本發(fā)明涉及航空航天，尤其是涉及一種基于arima-lstm組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法。

背景技術(shù)：

1、質(zhì)譜儀采用質(zhì)譜分析方法來獲得航天器中微量有害氣體體積分?jǐn)?shù)，基本原理是通過電離使待測氣體產(chǎn)生不同荷質(zhì)比的離子，分離不同荷質(zhì)比的離子并測量不同離子的信號強度，生成質(zhì)譜圖，對待測氣體進(jìn)行定性或定量分析。隨著空間科學(xué)和技術(shù)的發(fā)展，中、美、蘇、歐等世界各國頻繁的開展了深空探測和載人航天研究，航天員需要長期在軌駐留，質(zhì)譜儀作為監(jiān)測航天員長期工作、生活的密閉空間中微量有害氣體體積分?jǐn)?shù)的儀器，預(yù)測多種狀態(tài)參數(shù)來保證質(zhì)譜儀的可靠運行，對保證航天員生命安全及航天任務(wù)的順利完成具有重要意義。在質(zhì)譜儀的運行過程中，各狀態(tài)參數(shù)的監(jiān)測數(shù)據(jù)通常為復(fù)雜的非平穩(wěn)和非線性時間序列，且不同質(zhì)譜儀組件的不同狀態(tài)參數(shù)具有完全不同的數(shù)據(jù)特征，不同模型對各狀態(tài)參數(shù)的預(yù)測精度不同。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于arima-lstm組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法，提高了預(yù)測精度并且適用于不同的狀態(tài)參數(shù)。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于arima-lstm組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法，包括以下步驟：

3、s1、對航天質(zhì)譜儀的倍增器電壓、燈絲電流、離子泵電壓、+200v電壓、dc輸出和rf輸出6種狀態(tài)參數(shù)進(jìn)行采集，根據(jù)各傳感器所采集到的狀態(tài)參數(shù)數(shù)據(jù)建立數(shù)據(jù)集；

4、s2、將數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

5、s3、對訓(xùn)練集進(jìn)行emd模態(tài)分解，提取數(shù)據(jù)的線性部分和非線性部分，將數(shù)據(jù)劃分為多個線性本征模函數(shù)和非線性殘差；

6、s4、線性本征模函數(shù)用于訓(xùn)練arima模型，得到訓(xùn)練好的arima模型對數(shù)據(jù)線性部分進(jìn)行預(yù)測；

7、s5、非線性殘差部分用于訓(xùn)練lstm模型，得到訓(xùn)練好的lstm模型對數(shù)據(jù)非線性部分進(jìn)行預(yù)測；

8、s6、將測試集分為兩個子集，第一子集選取500個數(shù)據(jù)使用灰狼優(yōu)化算法根據(jù)預(yù)測誤差來確定組合模型的權(quán)重，第二子集用以驗證組合模型預(yù)測效果；

9、s7、根據(jù)組合模型權(quán)重對lstm模型和arima模型進(jìn)行融合，使用第二子集進(jìn)行預(yù)測結(jié)果驗證。

10、優(yōu)選的，s3中的emd模態(tài)分解的步驟如下：

11、a1、原始信號為x(t)，求出x(t)的極大值點和極小值點，用三次樣條插值函數(shù)擬合形成x(t)的上包絡(luò)線和下包絡(luò)線。

12、a2、求出上包絡(luò)線和下包絡(luò)線的均值，畫出均值包絡(luò)線。

13、a3、將x(t)減去均值包絡(luò)線得到中間信號。

14、a4、判斷中間信號是否滿足imf的兩個條件：

15、a.在整個數(shù)據(jù)段內(nèi)極值點的個數(shù)和過零點的個數(shù)必須相等或相差最多不超過一個；

16、b.任意時刻，由局部極大值點形成的上包絡(luò)線和由局部極小值點形成的下包絡(luò)線的平均值為零，即上、下包絡(luò)線相對于時間軸局部對稱。若滿足則為第一個imf分量，若不滿足則重復(fù)a1-a3步；

17、a5、得到imf分量后用x(t)減去第一個imf分量得到r(t)，判斷r(t)是否單調(diào)，若不單調(diào)，重復(fù)上述步驟，若最終剩余信號則單調(diào)結(jié)束分解，剩余信號為非線性部分。

18、優(yōu)選的，s4中arima時間序列預(yù)測的步驟如下：

19、b1、采用單位根檢驗(adf)對質(zhì)譜儀狀態(tài)參數(shù)數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗；

20、b2、若數(shù)據(jù)為非平穩(wěn)時間序列則對數(shù)據(jù)進(jìn)行d階差分得到平穩(wěn)時間序列；

21、b3、選擇arima模型的p階和q階，使用赤池信息準(zhǔn)則(aic)和最小化貝葉斯準(zhǔn)則(bic)確定階數(shù)p、q，為了減少計算量，限制p最大階不超過6，q最大階不超過4；

22、b4、擬合模型，檢驗殘差是否為白噪聲；

23、b5、對質(zhì)譜儀狀態(tài)參數(shù)進(jìn)行預(yù)測，非平穩(wěn)數(shù)據(jù)進(jìn)行差分還原。

24、優(yōu)選的，s5中的lstm算法的網(wǎng)絡(luò)結(jié)構(gòu)為：包括lstm層一、lstm層二、全連接層一和全連接層二，lstm層一與lstm層二、lstm層二與全連接層一之間均連接有l(wèi)n層，其中l(wèi)stm層一、lstm層二均是單獨的存儲單元，每個存儲單元有三層：遺忘門、輸入門和輸出門，每一層執(zhí)行單獨的功能。

25、優(yōu)選的，s6中使用灰狼優(yōu)化算法根據(jù)預(yù)測誤差來確定組合模型的權(quán)重的步驟如下：

26、c1、社會分層，將灰狼群體劃分為四種，按照等級高低依次為α狼、β狼、δ狼和ω狼，其中α狼、β狼和δ狼代表具有最佳適應(yīng)度值的三個解，狼群中剩余灰狼為ω狼；

27、c2、搜索獵物過程，狼群位置的更新公式為：

28、

29、式中：為灰狼與獵物的距離；和為系數(shù)向量；為獵物的位置向量；為灰狼的位置向量；t為當(dāng)前迭代次數(shù)；收斂因子隨著迭代次數(shù)增加在區(qū)間[0,2]內(nèi)線性減少；和為[0,1]中的隨機向量；

30、c3、計算狼群中所有狼的適應(yīng)度函數(shù)，選出三個最優(yōu)解，即三只領(lǐng)頭灰狼，設(shè)為α狼、β狼和δ狼；

31、c4、包圍獵物，根據(jù)三只領(lǐng)頭灰狼的位置信息更新ω灰狼的位置，更新表達(dá)式為：

32、

33、

34、式中:和分別為α狼、β狼和δ狼和其余ω狼之間的距離，和為式(13)系數(shù)向量，和分別為α狼、β狼和δ狼的位置向量，和分別為ω狼向α狼、β狼和δ狼更新的位置向量，和是由式(3)得出的系數(shù)向量；

35、c5、對當(dāng)前最優(yōu)解進(jìn)行擾動，得到新解；

36、c6、判斷是否滿足最大迭代次數(shù)。

37、因此，本發(fā)明采用上述一種基于arima-lstm組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法，具有以下有益效果：

38、(1)本發(fā)明設(shè)計的線性數(shù)據(jù)處理模塊為arima模型，可以通過差分將非平穩(wěn)時間序列轉(zhuǎn)換成平穩(wěn)時間序列；

39、(2)arima模型由自回歸(ar)模型、差分模型和滑動平均(ma)模型組成，能夠有效的處理并預(yù)測線性時間序列；

40、(3)非線性數(shù)據(jù)處理模塊使用了lstm模型，lstm引入了門結(jié)構(gòu)，緩解了rnn網(wǎng)絡(luò)訓(xùn)練過程中梯度爆炸和梯度消失的現(xiàn)象，可以更好的捕捉時間序列中的非線性趨勢，用于捕捉質(zhì)譜儀狀態(tài)參數(shù)數(shù)據(jù)中的非線性誤差；

41、(4)使用灰狼優(yōu)化算法對兩種算法進(jìn)行融合，融合后的算法能較好的捕捉數(shù)據(jù)的線性趨勢和非線性趨勢，對質(zhì)譜儀的多種不同狀態(tài)參數(shù)都有較好的預(yù)測效果。

42、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。

技術(shù)特征：

1.一種基于arima-lstm組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于arima-lstm組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法，其特征在于，s3中的emd模態(tài)分解的步驟如下：

3.根據(jù)權(quán)利要求2所述的一種基于arima-lstm組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法，其特征在于，s4中arima時間序列預(yù)測的步驟如下：

4.根據(jù)權(quán)利要求3所述的一種基于arima-lstm組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法，其特征在于，s5中的lstm算法的網(wǎng)絡(luò)包括lstm層一、lstm層二、全連接層一和全連接層二，lstm層一與lstm層二、lstm層二與全連接層一之間均連接有l(wèi)n層，其中l(wèi)stm層一、lstm層二均是單獨的存儲單元，每個存儲單元設(shè)置有遺忘門、輸入門和輸出門。

5.根據(jù)權(quán)利要求4所述的一種基于arima-lstm組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法，其特征在于，s6中使用灰狼優(yōu)化算法根據(jù)預(yù)測誤差來確定組合模型的權(quán)重的步驟如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于ARIMA?LSTM組合模型的航天質(zhì)譜儀多狀態(tài)參數(shù)預(yù)測方法，屬于航空航天領(lǐng)域，包括對航天質(zhì)譜儀的6種狀態(tài)參數(shù)進(jìn)行采集，根據(jù)采集到的狀態(tài)參數(shù)數(shù)據(jù)建立數(shù)據(jù)集；劃分為訓(xùn)練集和測試集；對訓(xùn)練集進(jìn)行EMD模態(tài)分解，提取數(shù)據(jù)的線性部分的多個線性本征模函數(shù)和非線性部分的非線性殘差；線性本征模函數(shù)用于訓(xùn)練ARIMA模型，對數(shù)據(jù)線性部分進(jìn)行預(yù)測；非線性殘差部分用于訓(xùn)練LSTM模型，對數(shù)據(jù)非線性部分進(jìn)行預(yù)測；將測試集分為兩個子集，第一子集選取500個數(shù)據(jù)使用灰狼優(yōu)化算法根據(jù)預(yù)測誤差確定組合模型的權(quán)重，第二子集用于驗證模型預(yù)測效果；根據(jù)組合模型權(quán)重對LSTM模型和ARIMA模型進(jìn)行融合。本發(fā)明采用上述方法提高了預(yù)測精度并且適用于不同的狀態(tài)參數(shù)。

技術(shù)研發(fā)人員：盛云龍,黎雄威,姚斌,繆寅宵,李文睿,郈海源,聶蘇珍,楊思婷,李東興
受保護(hù)的技術(shù)使用者：山東理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15