CN106055919B - 一种基于遥测数据小波变换的卫星异常检测方法 - Google Patents
一种基于遥测数据小波变换的卫星异常检测方法 Download PDFInfo
- Publication number
- CN106055919B CN106055919B CN201610648303.3A CN201610648303A CN106055919B CN 106055919 B CN106055919 B CN 106055919B CN 201610648303 A CN201610648303 A CN 201610648303A CN 106055919 B CN106055919 B CN 106055919B
- Authority
- CN
- China
- Prior art keywords
- telemetry
- wavelet
- satellite
- coefficient
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
一种基于遥测数据小波变换的卫星异常检测方法,利用小波变换的多分辨率分解的特点,采用基本小波对遥测数据进行小波分解,得到高频分量和低频分量。通过对遥测数据高频小波系数重构的信号进行基于窗口的平稳性分析,并将窗口内数据的均方差作为数据平稳性的评价函数检测卫星的异常。利用本发明方法对遥测数据进行分析,能够快速有效地对卫星的异常进行检测,能够自主地发现数据异常,向测试人员发出异常警报,并且执行效率高,能够很好地满足卫星测试的实时性要求,适用于长期遥测数据的智能判读。
Description
技术领域
本发明属于卫星测试技术领域,涉及一种卫星状态的异常检测方法。
背景技术
卫星下传的遥测数据是系统状态的直接观测量,能够反映星上设备的功能、性能及工作状态,在地面综合测试过程中需要对其进行连续的监视和判读。卫星遥测数据判读是指卫星在地面综合测试过程中,依据判读准则,对卫星控制指令、下行遥测数据进行相关性检查,判断卫星各设备工作是否正常、接口是否正确、卫星运行是否正常的过程。
随着卫星设计的日益复杂和遥测数据的种类及数量增加,如何有效地利用遥测数据对卫星进行异常检测的问题凸显。目前,卫星遥测数据的监视和判读主要由人工完成,其工作量非常大、需要专家的经验知识,且海量数据判读无法完全通过人工完成。为了有效地利用星上下传的遥测数据,在测试过程中对卫星进行异常检测,需要对基于遥测数据分析的卫星异常检测方法进行研究。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种基于遥测数据小波变换的卫星异常检测方法,利用小波变换的多分辨率分解的特点,采用基本小波对遥测数据进行小波分解,并通过对高频的小波系数重构信号进行分析,实现对卫星异常的有效检测。本发明方法能够自主地发现数据异常,向测试人员发出异常警报,并且执行效率高,能够很好地满足卫星测试的实时性要求,适用于长期遥测数据的智能判读。
本发明的技术解决方案是:一种基于遥测数据小波变换的卫星异常检测方法,包括如下步骤:
(1)利用小波变换对卫星遥测数据进行多分辨率分解,得到各时间分辨率下的尺度系数和小波系数;
(2)对遥测数据小波变换后的分解系数进行重构,将分解后的尺度系数和小波系数的时间分辨率提高到原始信号的时间分辨率;
(3)构建至少6个数据宽的窗口在重构后的小波系数上依次滑动,计算窗口内卫星遥测数据的均方差,得到均方差序列σi;其中i为滑动产生的窗口序列的下标;
(4)利用均方差序列的阈值δ对卫星遥测数据进行异常检测,如果σi<δ对于任意i均成立,则判定卫星遥测数据正常;否则判定卫星遥测数据异常并发出报警。所述的阈值δ为卫星遥测数据正常情况下通过步骤(1)的小波变换和步骤(2)的系数重构后得到的小波系数。
本发明与现有技术相比的优点在于:
(1)本发明方法利用离散小波变换的多分辨率分解这一特性对卫星进行异常检测。由于信号的异常突变点和噪声在不同尺度下的特性是不同的,因此可以通过不同尺度上高频的小波系数重构信号区分噪声以及发生的异常。利用这个特性,本发明方法能够自主、有效地对卫星异常进行检测;
(2)本发明采用小波变换进行异常检测的方法弥补了传统傅里叶变换缺乏空间的局部性,并且小波变换方法不需要数学模型。因此,本发明方法不需要专家知识,克服了传统方法依赖专家经验知识和建模不准的缺点。同时,本发明方法采用Mallat算法快速计算正交小波,计算量小,能够快速地对海量遥测数据进行处理,在线实时性较好;
(3)本发明方法采用基于窗口的平稳性检测方法,能够自主地检测出遥测数据中的异常点,进而能够自主地进行卫星异常检测,向测试人员发出异常警报,改变了目前遥测数据的处理与分析主要依靠人工完成的不足,显著提高了卫星测试的智能性、自主性。
附图说明
图1为本发明方法的流程框图;
图2为本发明遥测数据的多分辨率分解示意图;
图3为本发明实施例中动量轮脉冲分解系数的重构信号示意图;
图4为本发明实施例中动量轮脉冲的异常检测结果示意图。
具体实施方式
如图1所示,为本发明方法的流程框图,主要步骤如下:
(1)利用小波变换对遥测数据进行多分辨率分解
利用离散小波变换对遥测数据进行多分辨率分解时,选择的小波为二进正交离散小波。根据遥测数据的特性,采用Mallat算法快速计算正交小波,可以将尺度空间分解为有限个小波分量的直和。
构造适用于遥测数据分解的小波函数和对遥测数据进行多分辨率分解的过程如下:
1)由于遥测数据为实时下传的离散数据,其变化受星上各单机本身工作时间、其他单机产品及外部环境的变化影响,变化趋势较复杂。为此,寻找能够构成正交多分辨率分解空间的标准正交基的尺度函数该正交多分辨率分解空间可以在不同尺度上将遥测数据的特性展现出来,以便检测异常点。同时,该分解能够无限接近地表示任何一个遥测数据。
由于空间V0属于空间V-1,因此空间V0的标准正交基尺度函数也属于空间V-1。故构成相邻两个正交多分辨率分解空间V0和V-1的尺度函数存在滤波器系数{hk}∈l2使得尺度函数满足下面的双尺度方程。
其中,t为时间序列,t∈{0,1,2,…},k为整数。
2)假设小波函数ψ(t)作为标准正交基构成的遥测数据分解空间属于空间V-1,故小波函数ψ(t)也属于空间V-1。所以,利用尺度函数并按照滤波系数构造小波函数ψ(t)。
其中,系数是h1-k的共轭。
3)利用构造的尺度函数和小波函数ψ(t)对遥测数据s(t)在不同尺度j和位移k下进行多分辨率分解。其中,j为自然数,j∈{0,1,2,…}。
将尺度函数小波函数ψ(t)在不同尺度和位移下进行平移伸缩
状态量遥测数据仅有0和1两个状态,其判读比较简单;变化比较平稳的模拟量遥测数据,其不受环境的影响,判读也比较简单。本发明不对以上两类遥测数据进行异常检测,这里的遥测数据s(t)指的是门限内有较大的波动,而且这种波动具有很强的规律性。
对遥测数据进行多分辨率分解
式中,cj,k和dj,k分别为j尺度空间的尺度系数和小波系数。
4)利用Mallat算法计算遥测数据分解的小波分解系数cj,k和尺度分解系数dj,k。
其中,l为整数,为gl-2k的共轭。
利用上述的方法对遥测数据进行递推分解,可以将遥测数据s(t)进行尺度1,2,3,…,j分解。最终将遥测数据分解为CJ={cj,k}(尺度系数)和DJ={dj,k}(小波系数),即近似部分(低频)和细节部分(高频),如图2所示。
(2)对遥测数据小波变换后的分解系数进行重构
为了便于对分解后的遥测数据进行分析,将分解后的低频信号和高频信号的时间分辨率提高到原始信号的时间分辨率,也即对分解后的信号进行重构,由于在每个尺度下,仅对低频系数进行下一个尺度的分解,因此仅需要低频系数进行重构。
对于任意遥测数据的双尺度小波函数分解系数的重构公式如下:
对应时间分辨率的高频重构信号即为dj,k。
(3)对遥测数据进行异常检测
小波分解后的高频重构信号能够将遥测数据的异常点明显地显示出来,为了有效地对遥测数据进行异常检测,本发明采用基于窗口的平稳性检测方法。
由于卫星遥测数据的采集周期一般为1秒,同时加上1~2秒的传输延迟,因此6秒(即6个数据)的遥测数据才能够反映遥测的变化。利用构建的6个数据宽的窗口在高频系数重构信号dj,k上依次滑动,计算窗口内数据的均方差作为数据平稳性的评价函数。由此获得表征高频系数重构信号平稳性的均方差序列σi。其中,i为滑动产生的窗口序列的下标。
设第i个窗口内的样本序列为x1,x2,…,xN,其中N为6,则均方差为
利用均方差序列的阈值δ判断结果对遥测数据进行异常检测的规则如下:
if{σi<δ},then卫星正常;否则,卫星异常发出报警。
如果均方差σi大于等于阈值δ,则代表对应窗口的遥测数据有异常的变化,即卫星在此刻产生了异常。检测到异常后,系统需要将异常报警和异常产生的时刻发送至测试人员。其他情况认为卫星工作正常,遥测数据正常入库。
式中,阈值δ为每类单机产品对应的经验值。通过对相应单机产品的历史遥测数据进行上述的小波变换,可以获得代表单机产品正常工作状态下遥测数据变化规律的阈值δ。
实施例
下面以动量轮异常检测为例,对上述具体实施过程进行说明。
动量轮的异常检测可以通过对动量轮转速脉冲信号分析获得。采用小波变换对采集的动量轮转速遥测信号进行多分辨率分解,每个层次的分解都将原来的小波系数分解为高频和低频两个小波系数。通过重构高频的小波系数,能够准确地分析、定位出动量的异常信息及异常出现的时间。由于动量轮转速脉冲遥测数据为1s周期,因此动量轮脉冲信号的采样周期为1Hz。
图3为利用小波变换对动量轮脉冲信号进行多分辨率分解,并对低频和高频两个小波系数进行重构后的结果。图3(a)中a1,a2,a3,a4为第1、2、3、4尺度下小波分解后低频的小波系数重构信号,图3(b)中d1,d2,d3,d4为第1、2、3、4尺度下小波分解后高频的小波系数重构信号,图中s为原始动量轮脉冲信号,纵坐标单位:个/min,横坐标单位:s(秒)。图中,低频部分信号a1、a2、a3、a4仅代表遥测数据的变化趋势,故障信息包含于高频部分信号d1、d2、d3、d4。
图4为利用基于窗口的平稳性检测方法计算动量轮脉冲的高频小波系数重构信号的均方差序列并进行平稳性检测。根据动量轮的特性,动量轮脉冲对应的阈值δ选择为2。图中,动量轮工作正常情况下,动量轮脉冲的均方差序列较平稳,小于阈值δ。当工作异常时,动量轮脉冲的均方差序列迅速变大,出现两段大于阈值δ的均方差序列,代表动量轮脉冲遥测数据出现了异常。因此,本发明能够有效地对动量轮异常进行检测。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (2)
1.一种基于遥测数据小波变换的卫星异常检测方法,其特征在于包括如下步骤:
(1)利用小波变换对卫星遥测数据进行多分辨率分解,得到各时间分辨率下的尺度系数和小波系数;
(2)对遥测数据小波变换后的分解系数进行重构,将分解后的尺度系数和小波系数的时间分辨率提高到原始信号的时间分辨率;
(3)构建至少六个数据宽的窗口在重构后的小波系数上依次滑动,计算窗口内卫星遥测数据的均方差,得到均方差序列σi;其中i为滑动产生的窗口序列的下标;
(4)利用均方差序列的阈值δ对卫星遥测数据进行异常检测,如果σi<δ对于任意i均成立,则判定卫星遥测数据正常;否则判定卫星遥测数据异常并发出报警;所述的阈值δ为卫星遥测数据正常情况下通过步骤(1)的小波变换和步骤(2)的系数重构后得到的小波系数。
2.根据权利要求1所述的一种基于遥测数据小波变换的卫星异常检测方法,其特征在于:所述步骤(1)中采用Mallat算法对遥测数据进行小波分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610648303.3A CN106055919B (zh) | 2016-08-09 | 2016-08-09 | 一种基于遥测数据小波变换的卫星异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610648303.3A CN106055919B (zh) | 2016-08-09 | 2016-08-09 | 一种基于遥测数据小波变换的卫星异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106055919A CN106055919A (zh) | 2016-10-26 |
CN106055919B true CN106055919B (zh) | 2018-10-09 |
Family
ID=57481137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610648303.3A Active CN106055919B (zh) | 2016-08-09 | 2016-08-09 | 一种基于遥测数据小波变换的卫星异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106055919B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650297B (zh) * | 2017-01-06 | 2019-04-19 | 南京航空航天大学 | 一种无领域知识的卫星分系统异常检测方法 |
CN107395074A (zh) * | 2017-07-24 | 2017-11-24 | 吉林大学 | 基于fpga实现的永磁直流电机多分辨率控制器 |
CN108898117A (zh) * | 2018-06-30 | 2018-11-27 | 防灾科技学院 | 一种滑动阈值的自适应随机信号异常提取方法 |
CN109283590B (zh) * | 2018-08-29 | 2019-08-06 | 自然资源部第一海洋研究所 | 基于小波变换的多源重力数据融合方法 |
CN109344085B (zh) * | 2018-11-14 | 2021-11-23 | 上海微小卫星工程中心 | 一种分析卫星测试数据的方法和系统 |
CN110297258B (zh) * | 2019-06-18 | 2021-03-09 | 中国科学院国家空间科学中心 | 一种单调递增计数类遥测参数异常自动判别方法及系统 |
CN111241158B (zh) * | 2020-01-07 | 2020-09-18 | 清华大学 | 一种飞行器遥测数据的异常检测方法和装置 |
CN111858680B (zh) * | 2020-08-01 | 2022-10-25 | 西安交通大学 | 一种快速实时检测卫星遥测时序数据异常的系统与方法 |
CN113326744B (zh) * | 2021-05-12 | 2023-03-03 | 哈尔滨工业大学 | 一种航天器在轨状态异常检测方法及系统 |
CN114048771B (zh) * | 2021-11-09 | 2023-05-30 | 西安电子科技大学 | 基于自适应门限平稳小波变换的时序数据异常值处理方法 |
CN114626444B (zh) * | 2022-02-25 | 2024-04-09 | 华南理工大学 | 基于多分辨率集成的航天器遥测异常检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242534A (zh) * | 2015-09-11 | 2016-01-13 | 中国人民解放军国防科学技术大学 | 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 |
-
2016
- 2016-08-09 CN CN201610648303.3A patent/CN106055919B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242534A (zh) * | 2015-09-11 | 2016-01-13 | 中国人民解放军国防科学技术大学 | 基于遥测参数且关联于对卫星控制行为的卫星状态监测方法 |
Non-Patent Citations (4)
Title |
---|
Mallat小波快速变换与IDRNN在卫星实时故障检测与识别中的应用;岑朝辉 等;《北京科技大学学报》;20120131;第34卷(第1期);第90-95页 * |
Network Traffic Anomaly Detection Based on Self-Similarity Using HHT and Wavelet Transform;Xiaorong Cheng et al.;《2009 Fifth International Conference on Information Assurance and Security》;20091231;第710-713页 * |
基于遥测数据动态特征的卫星异常检测方法;李维铮 等;《空间科学学报》;20141231;第34卷(第2期);第201-207页 * |
小波变换在遥测数据处理中的应用;谢军 等;《飞行器测控学报》;20070630;第26卷(第3期);第68-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106055919A (zh) | 2016-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106055919B (zh) | 一种基于遥测数据小波变换的卫星异常检测方法 | |
Gu et al. | Bearing fault diagnosis with varying conditions using angular domain resampling technology, SDP and DCNN | |
CN102111312B (zh) | 基于多尺度主成分分析的网络异常检测方法 | |
EP3410308A1 (en) | Predictive analysis system and method for analyzing and detecting machine sensor failures | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN108898223B (zh) | 一种海洋定点观测设备运行状态异常检测方法及装置 | |
CN104503432A (zh) | 一种基于小波能量的自主式水下机器人故障辨识方法 | |
Chen et al. | UAV fault detection based on GA-BP neural network | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
Liao et al. | Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems | |
CN116304912A (zh) | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 | |
Wang et al. | Anomaly detection of spacecraft telemetry data using temporal convolution network | |
CN112013285A (zh) | 管道泄漏点的检测方法及装置、存储介质、终端 | |
Qian et al. | A new health indicator for rolling bearings based on impulsiveness and periodicity of signals | |
Shi et al. | A fault diagnosis method for rolling bearings based on RDDAN under multivariable working conditions | |
CN114048879A (zh) | 故障检测方法、装置、系统、计算机设备及可读存储介质 | |
Garrido et al. | A heuristic approach to output-only system identification under transient excitation | |
CN107346301B (zh) | 基于双时间窗口验证的水质监测噪音数据实时检测方法 | |
CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
Yu et al. | Thruster fault feature extraction method for underwater vehicle | |
Wang et al. | Fault detection based on optimal transport theory | |
CN117272055B (zh) | 一种基于滤波增强自编码器的电能表异常检测方法及装置 | |
CN109918734A (zh) | 一种基于fir滤波器的水声通信系统故障估计方法 | |
CN114139648B (zh) | 一种尾矿充填管路异常智能检测方法及系统 | |
Li et al. | Study on blade fault diagnosis of free flying UAV based on multiparameter and deep learning method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |