CN112257755B - 航天器运行状态的分析方法和装置 - Google Patents
航天器运行状态的分析方法和装置 Download PDFInfo
- Publication number
- CN112257755B CN112257755B CN202011019859.9A CN202011019859A CN112257755B CN 112257755 B CN112257755 B CN 112257755B CN 202011019859 A CN202011019859 A CN 202011019859A CN 112257755 B CN112257755 B CN 112257755B
- Authority
- CN
- China
- Prior art keywords
- data
- detected
- abnormal
- parameters
- analysis result
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Navigation (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种航天器运行状态的分析方法和装置。方法包括:获取待检测数据和参考数据;对待检测数据进行特征提取,得到待检测参数;对参考数据进行特征提取,得到参考参数;计算待检测参数和参考参数之间的差异值;根据差异值,确定待检测数据的运行状态,运行状态包括正常和异常;将运行状态为异常的多个待检测数据进行相关性分析,得到异常分析结果,异常分析结果用于进行故障诊断。基于上述方法,将待检测数据与参考数据进行数据处理后再进行比对,确定待检测数据是否异常,再将状态异常的多个待检测数据之间进行相关性分析,便于后续进行故障诊断,确定航天器的异常信息。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种航天器运行状态的分析方法和装置。
背景技术
在轨航天器长期运行在空间环境中,受复杂环境、工作状态及载荷等多因素影响,其功能和性能可能会发生异常变化,但现有技术中,无法对航天器的运行状态进行监测,在航天器的功能或性能发生异常变化时,无法得知航天器的异常信息。
发明内容
为了解决上述技术问题,本申请提供了一种航天器运行状态的分析方法和装置。
第一方面,本申请提供了一种航天器运行状态的分析方法,包括:
获取预设时间段内多个待检测数据和对应的参考数据,所述待检测数据和所述参考数据为时间序列数据;
对所述待检测数据进行特征提取,得到待检测参数;
对所述参考数据进行特征提取,得到参考参数;
计算所述待检测参数和所述参考参数之间的差异值;
根据所述差异值,确定所述待检测数据的运行状态,所述运行状态包括正常和异常;
将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,所述异常分析结果用于进行故障诊断。
可选地,对采集数据进行特征提取,得到特征参数,所述采集数据包括所述待检测数据和所述参考数据,所述特征参数包括所述待检测参数和所述参考参数,包括:
计算所述采集数据的极值和变化率,将所述采集数据的极值和变化率作为所述采集数据的特征参数。
可选地,所述计算所述待检测参数和所述参考参数之间的差异值,包括:
将所述待检测数据的极值对应的坐标点作为特征点,根据多个所述特征点形成特征曲线;
将所述参考参数的极值对应的坐标点作为参考点,根据多个所述参考点形成参考曲线;
根据所述参考点对所述特征曲线上不为特征点的点进行补值,将所述特征曲线上进行补值后的点作为所述特征点;
根据所述特征点对所述参考曲线上不为参考点的点进行补值,将所述参考曲线上进行补值后的点作为所述特征点;
计算同一时刻下所述特征点的极值与所述参考点的极值之间的相对误差;
统计多个时刻的所述相对误差的加权平均值,得到所述差异值。
可选地,对采集数据进行特征提取,得到特征参数,所述采集数据包括所述待检测数据和所述参考数据,所述特征参数包括所述待检测参数和所述参考参数,包括:
根据回归模型确定所述采集数据对应的阶次系数,将所述阶次系数作为所述采集数据的特征参数。
可选地,所述计算所述待检测参数和所述参考参数之间的差异值,包括:
计算所述待检测数据的阶次系数,与所述参考数据的阶次系数之间的欧式距离,将所述欧式距离作为所述差异值。
可选地,所述将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,包括:
根据无监督聚类法,将运行状态为异常的多个所述待检测数据进行类别划分,得到至少一个聚类,每个所述聚类包括变化规律相似的多个所述待检测数据,将所述聚类作为所述异常分析结果。
可选地,所述将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,包括:
将运行状态为异常的所述待检测数据作为异常数据;
根据各个所述第一异常数据发生异常时的数据变化趋势,得到各个所述异常数据之间的变化相关性,所述变化相关性包括正相关和负相关,将所述变化相关性作为所述异常分析结果。
可选地,所述将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,包括:
将运行状态为异常的所述待检测数据作为异常数据;
根据各个所述异常数据的故障时间,确定各个所述异常数据之间的影响概率,将所述影响概率作为所述异常分析结果。
可选地,所述获取待检测数据和参考数据之前,所述方法还包括:
获取遥测数据和样本数据;
对所述遥测数据进行预处理,得到所述待检测数据;
对所述样本数据进行预处理,得到所述参考数据。
第二方面,本申请提供了一种航天器运行状态的分析装置,包括:
数据获取模块,用于获取预设时间段内多个待检测数据和对应的参考数据,所述待检测数据和所述参考数据为时间序列数据;
第一特征提取模块,用于对所述待检测数据进行特征提取,得到待检测参数;
第二特征提取模块,用于对所述参考数据进行特征提取,得到参考参数;
差异计算模块,用于计算所述待检测参数和所述参考参数之间的差异值;
状态确定模块,用于根据所述差异值,确定所述待检测数据的运行状态,所述运行状态包括正常和异常;
分析模块,用于将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,所述异常分析结果用于进行故障诊断。
上述航天器运行状态的分析方法和装置,所述方法包括:获取预设时间段内多个待检测数据和对应的参考数据,所述待检测数据和所述参考数据为时间序列数据;对所述待检测数据进行特征提取,得到待检测参数;对所述参考数据进行特征提取,得到参考参数;计算所述待检测参数和所述参考参数之间的差异值;根据所述差异值,确定所述待检测数据的运行状态,所述运行状态包括正常和异常;将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,所述异常分析结果用于进行故障诊断。基于上述方法,将待检测数据与参考数据进行数据处理后再进行比对,确定待检测数据是否异常,再将状态异常的多个待检测数据之间进行相关性分析,便于后续进行故障诊断,确定航天器的异常信息。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中航天器运行状态的分析方法的流程示意图;
图2为一个实施例中线性频率特性比对图;
图3为一个实施例中线性频率特性比对图;
图4为一个实施例中航天器运行状态的分析装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在一个实施例中,图1为一个实施例中一种航天器运行状态的分析方法的流程示意图,参照图1,提供了一种航天器运行状态的分析方法。本实施例主要以该方法应用于服务器来举例说明,该航天器运行状态的分析方法具体包括如下步骤:
步骤S110,获取预设时间段内多个待检测数据和对应的参考数据,所述待检测数据和所述参考数据为时间序列数据。
具体地,待检测数据为航天器当前运行时的遥测数据进行预处理后的数据,遥测数据包括温度、电压、电流、功率等参数,参数类型相同的多个待检测数据对应同一参考数据,待检测数据为温度、电压、电流或功率中某一类参数对应的时间序列数据,参考数据为航天器历史正常状态下的遥测数据进行预处理后的数据。参考数据作为待检测数据的参照,根据待检测数据与参考数据之间的比对,即可得知待检测数据的异常状态。遥测数据在不同工况下具有一定的变化规律,如温度参数以天为周期规律,故可以天为周期进行数据采集,则预设时长对应为二十四小时。
步骤S120,对所述待检测数据进行特征提取,得到待检测参数。
具体地,对待检测数据进行特征提取包括基于特征点的特征提取方法、基于曲线拟合的特征提取方法和基于回归模型的特征提取方法等,进行特征提取后得到的待检测参数为指示待检测数据变化规律的关键参数,待检测参数包括待检测数据的极值、变化率、拟合公式等,极值包括极大值和极小值。
步骤S130,对所述参考数据进行特征提取,得到参考参数。
具体地,根据对待检测数据的特征提取方法,对参考数据进行特征提取,即对待检测数据和参考数据采取相同的特征提取方法分别进行特征提取,避免特征提取方法不同影响分析结果的准确性。参考参数为指示参考数据变化规律的关键参数,参考参数包括参考数据的极值、变化率、拟合公式等。
步骤S140,计算所述待检测参数和所述参考参数之间的差异值。
具体地,将待检测参数与参考参数进行比对,计算待检测参数与参考参数之间的相似度和/或差异值,将待检测数据与参考数据进行比对分析包括基于特征点的比对方法、基于曲线拟合的相似性分析方法和基于回归模型的相似性分析方法等。
步骤S150,根据所述差异值,确定所述待检测数据的运行状态,所述运行状态包括正常和异常。
具体地,当差异值大于预设差值时,表示待检测数据与参考数据相差较大,判定待检测数据的运行状态为异常;当差异值小于或等于预设差值时,表示待检测数据与参考数据相似,判定待检测数据的运行状态为正常。
步骤S160,将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,所述异常分析结果用于进行故障诊断。
具体地,将运行状态为异常的待检测数据作为异常数据,分析各个异常数据之间的相关性的方法包括无监督聚类法、变化趋势分析法和关联关系分析法等,得到异常分析结果,异常分析结果包括航天器各个系统参数在发生异常时的相互影响关系以及异常数据的变化趋势等,根据异常分析结果进行故障诊断,以确定航天器的异常信息。
在一个实施例中,所述采集数据包括所述待检测数据和所述参考数据,所述特征参数包括所述待检测参数和所述参考参数,计算所述采集数据的极值和变化率,将所述采集数据的极值和变化率作为所述采集数据的特征参数。
具体地,基于特征点的特征提取方法,计算采集数据的极值,将采集数据的极值对应的坐标点作为极值点,根据各个极值点绘制得到采集曲线,变化率为相邻两个极值点之间的倾斜率,将采集数据的极值和变化率作为特征参数。同理,将待检测数据的极值和变化率作为待检测参数,将参考数据的极值和变化率作为参考参数。
在一个实施例中,将所述待检测数据的极值对应的坐标点作为特征点,根据多个所述特征点形成特征曲线;将所述参考参数的极值对应的坐标点作为参考点,根据多个所述参考点形成参考曲线;根据所述参考点对所述特征曲线上不为特征点的点进行补值,将所述特征曲线上进行补值后的点作为所述特征点;根据所述特征点对所述参考曲线上不为参考点的点进行补值,将所述参考曲线上进行补值后的点作为所述特征点;计算同一时刻下所述特征点的极值与所述参考点的极值之间的相对误差;统计多个时刻的所述相对误差的加权平均值,得到所述差异值。
具体地,基于特征点的比对方法,将特征曲线与参考曲线进行整合,即在相同时刻,参考曲线上具有参考点,但特征曲线上没有特征点,对特征曲线上的坐标点进行补值,而补值则由离需要补值点前后最接近的极值点线性确定。同理,在相同时刻,特征曲线上具有参考点,但参考曲线上没有参考点,对参考曲线上的坐标点进行补值,补值后获得待检测数据对应的极值序列和参考数据对应的极值序列,便于同一时刻下特征曲线上的特征点与参考曲线上的参考点进行比对,计算各个时刻特征点对应的极值与参考点对应的极值之间的相对误差,当特征点的与参考点的极值之间的相对误差大于预设误差时,该特征点为异常点,将多个时刻下相对误差的加权平均值作为差异值,当差异值大于预设差值时,待检测数据存在异常参数,即待检测数据的运行状态为异常;当差异值小于或等于预设差值时,待检测数据不存在异常参数,即待检测数据的运行状态为正常。
在一个实施例中,对采集数据进行特征提取,得到特征参数,所述采集数据包括所述待检测数据和所述参考数据,所述特征参数包括所述待检测参数和所述参考参数,根据回归模型确定所述采集数据对应的阶次系数,将所述阶次系数作为所述采集数据的特征参数。
具体地,基于回归模型的特征提取方法,回归模型具体可以为AR(Autoregressivemodel)模型、自回归模型或ARMA(Autoregressive moving average model)模型等,本实施例优选AR模型作为回归模型,将采集数据作为回归模型的输入参数,得到与采集数据对应的阶次系数,将采集数据对应的阶次系数作为特征参数。同理,将待检测数据对应的阶次系数作为待检测参数,将参考数据对应的阶次系数作为参考参数。
在一个实施例中,计算所述待检测数据的阶次系数,与所述参考数据的阶次系数之间的欧式距离,将所述欧式距离作为所述差异值。
具体地,基于回归模型的相似性分析方法,将待检测数据的阶次系数与参考数据的阶次系数之间的欧式距离,作为差异值,当差异值大于预设差值时,表示待检测数据与参考数据相差较大,判定待检测数据的运行状态为异常;当差异值小于或等于预设差值时,表示待检测数据与参考数据相似,判定待检测数据的运行状态为正常。
在一个实施例中,根据无监督聚类法,将运行状态为异常的多个所述待检测数据进行类别划分,得到至少一个聚类,每个所述聚类包括变化规律相似的多个所述待检测数据,将所述聚类作为所述异常分析结果。
具体地,基于无监督聚类法,根据各个异常数据的时间序列,计算各个异常数据之间的序列平均距离,序列平均距离为其中P1、P2分别为两个异常数据经过预处理后长度为N的时间序列,/> 分别为P1、P2的归一化数据序列,当d小于预设距离dmin时,P1、P2对应的两个异常数据归为一类,以此类推,将多个待检测数据进行划分,得到至少一个聚类,根据每个聚类中变化规律相似的异常数据,进行故障诊断分析,以确定航天器的异常信息。
在一个实施例中,将运行状态为异常的所述待检测数据作为异常数据;根据各个所述第一异常数据发生异常时的数据变化趋势,得到各个所述异常数据之间的变化相关性,所述变化相关性包括正相关和负相关,将所述变化相关性作为所述异常分析结果。
具体地,基于变化趋势分析法,将两个异常数据的变化趋势进行相关性分析,得到两个异常数据之间的变化相关性,根据各个异常数据之间的变化相关性,可用于进行故障诊断,确定航天器的异常信息。例如第一异常数据在发生异常时,数据趋势总体呈上升状,第二异常数据在发生异常时,数据趋势总体呈下降状,结合第一异常数据与第二异常数据的变化趋势,确定第一异常数据与第二异常数据呈负相关,根据第一异常数据与第二异常数据之间的负相关,进行故障诊断,确定航天器的异常信息。
在一个实施例中,将运行状态为异常的所述待检测数据作为异常数据;根据各个所述异常数据的故障时间,确定各个所述异常数据之间的影响概率,将所述影响概率作为所述异常分析结果。
具体地,基于关联关系分析法,异常数据的故障时间为待检测数据发生故障的时间点或时间段,根据各个异常数据发生故障的时间先后,确定各个异常数据之间存在因果关系的概率,即影响概率,根据各个异常数据之间的影响概率,进行故障诊断,确定航天器的异常信息。例如,第一异常数据的故障时间先于第二异常数据的故障时间,因此可确定第一异常数据导致第二异常数据发生故障的影响概率。
在一个实施例中,获取遥测数据和样本数据;对所述遥测数据进行预处理,得到所述待检测数据;对所述样本数据进行预处理,得到所述参考数据。
具体地,对航天器当前运行的遥测数据进行预处理,得到待检测数据;样本数据为航天器历史正常下的遥测数据,对样本数据进行预处理,得到参考数据。对数据进行预处理的方法包括误码剔除、奇异点剔除、分钟均值计算、缺失点补值、降噪等。
对数据进行奇异点剔除包括:根据遥测数据的均值和方差,剔除遥测数据中数值大于预设标准差的奇异数据点。
对数据进行分钟均值计算,将遥测数据对应的时间序列转变为以分钟为单位的标准时间序列。
采用线性内插法对标准时间序列中缺失的时间点进行补点;对于标准时间序列中开头或末尾缺失数据值的情况,根据临近可用数据点对缺失数据值的点进行补值,将时间序列补齐。
对标准时间序列数据进行小波降噪,减小数据的随机波动,便于后续的特征提取。
在一个具体实施例中,分别对不同工况下正常状态和航天器当前待检测的遥测数据进行预处理,得到正常状态下的参考数据和航天器当前待检测的待检测数据,基于特征点的特征提取方法分别对参考数据和待检测数据进行特征提取,得到待检测数据对应的待检测参数和参考数据对应的参考参数,当前待检测数据的参数类型为温度,用4N表示,温度参数以天为周期规律,故以天为周期进行数据采集,则预设时长对应为二十四小时,即待检测数据包括1440分钟的温度参数。
参照上述实施例中基于特征点的比对方法,对待检测数据和参考数据的极值序列进行整合,首先通过比较两极值序列,查找是否存在具有相同横坐标的极值点,后对其它点进行相应补值。而补值则由离需要补值点前后最接近的极值点线性确定。补值后获得待检测数据对应的极值序列和参考数据对应的极值序列,对两个极值序列上的极值点逐点进行RMSE(平均绝对误差)计算。所得RMSE相当于上述实施例中所述的相对误差,若RMSE大于预设阈值,则认为两数据差别较大,即故障的出现对温度4N参数造成了影响,也就是说温度4N参数与故障相关;反之则认为故障的出现对温度4N参数无影响或影响很小,即该温度4N参数与故障无关。
根据待检测数据和参考数据对应的极值序列上的极值点逐点计算得到的相对误差,计算得到整体参数的平均相对误差,若平均相对误差大于预设差值,判定待检测数据存在异常参数,若待检测数据对应的极值序列中当前极值点的相对误差大于平均相对误差,则认为当前极值点为异常点,反之则认为当前极值点正常。若确定待检测数据存在异常参数,计算相邻两个异常点之间的距离,若相邻两个异常点之间的距离大于预设距离阈值,则认为两个异常点分别属于两个异常段,否则认为两异常点同属于一个异常段,最终获得异常发生的时间段信息。参考图2,图2中310代表待检测数据对应的特征点形成的变化曲线,320代表参考数据对应的极值点形成的变化曲线,图2中的横坐标为分钟时间点,纵坐标为温度值。
在获得异常时间段信息后,计算待检测数据中异常时间段内的数据平均值,并计算参考数据中对应时间段内的数据平均值,将待检测数据的时间序列在异常时间段数据的变化与参考数据对应时间段数据的变化进行比较,获得待检测数据相对于参考数据的变化趋势。
温度4N参数异常时间段以及参数的变化趋势如下表所示:
表1温度4N参数特征点比对结果
例如,根据上述实施例的异常检测方法得到其他运行状态为异常的多个待检测数据,分别为2N温度、3N温度、4M温度、4N温度、6M温度、7N温度、6N温度和7M温度,采用无监督聚类法对多个异常数据进行相关性分析,分析异常数据之间的关联关系,聚类结果如下表:
表2聚类结果
参数4M温度、4N温度具有相同的变化特征,如图3所示,图3中410代表参数4N温度的变化曲线,420代表参数4M温度的变化曲线,参数4M温度、4N温度为异常关联参数,根据异常关联关系进行故障诊断。
图1为一个实施例中航天器运行状态的分析方法的流程示意图。应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种航天器运行状态的分析装置,包括:
数据获取模块210,用于获取预设时间段内多个待检测数据和对应的参考数据,所述待检测数据和所述参考数据为时间序列数据;
第一特征提取模块220,用于对所述待检测数据进行特征提取,得到待检测参数;
第二特征提取模块230,用于对所述参考数据进行特征提取,得到参考参数;
差异计算模块240,用于计算所述待检测参数和所述参考参数之间的差异值;
状态确定模块250,用于根据所述差异值,确定所述待检测数据的运行状态,所述运行状态包括正常和异常;
分析模块260,用于将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,所述异常分析结果用于进行故障诊断。
在一个实施例中,所述采集数据包括所述待检测数据和所述参考数据,所述特征参数包括所述待检测参数和所述参考参数,所述装置还包括:
第三特征提取模块,用于计算所述采集数据的极值和变化率,将所述采集数据的极值和变化率作为所述采集数据的特征参数。
在一个实施例中,所述差异计算模块240包括:
特征曲线形成单元,用于将所述待检测数据的极值对应的坐标点作为特征点,根据多个所述特征点形成特征曲线;
参考曲线形成单元,用于将所述参考参数的极值对应的坐标点作为参考点,根据多个所述参考点形成参考曲线;
第一补值单元,用于根据所述参考点对所述特征曲线上不为特征点的点进行补值,将所述特征曲线上进行补值后的点作为所述特征点;
第二补值单元,用于根据所述特征点对所述参考曲线上不为参考点的点进行补值,将所述参考曲线上进行补值后的点作为所述特征点;
相对误差计算单元,用于计算同一时刻下所述特征点的极值与所述参考点的极值之间的相对误差;
统计单元,用于统计多个时刻的所述相对误差的加权平均值,得到所述差异值。
在一个实施例中,所述采集数据包括所述待检测数据和所述参考数据,所述特征参数包括所述待检测参数和所述参考参数,所述装置还包括:
第四特征提取模块,用于根据回归模型确定所述采集数据对应的阶次系数,将所述阶次系数作为所述采集数据的特征参数。
在一个实施例中,所述差异计算模块240包括:
系数计算单元,用于计算所述待检测数据的阶次系数,与所述参考数据的阶次系数之间的欧式距离,将所述欧式距离作为所述差异值。
在一个实施例中,所述分析模块260包括:
第一分析单元,用于根据无监督聚类法,将运行状态为异常的多个所述待检测数据进行类别划分,得到至少一个聚类,每个所述聚类包括变化规律相似的多个所述待检测数据,将所述聚类作为所述异常分析结果。
在一个实施例中,所述分析模块260包括:
第一异常数据确定单元,用于将运行状态为异常的所述待检测数据作为异常数据;
第二分析单元,用于根据各个所述第一异常数据发生异常时的数据变化趋势,得到各个所述异常数据之间的变化相关性,所述变化相关性包括正相关和负相关,将所述变化相关性作为所述异常分析结果。
在一个实施例中,所述分析模块260包括:
第二异常数据确定单元,用于将运行状态为异常的所述待检测数据作为异常数据;
第三分析单元,用于根据各个所述异常数据的故障时间,确定各个所述异常数据之间的影响概率,将所述影响概率作为所述异常分析结果。
在一个实施例中,所述装置还包括:
数据接收模块,用于获取遥测数据和样本数据;
第一预处理模块,用于对所述遥测数据进行预处理,得到所述待检测数据;
第二预处理模块,用于对所述样本数据进行预处理,得到所述参考数据。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器。如图5所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现航天器运行状态的分析方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行航天器运行状态的分析方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的航天器运行状态的分析装置可以实现为一种计算机程序的形式,计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该航天器运行状态的分析装置的各个程序模块,比如,图4所示的数据获取模块210、第一特征提取模块220、第二特征提取模块230、差异计算模块240、状态确定模块250和分析模块260。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的航天器运行状态的分析方法中的步骤。
图5所示的计算机设备可以通过如图4所示的航天器运行状态的分析装置中的数据获取模块210执行获取预设时间段内多个待检测数据和对应的参考数据,所述待检测数据和所述参考数据为时间序列数据。计算机设备可通过第一特征提取模块220执行对所述待检测数据进行特征提取,得到待检测参数。计算机设备可通过第二特征提取模块230执行对所述参考数据进行特征提取,得到参考参数。计算机设备可通过差异计算模块240执行计算所述待检测参数和所述参考参数之间的差异值。计算机设备可通过状态确定模块250执行根据所述差异值,确定所述待检测数据的运行状态,所述运行状态包括正常和异常。计算机设备可通过分析模块260执行将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,所述异常分析结果用于进行故障诊断。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述航天器运行状态的分析方法中任意一项实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述航天器运行状态的分析方法中任意一项实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指示相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种航天器运行状态的分析方法,其特征在于,所述方法包括:
获取预设时间段内多个待检测数据和对应的参考数据,所述待检测数据和所述参考数据为时间序列数据;
对所述待检测数据进行特征提取,得到待检测参数;
对所述参考数据进行特征提取,得到参考参数;
计算所述待检测参数和所述参考参数之间的差异值;
根据所述差异值,确定所述待检测数据的运行状态,所述运行状态包括正常和异常;
将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,所述异常分析结果用于进行故障诊断;
对采集数据进行特征提取,得到特征参数,所述采集数据包括所述待检测数据和所述参考数据,所述特征参数包括所述待检测参数和所述参考参数,包括:
计算所述采集数据的极值和变化率,将所述采集数据的极值和变化率作为所述采集数据的特征参数;
所述计算所述待检测参数和所述参考参数之间的差异值,包括:
将所述待检测数据的极值对应的坐标点作为特征点,根据多个所述特征点形成特征曲线;
将所述参考参数的极值对应的坐标点作为参考点,根据多个所述参考点形成参考曲线;
根据所述参考点对所述特征曲线上不为特征点的点进行补值,将所述特征曲线上进行补值后的点作为所述特征点;
根据所述特征点对所述参考曲线上不为参考点的点进行补值,将所述参考曲线上进行补值后的点作为所述特征点;
计算同一时刻下所述特征点的极值与所述参考点的极值之间的相对误差;
统计多个时刻的所述相对误差的加权平均值,得到所述差异值。
2.根据权利要求1所述的方法,其特征在于,所述将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,包括:
根据无监督聚类法,将运行状态为异常的多个所述待检测数据进行聚类,得到所述异常分析结果。
3.根据权利要求1所述的方法,其特征在于,所述将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,包括:
将运行状态为异常的所述待检测数据作为第一异常数据;
根据各个所述第一异常数据发生异常时的数据变化趋势,得到所述异常分析结果。
4.根据权利要求1所述的方法,其特征在于,所述将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,包括:
将运行状态为异常的所述待检测数据作为第二异常数据;
根据各个所述第二异常数据的故障时间的时间先后顺序,确定各个所述异常数据之间的影响概率;
根据所述影响概率得到所述异常分析结果。
5.根据权利要求1所述的方法,其特征在于,所述获取待检测数据和参考数据之前,所述方法还包括:
获取遥测数据和样本数据;
对所述遥测数据进行预处理,得到所述待检测数据;
对所述样本数据进行预处理,得到所述参考数据。
6.一种航天器运行状态的分析方法,其特征在于,所述方法包括:
获取预设时间段内多个待检测数据和对应的参考数据,所述待检测数据和所述参考数据为时间序列数据;
对所述待检测数据进行特征提取,得到待检测参数;
对所述参考数据进行特征提取,得到参考参数;
计算所述待检测参数和所述参考参数之间的差异值;
根据所述差异值,确定所述待检测数据的运行状态,所述运行状态包括正常和异常;
将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,所述异常分析结果用于进行故障诊断;
对采集数据进行特征提取,得到特征参数,所述采集数据包括所述待检测数据和所述参考数据,所述特征参数包括所述待检测参数和所述参考参数,包括:
根据回归模型确定所述采集数据对应的阶次系数,将所述阶次系数作为所述采集数据的特征参数;
所述计算所述待检测参数和所述参考参数之间的差异值,包括:
计算所述待检测数据的阶次系数,与所述参考数据的阶次系数之间的欧式距离,将所述欧式距离作为所述差异值。
7.根据权利要求6所述的方法,其特征在于,所述将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,包括:
根据无监督聚类法,将运行状态为异常的多个所述待检测数据进行聚类,得到所述异常分析结果。
8.根据权利要求6所述的方法,其特征在于,所述将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,包括:
将运行状态为异常的所述待检测数据作为第一异常数据;
根据各个所述第一异常数据发生异常时的数据变化趋势,得到所述异常分析结果。
9.根据权利要求6所述的方法,其特征在于,所述将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,包括:
将运行状态为异常的所述待检测数据作为第二异常数据;
根据各个所述第二异常数据的故障时间的时间先后顺序,确定各个所述异常数据之间的影响概率;
根据所述影响概率得到所述异常分析结果。
10.根据权利要求6所述的方法,其特征在于,所述获取待检测数据和参考数据之前,所述方法还包括:
获取遥测数据和样本数据;
对所述遥测数据进行预处理,得到所述待检测数据;
对所述样本数据进行预处理,得到所述参考数据。
11.一种航天器运行状态的分析装置,其特征在于,用于执行权利要求1-10中任一项方法,所述装置包括:
数据获取模块,用于获取预设时间段内多个待检测数据和对应的参考数据,所述待检测数据和所述参考数据为时间序列数据;
第一特征提取模块,用于对所述待检测数据进行特征提取,得到待检测参数;
第二特征提取模块,用于对所述参考数据进行特征提取,得到参考参数;
差异计算模块,用于计算所述待检测参数和所述参考参数之间的差异值;
状态确定模块,用于根据所述差异值,确定所述待检测数据的运行状态,所述运行状态包括正常和异常;
分析模块,用于将多个运行状态为异常的所述待检测数据进行相关性分析,得到异常分析结果,所述异常分析结果用于进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019859.9A CN112257755B (zh) | 2020-09-24 | 2020-09-24 | 航天器运行状态的分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019859.9A CN112257755B (zh) | 2020-09-24 | 2020-09-24 | 航天器运行状态的分析方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257755A CN112257755A (zh) | 2021-01-22 |
CN112257755B true CN112257755B (zh) | 2023-07-28 |
Family
ID=74233092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011019859.9A Active CN112257755B (zh) | 2020-09-24 | 2020-09-24 | 航天器运行状态的分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257755B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113392874B (zh) * | 2021-05-13 | 2022-12-13 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
CN113329222B (zh) * | 2021-05-25 | 2023-03-28 | 广州绿怡信息科技有限公司 | 摄像功能检测方法及装置 |
CN113255771B (zh) * | 2021-05-26 | 2022-07-08 | 中南大学 | 基于多维异构差异分析的故障诊断方法及系统 |
CN113343364A (zh) * | 2021-07-05 | 2021-09-03 | 中国国际航空股份有限公司 | 航空大数据分析方法及工具 |
CN113589159A (zh) * | 2021-07-30 | 2021-11-02 | 沈阳铁路信号有限责任公司 | 一种用于铁路信号继电器多维度特征参数相关性分析方法 |
CN113869373A (zh) * | 2021-09-07 | 2021-12-31 | 迪希埃(北京)半导体技术有限公司 | 设备异常检测方法、装置、计算机设备和存储介质 |
CN114543964A (zh) * | 2022-02-21 | 2022-05-27 | 平安国际智慧城市科技股份有限公司 | 一种物料过磅作弊的检测方法、装置和计算机设备 |
CN115952700B (zh) * | 2023-03-15 | 2023-05-26 | 江西飞尚科技有限公司 | 一种温度关联数据补偿方法、系统、计算机及存储介质 |
CN116186019B (zh) * | 2023-04-27 | 2023-07-21 | 西安凯锐测控科技有限公司 | 应用于民机航电系统下的功能一体化智能分析方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008287594A (ja) * | 2007-05-18 | 2008-11-27 | Nippon Hoso Kyokai <Nhk> | 特定動作判定装置、リファレンスデータ生成装置、特定動作判定プログラム及びリファレンスデータ生成プログラム |
CN103699118A (zh) * | 2013-12-18 | 2014-04-02 | 北京航天测控技术有限公司 | 一种航天器运行异常状态的分析方法及装置 |
JP2016133858A (ja) * | 2015-01-16 | 2016-07-25 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
JP2017016187A (ja) * | 2015-06-26 | 2017-01-19 | 東芝三菱電機産業システム株式会社 | 無線センサデータ収集システム |
WO2019199457A1 (en) * | 2018-04-08 | 2019-10-17 | Microsoft Technology Licensing, Llc | Anomaly detection based on topological relationship graphs |
CN110472625A (zh) * | 2019-08-05 | 2019-11-19 | 浙江大学 | 一种基于傅里叶描述子的象棋棋子视觉识别方法 |
WO2020027207A1 (ja) * | 2018-08-03 | 2020-02-06 | パナソニックIpマネジメント株式会社 | 異常検出方法、情報処理装置及び異常検出システム |
CN111179592A (zh) * | 2019-12-31 | 2020-05-19 | 合肥工业大学 | 基于时空数据流融合分析的城市交通预测方法和系统 |
CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
CN111257277A (zh) * | 2018-11-30 | 2020-06-09 | 湖南中烟工业有限责任公司 | 一种基于近红外光谱技术的烟叶相似度判定方法 |
CN111553234A (zh) * | 2020-04-22 | 2020-08-18 | 上海锘科智能科技有限公司 | 融合人脸特征与Re-ID特征排序的行人跟踪方法及装置 |
CN111563524A (zh) * | 2020-03-18 | 2020-08-21 | 宁波送变电建设有限公司永耀科技分公司 | 一种多站融合系统运行态势异常监测和告警合并方法 |
CN111612048A (zh) * | 2020-04-30 | 2020-09-01 | 中国西安卫星测控中心 | 无监督聚类异常检测的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102047782B1 (ko) * | 2017-01-04 | 2019-11-22 | 한국전자통신연구원 | 보안 이벤트의 연관 분석을 통한 사이버 침해 위협 탐지 방법 및 장치 |
-
2020
- 2020-09-24 CN CN202011019859.9A patent/CN112257755B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008287594A (ja) * | 2007-05-18 | 2008-11-27 | Nippon Hoso Kyokai <Nhk> | 特定動作判定装置、リファレンスデータ生成装置、特定動作判定プログラム及びリファレンスデータ生成プログラム |
CN103699118A (zh) * | 2013-12-18 | 2014-04-02 | 北京航天测控技术有限公司 | 一种航天器运行异常状态的分析方法及装置 |
JP2016133858A (ja) * | 2015-01-16 | 2016-07-25 | 日本電気株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
JP2017016187A (ja) * | 2015-06-26 | 2017-01-19 | 東芝三菱電機産業システム株式会社 | 無線センサデータ収集システム |
WO2019199457A1 (en) * | 2018-04-08 | 2019-10-17 | Microsoft Technology Licensing, Llc | Anomaly detection based on topological relationship graphs |
WO2020027207A1 (ja) * | 2018-08-03 | 2020-02-06 | パナソニックIpマネジメント株式会社 | 異常検出方法、情報処理装置及び異常検出システム |
CN111257277A (zh) * | 2018-11-30 | 2020-06-09 | 湖南中烟工业有限责任公司 | 一种基于近红外光谱技术的烟叶相似度判定方法 |
CN110472625A (zh) * | 2019-08-05 | 2019-11-19 | 浙江大学 | 一种基于傅里叶描述子的象棋棋子视觉识别方法 |
CN111179592A (zh) * | 2019-12-31 | 2020-05-19 | 合肥工业大学 | 基于时空数据流融合分析的城市交通预测方法和系统 |
CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
CN111563524A (zh) * | 2020-03-18 | 2020-08-21 | 宁波送变电建设有限公司永耀科技分公司 | 一种多站融合系统运行态势异常监测和告警合并方法 |
CN111553234A (zh) * | 2020-04-22 | 2020-08-18 | 上海锘科智能科技有限公司 | 融合人脸特征与Re-ID特征排序的行人跟踪方法及装置 |
CN111612048A (zh) * | 2020-04-30 | 2020-09-01 | 中国西安卫星测控中心 | 无监督聚类异常检测的方法 |
Non-Patent Citations (1)
Title |
---|
基于局部特征尺度分解与复合谱分析的齿轮性能退化特征提取;仝蕊等;兵工学报;第第40卷卷(第第5卷期);第1093-1102页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257755A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257755B (zh) | 航天器运行状态的分析方法和装置 | |
JP6811276B2 (ja) | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 | |
US9256224B2 (en) | Method of sequential kernel regression modeling for forecasting and prognostics | |
AU2012284497B2 (en) | Monitoring system using kernel regression modeling with pattern sequences | |
US8620853B2 (en) | Monitoring method using kernel regression modeling with pattern sequences | |
US9250625B2 (en) | System of sequential kernel regression modeling for forecasting and prognostics | |
CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
JP5753286B1 (ja) | 情報処理装置、診断方法、およびプログラム | |
CN105071983A (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
US20160078457A1 (en) | System of Sequential Kernel Regression Modeling for Forecasting Financial Data | |
CN112380044B (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
CN110580488A (zh) | 基于字典学习的多工况工业监测方法、装置、设备及介质 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN113723861A (zh) | 异常用电行为检测方法、装置、计算机设备和存储介质 | |
CN114819175A (zh) | 人工智能优化平台 | |
CN116431432A (zh) | 一种kpi异常检测方法、电子设备及存储介质 | |
CN117235096A (zh) | Kpi数据的时序异常检测方法、装置、设备及介质 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN112257754B (zh) | 航天器运行状态的分析方法和装置 | |
CN112925806B (zh) | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 | |
CN115017819A (zh) | 一种基于混合模型的发动机剩余使用寿命预测方法及装置 | |
Silva et al. | UNIANO: robust and efficient anomaly consensus in time series sensitive to cross-correlated anomaly profiles | |
Wani et al. | Data Drift Monitoring for Log Anomaly Detection Pipelines |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |