一种粗细粒度结合的非规范时序航天器参数异常检测方法技术

针对航天器参数检测精度与计算成本难以平衡、基于长短时记忆神经网络等时序处理方法难以应用于非规范时间序列、利用插值法规范时序会引入大量冗余数据的问题，本发明专利技术提出一种粗细粒度结合的非规范时序航天器参数异常检测方法。包括，读取历史遥测数据文件，得到航天器历史遥测工程值序列；根据所述历史遥测工程值序列采用自适应动态时间窗口生成粗粒度的规范化时间序列；对所述规范化时间序列进行归一化处理生成子序列；根据所述子序列集合训练长短时记忆神经网络；基于所述长短时记忆神经网络，生成强弱约束下的自适应门限；利用强约束自适应门限对粗粒度的航天器参数进行异常检测，利用弱约束自适应门限对细粒度的航天器参数进行异常检测。参数进行异常检测。参数进行异常检测。

【技术实现步骤摘要】
一种粗细粒度结合的非规范时序航天器参数异常检测方法


[0001]本专利技术属于航天器测试和健康评估
，尤其涉及一种粗细粒度结合的非规范时序航天器参数异常检测方法。

技术介绍

[0002]航天器参数异常检测是判断航天器健康性的重要技术，现有的航天器参数类型多、数据规模大，利用自动化检测判读技术可以有效提高检测效率。
[0003]传统的自动化判读以固定阈值门限告警方式进行，长期的实践验证了此方法的稳定性和实用性，然而对周期变化模式的参数而言，该方法门限宽泛，灵敏度低，自适应性差，无法判断航天器是否存在性能降级和工作模式的非预期逻辑变化。
[0004]近年来兴起的深度学习技术在异常检测领域得到了广泛关注，其利用模型学习到数据的特征、分布，得到随着数据输入而动态调整的自适应检测门限，有效解决固定门限宽泛、灵敏度低的问题。由于航天器高安全性特点，其异常样本量极少，因此其健康性评估可使用基于无监督学习的时间序列异常检测方法，例如长短时记忆神经网络等。但是，对绝大部分时间处于正常状态的航天器而言，对所有时刻的参数都采用细粒度、高精度的神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种粗细粒度结合的非规范时序航天器参数异常检测方法，其特征在于，包括以下步骤：步骤一、读取历史遥测数据文件，得到航天器历史遥测工程值序列；步骤二、根据所述历史遥测工程值序列采用自适应动态时间窗口生成粗粒度的规范化时间序列；步骤三、对所述规范化时间序列进行归一化处理生成子序列；步骤四、根据所述子序列集合训练长短时记忆神经网络；步骤五、基于所述长短时记忆神经网络，生成强弱约束下的自适应门限；步骤六、利用强约束自适应门限对粗粒度的航天器参数进行异常检测，如果航天器粗粒度参数正常，则继续获取航天器下传数据；如果航天器粗粒度参数异常，则进入步骤七；步骤七、利用弱约束自适应门限对细粒度的航天器参数进行异常检测。2.如权利要求1所述的方法，其特征在于，所述历史遥测数据采用指定时间区间内的健康航天器遥测参数，经格式转换后得到结构化的时间数据和遥测数据。3.如权利要求2所述的方法，其特征在于，所述历史遥测数据的时间跨度选择大于四个小时。4.如权利要求1或2或3所述的方法，其特征在于，所述生成粗粒度的规范化时间序列，具体如下：采用动态时间窗口在所述航天器历史遥测工程值序列x上进行滑窗取样，利用窗内参数统计量生成粗粒度的规范化航天器参数时间序列，其中所述粗粒度的规范化航天器参数时间序列的每个数值都能够通过相应映射关系回溯到原始序列的遥测工程值，用于进一步的细粒度检测。5.如权利要求1或2或3所述的方法，其特征在于，所述进行训练长短时记忆神经网络时，利用误差反向传播算法进行神经网络超参数迭代更新。6.如权利要求1或2或3所述的方法，其特征在于，所述生成强弱约束下的自适应门限，具体如下：设训练集步骤四训练后得到的长短时记忆神经网络为f
θ
，得到模型预测输出为真实输出数据为计算所述预测输出与真实输出的均方误差MSE，对任一待预测子序列其预测输出为对于强约束和弱约束门限，通用的自适应上限和下限定义如下：定义如下：其中，m表示约束系数，m&...

【专利技术属性】
技术研发人员：栾晨辉，张淳，赵阳，刘鹤，刘一帆，赵欣，杨枫，韩小军，申帅，王鹏程，
申请(专利权)人：北京空间飞行器总体设计部，
类型：发明
国别省市：