集成SVM模型

该机器学习模型用于航天器太阳电池阵的异常检测，能够在故障发生前捕捉到异常迹象。

Wang, Yu · Zhang, Tao · Hui, Jianjiang · Liu, Yajie

Journal of Systems Engineering and Electronics 2023

技术优势

及时捕捉异常前兆

模型基于集成学习提高了预测精度，能够在太阳电池阵发生异常前检测到征兆，为运维争取响应时间。

无需参数设定

提出的异常判定方法无需手动调节阈值或参数，降低了使用门槛，适合在轨自动化部署。

基于真实在轨数据验证

利用在轨卫星的遥测数据集进行实验验证，证明方法在实际空间任务环境中的适用性。

应用场景

• 航天器健康管理：直接在现有遥测数据上部署模型，及时发现太阳电池阵退化趋势，避免供电不足危及航天器运行。
• 在轨状态监测：模型持续分析太阳电池阵遥测数据，自动报告异常前兆，减少对人工判读的依赖。
• 卫星电源系统运维：运维团队可依据模型预警安排检查与维护，把故障处理提前到异常发生之前。