(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111492467.9 (22)申请日 2021.12.08 (71)申请人 北京卫星环境工程研究所 地址 100094 北京市海淀区友谊路104 号 (72)发明人 赵瑜馨　刘业楠　向树红　田东波　 杨武霖　王璐　王思展　郭佳丽　 刘宇明　 (74)专利代理 机构 北京志霖恒远知识产权代理 事务所(普通 合伙) 11435 代理人 郭栋梁 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01) (54)发明名称 一种航天器在轨空间环境异常风险预测方 法 (57)摘要 本发明公开了一种航天器在轨空间环境异 常风险预测方法， 构建多空间环 境因素与航天器 异常因果分析及关联性模型， 包括如下部分： (1)、 航天器异常数据库及空间环境数据库的构 建与处理； (2)、 构建空间环境因素与航天器异常 因果模型； (3)、 构建空间环境因素与航天器异常 的关联性模型； (4)、 基于空间环境数据的航天器 在轨风险预测。 通过上述方式， 本发明利用空间 环境数据自相关模型、 空间环境扰动提取模型扩 充空间环 境数据信息， 再通过航天器异常数据和 空间环境数据的关联性耦合模型， 实现基于空间 环境数据的航天器在轨风险预测。 权利要求书2页 说明书6页 附图2页 CN 114330104 A 2022.04.12 CN 114330104 A 1.一种航天器在轨空间环境异常风险预测方法， 其特征在于： 构建多空间环境因素与 航天器异常因果分析及关联性模型， 包括如下部分： （1） 、 航天器异常数据库及空间环境数据库的构建与处 理； 对航天器异常数据库的构建与处 理包括： 1） 、 选取具有同一轨道环境、 连续 时间区间内的航天器异常事件， 在排除已知的设计及 其他已知因素异常后， 构建航天器异常数据库； 2） 、 选取合适的时间特征值δt， 将t0时刻的异常数据延展至[t0 ‑δt,t0]， 基于tanh、 Sigmoid等函数构建取值连续且取值区间为[0， 1]的航天器异常数据库； （2） 、 构建空间环境因素与航天器异常因果模型； （3） 、 构建空间环境因素与航天器异常的关联性模型； （4） 、 基于空间环境数据的航天器在轨风险预测。 2.根据权利要求1所述的航天器在轨空间环境异常风险预测方法， 其特征在于： 对空间 环境数据库的构建与处 理包括： 1） 、 选择与航天器异常数据库对应时间区间的连续环境因素， 以高能电子通量、 地磁指 数AE、 太阳 活动指数F10.7、 重离子LET、 高能质子通量、 太阳风、 行星际磁场等作为多种环境 因素构建空间环境数据库； 2） 、 对空间环境融合数据进行处理， 以增加空间环境数据的信息量， 通过 白谱法、 数据 平滑等谱分析方法提取每种空间环境的扰动因子以及周期 变换因子， 最终形成多原始空间 环境数据、 空间环境扰动数据、 空间环境周期数据构成的空间环境融合数据库。 3.根据权利要求1所述的航天器在轨空间环境异常风险预测方法， 其特征在于： 构建空 间环境因素与航天器异常因果模型包括： 1） 、 构建环境与异常合并数据库； 2） 、 计算类Granger因果时滞值； 3） 、 基于时滞值的因 子筛选及p值检验； 4） 、 构建类Granger因果有向图。 4.根据权利要求3所述的航天器在轨空间环境异常风险预测方法， 其特征在于： 构建空 间环境因素与航天器异常因果模型的方法具体为： 1） 、 对异常数据库和环境数据库以时间标记为统一依据进行合并； 2） 、 选区合适的时间值δt， 将t0时刻的空间环境数据延展至[t0 ‑δt， t0]区间， 并进行标 准化处理使其满足取值区间[0， 1]； 3） 、 基于皮尔森相关系数、 t检验、 AIC、 BIC等指标， 计算合并数据库中任意两个因子X和 Y间的类Granger因果时滞值； 4） 、 遍历上述数据库各项因子并将因果结果构建类Granger因果有向图。 5.根据权利要求1所述的航天器在轨空间环境异常风险预测方法， 其特征在于： 构建空 间环境因素与航天器异常的关联性模型包括： 1） 、 针对异常因子提取并筛选原因节点； 2） 、 基于机器学习模型构 建关联性模型； 3） 、 模 型训练。 6.根据权利要求5所述的航天器在轨空间环境异常风险预测方法， 其特征在于： 构建空 间环境因素与航天器异常的关联性模型 具体为： 1） 、 针对某一具体异常因子Y提取所有因子 的全部原因Xi （i∈1..N） ， 并提取其对应的 时滞值ti；权　利　要　求　书 1/2 页 2 CN 114330104 A 22） 、 构建关联性模型， 模型可采用 广义线性相关模型、 随机森林模型、 极端树模型等机 器学习模型作为基础模型进行构建， 模型的关系构建为Y(t) ↔ΣXi(t‑ti)+ΣXi(t)， t∈ [0， T]； 3） 、 开始模型训练， 首先进行初步训练抽样70%数据进行因子筛选， 通过p值或贡献权重 筛选掉较弱关联性的因子且确保方差达到最优； 随后采用k折方式， 设定 常数k、 n， 其中k＞n >1， 通过将时间区间[0， T] 分成k份， 任选其中n份作为训练集， 其 余作为测试集。 7.根据权利要求1所述的航天器在轨空间环境异常风险预测方法， 其特征在于： 基于空 间环境数据的航天器在轨风险预测包括： 1） 、 空间环境数据延展； 2） 、 空间环境输入； 3） 、 不同环境风险的概率生成； 4） 、 航天器在 轨异常风险评估。 8.根据权利要求7所述的航天器在轨空间环境异常风险预测方法， 其特征在于： 基于空 间环境数据的航天器在轨风险预测具体为： 1） 、 对环境风险Y （t0+δt） 进行预测， 需要选择合适特征时间δt1和 δt对空间环境融合数 据库的时间区间进行延展； 2） 、 第一步进行后向延展， 通过选取合适的时间特征值δt， 将t0时刻的异常数据延展至 [t0‑δt1,t0]区间 并且取值区间为[0， 1]的函数分布； 第二步进行前向延展， 基于LSTM模型、 DNN模型等对空间环境融合数据库进行处理， 预 测下一时次的空间环境， 并将预测值迭代入输入数据进行滚动预测， 最终将数据延展至 [t0‑δt1,t0+δt]作为模型输入集； 3） 、 基于已经构建的空间环境因素与典型航天器异常的关联性模型， 输入空间环境输 入集， 生成风险概 率值 (t)； 4） 、 通过对比 与Y的发生率关系， 选取合适的判别阈值作为对应环境效应风险的评估 指标， 并按该卫星已在轨发生的异常与该指标的对应关系进行分级。权　利　要　求　书 2/2 页 3 CN 114330104 A 3