一种基于二元关系的卫星遥测时序数据异常检测方法技术

本发明专利技术提供了一种基于二元关系的卫星遥测时序数据异常检测方法，适用于具有二元关系的卫星遥测时序数据的异常检测。本方法将参数的二元关系映射到图像上，可以直观反映出参数间二元关系的不同模式。针对不同模式的特征，本发明专利技术采用卷积神经网络的方法进行特征提取，捕捉正常状态和异常状态下的多种模式特征，挖掘不同的关联模式。最终通过全连接层神经元学习这些特征，做到对正常情况和不同异常情况的识别。本发明专利技术可以有效利用参数间的关联性对卫星遥测时序数据进行异常检测，并通过数据的关联模式辅助专家进行卫星故障诊断，为卫星健康运行提供技术保障。

【技术实现步骤摘要】
一种基于二元关系的卫星遥测时序数据异常检测方法
本专利技术属于卫星故障检测
和计算机应用
，特别涉及一种基于二元关系的卫星遥测时序数据异常检测方法。
技术介绍
在轨卫星所处的星际环境极为复杂，卫星易受到太阳风暴，电磁干扰等的影响，运行过程中可能会出现各种异常和故障。若不能及时检测到异常，将会对卫星的健康状况埋下极大的隐患，因此准确地检测卫星的异常状况极为重要。由于卫星系统部件的故障会导致相关参数数据的异常，因此基于数据分析的方法检测卫星异常较为普遍。传统的单参数异常检测方法主要针对一维时序数据，难以有效地利用多维时序数据的关联性，存在一定的局限性。基于深度学习的方法对多维时序数据的异常检测，在维度较高时难以捕捉相关参数间的重要关系，且模型的可解释性较差。难以很好地完成对卫星的异常检测任务。
技术实现思路
为了克服上述现有技术的缺点，解决传统方法没有有效利用相关参数间关系的问题，同时为深度学习方法提供一定的可解释性，本专利技术的目的在于提供一种基于二元关系的卫星遥测时序数据异常检测方法。为了实现上述目的，本专利技术采用的技术方案是：一种基于二元关系的卫星遥测时序数据异常检测方法，将具有二元关系的参数对应的卫星遥测时序数据变换为图像，采用卷积神经网络提取数据特征，学习参数间模式的变化，得到判断模型，基于该判断模型，对具有二元关系的参数对应的卫星遥测时序数据进行异常检测。所述具有二元关系的参数包括“-Y母线负载电流”和“-Y母线电压”，“动量轮转速”和“动量轮角动量”，“俯仰角”和“偏航角”以及“太阳敏感器”和“星敏感器”等等。与异常相关的参数集包括：(1)–Y母线负载电流，-Y母线电压等；(2)俯仰角，偏航角，滚动角，角动量等；(3)红外敏感器，陀螺电机电流，温度等；(4)反作用轮壳温，反作用轮马达电流，反作用轮转速等；最终选取具有二元关系的参数作为训练神经网络的源数据。所述具有二元关系的参数对应的卫星遥测时序数据包括正常数据，异常数据以及异常数据对应的故障事件，其中故障和具有二元关系的参数存在相关性。根据故障事件的不同将异常数据分为不同的异常类别，并将异常类别和故障事件相关联，之后将具有二元关系的参数对应的遥测时序数据变换为图像并进一步压缩，最终以二维矩阵的形式存储。将所述具有二元关系的参数对应的遥测时序数据按其全局最大最小值进行归一化，将归一化后的二维数据映射到二维空间，并将其压缩为二维矩阵，压缩方式如下：其中src[r][c]表示原始的二维矩阵，r，c分别表示原始矩阵的行列索引，n，m分别表示原始矩阵的行，列的大小。而mat[i][j]表示压缩后二维矩阵，i，j分别表示其行列索引，n′，m′分别表示压缩后矩阵的行和列的大小。p[i]，p[i+1]分别表示行方向上第i，i+1个边界，q[j]，q[j+1]分别表示列方向上第j，j+1个边界，相邻边界差相同。矩阵中元素取值为0或1，对应二值图像，即卷积神经网络的输入数据为单通道图像数据。所述卷积神经网络由卷积层、池化层、全连接层和softmax层堆叠而成，卷积层提取图像特征，池化层采用最大值池化的方式压缩图像特征，将数据划分为训练集和测试集，送入卷积神经网络模型进行训练，通过网络训练并更新模型中各层的权重参数和偏置参数，在训练中对超参数进行微调，训练结束后保存模型结构和参数。所述卷积层和池化层交替堆叠6层，卷积层特征维度不断增大，最后一层池化层的特征单元展平后和全连接层相接；全连接层堆叠2层，然后连接softmax层，将网络输出映射到相应的类别上以构建分类器。所述网络训练的过程中以交叉熵损失作为目标函数，并采用BP反向传播算法更新各层参数。将具有二元关系的参数对应的卫星遥测时序数据进行预处理后送入训练好的判断模型中进行数据的分类，最终给出异常检测结果，即数据是否异常，并给出异常类别以及对应的故障事件。与现有技术相比，本专利技术主要针对卫星部件的异常或故障会导致其核心参数数据异常或参数间数据模式的异常这一要点。基于二元关系，将参数间数据变换为图像并采用卷积神经网络提取数据特征，来学习参数间模式的变化，可以有效地利用多维卫星数据的特征进行异常检测，辅助专家对异常或故障的成因进行分析，具有较好可解释性。附图说明图1是本专利技术的模块设计框架图。图2是本专利技术的模型训练模块的流程图。图3是本专利技术异常检测实施模块的流程图。图4是某卫星参数在正常状态下的数据图，其中(a)为“-Y主母线电压”，(b)为“-Y主母线负载电流”。图5是图4所选参数在某异常状态下的数据图，其中(a)为“-Y主母线电压”，(b)为“-Y主母线负载电流”。图6是将图4中对应遥测时序数据生成的图像结果。图7是将图5中对应遥测时序数据生成的图像结果。具体实施方式下面结合附图和实施例详细说明本专利技术的实施方式。如图1所示，一种基于二元关系的卫星遥测时序数据异常检测方法，卫星部件的异常或故障会导致其核心参数数据异常或参数间数据模式的异常。本专利技术基于二元关系，先确定二元参数组(即具有二元关系的参数)以及其对应的卫星遥测时序数据，然后将数据预处理后变换为图像，构建卷积神经网络(CNN)模型，对选定的数据进行训练，提取数据特征，学习参数间模式的变化，得到判断模型，基于该判断模型，选定相应二元参数组对应的卫星遥测时序数据进行异常检测，并输出异常检测结果，为专家提供参考，本专利技术可以有效地利用多维卫星数据的特征进行异常检测，辅助专家对异常或故障成因进行分析，具有较好可解释性。本专利技术的完整步骤如下：步骤一：获得具有二元关系的参数对应的卫星遥测时序数据，数据包括正常数据，异常数据以及异常数据对应的故障事件。其中故障和具有二元关系的参数存在相关性。具体地，确定和异常相关的参数集，最终选取可能存在二元关系的参数作为训练神经网络的源数据。本专利技术中，所述具有二元关系的参数包括“-Y母线负载电流”和“-Y母线电压”，“动量轮转速”和“动量轮角动量”，“俯仰角”和“偏航角”以及“太阳敏感器”和“星敏感器”等等。和异常相关的参数集包括：(1)–Y母线负载电流，-Y母线电压等；(2)俯仰角，偏航角，滚动角，角动量等；(3)红外敏感器，陀螺电机电流，温度等；(4)反作用轮壳温，反作用轮马达电流，反作用轮转速等。本专利技术选取“-Y母线负载电流”和“-Y母线电压”两个参数进行说明。步骤二：数据预处理。如图2所示，根据故障事件的不同将异常数据分为不同的异常类别，并将异常类别和故障事件相关联，为后续的有监督学习提供完整的数据。之后将具有二元关系的参数对应的遥测时序数据变换为图像并进一步压缩，最终以二维矩阵的形式存储。具体地，选定二元参数组后，将其数据按指定长度len进行分段。对于存在周期性规律的时序数据，按周期分段能够较为本文档来自技高网...

【技术保护点】
1.一种基于二元关系的卫星遥测时序数据异常检测方法，其特征在于，将具有二元关系的参数对应的卫星遥测时序数据变换为图像，采用卷积神经网络提取数据特征，学习参数间模式的变化，得到判断模型，基于该判断模型，对具有二元关系的参数对应的卫星遥测时序数据进行异常检测。/n

【技术特征摘要】
1.一种基于二元关系的卫星遥测时序数据异常检测方法，其特征在于，将具有二元关系的参数对应的卫星遥测时序数据变换为图像，采用卷积神经网络提取数据特征，学习参数间模式的变化，得到判断模型，基于该判断模型，对具有二元关系的参数对应的卫星遥测时序数据进行异常检测。


2.根据权利要求1所述基于二元关系的卫星遥测时序数据异常检测方法，其特征在于，所述具有二元关系的参数包括“-Y母线负载电流”和“-Y母线电压”，“动量轮转速”和“动量轮角动量”，“俯仰角”和“偏航角”以及“太阳敏感器”和“星敏感器”；与异常相关的参数集包括：–Y母线负载电流、-Y母线电压、俯仰角、偏航角、滚动角、角动量、红外敏感器、陀螺电机电流、温度、反作用轮壳温、反作用轮马达电流、反作用轮转速；最终选取具有二元关系的参数作为训练神经网络的源数据。


3.根据权利要求1所述基于二元关系的卫星遥测时序数据异常检测方法，其特征在于，所述具有二元关系的参数对应的卫星遥测时序数据包括正常数据，异常数据以及异常数据对应的故障事件，其中故障和具有二元关系的参数存在相关性。


4.根据权利要求3所述基于二元关系的卫星遥测时序数据异常检测方法，其特征在于，根据故障事件的不同将异常数据分为不同的异常类别，并将异常类别和故障事件相关联，之后将具有二元关系的参数对应的遥测时序数据变换为图像并进一步压缩，最终以二维矩阵的形式存储。


5.根据权利要求4所述基于二元关系的卫星遥测时序数据异常检测方法，其特征在于，将所述具有二元关系的参数对应的遥测时序数据按其全局最大最小值进行归一化，将归一化后的二维数据映射到二维空间，并将其压缩为二维矩阵，压缩方式如下：



其中src[r][c]表示原...

【专利技术属性】
技术研发人员：万俊伟，鲍军鹏，张国亭，张超，翟磊，张高杰，辛维政，颜博，丰明博，张龙，魏巍，
申请(专利权)人：西安交通大学，中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：陕西;61