同維度的數(shù)據(jù)分析，能夠大幅度的提高分析效率以及準確性，保障故障診斷時可高時效的出結(jié)果；通過集成信息融合方法，對海量異構(gòu)數(shù)據(jù)進行解析，分析判斷，有效地實現(xiàn)有效數(shù)據(jù)的分析與判讀，提高故障的分析效率，大大減少人工勞動量。
47.進一步地，請參閱圖2，所述數(shù)據(jù)挖掘模塊1包括數(shù)據(jù)解析單元11和標(biāo)準化單元12，所述標(biāo)準化單元12與所述數(shù)據(jù)解析單元11連接；
48.所述數(shù)據(jù)解析單元11，用于獲取所述載荷數(shù)據(jù)，并將二進制的所述載荷數(shù)據(jù)翻譯為標(biāo)準格式的載荷分析業(yè)務(wù)數(shù)據(jù)，以及將所述載荷分析業(yè)務(wù)數(shù)據(jù)上傳至所述標(biāo)準化單元12；
49.所述標(biāo)準化單元12，用于對已有的所述載荷分析業(yè)務(wù)數(shù)據(jù)進行格式標(biāo)準化處理，獲得標(biāo)準載荷分析數(shù)據(jù)。
50.進一步地，請參閱圖2，所述數(shù)據(jù)挖掘模塊1還包括數(shù)據(jù)清洗單元13和數(shù)據(jù)預(yù)處理單元14，所述數(shù)據(jù)清洗單元13與所述標(biāo)準化單元12連接，所述數(shù)據(jù)預(yù)處理單元14與所述數(shù)據(jù)清洗單元13連接，所述預(yù)處理單元還與所述載荷數(shù)據(jù)故障知識庫2和所述有效載荷故障檢測模塊3連接；
51.所述數(shù)據(jù)清洗單元13，用于去掉所述標(biāo)準載荷分析數(shù)據(jù)的重復(fù)行列，并填充缺值和時標(biāo)對齊，獲得清洗載荷分析數(shù)據(jù)；
52.所述數(shù)據(jù)預(yù)處理單元14，用于將所述清洗載荷分析數(shù)據(jù)進行離散化、二元化、歸一化和變量變換，獲得所述重組數(shù)據(jù)，并將所述重組數(shù)據(jù)上傳至所述有效載荷故障檢測模塊3，同時，將所述重組數(shù)據(jù)建立成所述數(shù)據(jù)倉庫，并將所述數(shù)據(jù)倉庫上傳至所述載荷數(shù)據(jù)故障知識庫2。
53.進一步地，請參閱圖2，所述數(shù)據(jù)挖掘模塊1還包括特征提取單元15和索引標(biāo)簽單元16，所述特征提取單元15與所述數(shù)據(jù)預(yù)處理單元14連接，所述索引標(biāo)簽單元16與所述特征提取單元15連接；
54.所述特征提取單元15，用于提取所述重組數(shù)據(jù)的特征，并將獲取的特征存入特征庫中；
55.所述索引標(biāo)簽單元16，用于對所述重組數(shù)據(jù)建立索引標(biāo)簽。
56.在本實施方式中，所述數(shù)據(jù)解析單元11，將獲取的二進制載荷數(shù)據(jù)翻譯為標(biāo)準格式的載荷分析業(yè)務(wù)數(shù)據(jù)，其中，可以通過xml文件描述二進制載荷數(shù)據(jù)的數(shù)據(jù)格式，軟件基于xml文件對不同格式數(shù)據(jù)進行解析，并將載荷分析業(yè)務(wù)數(shù)據(jù)傳輸至所述標(biāo)準化單元12；所述標(biāo)準化單元12，對已有載荷分析業(yè)務(wù)數(shù)據(jù)進行格式標(biāo)準化處理，實現(xiàn)統(tǒng)一格式，方便下一步操作；所述數(shù)據(jù)清洗單元13，去除標(biāo)準載荷分析數(shù)據(jù)中的重負行列，并填充缺值和進行時標(biāo)對齊，獲得清洗載荷分析數(shù)據(jù)；所述數(shù)據(jù)預(yù)處理模塊，對清洗載荷分析數(shù)據(jù)進行離散化、二元化、歸一化和變量變換，獲得重組數(shù)據(jù)，為算法分析提供數(shù)據(jù)支撐，并將重組數(shù)據(jù)建立成數(shù)據(jù)倉庫，以及將數(shù)據(jù)倉庫上傳至所述載荷數(shù)據(jù)故障知識庫2進行存儲，同時，將重組數(shù)據(jù)中的實時載荷數(shù)據(jù)上傳至所述有效載荷故障檢測模塊3 進行檢測；所述特征提取單元15，對重組數(shù)據(jù)進行特征提取與選擇，以此解決維數(shù)災(zāi)難問題，以及降低學(xué)習(xí)任務(wù)的難度，并將獲取的特征存入數(shù)據(jù)庫中的特征庫中，為后續(xù)的任務(wù)提供數(shù)據(jù)支撐；所述索引標(biāo)簽單元16，對重組數(shù)據(jù)建立索引標(biāo)簽，也為后續(xù)采集的載荷數(shù)據(jù)入庫、檢索、查詢提供依據(jù)，通過大數(shù)據(jù)的挖掘技術(shù)，將海量數(shù)據(jù)進行分析處理，有效地實現(xiàn)有效數(shù)據(jù)的分析與判讀，提高故障的分析效率，減少人工勞動量。
57.進一步地，請參閱圖3，所述載荷數(shù)據(jù)故障知識庫2包括故障樣本單元21 和故障模型單元22，所述故障樣本單元21與所述數(shù)據(jù)預(yù)處理單元14連接，所述故障模型單元22分別與所述有效載荷故障檢測模塊3和所述故障樣本單元21 連接；
58.所述故障樣本單元21，用于獲取所述數(shù)據(jù)倉庫，并根據(jù)某一特定狀態(tài)或特定時間
區(qū)間或非人為事件內(nèi)，對所述數(shù)據(jù)倉庫中的載荷參數(shù)的變化趨勢進行分析，建立故障樣本集；
59.所述故障模型單元22，用于根據(jù)所述故障樣本集建立故障模型和判斷規(guī)則。
60.進一步地，請參閱圖3，所述載荷數(shù)據(jù)故障知識庫2還包括故障類型單元 23，所述故障類型單元23分別與所述有效載荷故障檢測模塊3和所述故障模型單元22連接；
61.所述故障類型單元23，用于基于所述故障模型對所述故障樣本集進行分類，獲得故障類型。
62.在本實施方式中，所述故障樣本單元21獲取數(shù)據(jù)倉庫，通過結(jié)構(gòu)化數(shù)據(jù)關(guān)聯(lián)挖掘技術(shù)，采用空間數(shù)據(jù)挖掘(樹形結(jié)構(gòu))、多維時間序列關(guān)聯(lián)分析(圖結(jié)構(gòu))，根據(jù)某一特定狀態(tài)或特定時間區(qū)間或非人為事件內(nèi)，對參數(shù)的變化趨勢進行分析，建立故障樣本集，并實時更新數(shù)據(jù)倉庫，以豐富故障樣本集；所述故障模型單元22以故障樣本集為基礎(chǔ)，建議閾值判斷和包絡(luò)線判斷的故障模型和判斷規(guī)則；所述故障類型模塊，基于故障模型對故障樣本集進行分類，將故障類型、故障現(xiàn)象和故障原因相應(yīng)關(guān)聯(lián)，為所述有效載荷故障檢測模塊3提供數(shù)據(jù)支撐。
63.進一步地，請參閱圖4，所述有效載荷故障檢測模塊3包括故障分析單元 31和參數(shù)設(shè)置單元32，所述故障分析單元31與所述數(shù)據(jù)預(yù)處理單元14連接，所述參數(shù)設(shè)置單元32分別與所述故障分析單元31、所述故障模型單元22和所述故障類型單元23連接；
64.所述故障分析單元31，用于獲取所述重組數(shù)據(jù)，并對所述重組數(shù)據(jù)中的參數(shù)異常情況進行載荷內(nèi)和載荷間的故障分析，并將分析結(jié)果上傳至所述參數(shù)設(shè)置單元32；
65.所述參數(shù)設(shè)置單元32，用于獲取所述分析結(jié)果，并生成相應(yīng)的參數(shù)，以及將所述參數(shù)上傳至所述故障模型單元22和所述故障類型單元23中進行匹配，最后輸出匹配結(jié)果。
66.在本實施方式中，所述故障分析單元31，獲取實時載荷數(shù)據(jù)，并對實時載荷數(shù)據(jù)進行載荷內(nèi)和載荷間故障分析，并將分析結(jié)果上傳至所述參數(shù)設(shè)置單元 32，所述參數(shù)設(shè)置單元32，根據(jù)分析結(jié)果提取各參數(shù)異常情況，并生成相應(yīng)的異常參數(shù)數(shù)據(jù)，通過調(diào)用所述故障模型單元22中的故障模型對異常參數(shù)進行檢測，輸出的故障類型與所述故障類型單元23中進行匹配，給出故障類型、故障現(xiàn)象、故障原因，以便于維修人員能對故障進行快速定位和排除，減少人工勞動量。
67.請參閱圖5，一種基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析方法，包括以下步驟：
68.s101：獲取載荷數(shù)據(jù)，并將所述載荷數(shù)據(jù)進行數(shù)據(jù)管理和規(guī)范化，獲得重組數(shù)據(jù)，并將所述重組數(shù)據(jù)上傳至有效載荷故障檢測模塊3，以及根據(jù)所述重組數(shù)據(jù)建立數(shù)據(jù)倉庫，并將所述數(shù)據(jù)倉庫上傳至載荷故障知識庫。
69.s102：獲取所述數(shù)據(jù)倉庫，并根據(jù)某一特定狀態(tài)或特定時間區(qū)間或非人為事件內(nèi)，對所述數(shù)據(jù)倉庫中的載荷參數(shù)的變化趨勢進行分析，建立故障樣本集、故障模型和故障類型。
70.s103：獲取所述重組數(shù)據(jù)，并將所述重組數(shù)據(jù)進行故障分析，獲取設(shè)置參數(shù)，最后根據(jù)所述設(shè)置參數(shù)在所述故障模型和所述故障類型中進行匹配，并輸出結(jié)果。
71.在本實施方式中，首先，獲取衛(wèi)星的載荷數(shù)據(jù)，其中，載荷數(shù)據(jù)包括實時載荷數(shù)據(jù)庫、全生命周期載荷數(shù)據(jù)庫和衛(wèi)星數(shù)據(jù)綜合基礎(chǔ)數(shù)據(jù)庫，并將各數(shù)據(jù)進行管理和規(guī)范化，將生成的數(shù)據(jù)倉庫上傳至所述載荷故障知識庫，還將實時載荷數(shù)據(jù)上傳至所述有效載荷故障
檢測模塊3進行分析；然后，所述載荷故障知識庫通過大數(shù)據(jù)的挖掘技術(shù)，在海量的數(shù)據(jù)倉庫中數(shù)據(jù)進行分析，并建模，創(chuàng)建故障樣本集、故障模型及判斷規(guī)則、故障類型，為下一步算法分析提供數(shù)據(jù)支撐；然后，所述有效載荷故障檢測模塊3，接收實時載荷數(shù)據(jù)，并對其進行分析，提取設(shè)置參數(shù)，變將設(shè)置參數(shù)導(dǎo)入所述載荷數(shù)據(jù)故障知識庫2中的故障模型和故障類型進行匹配，最后，輸出匹配結(jié)果，給出故障類型、故障現(xiàn)象、故障原因，以便于維修人員能對故障進行快速定位和排除，減少人工勞動強度。
72.以上所揭露的僅為本發(fā)明一種較佳實施例而已，當(dāng)然不能以此來限定本發(fā)明之權(quán)利范圍，本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例的全部或部分流程，并依本發(fā)明權(quán)利要求所作的等同變化，仍屬于發(fā)明所涵蓋的范圍。

相關(guān)知識

一種老人健康數(shù)據(jù)監(jiān)控分析方法及系統(tǒng)與流程
一種健康監(jiān)測系統(tǒng)及方法與流程
醫(yī)療健康大數(shù)據(jù)：應(yīng)用實例與系統(tǒng)分析
【電子病歷和健康醫(yī)療大數(shù)據(jù)系列】衛(wèi)寧健康：大數(shù)據(jù)與電子病歷未來將深度融合互為一體
一種多聯(lián)合數(shù)據(jù)健康檢測分析系統(tǒng)及方法
衛(wèi)寧健康：大數(shù)據(jù)與電子病歷未來將深度融合，互為一體【電子病歷和健康醫(yī)療大數(shù)據(jù)系列】
基于大數(shù)據(jù)平臺的醫(yī)療健康數(shù)據(jù)分析與應(yīng)用模式研究
流行病學(xué)進展在臨床診斷中的啟示及衛(wèi)生統(tǒng)計分析
健康檢查數(shù)據(jù)集的深度解析與實際應(yīng)用
醫(yī)療健康大數(shù)據(jù)應(yīng)用實例與系統(tǒng)分析.docx

網(wǎng)址: 一種基于深度學(xué)習(xí)的衛(wèi)星健康數(shù)據(jù)綜合分析系統(tǒng)及方法與流程 http://www.u1s5d6.cn/newsview859574.html