朱昶文，党建成，周 军

（上海卫星工程研究所，上海 201109）

0 引言

卫星在轨运行时，各个分系统传下的大量遥测数据是判断卫星运行状态是否正常的重要依据，也是进行卫星故障预测的重要前提。如何利用卫星的遥测数据进行精确预测，是航天器故障预测和健康管理（Prognosticand Health Management，PHM）的关键技术之一［1～2］。

目前，预测技术在航天领域已有一些研究。文献［3］基于灰色预测模型，利用相似性原理和新陈代谢原理，建立卫星遥测数据的新息灰预测模型，但该方法对于变化较剧烈的遥测序列，误差较大。文献［4］提出一种动态ARMA 建模方法，该方法根据所建立的适应度进行序列分割，不断更新模型，实现动态ARMA 预测，但该方法在序列中拐点预测误差较大。文献［5］提出一种基于PSO-SVR 的卫星姿态预测模型，利用PSO 算法优化SVR 模型，并应用在某卫星关键参数偏航角预测中，SVR 模型虽具有良好的非线性拟合能力，但精度依赖于参数是否准确。文献［6］提出根据遥测数据特征采用基于X-11 的数据分解算法进行分解，再利用不同的预测算法分别进行预测。

目前卫星遥测预测的研究存在对非线性遥测参数预测准确度不够或对参数配置要求高的特点，因此，本文采用自适应白噪声的完整聚合经验模态分解（Compete Ensemble Empirical Mode Decompo‑sition with Adaptive Noise，CEEMDAN）算法强大的序列分解能力，减弱遥测序列的非线性、非稳定特性。在极限学习机（ELM）参数配置少、学习速度快、泛化性能好的基础上，利用粒子群优化（PSO）算法优化极限学习机的输入权值矩阵和隐含层偏差，减少ELM 算法随机性所造成的偏差。……