一种卫星遥测时序数据未知模式的检测系统与方法技术方案

本发明专利技术提供了一种针对卫星遥测时序数据未知模式的检测系统与方法。本发明专利技术所述方法不仅可以准确识别出卫星遥测时序数据中的已知模式，还可以检测出未知模式，提高了卫星遥测时序数据的模式识别效果，更贴合在轨卫星实时监控和在轨卫星异常检测、故障诊断等实际应用。本方法改进了一般的卷积神经网络，将其输出结果平面化，得到卫星遥测时序数据的特征坐标；然后在输出层依据欧氏距离进行判断，将卫星遥测时序数据模式归属于某种已知模式或未知模式；达到准确检测卫星遥测时序数据已知模式和未知模式的目的。

【技术实现步骤摘要】
一种卫星遥测时序数据未知模式的检测系统与方法
本专利技术属于计算机
，特别涉及一种卫星遥测时序数据未知模式的检测系统与方法。
技术介绍
卫星遥测技术利用高精度的传感器、通信设备和电子计算机等设备，完成在轨卫星的一系列测量任务，所得信息统称为卫星遥测数据如航天器飞行参量、宇航员生理参量，以及科学探测和军事侦察所得到的信息。因此，对卫星遥测数据进行采集和检测是监测卫星运行和工作状态的重要途径之一。在实际测控中由于卫星遥测要传输的数据种类多，检测其模式类别十分重要。在实践中，随着卫星数量、种类的不断增加，以及在轨卫星在复杂太空环境中和复杂任务操作的各种影响之下，卫星遥测时序数据模式不能够完全被人预先全部掌握。也就是说，卫星遥测时序数据模式并非都是已知模式，经常会出现超出已有认知的新型模式类型。时序数据中除了已知的模式类别，还存在尚不明晰的数据模式或新型的异常的数据序列。这些数据自然不能被归为已知模式类别。所以在卫星实时监控、在轨卫星异常检测、在轨卫星健康管理、在轨卫星故障诊断等应用中，对未知模式的检测十分必要。在卫星实时监控中检测到未知模式的数据，根据其不同检测目的可有多种用途。如在卫星实时监控、异常检测时，异常检测基于卫星的遥测、外测数据，实时分析卫星各分系统运行状态，针对卫星载荷任务中的状态变化，甄别、监视系统的运行状态，准确感知星上或地面系统出现的异常，检测卫星遥测数据的未知模式或可发现卫星运行的异常状态；在卫星故障诊断时，卫星在轨运行后，由于天上的复杂情况，可能会出现某些地面没有想到的故障情况或者由于地面测试时无法进行的实验而造成某些故障情况出现，即出现“未知”故障，识别到的未知模式或可能用来诊断未知故障。时序数据模式识别现有方法一般是对数据进行特征提取之后得到特征向量，例如用统计特征、频谱特征、小波特征或者主成分分析方法得到特征向量；然后利用各种分类模型对时序数据模式进行分类识别。例如用k近邻、随机森林、AdaBoost、支持向量机、BP网络(即多层感知器MLP)等分类器对时序特征向量进行分类识别，判定输入向量属于哪一种模式。或者是用皮尔逊相关系数(PearsonCorrelationCoefficient，PCC)、动态时间弯曲(DynamicTimeWarping，DTW)等方法计算两个时间序列模式的相似度，然后根据该相似度再判断是否属于某个已知模式。近年来，长短期记忆网络(LongShort-TermMemory，LSTM)等循环神经网络(RecurrentNeuralNetwork，RNN)大量用于处理时序数据，也可以进行时序模式识别，具有比传统机器学习模型更好精度。然而，传统机器学习方法、LSTM等循环神经网络方法、一般的卷积神经网络等现有方法不会识别未知模式，仅能识别已知的模式。也就是说，现有的神经网络用来分类时，其输出结果必须是已知的n个已知类别(即已知模式)之一。即，通过softmax层输出一个1×n的概率向量，然后其中概率最大值对应的类别即为输入数据的分类识别结果。这种方法只能识别出已知类别，未知模式的数据也会被识别为某个已知类别(已知模式)，例如输入时间序列是未知模式，则会被认为是某个已知模式。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供一种卫星遥测时序数据未知模式的检测系统与方法，基于卷积神经网络实现时序数据未知模式的检测，不但能准确识别出已知模式，还能判定输入时间序列是否为未知模式，将未知模式和已知模式区分开，可对卫星遥测时序数据未知模式进行检测，由于未知模式往往对应着未知故障，因此本专利技术可解决在轨卫星异常检测、在轨卫星故障诊断、在轨卫星健康管理等应用中的难以应对新数据、新模式、新情况的难题。为了实现上述目的，本专利技术采用的技术方案是：一种卫星遥测时序数据未知模式的检测系统，包括：数据预处理模块，将卫星遥测时序数据转化为规范文件格式，根据卫星遥测时序数据的数据规律特点进行预处理；特征提取模块，采用深度卷积神经网络构造网络模型，其中卷积层和池化层完成对卫星遥测时序数据的特征提取；判定识别模块，通过将传统网络输出的概率值平面化，即将输入的一个时序数据的模式转化为特征空间内的一个坐标点，对卫星遥测时序数据依据欧氏距离进行模式识别并检测出未知模式数据，识别到的未知模式有可能为未知故障，其中所述坐标点作为特征坐标。所述构造网络模型时，根据输入数据的大小和复杂度，确定卷积层和池化层的层数，卷积层相当于特征提取器，其主要利用卷积核提取特征，实现特征的过滤和强化，池化层在卷积层之后，可以看成一个过滤器，实现下采样功能，池化层采用最大池化方法，激活函数采用ReLU函数。所述数据预处理模块根据时序数据不同规律特点进行不同的数据预处理，针对间隔固定时间段内具有相同变化规律的时序数据，采用时间窗口的方式划分数据，将一段长时序数据划分为固定长度的时间序列，所述时间序列与长时序数据为同一模式，对数据进行归一化处理，取一个时间序列数据的最大值和最小值，将最大值映射为1，最小值映射为0，整个序列映射到[0,1]区间上以便于输入网络；针对间隔固定时间段内具有持续上升或持续下降趋势的时序数据，采用时间窗口的方式划分数据，将一段长时序数据划分为固定长度的时间序列，所述时间序列与长时序数据为同一模式，计算一个时间序列相邻数据点间的斜率，得到斜率的变化规律，对得到的斜率序列进行归一化处理，取该斜率序列的最大值和最小值，将最大值映射为1，最小值映射为0，整个序列映射到[0,1]区间上以便于输入网络，由于网络最终通过将输出结果平面化，得到时间序列数据的特征坐标，再通过欧氏距离进行判断，所以给定网络目标输出正例为(1，1)坐标，反例为(0，0)坐标，即模式标准坐标。所述判定识别模块，计算特征坐标与模式标准坐标间的欧氏距离，根据该距离值的大小判定输入时间序列模式的检测结果。所述判定识别模块，利用所述网络模型进行n分类用以判定n个已知模式，深度卷积神经网络给出n个由概率值构成的坐标，对应n类已知模式的特征坐标，然后计算特征坐标和各已知模式标准坐标之间的欧氏距离，最后根据该距离值的大小判定输入时间序列模式的检测结果，其中网络模型的输入为一个所述的时间序列模式，即固定长度的时间序列，输出结果为输入时间序列模式确定属于某已知模式，输入时间序列模式确定不属于任何已知模式即确定为未知模式和输入时间序列模式不确定3种情况。所述深度卷积神经网络的卷积层和池化层构成特征提取模块，深度卷积神经网络的全连接层和输出层构成判定识别模块，判定识别模块中，首先连接两层全连接层fc1和fc2，然后将全连接层fc2的输出向量分成两路，分别送给x轴全连接层fc3和y轴全连接层fc4；fc3层输出时间序列模式在每个已知类别上的概率坐标x值，所有类别则构成一个概率坐标x向量，fc4层输出时间序列模式在每个已知类别上的概率坐标y值，所有类别则构成一个概率坐标y向量；从而将传统输出的概率值平面化为概率坐标，即将输入的一个时间序列模式转化为特征空间内的一个坐标点，本文档来自技高网...

【技术保护点】
1.一种卫星遥测时序数据未知模式的检测系统，其特征在于，包括：/n数据预处理模块，将卫星遥测时序数据转化为规范文件格式，根据卫星遥测时序数据的数据规律特点进行预处理；/n特征提取模块，采用深度卷积神经网络构造网络模型，其中卷积层和池化层完成对卫星遥测时序数据的特征提取；/n判定识别模块，通过将传统网络输出的概率值平面化，即将输入的一个时序数据的模式转化为特征空间内的一个坐标点，对卫星遥测时序数据依据欧氏距离进行模式识别并检测出未知模式数据，识别到的未知模式有可能为未知故障，其中所述坐标点作为特征坐标。/n

【技术特征摘要】
1.一种卫星遥测时序数据未知模式的检测系统，其特征在于，包括：
数据预处理模块，将卫星遥测时序数据转化为规范文件格式，根据卫星遥测时序数据的数据规律特点进行预处理；
特征提取模块，采用深度卷积神经网络构造网络模型，其中卷积层和池化层完成对卫星遥测时序数据的特征提取；
判定识别模块，通过将传统网络输出的概率值平面化，即将输入的一个时序数据的模式转化为特征空间内的一个坐标点，对卫星遥测时序数据依据欧氏距离进行模式识别并检测出未知模式数据，识别到的未知模式有可能为未知故障，其中所述坐标点作为特征坐标。


2.根据权利要求1所述卫星遥测时序数据未知模式的检测系统，其特征在于，所述构造网络模型时，根据输入数据的大小和复杂度，确定卷积层和池化层的层数，卷积层相当于特征提取器，其主要利用卷积核提取特征，实现特征的过滤和强化，池化层在卷积层之后，可以看成一个过滤器，实现下采样功能，池化层采用最大池化方法，激活函数采用ReLU函数。


3.根据权利要求1所述卫星遥测时序数据未知模式的检测系统，其特征在于，所述数据预处理模块根据时序数据不同规律特点进行不同的数据预处理，针对间隔固定时间段内具有相同变化规律的时序数据，采用时间窗口的方式划分数据，将一段长时序数据划分为固定长度的时间序列，所述时间序列与长时序数据为同一模式，对数据进行归一化处理，取一个时间序列数据的最大值和最小值，将最大值映射为1，最小值映射为0，整个序列映射到[0,1]区间上以便于输入网络；针对间隔固定时间段内具有持续上升或持续下降趋势的时序数据，采用时间窗口的方式划分数据，将一段长时序数据划分为固定长度的时间序列，所述时间序列与长时序数据为同一模式，计算一个时间序列相邻数据点间的斜率，得到斜率的变化规律，对得到的斜率序列进行归一化处理，取该斜率序列的最大值和最小值，将最大值映射为1，最小值映射为0，整个序列映射到[0,1]区间上以便于输入网络，给定网络目标输出正例为(1，1)坐标，反例为(0，0)坐标，即模式标准坐标。


4.根据权利要求3所述卫星遥测时序数据未知模式的检测系统，其特征在于，所述判定识别模块，计算特征坐标与模式标准坐标间的欧氏距离，根据该距离值的大小判定输入时间序列模式的检测结果。


5.根据权利要求4所述卫星遥测时序数据未知模式的检测系统，其特征在于，所述判定识别模块，利用所述网络模型进行n分类用以判定n个已知模式，深度卷积神经网络给出n个由概率值构成的坐标，对应n类已知模式的特征坐标，然后计算特征坐标和各已知模式标准坐标之间的欧氏距离，最后根据该距离值的大小判定输入时间序列模式的检测结果，其中网络模型的输入为一个所述的时间序列模式，即固定长度的时间序列，输出结果为输入时间序列模式确定属于某已知模式，输入时间序列模式确定不属于任何已知模式即确定为未知模式和输入时间序列模式不...

【专利技术属性】
技术研发人员：鲍军鹏，郭永康，李肖瑛，李欣宜，高宇，张峻华，张海龙，程富强，
申请(专利权)人：西安交通大学，中国西安卫星测控中心，
类型：发明
国别省市：陕西;61