5.6.5 在线估计与预测
5.6.5.1 航天器系统飞行状态仿真预示技术
模型修正主要在建模过程中开展，通过海量的地面测试数据和历史数据进行离线修正。在航天器数字伴飞系统中，则需基于航天器飞行任务程序，采用在线与离线仿真相结合的技术手段，通过在轨遥测数据实时解析与电源系统相关的飞行事件，实现航天器电源系统“数字伴飞”：一方面，进行航天器电源系统在轨飞行健康状态评估；另一方面，综合在轨遥测、在线仿真、离线仿真、历史数据的结果对比分析，对后续飞行状态进行预示。
通过在轨遥测数据实时解析飞行器姿态、轨道光照条件、飞行事件等，将外部条件的变化实时注入电源系统模型，并基于遥测在线判读知识库，对在线遥测数据进行阈值或者偏差分析判读，识别当前电源系统的功能和性能状态情况，评估航天器在轨飞行能源健康状态。同时，能够通过提前置入下一阶段的飞行程序，提前预算并评估系统未来的运行状态，辅助对航天器运行管理策略的决策。根据对仿真结果数据的处理分析，及时调整优化航天器的飞行程序，使得电气系统处于更好的良性工作状态。
在实时遥测数据驱动的电气系统模型仿真求解过程中，获取求解器特定时刻求解状态并另行开辟计算分支，以最近时段的空间姿态、飞行状态等在轨遥测数据通过滤波算法（限幅滤波法、消抖滤波法、中位值滤波法等）滤波后作为求解计算初值，然后导入下一阶段的飞行任务程序，结合在轨遥测值、当前仿真值、仿真预示值的数值曲线实时对比分析，对后续的飞行状态进行预示，如图5-26所示。
建立系统的工作模型：
式中，xk为k时刻模型计算值；xk+1为k+1时刻模型计算值；u为按飞行程序指令输入；w为外部干扰信号；Δ为模型不确定度。
图5-26 基于模型的电气系统状态预示与故障分析技术
考虑模型不确定度Δ，利用航天器的在轨遥测数据，使用高斯过程对模型的不确定度进行建模：
式中，GP（·）表示高斯过程模型；m（·）表示高斯过程的均值函数；k（·，·）表示高斯过程的协方差函数。
通过学习历史遥测数据的特点，训练高斯过程模型对具有周期特性的不确定度进行估计与预测，实时更新与补偿仿真系统的动态模型，从而使仿真系统接近航天器电气系统真实的工作情况。通过高斯过程补偿不确定度Δ可以提高系统模型精度，能够进一步提高卡尔曼滤波器性能。利用基于高斯过程学习的改进扩展卡尔曼滤波算法：
式中，
为k-1时刻的模型估计值；
为k-1时刻对k时刻模型的预测值；
为k时刻模型最终估计值；K（k）为k时刻卡尔曼滤波增益矩阵；z（k）为k时刻的观测值，即k时刻遥测参数；
为观测函数。
通过在轨遥测数据对仿真估计值进行实时估计和更新，从而能够获得更加精确的预测值。再通过对历史数据的学习来补偿模型不确定度，从而提高仿真模型的估计精度，进一步基于贝叶斯理论可以得到未来系统状态运行的预测区间，取未来状态预测的均值作为预测结果，进而可以对航天器电源系统在轨系统健康状况进行预示。
5.6.5.2 飞行状态估计与预示
1）在线数据判读
数字伴飞工作开展的前置条件是数字伴飞模型能够实时接收反馈的在轨遥测数据，依据真实的在轨数据进行模拟仿真，从而达到数字伴飞的目的。因此，首先需要打通与监测中心在轨遥测数据的接口。监测中心提供数据分发服务器，在轨遥测数据传输采用TCP/IP通信方式建立连接，采用订阅模式接收指定遥测数据，数据包按照大纲规范协议进行封装。因此，在轨遥测数据对接及判读技术实现过程如图5-27所示，平台通过TCP/IP向监测中心服务器订阅工程遥测相关数据，按照大纲数据协议规范进行解析，并将其关联到具体设备参数，生成对应设备的飞行时间序列；基于在线判读库，对在线遥测数据进行阈值或者偏差分析，若发生异常，则进行判读标识。
图5-27 在轨遥测数据对接及判读技术实现过程
2）飞行状态的仿真预示
仿真预示是指根据当前系统的运行状态，以数字伴飞模型作为支撑，通过仿真技术实现对后续飞行状态的预算评估，提高在轨工作人员对未来运行状态的决策信心。基于数字伴飞模型，将在线数据自动提取并保存为模型的初始条件，或通过梳理飞行指令程序，将真实的飞行指令作为输入条件注入数字伴飞模型，继而利用仿真结果数据对未来的飞行状态进行预示和评估，仿真预示飞行状态技术实现过程如图5-28所示。
图5-28 航天器系统仿真预示飞行状态技术实现过程