CN111274543A - 一种基于高维空间映射的航天器系统异常检测方法 - Google Patents
一种基于高维空间映射的航天器系统异常检测方法 Download PDFInfo
- Publication number
- CN111274543A CN111274543A CN202010054486.2A CN202010054486A CN111274543A CN 111274543 A CN111274543 A CN 111274543A CN 202010054486 A CN202010054486 A CN 202010054486A CN 111274543 A CN111274543 A CN 111274543A
- Authority
- CN
- China
- Prior art keywords
- data
- telemetry
- telemetering
- dimensional space
- similarity
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000013507 mapping Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 11
- 238000011425 standardization method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000013144 data compression Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 abstract 1
- 230000005856 abnormality Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Complex Calculations (AREA)
Abstract
一种基于高维空间映射的航天器系统异常检测方法,属于空间技术领域。本发明建立多遥测参数之间相互影响的系统级故障关联模型。本发明利用余弦相似性或皮尔逊相关系数计算不同遥测参数之间的相似性,采用一种基于相似性矩阵的聚类算法对所有的遥测参数进行聚类,可以将所有的遥测参数划分为不同的子集,形成一系列的子系统。利用主成份分析方法对子系统的多维空间进行处理,将其映射到一个新的空间下,新空间的维度必须低于原始数据的空间维度,对新空间中每个维度的数据进行异常检测,这样可以得到每个特征维度下的疑似异常的数据点的集合。对所有新空间数据中的疑似异常点进行集成得到系统级的异常检测信息。
Description
技术领域
本发明涉及一种基于高维空间映射的航天器系统级异常检测方法。该方法针对多参数关联的航天器系统级异常问题,提出了一种基于高维空间映射的航天器系统级异常检测方法,建立多遥测参数之间相互影响的系统级关联故障模型。
背景技术
航天器系统作为一个典型的复杂系统,也是一个高风险的领域,即使是局部环节的微小故障都有可能会带来巨大损失或灾难。
为了给决策人员提供更高层次上的系统级关联故障异常信息,在对单个遥测参数的异常分析完成后,需要建立能够分析多个遥测参数之间相互影响造成的系统级关联异常的相关模型。因此,研究系统级在轨关联故障性及其影响,不仅为快速、准确实施在轨故障处理提供技术手段,也对整星系统级的可靠性提高有着重要意义。
经统计,我国先后在轨的两百余颗卫星至今发生过数千次的在轨故障,在这些故障中出现过多起由于一个产品出现微小问题,进而引发关联故障,导致整星失效的案例。对于单个参数的异常检测并不能代表整个系统的异常状况。其故障可能来自多个部件自身,或者多个部件之间的相互影响。如果只对单个参数的异常进行分析处理,那么航天器系统一旦发生故障,可能会出现多个遥测参数同时异常,这些单独的异常信息虽然可以帮助地面管理人员进行故障辨识,但同时也给地面管理人员造成很大的压力,从而影响其做出正确的决策。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种基于高维空间映射的航天器系统异常检测方法,针对多参数关联的航天器系统级异常问题,提出了一种基于高维空间映射的航天器系统级异常检测方法,建立多遥测参数之间相互影响的系统级关联故障模型。
本发明的技术解决方案是:一种基于高维空间映射的航天器系统异常检测方法,包括如下步骤:
S1,获取高维空间遥测参数的在轨遥测数据,以最小时间间隔对在轨遥测数据进行补全;
S2,采用不同压缩时间间隔,对补全的在轨遥测数据进行数据压缩平滑操作;
S3,利用标准化方法对所有的在轨遥测数据进行标准化,使得落在不同区间范围的在轨遥测数据值能够进行比较;
S4,计算不同高维空间遥测参数之间的相似性,对所有的高维空间遥测参数进行聚类,将所有的高维空间遥测参数划分为不同的子集,形成一系列的子系统;
S5,对所有子系统的高维空间遥测参数进行降维,获得降维后的遥测参数集;
S6,对降维后的遥测参数集中每个维度的数据进行异常检测,获取不同维度的异常数据,并对不同维度的异常数据进行集成,获得航天器系统的模式异常信息。
进一步地,所述进行数据压缩平滑操作的方法为:
使用数据平滑算法对要进行处理的数据进行平滑操作;
进一步地,所述标准化方法包括第一标准化方法和第二标准化方法;
所述第一标准化方法为:对补全的在轨遥测数据进行线性变换,使用转换算法将所有数据映射到[0,1]区间上;
所述转换算法为:
所述第二标准化方法为:使用转化函数对补全的在轨遥测数据进行处理;
所述转化函数为:
进一步地,所述计算不同高维空间遥测参数之间的相似性的方法为:第一相似性方法或第二相似性方法;
所述第二相似性方法为由计算相似性;其中,Xj和Xk分别为第j个遥测参数向量和第k个遥测参数向量,EXj和EXk分别为Xj和Xk的期望,E((Xj-EXj)(Xk-EXk))为(Xj-EXj)(Xk-EXk)的期望,D(Xj)和D(Xk)分别为Xj和Xk的方差,Cov(Xj,Xk)为Xj和Xk的协方差。
进一步地,所述对所有子系统的高维空间遥测参数进行降维的方法为:
1)依次对每个子系统中任意两个维度之间的遥测数据求其协方差,所有维度之间的协方差构成所有子系统遥测数据的协方差矩阵;
2)对该协方差矩阵求解所有的特征值和特征向量;
3)按特征值的大小对特征值及其对应的特征向量进行排序;
4)选取前k个特征值对应的特征向量作为所有子系统的遥测数据在新空间中的映射。
进一步地,所述按特征值的大小对特征值及其对应的特征向量进行排序的方法为:
根据贡献度从大到小进行排序。
进一步地,所述选取前k个特征值对应的特征向量的方法为:选取贡献度超过80%的前k个特征向量,且k值的选取采用最小化原则。
进一步地,所述对不同维度的异常数据进行集成的方法为:
当航天器系统异常对航天器载荷任务执行、姿态控制、能源供应和测控上下行产生影响时,对不同维度的异常数据求交集;
其他情况下,对不同维度的异常数据求并集。
本发明与现有技术相比的优点在于:
①本发明提出了适用于遥测参数标准化的两种方法:离差标准化或标准差标准化,第一标准化方法适用于所有的遥测数据类型,经处理后所有的数据均映射到[0,1]区间上;第二标准化方法适用于遥测参数的最大值和最小值未知的情况,或有超出取值范围的离群数据的情况,经过处理的数据符合标准正态分布,即均值为0,标准差为1;
②本发明通过在异常检测方法中加入了余弦相似性或皮尔逊相关系数计算方法,从而可以计算不同遥测参数之间的相似性,挖掘航天器的不同参数之间的潜在关系;
③本发明提出了针对多参数复杂故障的高维空间降维方法,主要利用主成份分析技术找出表征异常特征的主要信息,对多维空间进行降维处理;
④本发明提出了的基于高维空间映射的航天器系统级异常检测方法,提高了系统级复杂故障的异常检测准确性,为航天器系统级异常检测提供了理论依据。
附图说明
图1为某卫星基于高维空间映射的系统异常检测算法流程图;
图2为某卫星遥测参数R1025部分原始数据曲线图;
图3为某卫星遥测参数R1025部分补全后数据的曲线图;
图4为某卫星遥测参数R1116以1小时为压缩周期平滑后的曲线图;
图5为某卫星遥测参数R1116以2小时为压缩周期平滑后的曲线图;
图6为某卫星遥测参数R1116以5小时为压缩周期平滑后的曲线图;
图7为基于遥测参数相似性分析的子系统划分流程图;
图8为系统模式异常检测结果曲线图1;
图9为系统模式异常检测结果曲线图2。
具体实施方式
下面结合说明书附图和具体实施方式对本发明进行进一步解释和说明。
如图1,一种基于高维空间映射的航天器系统异常检测方法,包括如下步骤:
S1,获取高维空间遥测参数的在轨遥测数据,以最小时间间隔对在轨遥测数据进行补全;
S2,采用不同压缩时间间隔,对补全的在轨遥测数据进行数据压缩平滑操作;
S3,利用标准化方法对所有的在轨遥测数据进行标准化,使得落在不同区间范围的在轨遥测数据值能够进行比较;
S4,计算不同高维空间遥测参数之间的相似性,对所有的高维空间遥测参数进行聚类,将所有的高维空间遥测参数划分为不同的子集,形成一系列的子系统;
S5,对所有子系统的高维空间遥测参数进行降维,获得降维后的遥测参数集;
S6,对降维后的遥测参数集中每个维度的数据进行异常检测,获取不同维度的异常数据,并对不同维度的异常数据进行集成,获得航天器系统的模式异常信息。
基于子系统划分的高维空间映射系统异常检测算法流程具体流程如图1。
一、数据补全
针对给出的所有遥测数据,时间间隔都不是固定的。而数据分析需要数据有固定的采样频率,即时间间隔相同,因此对数据以最小时间间隔补全。通过每秒去遥测数据文件中重新取值的方式对数据重新采样。对每个遥测参数,以开始时间点为起始点,取数据文件中对应时间点的值,若当前时间没有采样值,则取上一次采样的值作为当前的值,并新建一个变量保存当前时间和值。
以遥测参数R1025一段时间的遥测数据为例,补全数据之前的遥测数据如图2所示。按最小时间间隔1秒对数据补全,补全后的结果如图3所示。
二、数据压缩平滑
遥测数据在极端的物理条件下有可能被损坏,使测量的数据无效;在数据回传的过程中也有可能发生误差导致将正常数据修改为异常数据。因此,有时需要剔除严重错误的数据。对于剧烈变化的数据,需分析是遥测数据误差还是真实发生了故障,若是虚假数据,则需要对这些数据进行修正。
为此,设计了一个数据平滑的算法对要进行处理的数据进行平滑操作,该算法依据的主要公式为:
其中,xnew为平滑处理后的遥测数据,xi为第i个要平滑处理的数据,k为所有要处理数据的个数。
此外,需要对遥测数据进行平滑操作还有以下两个原因:
1)单个的遥测参数,由于采样频率较高,我们无法直接对全部的数据进行分析处理;
2)如果对全体数据进行分析处理,由于数据波动异常频繁,我们无法从中学习有效的异常模式。
下面以遥测参数R1116为例说明这个问题:
1)按1个小时压缩一个点对补全后的原始数据进行数据平滑。对平滑后的结果进行可视化,如图4所示,可以看到所有的数据点基本均匀的分布在0~0.8这个区间范围内,很难从中发现数据变换的规律性;
2)按2个小时压缩为一个数据点,进行可视化,如图5所示,可以看到数据的分布已经呈现出一定的规律性。然而,仍有大量的数据分布比较均匀,且大量数据的分布范围和少量数据的波动范围比较类似,很难进行有效区分;
3)按5个小时压缩为一个数据点,进行可视化,如图6所示,可以看到,大量的数据0.4~0.6这个区间范围内,而只有少量的数据在进行异常波动,而且波动的幅度也比较明显。数据平滑处理后,有利于后续的算法对遥测数据中的异常进行检测。
三、数据标准化
为了挖掘相似的遥测参数形成子系统,由于各个遥测参数的数值范围不尽相同,因而需对所有的数据进行标准化,使不同区间范围之间的数据能够进行比较。根据遥测参数在轨的变化特点,选用第一标准化方法和第二标准化方法。
所述第一标准化方法为:对补全的在轨遥测数据进行线性变换,使用转换算法将所有数据映射到[0,1]区间上;
所述转换算法为:
所述第二标准化方法为:使用转化函数对补全的在轨遥测数据进行处理;
所述转化函数为:
四、遥测参数相似性分析
采用第一相似性方法或第二相似性方法,分析不同遥测参数之间的相似性。具体计算方法如下。
1)第一相似性方法。余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量,余弦相似度更加注重两个向量在方向上的差异,而非距离或长度上。夹角余弦取值范围为[-1,1],夹角余弦越大表示两个向量的夹角越小,夹角余弦越小表示两个向量的夹角越大。当两个向量的方向重合时夹角余弦取最大值1,当两个向量的方向完全相反时夹角余弦取最小值-1。
2)第二相似性方法。皮尔逊相关系数是衡量向量Xj与Xk相关程度的一种方法,相关系数的取值范围是[-1,1]。相关系数的绝对值越大,则表明Xj与Xk相关度越高。当Xj与Xk线性相关时,相关系数取值为1(正线性相关)或-1(负线性相关)。
其中,Xj和Xk分别为第j个遥测参数向量和第k个遥测参数向量,EXj和EXk分别为Xj和Xk的期望,E((Xj-EXj)(Xk-EXk))为(Xj-EXj)(Xk-EXk)的期望,
D(Xj)和D(Xk)分别为Xj和Xk的方差,Cov(Xj,Xk)为Xj和Xk的协方差。
使用这两种不同的相似性度量可以计算出任意两个遥测参数之间的相似度,借助这个相似度我们可以对所有的遥测参数进行聚类分析。
五、遥测参数子系统划分
本发明设计了一种基于相似性矩阵的遥测参数聚类(Similarity Matrix basedCluster)算法对所有的遥测参数进行聚类,可以将所有的遥测参数划分为不同的子集,形成一系列的子系统。子系统中的所有遥测参数具有相似的行为特征。基于SMC聚类的遥测参数子系统划分流程见图7,具体描述为:
1)根据指定的相关性指标计算所有遥测参数两两之间的距离,构成相似性矩阵;
2)建立一个空的字典clusteredDict,用于存储所有已进入子系统的遥测参数;
3)从所有遥测参数列表sensorList中随机挑选一个遥测参数sensorCandidate,判断该遥测参数是否已经进入子系统,如果否,则跳转4);如果是,则跳转到8);
4)为sensorCandidate建立一个子系统;
5)从相似性矩阵中查找sensorCandidate到sensorList中其余各传感器sensork之间的相似性距离;
6)判断该距离是否超过指定阈值,则将sensork加入当前子系统,从sensorList中删除sensork,并将sensork加入clusteredDict;
7)判断sensorCandidate的子系统中的遥测参数数量是否超过指定阈值,如果是,则输出该子系统;如果否,则将sensorCandidate的子系统中的所有遥测参数重新加入sensorList;
8)判断sensorList中是否还有未处理的遥测参数,如果是,则跳转到3);否则跳转到9);
9)算法结束。
使用SMC聚类算法,可以将所有的遥测参数划分为不同的子系统。对这些子系统进行异常检测,不同于单个遥测参数的异常,每个遥测参数都正常的情况下所组成的子系统也可能发生异常。
六、基于高维空间映射的系统异常检测
子系统一般都是高维空间,要对该高维空间中的数据整体进行分析,就必须将其映射到一个新的空间,要求新空间的维度必须低于原始高维空间的维度。对原始高维空间数据进行降维,主要是通过对协方差矩阵进行特征分解,以得出数据的主成分(即特征向量)与它们的权值(即特征值)。其结果可以理解为对原始数据中的方差做出解释:哪一个方向上的数据值对方差的影响最大。换而言之,将原数据中除掉最小的特征值所对应的成分,那么所得的低维度数据必定是最优化的(即这样降低维度必定是失去信息最少)。具体可以归纳为:
1)对任意两个维度之间的数据求其协方差,所有维度之间的协方差构成整体数据的协方差矩阵。
2)对该协方差矩阵求解所有的特征值和特征向量。
3)按特征值的大小对特征值及其对应的特征向量进行排序。
4)选取前k个特征值对应的特征向量作为原始数据在新空间中的映射。
由于协方差矩阵是一个实对称矩阵,因此所求得的任意两个特征向量必定正交。故所选取的任意k维向量之间呈正交关系,构成一个新的维度空间。在对参数k进行选择的时候,引入贡献度的概念:
取所有n个特征值中的k个特征值(k从1开始取,不断增加),其中,λi为第i个特征值,k为选取的特征值个数,n为所有特征值个数。
选取前k个特征值对应的特征向量的方法为:选取贡献度超过80%的前k个特征向量且k值的选取采用最小化原则。选择贡献度超过80%的特征向量组成了一个新的空间,这个空间中的数据就可以在很大程度上代表原始数据的情况。针对降维后的遥测数据集,利用拟合的多项式和真实数据之间的差值建立高斯模型,使用该模型对新的k维数据中每个维度的数据进行异常检测,得到每个特征维度下的疑似异常的数据点的集合。
对所有k维数据中的疑似异常点进行集成,可以得到整个子系统的模式异常信息。对不同维度的异常数据进行集成时,设计了两种不同的思路:
1)当航天器系统异常对航天器载荷任务执行、姿态控制、能源供应和测控上下行产生影响时,对不同维度的异常数据求交集;这样做的物理意义是,不同维度下同时发生异常才认为该子系统发生异常。
2)其他情况下,对不同维度的异常数据求并集。这样做的物理意义是,只要任一维度下的数据发生异常才认为该子系统发生异常。
利用上述算法实现整个航天器的所有遥测参数的子系统划分,并对每个子系统进行模式异常检测并对其结果进行可视化,具体如图8和图9。图中使用灰色标记绘制原始遥测数据,使用黑色标记绘制系统异常检测方法检测到的系统模式异常。由于每个子系统中包括了大量的遥测参数,在可视化的过程中只选择了每个子系统的第一个和最后两个遥测参数作为示例。上面的两个实验分别对航天器平台的两个子系统进行了系统模式异常检测,由可视化的结果可以看到,该方法对于系统级模式异常体现出较为精确的检出率。
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 (8)
1.一种基于高维空间映射的航天器系统异常检测方法,其特征在于,包括如下步骤:
S1,获取高维空间遥测参数的在轨遥测数据,以最小时间间隔对在轨遥测数据进行补全;
S2,采用不同压缩时间间隔,对补全的在轨遥测数据进行数据压缩平滑操作;
S3,利用标准化方法对所有的在轨遥测数据进行标准化,使得落在不同区间范围的在轨遥测数据值能够进行比较;
S4,计算不同高维空间遥测参数之间的相似性,对所有的高维空间遥测参数进行聚类,将所有的高维空间遥测参数划分为不同的子集,形成一系列的子系统;
S5,对所有子系统的高维空间遥测参数进行降维,获得降维后的遥测参数集;
S6,对降维后的遥测参数集中每个维度的数据进行异常检测,获取不同维度的异常数据,并对不同维度的异常数据进行集成,获得航天器系统的模式异常信息。
3.根据权利要求1所述的一种基于高维空间映射的航天器系统级异常检测方法,其特征在于,所述标准化方法包括第一标准化方法和第二标准化方法;
所述第一标准化方法为:对补全的在轨遥测数据进行线性变换,使用转换算法将所有数据映射到[0,1]区间上;
所述转换算法为:
所述第二标准化方法为:使用转化函数对补全的在轨遥测数据进行处理;
所述转化函数为:
4.根据权利要求1所述的一种基于高维空间映射的航天器系统级异常检测方法,其特征在于,所述计算不同高维空间遥测参数之间的相似性的方法为:第一相似性方法或第二相似性方法;
5.根据权利要求1所述的一种基于高维空间映射的航天器系统级异常检测方法,其特征在于,所述对所有子系统的高维空间遥测参数进行降维的方法为:
1)依次对每个子系统中任意两个维度之间的遥测数据求其协方差,所有维度之间的协方差构成所有子系统遥测数据的协方差矩阵;
2)对该协方差矩阵求解所有的特征值和特征向量;
3)按特征值的大小对特征值及其对应的特征向量进行排序;
4)选取前k个特征值对应的特征向量作为所有子系统的遥测数据在新空间中的映射。
7.根据权利要求6所述的一种基于高维空间映射的航天器系统级异常检测方法,其特征在于,所述选取前k个特征值对应的特征向量的方法为:选取贡献度超过80%的前k个特征向量,且k值的选取采用最小化原则。
8.根据权利要求1所述的一种基于高维空间映射的航天器系统级异常检测方法,其特征在于,所述对不同维度的异常数据进行集成的方法为:
当航天器系统异常对航天器载荷任务执行、姿态控制、能源供应和测控上下行产生影响时,对不同维度的异常数据求交集;
其他情况下,对不同维度的异常数据求并集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054486.2A CN111274543A (zh) | 2020-01-17 | 2020-01-17 | 一种基于高维空间映射的航天器系统异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010054486.2A CN111274543A (zh) | 2020-01-17 | 2020-01-17 | 一种基于高维空间映射的航天器系统异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111274543A true CN111274543A (zh) | 2020-06-12 |
Family
ID=70997335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010054486.2A Pending CN111274543A (zh) | 2020-01-17 | 2020-01-17 | 一种基于高维空间映射的航天器系统异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274543A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529096A (zh) * | 2020-12-22 | 2021-03-19 | 哈尔滨工业大学 | 基于pca的多维航天器遥测数据的故障诊断方法 |
CN113435317A (zh) * | 2021-06-25 | 2021-09-24 | 中国电子科技集团公司第五十四研究所 | 一种无人机遥测数据相关性分析方法 |
CN114462537A (zh) * | 2022-02-09 | 2022-05-10 | 国网宁夏电力有限公司吴忠供电公司 | 一种数据集样本的筛选方法及系统 |
CN114897109A (zh) * | 2022-07-14 | 2022-08-12 | 山东鑫亚装备制造有限公司 | 一种割草机异常监测预警方法 |
CN118133435A (zh) * | 2024-05-08 | 2024-06-04 | 北京理工大学长三角研究院(嘉兴) | 基于svr与聚类的复杂航天器在轨异常检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN103884359A (zh) * | 2014-04-17 | 2014-06-25 | 哈尔滨工业大学 | 一种基于主元分析算法的卫星陀螺部件故障诊断方法 |
CN105159286A (zh) * | 2015-09-22 | 2015-12-16 | 北京空间飞行器总体设计部 | 一种航天器在轨异常报警与故障诊断系统 |
CN105205111A (zh) * | 2015-09-01 | 2015-12-30 | 西安交通大学 | 一种挖掘时序数据故障模式的系统及方法 |
JP2017005483A (ja) * | 2015-06-10 | 2017-01-05 | 三菱電機株式会社 | データ処理装置、データ処理システム及びデータ処理方法 |
CN108334907A (zh) * | 2018-02-09 | 2018-07-27 | 哈尔滨工业大学(威海) | 一种基于深度学习的复杂装备点异常检测方法及系统 |
CN109460071A (zh) * | 2018-09-14 | 2019-03-12 | 中国人民解放军国防科技大学 | 航天器轨道动力异常补偿方法 |
-
2020
- 2020-01-17 CN CN202010054486.2A patent/CN111274543A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN103884359A (zh) * | 2014-04-17 | 2014-06-25 | 哈尔滨工业大学 | 一种基于主元分析算法的卫星陀螺部件故障诊断方法 |
JP2017005483A (ja) * | 2015-06-10 | 2017-01-05 | 三菱電機株式会社 | データ処理装置、データ処理システム及びデータ処理方法 |
CN105205111A (zh) * | 2015-09-01 | 2015-12-30 | 西安交通大学 | 一种挖掘时序数据故障模式的系统及方法 |
CN105159286A (zh) * | 2015-09-22 | 2015-12-16 | 北京空间飞行器总体设计部 | 一种航天器在轨异常报警与故障诊断系统 |
CN108334907A (zh) * | 2018-02-09 | 2018-07-27 | 哈尔滨工业大学(威海) | 一种基于深度学习的复杂装备点异常检测方法及系统 |
CN109460071A (zh) * | 2018-09-14 | 2019-03-12 | 中国人民解放军国防科技大学 | 航天器轨道动力异常补偿方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529096A (zh) * | 2020-12-22 | 2021-03-19 | 哈尔滨工业大学 | 基于pca的多维航天器遥测数据的故障诊断方法 |
CN113435317A (zh) * | 2021-06-25 | 2021-09-24 | 中国电子科技集团公司第五十四研究所 | 一种无人机遥测数据相关性分析方法 |
CN114462537A (zh) * | 2022-02-09 | 2022-05-10 | 国网宁夏电力有限公司吴忠供电公司 | 一种数据集样本的筛选方法及系统 |
CN114897109A (zh) * | 2022-07-14 | 2022-08-12 | 山东鑫亚装备制造有限公司 | 一种割草机异常监测预警方法 |
CN114897109B (zh) * | 2022-07-14 | 2022-09-16 | 山东鑫亚装备制造有限公司 | 一种割草机异常监测预警方法 |
CN118133435A (zh) * | 2024-05-08 | 2024-06-04 | 北京理工大学长三角研究院(嘉兴) | 基于svr与聚类的复杂航天器在轨异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274543A (zh) | 一种基于高维空间映射的航天器系统异常检测方法 | |
US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
Chen et al. | A just-in-time-learning-aided canonical correlation analysis method for multimode process monitoring and fault detection | |
CN110059357B (zh) | 一种基于自编码网络的智能电能表故障分类检测方法及系统 | |
Sullivan et al. | Change-point detection of mean vector or covariance matrix shifts using multivariate individual observations | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN107544460B (zh) | 考虑航天器控制系统非完全失效故障的可诊断性量化方法 | |
CN111680725B (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
CN109446804B (zh) | 一种基于多尺度特征连接卷积神经网络的入侵检测方法 | |
CN117273489A (zh) | 光伏状态评估方法及装置 | |
CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
CN115687952A (zh) | 一种基于黎曼流形聚类的配电网线变关系辨识方法及装置 | |
CN114818817A (zh) | 一种电容式电压互感器微弱故障识别系统及方法 | |
CN111260024A (zh) | 基于长短期记忆和典型相关结合的故障检测方法及系统 | |
CN117335409B (zh) | 基于人工智能的电力用户负荷预测系统 | |
CN109213120A (zh) | 基于高维特征表示下多级主元空间的故障诊断方法 | |
CN113496261A (zh) | 一种卫星遥测数据的在轨异常监测方法 | |
CN116433333B (zh) | 基于机器学习的数字商品交易风险防控方法及装置 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN114611606B (zh) | 基于核混合空间投影的故障检测方法 | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |
|
RJ01 | Rejection of invention patent application after publication |