本書系統(tǒng)論述了基于遙測數(shù)據(jù)的衛(wèi)星電源分系統(tǒng)健康管理的基本概念、內(nèi)涵及應用技術。第1~3章闡述了航天器電源分系統(tǒng)基本理論、故障診斷常用方法遙測數(shù)據(jù)預處理方法以及機器學習的基本概念,介紹了與健康管理密切相關的故障診斷與預測技術的基本特性和理論:第4~7 章詳細論述了基于衛(wèi)星動態(tài)門限形態(tài)圖譜、深度學習以及邊緣算子的異常檢測技術,介紹了采用機器學習模型進行遙測數(shù)據(jù)異常檢測的基本方法;第8~10 章闡述了基于遙測數(shù)據(jù)采用 Thevenin 模型、Rint 模型進行衛(wèi)星蓄電池性能評估的方法,介紹了一種基于最大功率點追蹤技術的衛(wèi)星同位素電源管理系統(tǒng)研制與性能測試方法;第11章介紹了本書中主要的機器學習模型在不同軟件平臺上的實現(xiàn)代碼,涵蓋了當前主要的機器學習框架;第12 章對本書研究工作進行了總結和展望。 本書理論與實踐相結合,理論性強,實用性好,具有很高的針對性,既可作為衛(wèi)星長期管理工程技術人員的培訓教材,也可作為高等院校相關專業(yè)的教學用書。
第一篇 基礎理論
第 1 章 緒論
研究背景及意義
航天器電源分系統(tǒng)基本理論電源分系統(tǒng)基本構成
電源分系統(tǒng)常見故障
蓄電池分類及主要性能參數(shù)
衛(wèi)星故障預測與健康管理技術衛(wèi)星故障預測與健康管理基本框架
衛(wèi)星 PHM 關鍵技術
衛(wèi)星異常檢測技術異常報警技術
故障診斷技術
國內(nèi)外研究現(xiàn)狀與發(fā)展趨勢國內(nèi)外研究現(xiàn)狀
發(fā)展趨勢與存在的差距
研究內(nèi)容與結構安排
第 2 章 衛(wèi)星遙測數(shù)據(jù)預處理技術
衛(wèi)星遙測數(shù)據(jù)特征分析衛(wèi)星遙測數(shù)據(jù)
衛(wèi)星遙測數(shù)據(jù)的分類
衛(wèi)星遙測數(shù)據(jù)預處理方法野值處理
數(shù)據(jù)的填補方法
數(shù)據(jù)歸一化
本章小結
第 3 章 機器學習基本理論及模型
機器學習基本理論
有監(jiān)督學習神經(jīng)網(wǎng)絡模型
支持向量機模型
隨機森林模型
樸素貝葉斯模型
無監(jiān)督學習主成分分析
K - means 聚類
自組織特征映射神經(jīng)網(wǎng)絡
本章小結
第二篇 異常檢測
第 4 章 基于動態(tài)閾值的異常檢測方法
機器學習模型的樣本建立
動態(tài)閾值生成方法評價函數(shù)
生成過程
試驗測試
機器學習模型的對比周期型穩(wěn)態(tài)參數(shù)
周期型遞進參數(shù)
本章小結
第 5 章 基于形態(tài)圖譜的異常檢測方法
遙測數(shù)據(jù)周期切分預處理遙測數(shù)據(jù)周期切分流程
遙測數(shù)據(jù)周期切分示例
形態(tài)特征提取與監(jiān)測系統(tǒng)架構
主要技術步驟
試驗結果分析
監(jiān)測結果聚類可視化聚類可視化流程
運行示例分析
本章小結
第 6 章 基于深度學習的異常檢測方法
基于長短期記憶的異常狀態(tài)檢測模型LSTM 模型基本原理
衛(wèi)星異常檢測設計思路
試驗測試與分析
基于生成式對抗網(wǎng)絡的異常檢測模型基于最大似然估計的生成式對抗網(wǎng)絡模型
生成式對抗網(wǎng)絡的訓練策略
基于 GAN 的衛(wèi)星電源單參數(shù)異常檢測設計思路
試驗測試與分析
本章小結
第 7 章 基于邊緣算子的異常檢測方法
基于密度的局部異常因子檢測方法異常檢測方法
局部異常因子算法
時間序列的模式表示時間序列
模式表示
基于邊緣算子的時間序列模式異常檢測算法邊緣算子
時間序列的時態(tài)邊緣算子模式表示
基于時態(tài)邊緣算子表示的時間序列異常檢測算法
試驗結果及分析
本章小結
第三篇 性能評估
第 8 章 基于 Thevenin 模型的衛(wèi)星蓄電池性能參數(shù)評估方法
電池分析及評估模型相關理論Rint 模型
Thevenin 模型
PNGV 模型
模型適應性分析
基于最小二乘辨識法的 Thevenin 模型參數(shù)辨識
Thevenin 模型適用性測試基本方法
不同建模時長對比
不同年份測試
衛(wèi)星蓄電池重要參數(shù)計算及評估衛(wèi)星蓄電池 1 重要參數(shù)計算及評估
衛(wèi)星 D 蓄電池 2 重要參數(shù)計算及評估
小結
第 9 章 基于 Rint 模型的衛(wèi)星蓄電池內(nèi)阻評估方法
蓄電池內(nèi)阻
基于 Rint 模型的蓄電池內(nèi)阻計算衛(wèi)星蓄電池 Rint 模型
Rint 模型算法驗證
某高軌衛(wèi)星電源內(nèi)阻計算結果及分析計算可行性分析
某高軌衛(wèi)星蓄電池 1 內(nèi)阻分析評估
某高軌衛(wèi)星蓄電池 2 內(nèi)阻分析評估
某低軌衛(wèi)星蓄電池內(nèi)阻計算結果及分析計算可行性分析
Ha 星蓄電池內(nèi)阻分析評估
Hb 星蓄電池內(nèi)阻分析評估
本章小結
第 10 章 基于最大功率點追蹤技術的衛(wèi)星同位素電源管理系統(tǒng)設計與性能評估
熱電材料及其模塊性能多晶碲化鉍基熱電材料
溫差發(fā)電模塊
熱電堆輸出性能試驗測試系統(tǒng)
熱電堆輸出特性
電源管理系統(tǒng)設計系統(tǒng)設計方案
DC/DC 變換電路
最大功率點追蹤算法和系統(tǒng)結構
測試結果與分析溫度條件穩(wěn)定時
溫度條件變化時
本章小結
第四篇 軟件實現(xiàn)
第 11 章 流行的機器學習平臺及代碼實現(xiàn)
Python 環(huán)境下機器學習方法數(shù)據(jù)分析工具 Pandas 簡介
利用 Pandas 進行遙測數(shù)據(jù)分析
構建形態(tài)圖譜檢測模型
Java 環(huán)境下機器學習方法介紹Joone 機器學習庫
Joone 基本使用方法
BP 神經(jīng)網(wǎng)絡對遙測數(shù)據(jù)建模
TensorFlow 深度學習框架與 GAN 網(wǎng)絡TensorFlow
TensorFlow 基本概念
構建 GAN 模型
本章小結
第 12 章 結語
研究工作總結
下一步工作展望
書單推薦
