[发明专利]基于人工智能的在轨飞行器自组网故障诊断方法及装置

权利要求书

1.基于人工智能的在轨飞行器自组网故障诊断方法，其特征在于，包括以下步骤：

S1：采集关键性能指标的原始信息向量；

S2：对所述原始信息向量进行归一化预处理；

S3：对归一化预处理后的信息向量与关键性能指标数据库中的关键性能指标记录进行匹配决策，以判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标，若所述信息向量表征的是未知关键性能指标，则对所述信息向量依次进行无监督聚类和标签设定，生成新的关键性能指标记录并存入关键性能指标数据库；

S4：根据所述信息向量所对应的关键性指标记录确定网络故障状态诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3中，判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标的具体步骤如下：

如果关键性能指标数据库中存在唯一一个与所述信息向量的距离小于阈值的关键性能指标记录，则所述信息向量表征已知关键性能指标；否则，所述信息向量表征未知关键性能指标。

3.根据权利要求1所述的方法，其特征在于，确定网络故障状态诊断结果的方法具体为：如果所述信息向量所对应的关键性能指标记录只有一条，则直接根据该关键性能指标记录确定网络故障状态诊断结果；

如果所述信息向量所对应的关键性能指标记录超过一条，则结合最邻近法和分位数法确定网络故障状态诊断结果。

4.根据权利要求3所述的方法，其特征在于，结合最邻近法和分位数法确定网络故障状态诊断结果的方法具体为：如果最邻近法确定的第一诊断结果与分位数法确定的第二诊断结果不相等且所述第一诊断结果的平均轮廓系数小于所述第二诊断结果的平均轮廓系数，则最终诊断结果为所述第二诊断结果；否则，最终诊断结果为所述第一诊断结果。

5.根据权利要求2所述的方法，其特征在于，所述无监督聚类采用自组织映射算法进行粗分类，并基于Ward层次法将类间距离最小的类进行逐次合并，从而实现精聚类。

6.根据权利要求1所述的方法，其特征在于，所述归一化预处理采用区间归一化法或标准差化法。

7.根据权利要求1所述的方法，其特征在于，所述关键性能指标包括链路保持性、切换成功率、接收参考信号功率、接收参考信号质量、信干噪比、用户平均吞吐量和距离。

8.基于人工智能的在轨飞行器自组网故障诊断装置，其特征在于，包括

归一化预处理单元，所述归一化预处理单元对所述原始信息向量进行归一化预处理；

学习单元，对归一化预处理后的信息向量与关键性能指标数据库中的关键性能指标记录进行匹配决策，以判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标，若所述信息向量表征的是未知关键性能指标，则对所述信息向量依次进行无监督聚类和标签设定，生成新的关键性能指标记录并存入关键性能指标数据库；

诊断单元，根据所述信息向量所对应的关键性指标记录确定网络故障状态诊断结果。