一种基于时空动态特征融合的卫星故障检测方法技术

本发明专利技术公开了一种基于时空动态特征融合的卫星故障检测方法，包括以下步骤：S1.设计基于双向LSTM算法的自编码器神经网络，记为TSAD

【技术实现步骤摘要】
一种基于时空动态特征融合的卫星故障检测方法


[0001]本专利技术涉及卫星故障检测
，尤其涉及一种基于时空动态特征融合的卫星故障检测方法。

技术介绍

[0002]目前，卫星故障检测方法包括参数阈值方法、专家系统方法和数据驱动的方法，并且均有了较为广泛的研究和应用。虽然国内外学者在卫星故障检测方面取得了相关成果，但由于卫星参数众多、时空关系复杂、专业性强等特点，现有卫星故障检测方法仍存在不足，需研究新的卫星故障检测方法。
[0003]在卫星故障检测领域工程应用最广泛的是参数阈值上下限判断、专家系统，前者通过判断遥测参数是否超出设定的上下限范围进行故障检测，后者利用专家经验总结典型故障模式并利用规则匹配进行故障检测，这两种方法规则明确、解释性强，但严重依赖专家知识，无法检测先验知识之外的异常事件。此外，卫星数据中包括温度、压力等多个维度参数，不同维度参数间在故障时刻也存在明显变化，仅靠专家系统和阈值方法难以建模参数间联系。所以，基于数据驱动的故障检测方法逐渐受到重视，利用卫星产生的大量数据从中检测故障，可以有效克服阈值上下限、专家系统方法依赖专家先验知识的不足。对数据驱动方法而言，如何有效挖掘卫星数据变化规律是决定其故障检测性能的关键。但由于卫星故障工况较为罕见，导致数据中正负样本数量极度不平衡。此外，由于卫星机理的专业性和复杂性，而且难以覆盖所有类型的故障样本，导致训练数据缺乏标签。所以，现有数据驱动方法由于依赖故障标签，难以有效挖掘卫星数据规律，进而无法有效实现卫星故障检测。而PCA、聚类等无监督方法面对卫星产生的高维、动态变化数据时，其检测性能同样受到限制。
[0004]因此，本专利技术提出基于时空动态特征融合的卫星故障检测方法。

技术实现思路

[0005]本专利技术的目的在于：为了解决上述问题，而提出的一种基于时空动态特征融合的卫星故障检测方法。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：
[0007]一种基于时空动态特征融合的卫星故障检测方法，包括以下步骤：
[0008]S1.设计基于双向LSTM算法的自编码器神经网络，记为TSAD
TFN
，从输入的卫星数据中提取数据的时间动态特征变量，记为Latent
TFN
；
[0009]S2.设计基于卷积自编码器的自编码器神经网络，记为TSAD
SFN
，从输入的卫星数据中提取数据的空间动态特征变量，记为Latent
SFN
；
[0010]S3.根据步骤S1和步骤S2产生的时间动态特征变量和空间动态特征变量，融合得到卫星数据的时空动态特征变量，记为Latent
TSFN
；
[0011]S4.设计基于Transformer的神经网络，记为TSAD
Predict
，TSAD
Predict
根据步骤产生的时空动态特征变量，预测遥测参数在P帧后的值；
[0012]S5.利用卫星在正常工况产生的遥测数据对步骤S1
‑
S4组成的神经网络模型进行端到端训练，得到训练好的模型，记为TSAD；
[0013]S6.将训练数据集中所有样本输入步骤训练产生的模型，计算训练集上所有样本的故障得分；
[0014]S7.根据步骤在训练数据集上产生的故障得分集合，利用POT方法计算卫星故障检测阈值；
[0015]S8.将测试集数据输入模型TSAD，依次经历步骤S1
‑
S7，得到所有测试集样本的检测结果，计算算法在测试集上的性能指标P、R、F1，并重复进行步骤S1至S8调优方法性能；
[0016]S9.将待检测卫星数据样本作为模型输入，从步骤
‑
中产生最终的预测残差，根据步骤S7产生的阈值，得到最终检测结果。
[0017]优选地，所述步骤S1提取卫星数据时间动态特征的方法具体包括以下步骤：
[0018]S11.利用滑动窗口处理原始遥测数据，得到M维连续K帧的单个输入样本，公式如下：
[0019][0020][0021]式中：S
input
表示单个输入样本；X
i
,1≤i≤K表示第i帧的M维度数据；
[0022]S12.设计基于双向LSTM的自编码器神经网络TSAD
TFN
，包括编码器网络和解码器网络两部分，分别记为TFN
Encoder
和TFN
decoder
；
[0023]S13.编码器网络TFN
Encoder
从步骤的输出S
input
中提取时间特征编码，公式如下：
[0024]Latent
TFN
＝TFN
encoder
(S
input
)
[0025]式中：S
input
表示单个输入样本；Latent
TFN
表示时间特征编码；
[0026]S14.解码器网络对步骤提取的时间特征编码进行解码，公式如下：
[0027]O
TFN
＝TFN
decoder
(Latent
TFN
)
[0028]式中：O
TFN
表示解码器网络输出的数据；
[0029]S15.计算自编码器神经网络TSAD
TFN
的输入S
input
与输出O
TFN
的重建误差，在步骤中作为损失函数的一部分，完成模型的训练，公式如下：
[0030][0031]优选地，所述步骤S2提取卫星数据空间动态特征的方法具体包括以下步骤：
[0032]S21.设计基于卷积的自编码器网络TSAD
SFN
，包括编码器网络和解码器网络两部分，分别记为SFN
Encoder
和SFN
decoder
；
[0033]S22.编码器网络SFN
Encoder
从步骤S11的输出S
input
中提取空间特征编码，公式如下：
[0034]Latent
SFN
＝SFN
encoder
(S
input
)
[0035]式中：Latent
SFN
表示空间特征编码；
[0036]S23.解码器网络对步骤S23提取的空间特征编码进行解码，公式如下：
[0037]O
SFN
＝SFN
decoder
(Latent
SFN
)
[0038]式中：O
SFN
表示解码器网络输出的数据；
[0039]S24.计算自编码器网络TSAD
SFN
的输入S
input
与输出O
S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空动态特征融合的卫星故障检测方法，其特征在于，包括以下步骤：S1.设计基于双向LSTM算法的自编码器神经网络，记为TSAD
TFN
，从输入的卫星数据中提取数据的时间动态特征变量，记为Latent
TFN
；S2.设计基于卷积自编码器的自编码器神经网络，记为TSAD
SFN
，从输入的卫星数据中提取数据的空间动态特征变量，记为Latent
SFN
；S3.根据步骤S1和步骤S2产生的时间动态特征变量和空间动态特征变量，融合得到卫星数据的时空动态特征变量，记为Latent
TSFN
；S4.设计基于Transformer的神经网络，记为TSAD
Predict
，TSAD
Predict
根据步骤(3)产生的时空动态特征变量，预测遥测参数在P帧后的值；S5.利用卫星在正常工况产生的遥测数据对步骤S1
‑
S4组成的神经网络模型进行端到端训练，得到训练好的模型，记为TSAD；S6.将训练数据集中所有样本输入步骤(5)训练产生的模型，计算训练集上所有样本的故障得分；S7.根据步骤(6)在训练数据集上产生的故障得分集合，利用POT方法计算卫星故障检测阈值；S8.将测试集数据输入模型TSAD，依次经历步骤S1
‑
S7，得到所有测试集样本的检测结果，计算算法在测试集上的性能指标P、R、F1，并重复进行步骤S1至S8调优方法性能；S9.将待检测卫星数据样本作为模型输入，从步骤(1)
‑
(4)中产生最终的预测残差，根据步骤S7产生的阈值，得到最终检测结果。2.根据权利要求1所述的一种基于时空动态特征融合的卫星故障检测方法，其特征在于，所述步骤S1提取卫星数据时间动态特征的方法具体包括以下步骤：S11.利用滑动窗口处理原始遥测数据，得到M维连续K帧的单个输入样本，公式如下：S11.利用滑动窗口处理原始遥测数据，得到M维连续K帧的单个输入样本，公式如下：式中：S
input
表示单个输入样本；X
i
,1≤i≤K表示第i帧的M维度数据；S12.设计基于双向LSTM的自编码器神经网络TSAD
TFN
，包括编码器网络和解码器网络两部分，分别记为TFN
Encoder
和TFN
decoder
；S13.编码器网络TFN
Encoder
从步骤(1.1)的输出S
input
中提取时间特征编码，公式如下：Latent
TFN
＝TFN
encoder
(S
input
)式中：S
input
表示单个输入样本；Latent
TFN
表示时间特征编码；S14.解码器网络对步骤(1.3)提取的时间特征编码进行解码，公式如下：O
TFN
＝TFN
decoder
(Latent
TFN
)式中：O
TFN
表示解码器网络输出的数据；S15.计算自编码器神经网络TSAD
TFN
的输入S
input
与输出O
TFN
的重建误差，在步骤(5)中作为损失函数的一部分，完成模型的训练，公式如下：3.根据权利要求1所述的一种基于时空动态特征融合的卫星故障检测方法，其特征在
于，所述步骤S2提取卫星数据空间动态特征的方法具体包括以下步骤：S21.设计基于卷积的自编码器网络TSAD
SFN
，包括编码器网络和解码器网络两部分，分别记为SFN
Encoder
和SFN
decoder
；S22.编码器网络SFN
Encoder
从步骤S11的输出S
input
中提取空间特征编码，公式如下：Latent
SFN
＝SFN
encoder
(S
input
)式中：Latent
SFN
表示空间特征编码；S23.解码器网络对步骤S23提取的空间特征编码进行解码，公式如下：O
SFN
＝SFN
decoder
(Latent
SFN
)式中：O
SFN
表示解码器网络输出的数据；S24.计算自编码器网络TSAD
SFN
的输入S
input
与输出O<...

【专利技术属性】
技术研发人员：杨凯飞，徐楠，吕原草，王亚坤，王超，安卫钰，郭兵勇，
申请(专利权)人：中国空间技术研究院，
类型：发明
国别省市：