近年来,随着我国航天事业取得迅猛发展,在轨卫星数量不断增多,以中科院空间科学先导专项为例,自2015年12月暗物质粒子探测卫星发射以来,先后有量子科学实验卫星、硬X射线调制望远镜卫星成功发射。结合实际的卫星在轨运行经验,对卫星遥测参数数据进行预测分析已成为研究有效载荷PHM系统的热点问题,而以机器学习为代表的计算机技术迅猛发展,正在成为有效载荷PHM技术的一个重要突破口。本文首先通过对时间序列模型的研究及真实卫星的遥测参数数据特性的分析,表明卫星遥测参数的时间特性符合时间序列模型的应用条件,然后基于卫星遥测参数数据的时间特性,把卫星遥测参数数据的趋势预测问题转化为对时间序列的趋势预测问题,并以暗物质粒子探测卫星和量子科学实验卫星在轨运行期间所产生的大量卫星历史遥测参数数据为基础,结合中科院空间科学先导专项实际的空间科学卫星运控任务背景,对有效载荷PHM系统中的异常检测进行研究,提出了一种基于时间序列模型的卫星有效载荷异常检测方法。重点研究了多项式拟合外推算法、自回归滑动平均(ARMA)算法、深度学习循环神经网络LSTM模型三种机器学习算法,并且针对量子科学实验卫星和暗物质粒子探测卫星遥测参数数据集短期、中期、长期预测实验的调优处理,使得模型预测结果的精度得到了很大的提升。最后对比不同算法实验调优后预测结果的误差率,分析了它们在卫星遥测参数数据预测分析领域中各自的适用范围。其中多项式拟合外推算法适合周期性随时间变化比较缓慢的遥测参数,可将其应用于遥测参数的短期预测;自回归滑动平均算法适合处理周期性变化比较明显的遥测参数,适合中期预测;而LSTM模型预测精度相对较高,但是对数据质量要求也高,而且训练时间长,比较适合实时性要求不高的卫星遥测参数数据的中长期预测任务。通过预测实验结果对比分析,表明本文提出的基于时间序列模型的卫星有效载荷异常检测方法有很好的实际应用价值,对特定卫星遥测参数数据集进行预测模型实验调优,能够很好的处理卫星遥测参数数据的趋势预测问题,有效的挖掘出卫星历史遥测数据和历史异常信息间的关系,为空间科学卫星健康有效的在轨运行提供了一定的支撑和辅助决策作用。 论文详见 “机器学习在有效载荷PHM系统中的应用研究”