CN111860446A - 一种卫星遥测时序数据未知模式的检测系统与方法 - Google Patents
一种卫星遥测时序数据未知模式的检测系统与方法 Download PDFInfo
- Publication number
- CN111860446A CN111860446A CN202010764019.9A CN202010764019A CN111860446A CN 111860446 A CN111860446 A CN 111860446A CN 202010764019 A CN202010764019 A CN 202010764019A CN 111860446 A CN111860446 A CN 111860446A
- Authority
- CN
- China
- Prior art keywords
- data
- mode
- time sequence
- coordinate
- pattern
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种针对卫星遥测时序数据未知模式的检测系统与方法。本发明所述方法不仅可以准确识别出卫星遥测时序数据中的已知模式,还可以检测出未知模式,提高了卫星遥测时序数据的模式识别效果,更贴合在轨卫星实时监控和在轨卫星异常检测、故障诊断等实际应用。本方法改进了一般的卷积神经网络,将其输出结果平面化,得到卫星遥测时序数据的特征坐标;然后在输出层依据欧氏距离进行判断,将卫星遥测时序数据模式归属于某种已知模式或未知模式;达到准确检测卫星遥测时序数据已知模式和未知模式的目的。
Description
技术领域
本发明属于计算机技术领域,特别涉及一种卫星遥测时序数据未知模式的检测系统与方法。
背景技术
卫星遥测技术利用高精度的传感器、通信设备和电子计算机等设备,完成在轨卫星的一系列测量任务,所得信息统称为卫星遥测数据如航天器飞行参量、宇航员生理参量,以及科学探测和军事侦察所得到的信息。因此,对卫星遥测数据进行采集和检测是监测卫星运行和工作状态的重要途径之一。
在实际测控中由于卫星遥测要传输的数据种类多,检测其模式类别十分重要。在实践中,随着卫星数量、种类的不断增加,以及在轨卫星在复杂太空环境中和复杂任务操作的各种影响之下,卫星遥测时序数据模式不能够完全被人预先全部掌握。也就是说,卫星遥测时序数据模式并非都是已知模式,经常会出现超出已有认知的新型模式类型。时序数据中除了已知的模式类别,还存在尚不明晰的数据模式或新型的异常的数据序列。这些数据自然不能被归为已知模式类别。所以在卫星实时监控、在轨卫星异常检测、在轨卫星健康管理、在轨卫星故障诊断等应用中,对未知模式的检测十分必要。
在卫星实时监控中检测到未知模式的数据,根据其不同检测目的可有多种用途。如在卫星实时监控、异常检测时,异常检测基于卫星的遥测、外测数据,实时分析卫星各分系统运行状态,针对卫星载荷任务中的状态变化,甄别、监视系统的运行状态,准确感知星上或地面系统出现的异常,检测卫星遥测数据的未知模式或可发现卫星运行的异常状态;在卫星故障诊断时,卫星在轨运行后,由于天上的复杂情况,可能会出现某些地面没有想到的故障情况或者由于地面测试时无法进行的实验而造成某些故障情况出现,即出现“未知”故障,识别到的未知模式或可能用来诊断未知故障。
时序数据模式识别现有方法一般是对数据进行特征提取之后得到特征向量,例如用统计特征、频谱特征、小波特征或者主成分分析方法得到特征向量;然后利用各种分类模型对时序数据模式进行分类识别。例如用k近邻、随机森林、AdaBoost、支持向量机、BP网络(即多层感知器MLP)等分类器对时序特征向量进行分类识别,判定输入向量属于哪一种模式。或者是用皮尔逊相关系数(Pearson Correlation Coefficient,PCC)、动态时间弯曲(Dynamic Time Warping, DTW)等方法计算两个时间序列模式的相似度,然后根据该相似度再判断是否属于某个已知模式。近年来,长短期记忆网络(Long Short-Term Memory,LSTM) 等循环神经网络(Recurrent Neural Network,RNN)大量用于处理时序数据,也可以进行时序模式识别,具有比传统机器学习模型更好精度。
然而,传统机器学习方法、LSTM等循环神经网络方法、一般的卷积神经网络等现有方法不会识别未知模式,仅能识别已知的模式。也就是说,现有的神经网络用来分类时,其输出结果必须是已知的n个已知类别(即已知模式)之一。即,通过softmax层输出一个1×n的概率向量,然后其中概率最大值对应的类别即为输入数据的分类识别结果。这种方法只能识别出已知类别,未知模式的数据也会被识别为某个已知类别(已知模式),例如输入时间序列是未知模式,则会被认为是某个已知模式。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种卫星遥测时序数据未知模式的检测系统与方法,基于卷积神经网络实现时序数据未知模式的检测,不但能准确识别出已知模式,还能判定输入时间序列是否为未知模式,将未知模式和已知模式区分开,可对卫星遥测时序数据未知模式进行检测,由于未知模式往往对应着未知故障,因此本发明可解决在轨卫星异常检测、在轨卫星故障诊断、在轨卫星健康管理等应用中的难以应对新数据、新模式、新情况的难题。
为了实现上述目的,本发明采用的技术方案是:
一种卫星遥测时序数据未知模式的检测系统,包括:
数据预处理模块,将卫星遥测时序数据转化为规范文件格式,根据卫星遥测时序数据的数据规律特点进行预处理;
特征提取模块,采用深度卷积神经网络构造网络模型,其中卷积层和池化层完成对卫星遥测时序数据的特征提取;
判定识别模块,通过将传统网络输出的概率值平面化,即将输入的一个时序数据的模式转化为特征空间内的一个坐标点,对卫星遥测时序数据依据欧氏距离进行模式识别并检测出未知模式数据,识别到的未知模式有可能为未知故障,其中所述坐标点作为特征坐标。
所述构造网络模型时,根据输入数据的大小和复杂度,确定卷积层和池化层的层数,卷积层相当于特征提取器,其主要利用卷积核提取特征,实现特征的过滤和强化,池化层在卷积层之后,可以看成一个过滤器,实现下采样功能,池化层采用最大池化方法,激活函数采用ReLU函数。
所述数据预处理模块根据时序数据不同规律特点进行不同的数据预处理,针对间隔固定时间段内具有相同变化规律的时序数据,采用时间窗口的方式划分数据,将一段长时序数据划分为固定长度的时间序列,所述时间序列与长时序数据为同一模式,对数据进行归一化处理,取一个时间序列数据的最大值和最小值,将最大值映射为1,最小值映射为0,整个序列映射到[0,1]区间上以便于输入网络;针对间隔固定时间段内具有持续上升或持续下降趋势的时序数据,采用时间窗口的方式划分数据,将一段长时序数据划分为固定长度的时间序列,所述时间序列与长时序数据为同一模式,计算一个时间序列相邻数据点间的斜率,得到斜率的变化规律,对得到的斜率序列进行归一化处理,取该斜率序列的最大值和最小值,将最大值映射为1,最小值映射为0,整个序列映射到[0,1] 区间上以便于输入网络,由于网络最终通过将输出结果平面化,得到时间序列数据的特征坐标,再通过欧氏距离进行判断,所以给定网络目标输出正例为(1,1)坐标,反例为(0,0)坐标,即模式标准坐标。
所述判定识别模块,计算特征坐标与模式标准坐标间的欧氏距离,根据该距离值的大小判定输入时间序列模式的检测结果。
所述判定识别模块,利用所述网络模型进行n分类用以判定n个已知模式,深度卷积神经网络给出n个由概率值构成的坐标,对应n类已知模式的特征坐标,然后计算特征坐标和各已知模式标准坐标之间的欧氏距离,最后根据该距离值的大小判定输入时间序列模式的检测结果,其中网络模型的输入为一个所述的时间序列模式,即固定长度的时间序列,输出结果为输入时间序列模式确定属于某已知模式,输入时间序列模式确定不属于任何已知模式即确定为未知模式和输入时间序列模式不确定3种情况。
所述深度卷积神经网络的卷积层和池化层构成特征提取模块,深度卷积神经网络的全连接层和输出层构成判定识别模块,判定识别模块中,首先连接两层全连接层fc1和fc2,然后将全连接层fc2的输出向量分成两路,分别送给x 轴全连接层fc3和y轴全连接层fc4;fc3层输出时间序列模式在每个已知类别上的概率坐标x值,所有类别则构成一个概率坐标x向量,fc4层输出时间序列模式在每个已知类别上的概率坐标y值,所有类别则构成一个概率坐标y向量;从而将传统输出的概率值平面化为概率坐标,即将输入的一个时间序列模式转化为特征空间内的一个坐标点,即特征坐标;然后将概率坐标x向量和概率坐标y向量合并为一个概率坐标向量送入输出层;在输出层根据特征坐标与模式标准坐标的欧氏距离进行判断,判定输入的时间序列模式是否属于某个已知模式A,即:
其中(xA,yA)表示输入时间序列模式在已知模式A的识别网络中的特征坐标,dA表示该特征坐标与已知模式A的欧氏距离,若特征坐标落在已知模式A 的核心之处,即dA小于核心阈值Tc时,输入的时间序列模式属于已知模式A;若特征坐标远离已知模式A,即dA大于否定阈值Tn时,输入的时间序列模式不属于已知模式A;若特征坐标与已知模式A的距离在核心阈值Tc和否定阈值 Tn之间,即Tc<dA<Tn时,输出结果为不确定。
所述深度卷积神经网络输出层使用欧氏距离进行分类判定,损失函数采用最小距离准则,即:
其中E是已知模式的标准坐标向量,O是网络输出的特征坐标向量,i、a 为不同的输入时间序列,Ea、Oa分别为时间序列a的标准坐标向量和网络输出的特征坐标向量,Ei、Oi分别为时间序列i的标准坐标向量和网络输出的特征坐标向量,损失函数要求网络输出的特征坐标越接近于期望的模式坐标,并且远离其它非期望的模式坐标,则损失越小。
本发明提供了相应的卫星遥测时序数据未知模式的检测方法,包括:
数据预处理,将卫星遥测时序数据转化为规范文件格式,根据卫星遥测时序数据的数据规律特点进行预处理;
特征提取,采用深度卷积神经网络构造网络模型,其中卷积层和池化层完成对卫星遥测时序数据的特征提取;
判定识别,通过将传统网络输出的概率值平面化,即将输入的一个时序数据的模式转化为特征空间内的一个坐标点,对卫星遥测时序数据通过欧氏距离进行模式识别并检测出未知模式数据,识别到的未知模式有可能为未知故障,其中所述坐标点作为特征坐标。
进一步地,将所识别到的未知模式相应的时序数据定位,综合其他方面的数据,由人工或者计算机判定卫星是否出现故障,并记录故障类型,时序数据特征,更新网络模型。
与现有技术相比,本发明使用改进的卷积神经网络(Convolutional NeuralNetwork,CNN)来识别卫星遥测时序数据模式。相对于传统机器学习方法,本方法识别精度更高;相对于LSTM等循环神经网络,本方法更快速。并且本发明不但能识别输入的时间序列是否为某个已知模式,还能判定输入的时间序列是否为不在已知模式集合中的未知模式。
附图说明
图1为本发明检测系统的检测流程图。
图2为本发明的网络结构图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示,本发明检测系统包括数据预处理模块,特征提取模块和判定识别模块。其主要检测流程如下:
数据预处理模块中,将卫星遥测时序数据转化为规范文件格式,根据卫星遥测时序数据的数据规律特点进行预处理;
特征提取模块采用深度卷积神经网络构造网络模型,通过卷积层和池化层完成对卫星遥测时序数据的特征提取;
判定识别模块中,通过特征坐标和欧氏距离对卫星遥测时序数据进行模式识别并检测出未知模式数据,识别到的未知模式有可能为未知故障,需交由下一环节做进一步分析判断。
具体地,在数据预处理模块中,根据卫星遥测时序数据不同规律特点进行不同的数据预处理,将卫星遥测时序数据转化为符合神经网络输入规范的形式。卫星遥测时序数据具有不同的规律,按其周期性可分为间隔固定时间段内具有相同变化规律的时序数据和间隔固定时间段内具有持续上升或持续下降趋势的时序数据。针对第一种数据类型,由于其具有较强的规律性,所以采用时间窗口的方式划分数据,对数据进行归一化处理,即将一段长时序数据划分为固定长度的时间序列,所得时间序列与长时序数据为同一模式,取一个时间序列数据的最大值和最小值,将最大值映射为1,最小值映射为0,整个序列映射到[0,1] 区间上以便于输入网络;针对第二种数据类型,同样先采用时间窗口的方式划分数据,将一段长时序数据划分为固定长度的时间序列,所述时间序列与长时序数据为同一模式,由于第二种数据类型具有明显的变化趋势,所以计算一个时间序列数据每个数据点的斜率,得到斜率的变化周期规律,对得到的斜率序列进行归一化处理,取该斜率序列的最大值和最小值,将最大值映射为1,最小值映射为0,整个序列映射到[0,1]区间上以便于输入网络。由于网络最终通过将输出结果平面化,得到时序数据的特征坐标,再通过欧氏距离进行判断,所以给定网络目标输出正例为(1,1)坐标,反例为(0,0)坐标,即模式标准坐标。
本发明构造网络模型时,根据输入数据的大小和复杂度,确定卷积层和池化层的层数。卷积层相当于特征提取器,其主要利用卷积核提取特征,实现特征的过滤和强化。池化层在卷积层之后,可以看成一个过滤器,实现下采样功能。本发明网络模型中的池化层采用最大池化方法。激活函数采用ReLU函数。
判定识别模块中,通过将传统网络输出的概率值平面化,即将输入的一个时序数据的模式转化为特征空间内的一个坐标点,该坐标点作为特征坐标,计算特征坐标与模式标准坐标间的欧氏距离,根据该距离值的大小判定输入时间序列模式的检测结果。
更具体地,判定识别模块中,采用所述网络模型进行n分类用以判定n个已知模式,深度卷积神经网给出n个由概率值构成的概率坐标,对应n类已知模式的特征坐标,然后计算特征坐标和各类别(对应已知模式)标准坐标之间的欧氏距离,最后根据该距离值的大小判定输入时间序列模式的检测结果,其中网络模型的输入为一个时间序列模式(即固定长度的时间序列),输出结果为输入时间序列模式确定属于某已知模式,输入时间序列模式确定不属于任何已知模式(即确定为未知模式)和输入时间序列模式不确定3种情况。
本发明中的深度卷积神经网络对传统的卷积神经网络(CNN)进行了一些改造;网络前半段卷积层池化层与传统CNN网络类似,网络后半段通过全连接层和输出层构成判定识别模块。首先连接两层全连接层fc1和fc2,然后将fc2 层的输出向量分成两路,分别送给x轴全连接层fc3和y轴全连接层fc4。fc3 层输出时间序列模式在每个已知类别上的概率坐标x值(所有类别则构成一个概率坐标x向量),fc4层输出时间序列模式在每个已知类别上的概率坐标y值 (所有类别则构成一个概率坐标y向量),从而将传统输出的概率值平面化为概率坐标,即把输入的一个时间序列模式转化为特征空间内的一个坐标点(即特征坐标)。然后将概率坐标x向量和概率坐标y向量合并为一个概率坐标(即特征坐标)向量送入输出层,在输出层根据特征坐标与模式标准坐标的欧氏距离进行判断,判定输入的时间序列模式是否属于某个已知模式A。即:
其中(xA,yA)表示输入时间序列模式在已知模式A的识别网络中的特征坐标,dA表示该特征坐标与已知模式A的欧氏距离。若特征坐标落在已知模式A 的核心之处,即距离dA小于核心阈值Tc时,输入的时间序列模式就确定属于模式A;若特征坐标远离已知模式A,即距离dA大于否定阈值Tn时,输入的时间序列模式就确定不属于模式A;若特征坐标与已知模式A的距离在核心阈值和否定阈值之间,即Tc<dA<Tn时,输出结果为不确定。
深度卷积神经网络输出层使用欧氏距离进行分类判定,损失函数采用最小距离准则,即:
其中E是已知模式的标准坐标向量,O是网络输出的特征坐标向量,i、a 为不同的输入时间序列,Ea、Oa分别为时间序列a的标准坐标向量和网络输出的特征坐标向量,Ei、Oi分别为时间序列i的标准坐标向量和网络输出的特征坐标向量,损失函数要求网络输出的特征坐标越接近于期望的模式坐标,并且远离其它非期望的模式坐标,则损失越小。
图2是本发明的网络结构图,如图2所示包含以下步骤。
(1)输入数据
本发明首先将输入数据转化为规范格式文件,通过输入模块对数据读取并进行归一化预处理使其符合网络输入规范。
(2)特征提取
由卷积层和池化层共同构成特征提取模块,根据输入模块输入数据的大小和复杂程度调整卷积层和池化层的数量,输入的数据在多层卷积层和池化层的作用下,使用卷积内核提取特征,实现特征滤波和增强。
(3)全连接层
上步输出的向量作为全连接层的输入,全连接层会把卷积输出的二维特征图转化成(1*N)一维的一个向量,目的是形成输入时间序列分别在x轴和y轴上的概率值,最终得到该序列在各个类别上的检测坐标点。在全连接层中,模型提取时间序列数据在各个已知模式上的坐标x和y的概率值,并通过sigmoid 函数映射为[0,1]之间的结果,并分别获得在x轴和y轴上的(1*N)一维向量。然后,通过concat函数合并这两个向量得到该序列在所有已知模式中的概率坐标(1*2N)向量。
(4)输出层
全连接层得到的概率坐标向量提交给输出层,已知模式的真实值坐标为 (1,1),求得该序列在各个已知类上的概率坐标点与真实值坐标点的欧氏距离,并求得距离最小值da。当距离da小于核心阈值Tc时,输入的时间序列数据就确定属于索引对应的类别模式;若距离dA大于否定阈值Tn时,输入的时间序列数据就确定不属于索引对应的类别模式;若Tc<dA<Tn时,输出结果为不确定。最后如果输入的时间序列数据确定不属于任何已知模式,则其为未知模式;否则其为某已知模式。
本发明的一个具体实施例包括如下步骤:
(1)训练样本数据
使用一组时序数据进行训练和测试,数据包含2个已知模式和少量未知模式,共10500条数据,其中500条数据作为训练数据,训练数据只包含已知模式数据,一个时间序列包含140个数据值,所以输入数据维度为140*1*1,首先将输入数据转化为规范格式文件,通过数据预处理模块对数据读取并进行归一化预处理使其符合网络输入规范。训练样本集X,每个训练样本都有一个模式标签,所有的训练样本的模式标签共同组成标签集合。
(2)将训练样本数据送入网络进行训练
将经过数据预处理后符合网络输入规范的训练数据送入网络模型进行训练,如图2所示为网络结构图,本例中共有11层,具体如下。
第一层:卷积层conv1:输入为数据处理后的原始数据维度为140*1*1,卷积层卷积核大小为2*1,步长为1,卷积核数量为3,激活函数为ReLU。
第二层:池化层pool1:池化层filter大小为2*1,步长为1,采用最大池化法。
第三层:卷积层conv2:卷积层卷积核大小为3*1,步长为1,卷积核数量为3,激活函数为ReLU。
第四层:卷积层conv3:卷积层卷积核大小为4*1,步长为1,卷积核数量为3,激活函数为ReLU。
第五层:卷积层conv4:卷积层卷积核大小为4*1,步长为1,卷积核数量为3,激活函数为ReLU。
第六层:卷积层conv5:卷积层卷积核大小为5*1,步长为1,卷积核数量为3,激活函数为ReLU。
第七层:全连接层fc1:全连接层的神经元个数为256,通过Sigmoid函数将输出向量映射到[0,1]之间。
第八层:全连接层fc2:全连接层的神经元个数为256,通过Sigmoid函数将输出向量映射到[0,1]之间。
第九层:全连接层fc3得到坐标x轴的概率值,输入为第八层输出向量,神经元个数为已知类别数2,通过Sigmoid函数将输出向量映射到[0,1]之间,得到在x轴1*2概率向量。
第十层:全连接层fc4得到坐标y轴的概率值,输入为第八层输出向量,神经元个数为已知类别数2,通过Sigmoid函数将输出向量映射到[0,1]之间。得到在y轴的1*2概率向量。
第十一层:合并第九层和第十层的输出结果得到检测坐标,得到1*4的坐标点向量作为输出层输入。在输出层使用检测坐标点数据计算与真实值的欧氏距离,并求出距离的最小值da,取0.414为距离阈值Tc,当da<0.414时,da所对应的索引值即为该序列的模式类别标号,否则,该序列属于未知模式。
输入的样本数据在上述网络模型中进行自主学习,自动调节网络参数直到网络达到最佳检测效果时结束。通过训练后的网络模型可以用来进行卫星遥测时序数据未知模式的检测。网络模型对已知模式和未知模式都有较好的识别率,识别准确度达到90%以上。本方法能够有效检测出卫星遥测时序数据的未知模式,相应地获得有可能出现未知故障的信息,为卫星安全运行提供可靠性支撑。
Claims (9)
1.一种卫星遥测时序数据未知模式的检测系统,其特征在于,包括:
数据预处理模块,将卫星遥测时序数据转化为规范文件格式,根据卫星遥测时序数据的数据规律特点进行预处理;
特征提取模块,采用深度卷积神经网络构造网络模型,其中卷积层和池化层完成对卫星遥测时序数据的特征提取;
判定识别模块,通过将传统网络输出的概率值平面化,即将输入的一个时序数据的模式转化为特征空间内的一个坐标点,对卫星遥测时序数据依据欧氏距离进行模式识别并检测出未知模式数据,识别到的未知模式有可能为未知故障,其中所述坐标点作为特征坐标。
2.根据权利要求1所述卫星遥测时序数据未知模式的检测系统,其特征在于,所述构造网络模型时,根据输入数据的大小和复杂度,确定卷积层和池化层的层数,卷积层相当于特征提取器,其主要利用卷积核提取特征,实现特征的过滤和强化,池化层在卷积层之后,可以看成一个过滤器,实现下采样功能,池化层采用最大池化方法,激活函数采用ReLU函数。
3.根据权利要求1所述卫星遥测时序数据未知模式的检测系统,其特征在于,所述数据预处理模块根据时序数据不同规律特点进行不同的数据预处理,针对间隔固定时间段内具有相同变化规律的时序数据,采用时间窗口的方式划分数据,将一段长时序数据划分为固定长度的时间序列,所述时间序列与长时序数据为同一模式,对数据进行归一化处理,取一个时间序列数据的最大值和最小值,将最大值映射为1,最小值映射为0,整个序列映射到[0,1]区间上以便于输入网络;针对间隔固定时间段内具有持续上升或持续下降趋势的时序数据,采用时间窗口的方式划分数据,将一段长时序数据划分为固定长度的时间序列,所述时间序列与长时序数据为同一模式,计算一个时间序列相邻数据点间的斜率,得到斜率的变化规律,对得到的斜率序列进行归一化处理,取该斜率序列的最大值和最小值,将最大值映射为1,最小值映射为0,整个序列映射到[0,1]区间上以便于输入网络,给定网络目标输出正例为(1,1)坐标,反例为(0,0)坐标,即模式标准坐标。
4.根据权利要求3所述卫星遥测时序数据未知模式的检测系统,其特征在于,所述判定识别模块,计算特征坐标与模式标准坐标间的欧氏距离,根据该距离值的大小判定输入时间序列模式的检测结果。
5.根据权利要求4所述卫星遥测时序数据未知模式的检测系统,其特征在于,所述判定识别模块,利用所述网络模型进行n分类用以判定n个已知模式,深度卷积神经网络给出n个由概率值构成的坐标,对应n类已知模式的特征坐标,然后计算特征坐标和各已知模式标准坐标之间的欧氏距离,最后根据该距离值的大小判定输入时间序列模式的检测结果,其中网络模型的输入为一个所述的时间序列模式,即固定长度的时间序列,输出结果为输入时间序列模式确定属于某已知模式,输入时间序列模式确定不属于任何已知模式即确定为未知模式和输入时间序列模式不确定3种情况。
6.根据权利要求1或5所述卫星遥测时序数据未知模式的检测系统,其特征在于,所述深度卷积神经网络的卷积层和池化层构成特征提取模块,深度卷积神经网络的全连接层和输出层构成判定识别模块,判定识别模块中,首先连接两层全连接层fc1和fc2,然后将全连接层fc2的输出向量分成两路,分别送给x轴全连接层fc3和y轴全连接层fc4。fc3层输出时间序列模式在每个已知类别上的概率坐标x值,所有类别则构成一个概率坐标x向量,fc4层输出时间序列模式在每个已知类别上的概率坐标y值,所有类别则构成一个概率坐标y向量,从而将传统输出的概率值平面化为概率坐标,即将输入的一个时间序列模式转化为特征空间内的一个坐标点,即特征坐标,然后将概率坐标x向量和概率坐标y向量合并为一个概率坐标向量送入输出层,在输出层根据特征坐标与模式标准坐标的欧氏距离进行判断,判定输入的时间序列模式是否属于某个已知模式A,即:
其中(xA,yA)表示输入时间序列模式在已知模式A的识别网络中的特征坐标,dA表示该特征坐标与已知模式A的欧氏距离,若特征坐标落在已知模式A的核心之处,即dA小于核心阈值Tc时,输入的时间序列模式属于已知模式A;若特征坐标远离已知模式A,即dA大于否定阈值Tn时,输入的时间序列模式不属于已知模式A;若特征坐标与已知模式A的距离在核心阈值Tc和否定阈值Tn之间,即Tc<dA<Tn时,输出结果为不确定。
8.一种卫星遥测时序数据未知模式的检测方法,其特征在于,包括:
数据预处理,将卫星遥测时序数据转化为规范文件格式,根据卫星遥测时序数据的数据规律特点进行预处理;
特征提取,采用深度卷积神经网络构造网络模型,其中卷积层和池化层完成对卫星遥测时序数据的特征提取;
判定识别,通过将传统网络输出的概率值平面化,即将输入的一个时序数据的模式转化为特征空间内的一个坐标点和欧氏距离,对卫星遥测时序数据进行模式识别并检测出未知模式数据,识别到的未知模式有可能为未知故障,其中所述坐标点作为特征坐标。
9.根据权利要求8所述卫星遥测时序数据未知模式的检测方法,其特征在于,将所识别到的未知模式相应的时序数据定位,进一步判定卫星是否出现故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010764019.9A CN111860446A (zh) | 2020-08-01 | 2020-08-01 | 一种卫星遥测时序数据未知模式的检测系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010764019.9A CN111860446A (zh) | 2020-08-01 | 2020-08-01 | 一种卫星遥测时序数据未知模式的检测系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860446A true CN111860446A (zh) | 2020-10-30 |
Family
ID=72954167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010764019.9A Pending CN111860446A (zh) | 2020-08-01 | 2020-08-01 | 一种卫星遥测时序数据未知模式的检测系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860446A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949753A (zh) * | 2021-03-26 | 2021-06-11 | 西安交通大学 | 一种基于二元关系的卫星遥测时序数据异常检测方法 |
CN113221968A (zh) * | 2021-04-23 | 2021-08-06 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
CN113268551A (zh) * | 2021-05-18 | 2021-08-17 | 朱厚强 | 一种统一测控系统数据监测方法及装置 |
CN114241526A (zh) * | 2022-02-28 | 2022-03-25 | 南京甄视智能科技有限公司 | 分类模型、训练方法、分类方法、电子设备及存储介质 |
CN114881110A (zh) * | 2022-04-02 | 2022-08-09 | 西安交通大学 | 一种在轨航天器舱内总压变化模式的实时检测方法 |
CN115130617A (zh) * | 2022-07-27 | 2022-09-30 | 西安交通大学 | 一种自适应卫星数据模式不断增长的检测方法 |
CN116401103A (zh) * | 2023-06-08 | 2023-07-07 | 北京飞安航空科技有限公司 | 一种飞行员便携式电子图囊的数据安全管理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
US20200210809A1 (en) * | 2018-12-30 | 2020-07-02 | Playtika Ltd. | System and method for outlier detection using a cascade of neural networks |
-
2020
- 2020-08-01 CN CN202010764019.9A patent/CN111860446A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200210809A1 (en) * | 2018-12-30 | 2020-07-02 | Playtika Ltd. | System and method for outlier detection using a cascade of neural networks |
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
JUNPENG BAO等: ""An Unknown Pattern Detection Method for Time Series Data Based on Convolutional Neural Network"", 《2019 2ND INTERNATIONAL CONFERENCE ON SAFETY PRODUCE INFORMATIZATION (IICSPI)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949753A (zh) * | 2021-03-26 | 2021-06-11 | 西安交通大学 | 一种基于二元关系的卫星遥测时序数据异常检测方法 |
CN112949753B (zh) * | 2021-03-26 | 2023-10-24 | 西安交通大学 | 一种基于二元关系的卫星遥测时序数据异常检测方法 |
CN113221968A (zh) * | 2021-04-23 | 2021-08-06 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
CN113268551A (zh) * | 2021-05-18 | 2021-08-17 | 朱厚强 | 一种统一测控系统数据监测方法及装置 |
CN114241526A (zh) * | 2022-02-28 | 2022-03-25 | 南京甄视智能科技有限公司 | 分类模型、训练方法、分类方法、电子设备及存储介质 |
CN114881110A (zh) * | 2022-04-02 | 2022-08-09 | 西安交通大学 | 一种在轨航天器舱内总压变化模式的实时检测方法 |
CN115130617A (zh) * | 2022-07-27 | 2022-09-30 | 西安交通大学 | 一种自适应卫星数据模式不断增长的检测方法 |
CN115130617B (zh) * | 2022-07-27 | 2024-02-27 | 西安交通大学 | 一种自适应卫星数据模式不断增长的检测方法 |
CN116401103A (zh) * | 2023-06-08 | 2023-07-07 | 北京飞安航空科技有限公司 | 一种飞行员便携式电子图囊的数据安全管理系统 |
CN116401103B (zh) * | 2023-06-08 | 2023-07-28 | 北京飞安航空科技有限公司 | 一种飞行员便携式电子图囊的数据安全管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860446A (zh) | 一种卫星遥测时序数据未知模式的检测系统与方法 | |
CN111964908B (zh) | 一种基于多尺度权值分配卷积神经网络模型的变工况下轴承故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
WO2022116570A1 (zh) | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111751133B (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
Wu et al. | A weighted deep domain adaptation method for industrial fault prognostics according to prior distribution of complex working conditions | |
CN111580506A (zh) | 基于信息融合的工业过程故障诊断方法 | |
CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
Shen et al. | A deep multi-label learning framework for the intelligent fault diagnosis of machines | |
Yang | Monitoring and diagnosing of mean shifts in multivariate manufacturing processes using two-level selective ensemble of learning vector quantization neural networks | |
Liao et al. | Research on a rolling bearing fault detection method with wavelet convolution deep transfer learning | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
CN115757103A (zh) | 基于树结构的神经网络测试用例生成方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
Zhang et al. | CarNet: A dual correlation method for health perception of rotating machinery | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
Lu et al. | Rotating Machinery Fault Diagnosis Under Multiple Working Conditions via A Time Series Transformer Enhanced by Convolutional Neural Network | |
Alelaumi et al. | Cleaning profile classification using convolutional neural network in stencil printing | |
CN116658433A (zh) | 一种耐颗粒型磁力泵智能检测方法及系统 | |
Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
CN116484513A (zh) | 基于多级抽象时间特征融合的滚动轴承故障诊断方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |