CN112526558A - 一种局部数据缺失条件下的系统运行工况识别与切割方法 - Google Patents
一种局部数据缺失条件下的系统运行工况识别与切割方法 Download PDFInfo
- Publication number
- CN112526558A CN112526558A CN202011404579.XA CN202011404579A CN112526558A CN 112526558 A CN112526558 A CN 112526558A CN 202011404579 A CN202011404579 A CN 202011404579A CN 112526558 A CN112526558 A CN 112526558A
- Authority
- CN
- China
- Prior art keywords
- working condition
- time
- sequence
- target working
- condition
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请公开一种局部数据缺失条件下的系统运行工况识别与切割方法,其包括:第一步,对系统的每个工况敏感遥参序列作时间标定处理;第二步,对每个经时间标定的工况敏感遥参序列进行目标工况识别与切割,得到目标工况时刻序列集合;第三步,对所述目标工况时刻序列集合中的每个目标工况时刻序列的相邻时刻点进行差分处理,得到该目标工况时刻序列的目标工况时间间隔特征序列;第四步,生成时间间隔‑频次统计矩阵;第五步,利用所述时间间隔‑频次统计矩阵生成跨周期工况判定阈值;第六步,利用工况判定阈值修正存在跨周期混叠的目标工况时段,并以此对待分析的遥测参数数据进行准确分割,切割为对应的目标工况短数据段,以提升相关数据分析的效果。
Description
技术领域
本申请涉及一种卫星健康监控技术,尤其涉及一种局部数据缺失条件下的系统运行工况识别与切割方法。
背景技术
卫星遥测数据存在明显的周期性,且一个周期内存在不同的运行工况,在不同工况转换过程中,卫星相关遥测参数的数据幅值分布规律将发生不同程度的变化,这对相关卫星状态监测及故障诊断工作造成较大干扰。
在多工况数据条件下,由于卫星状态异常导致的数据变化和工况转换导致的数据变化都可能导致健康监测系统告警。对此,为了有效检测由卫星遥参分布变化导致的真实异常,抑制由工况变换导致的虚警干扰,在卫星异常状态监测前,对卫星各周期内的多个工况进行有效识别与分割是必不可少的。
通过分析历史全工况遥参数据,可以利用诸如聚类分析、综合逻辑判断等工况切割方法,将完整的多周期、多工况时段划分为各个周期时段,又将各个周期时段中包含的各工况时段予以识别、分割。接着,在这些独立的工况时段中提取需要的目标工况时段同时剔除不需要的过渡工况时段。利用识别、提取到的目标工况时段,可以将这些分布规律相似的目标工况遥测数据从完整遥测序列中划分、提取出来,从而消除工况转换造成的数据分布变化,减少虚警现象发生。对此,能否准确地识别、分割目标工况时段,对后续分析效果具有重要影响。
理想状态下,利用上述方法提取出的各目标工况时段应为一组单周期、单工况的独立短时段。然而,通过对实际卫星遥测数据的观察发现,卫星实际运行中存在诸如出入境转换、数据下传异常等问题,这使得下传的卫星遥测数据普遍存在实时、延时遥参数据混合,短时、长时局部时段数据缺失的现象。这些严酷的数据条件,有时将直接导致相邻两周期间的过渡工况数据丢失,使得原本应独立分属于不同周期的两个目标工况时段,错误地拼接在一起,形成工况跨周期混叠。在此情况下,传统的工况识别与切割方法,几乎仅依赖数据幅值信息而忽略时间信息。因此,这些工况切割方法只能将存在数据分布差异的目标工况时段和过渡工况时段予以切割,但对上述存在跨周期混叠的目标工况时段(分属两周期的工况被拼接在一起),则无法进行有效划分,从而导致错误工况时段的出现。不合理的工况分段将影响一些数据分析工作的开展,使得虚警现象仍然无法避免。
发明内容
针对上述实际存在的卫星跨周期工况混叠问题,本发明提出了一种局部数据缺失条件下的系统运行工况识别与切割方法。
本申请提出一种局部数据缺失条件下的系统运行工况识别与切割方法,其包括:
第一步,对系统的每个工况敏感遥参序列作时间标定处理;
第二步,对每个经时间标定的工况敏感遥参序列进行目标工况识别与切割,得到该目标工况时刻序列;所有的目标工况时刻序列构成目标工况时刻序列集合;
第三步,对所述目标工况时刻序列集合中的每个目标工况时刻序列的相邻时刻点进行差分处理,得到该目标工况时刻序列的目标工况时间间隔特征序列;所有目标工况时刻序列的目标工况时间间隔特征序列构成目标工况时间间隔特征序列集合;
第四步,生成时间间隔-频次统计矩阵;
第五步,利用所述时间间隔-频次统计矩阵生成跨周期工况判定阈值;利用跨周期工况判定阈值对目标工况时刻序列集合进行切割修正,得到经过切割修正的目标工况时刻序列集合;
第六步,利用所述经过切割修正的目标工况时刻序列集合,按照其中的各目标工况段的起止时刻,将待分析的遥测参数数据切割为对应的目标工况短数据段,以进行相关数据分析。
优选地,在第一步中,时间标定处理的具体步骤为:
基准遥参确定:对每个工况敏感遥参序列进行差分处理,得到其差分值序列;分别求取各遥参差分值序列的众数,得到遥测序列差分值众数集合;选取差分值众数最大的工况敏感遥参序列作为基准遥参序列;
基准对比搜索:自所有的工况敏感遥参序列中选出基准遥测序列,其余序列为待标定遥参序列;取基准遥参序列的各点的时间标签组成基准时间轴,以基准时间轴上的每个时间点,对所有待标定遥参序列进行关联时间范围内的搜索;如所有待标定遥参序列在关联时间范围内存在遥参数据点,则该时间点为有效时间点,待标定遥参序列在该时间点对应的数据即为有效据点;
遥参序列对齐:每个工况敏感遥参序列在有效时间点上的遥参数据点构成该序列的经时间标定的工况敏感遥参序列。
优选地,在第二步中,包括以下具体步骤:
目标工况转换阈值生成;
基于证据逻辑组合的目标工况时段判别生成。
优选地,在目标工况转换阈值生成中,
对于所述工况敏感遥参序列中的每个序列,利用多个正态分布对其多种工况进行拟合;对于每种工况,采用3σ统计原则生成工况分段阈值区间,得到该种工况的稳定工况分布的上下边界值;相邻分布的上下边界进行两两组合,得到转换工况的阈值区间;所有转换工况的阈值区间构成目标工况转换阈值集合。
优选地,在基于证据逻辑组合的目标工况时段判别生成中,
通过逻辑联结符号与逻辑比较符号,对所述的目标工况转换阈值集合进行逻辑组合,形成多证据逻辑组合判据;
利用所述基准时间轴、经时间标定的工况敏感遥参序列、所述目标工况转换阈值集合得到全部目标工况时段集合。
优选地,在第四步中,包括:
统计并提取各时间间隔特征序列的频次特征,对各时间间隔特征序列的时间间隔进行升序排列,对时间间隔值的出现频率进行统计计算,得到时间间隔-出现频率统计矩阵。
优选地,在第五步中,根据时间间隔-出现频率统计矩阵生成时间间隔判定阈值;根据时间间隔判定阈值生成跨周期工况判定阈值;
利用跨周期工况判定阈值,对所述目标工况时间间隔特征序列集合进行逐点判断,若某个目标工况时间间隔特征序列的某个时间间隔数值大于该判定阈值,说明其对应的目标工况时刻序列内存在工况跨周期混叠,该时间间隔值对应的时刻为超限时刻,以该超限时刻为界,对该目标工况时刻序列切割为2个新的目标工况时刻序列。
优选地,Δtthreshold=Δtμ+3×Δtσ;
其中,Δtthreshold为跨周期工况判定阈值;Δtμ是各目标工况时刻序列内时间间隔的均值,Δtσ是各目标工况时刻序列内时间间隔的标准差。
本发明的优点与积极效果在于:
针对各周期下卫星遥测数据中由于工况转换导致的状态监测虚警问题,以及局部数据缺失下,目标工况跨周期混叠导致的工况识别误差问题,提出了一种局部数据缺失条件下的系统运行工况识别与切割方法,通过基于多证据组合的工况识别技术,有效提取卫星遥测参数各周期内的目标工况时段,剔除无关过渡工况干扰;通过基于时间差分和松弛统计阈值的工况切割技术,对跨周期混叠的目标工况段进行切割修正。实现对卫星工况的准确识别与切割,以支持相关数据分析工作。
附图说明
图1为本申请的局部数据缺失条件下的系统运行工况识别与切割方法的流程图;
图2为其未经时间标定的原始遥参局部序列示意图;
图3为时间标定处理后的遥参序列示意图;
图4为卫星真实数据的局部数据缺失的示意图;
图5为将局部数据缺失位置进行放大分析后的结果示意图;
图6为充电电流、放电电流的分布直方图;
图7为各目标工况时段(充电工况)识别结果示意图;
图8为存在跨周期工况混叠时段的示意图;
图9为得到的时间间隔特征序列集合的示意图;
图10为工况跨周期混叠的判定修正效果示意图。
具体实施方式
本发明包括如下步骤:
步骤一、时间标定处理
假定一个完整周期内,遥参序列呈现l种状态,即存在l种运行工况,且这l种运行工况可由N个遥参序列决定,则上述N个遥参序列即作为工况敏感遥参序列,记为:
其中,Zj是第j个工况敏感遥参序列,共包含Nj个遥参数据。
步骤101:基准遥参确定
对上述工况敏感遥参序列Z1,...,Zj,...,ZN各自进行差分处理,得到其差分值序列D1,...,Dj,...,DN。分别求取各遥参差分值序列的众数,得到遥测序列差分值众数的集合:
M={m(D1),...,m(Dj),...,m(DN)}
其中m(g)表示对数值序列取众数的数学操作。
选取差分值众数最大的工况敏感遥参序列(假定为Zj)作为基准遥参序列。此后,以基准遥参序列Zj的时间轴为基准对其余待标定遥参序列Z1,...,Zn,...,ZN(n≠j)进行时间标定。
步骤102:基准对比搜索
取时间轴中第一个时间点t1,搜索其余待标定遥参序列Z1,...,Zn,...,ZN(n≠j)在t1的关联范围内的遥测参数值。以待标定要遥参序列Zn为例,t1处的关联时间范围计算方式如下:
m(Dn)为步骤101中计算得到的待标定遥参序列Zn差分值的众数,关联时间范围为左开右闭区间。其余各时刻的关联时间范围计算方法均如上述所示,后续不再赘述。
仍以待标定遥参序列Zn为例,若其在关联时间范围内存在遥参数据点则将该点作为序列Zn的首个时间标定值,记为t1被称为首个有效时间标定点,记为对于基准遥参序列Zj而言,t1所对应的数据点将作为基准遥参序列Zj的首个时间标定值,记为其余待标定遥参序列的基准搜索对比与上述过程类似,不做赘述。
步骤103:遥参序列对齐
经过时间标定处理后,上述工况敏感遥参序列变为数据点一一严格匹配的时间标定工况敏感遥参序列,记为:
经过时间标定处理,N个工况敏感遥参序列中的数据点一一严格匹配,为后续目标工况识别提供数据基础。
步骤二、目标工况识别与切割
卫星在周期性运行过程中,各周期内往往存在多个运行状态,即多运行工况。在不同运行工况下,卫星遥参数据间往往存在不同的相互关系,对此为得到预期的健康基线模型,首先需要对包含多种工况的完整序列进行目标工况识别与切割。
步骤201、目标工况转换阈值生成
在一个完整周期内若存在l种工况,那么工况敏感遥参序列中的数据必然存在l种数据分布类型。对于卫星遥参数据而言,其数据分布基本呈现正态分布特点。
对此,以经过时间标定的第j个工况敏感遥参序列Zj′为例,利用多个正态分布函数对上述l种工况下的数据进行拟合,则工况敏感遥参数据可拟合出l组正态分布参数,将各组分布参数按照其均值大小升序排列后得到工况敏感遥参序列Zj′的参数集合,记为其中分别为第i种工况下数据分布的均值、方差。
构建关联性健康基线要求数据处于目标工况的稳定时段内,对此应识别目标工况分布内的工况敏感遥参数据,并标记其目标工况持续的时间区间。对于其余工况分布内以及各工况分布间的遥参数据应予以舍弃。
对此,采用3σ统计原则生成工况分段阈值区间,以第i种工况分布为例,可得到稳定工况分布的上下边界值类似地对工况敏感遥参序列Zj′可得到l组上下边界值。将相邻分布的上下边界进行两两组合,可得到l-1组工况转换阈值区间记为:
类似地,对全部N个工况敏感遥参序列进行目标工况转换阈值生成,可以得到目标工况转换阈值集合,记为:
步骤202:基于证据逻辑组合的目标工况时段判别生成
通过AND/OR逻辑联结符号与>/<逻辑比较符号,将步骤202中获取的目标工况转换阈值集合进行逻辑组合,形成多证据逻辑组合判据,以此完成目标工况时段遥参数据的识别。其遵循如下运算流程。
输入:N个时间标定工况敏感遥参序列的统一时间标签序列N个时间标定工况敏感遥参序列Z1′,...,ZN′、目标工况转换阈值集合Zthreshold、初始目标工况状态位Label=0、初始目标工况时段元素序号i=1。
其中Label=0表示上一时刻工况敏感遥参序列的数据不属于目标工况段,Label=1表示上一时刻工况敏感遥参序列的数据属于目标工况段,i=1表示当前已识别的目标工况时刻序列数量为1。
过程:
while Label=0 do
while Label=1 do
end while
else
while Label=0 do
pass;
while Label=1 do
end while
end if
end for
步骤三、时间间隔特征提取
正常情况下,上述识别到的目标工况时刻序列集合即可满足工况识别的需求。然而,由于卫星遥参普遍存在局部数据缺失现象,导致识别到的各目标工况时刻序列中可能存在跨周期混叠现象,其具体表现为目标工况时刻序列中某些相邻点的时间间隔明显偏大。对此,需要生成准确的跨周期工况判定阈值来判别各目标工况时刻序列中是否存在跨周期混叠异常。
类似地,对其余目标工况时刻序列重复上述特征提取过程,将得到目标工况时间间隔特征序列集合:
步骤四、时间间隔-频次统计矩阵生成
时间间隔(s) | 出现频率 |
Δt<sub>1</sub> | n<sub>1</sub> |
Δt<sub>2</sub> | n<sub>2</sub> |
… | … |
Δt<sub>l</sub> | n<sub>l</sub> |
… | … |
Δt<sub>L</sub> | n<sub>L</sub> |
步骤五、跨周期工况判定阈值生成
根据步骤三、四得到的“时间间隔-出现频率”矩阵,结合一定的卫星实际遥参采样与数据传输相关知识,将“时间间隔-出现频率”矩阵内的统计特征元素划分为如下4类:
其中,遥参数据的长时段丢失是导致跨周期工况混叠的主要原因,需要合理设定阈值对其判定、修正。因此,根据步骤四得到的时间间隔-频次矩阵生成时间间隔判定阈值,其计算公式如下所示:
Δtthreshold=Δtμ+3×Δtσ
其中,Δtμ是各目标工况时刻序列内时间间隔的均值,Δtσ是各目标工况时刻序列内时间间隔的标准差。根据卫星遥参实际数据情况可知,一个目标工况时刻序列内相邻点间的时间间隔越大,出现跨周期工况混叠间题的概率越大。根据这一特点,采用3σ统计原则自适应生成跨周期工况判定阈值,记为Δtthreshold。
在此基础上,利用跨周期工况判定阈值Δtthreshold对步骤三得到的目标工况时间间隔特征序列集合进行逐点判断,若某时间间隔特征序列内的某个时间间隔数值o∈[s,e-1]超过判定阈值Δtthreshold,则说明其对应的目标工况时刻序列内存在工况跨周期混叠。
本发明提出了一种局部数据缺失条件下的系统运行工况识别与切割方法。较之传统工况识别方法,本发明增加了遥参时间信息的分析、变换、处理流程,可以有效解决修正由局部数据缺失导致的跨周期工况混叠现象,提升目标工况切割的准确度,降低由工况划分误差带来的虚警干扰。同时,本发明提出的工况修正流程具有良好的数据自适应性,在不依赖过多专家知识的情况下,自主完成了跨周期混叠工况的识别、切割与修正。在不耗费过多人力、物力成本的前提下,具备在卫星各分系统间大范围快速推广使用的良好现实价值。
以某卫星电源分系统为例。
步骤一、时间标定处理。
在某型卫星电源分系统中,选取“充电电流”、“放电电流”作为本实施例工况敏感遥参序列,选取“电池容量”为待分析遥参序列。
其未经时间标定的原始遥参局部序列如图2所示。
由图2可知,未经时间标定的3个原始遥参序列存在不同采样频率和采样时刻。
通过步骤101所述的差分处理方法,可得m(D1)=1,m(D2)=5,m(D3)=2,m(D2)>m(D3)>m(D1),因此选取充电电流作为基准遥参序列,通过步骤102、103所述的方法对遥参序列进行时间标定处理。时间标定处理后的遥参序列如图3所示。
由图3可知,经过时间标定处理,上述遥参序列实现了数据点一一严格匹配。
步骤二、目标工况识别与切割
上面展示了理想数据条件下的遥参序列运行工况的变化规律:三个序列共存在6个完整周期,每个周期中包含2种工况(蓄电池充电/蓄电池放电)。充电工况下,电池容量呈明显的单调递增趋势,放电工况下,蓄电池容量呈明显的单调递减趋势。
然而在多数情况下,卫星真实数据普遍存在局部数据缺失现象,导致上述遥参变化规律发生异常。仍以上述三个遥参序列为例,某段真实数据情况如图4所示。
图4中虚线框标注了“电池容量”遥参序列中发生局部数据缺失现象的位置。在这些局部数据缺失时段,“电池容量”遥参序列本应呈现单调递增特点,此时却出现异常阶梯状跳变现象。将局部数据缺失位置进行放大分析,其结果如图5所示。
由图5的放大分析图片可知,“电池容量”遥参序列的异常跳变现象是由工况跨周期混叠导致的:卫星蓄电池放电工况持续时间较短,局部数据缺失极易导致同周期内放电工况时段的丢失,使得不同周期的充电工况时段直接连接,从而引起“电池容量”遥参序列的跳变异常。对此,除进行工况识别与切割处理之外,还需要进行工况跨周期混叠修正。
对此,首先按照步骤201所述方法生成目标工况转换阈值。设定充电工况为目标工况。充电电流、放电电流的分布直方图如图6所示。
按照步骤201所述方法,得到本实施例的目标工况转换阈值集合Zthreshold={1.3,1.2}。
通过图7和上表观察可知,该段数据中存在由局部数据缺失导致的跨周期工况混叠,将存在跨周期工况混叠时段进行如图8的可视化绘制。
由图8可知,由于工况跨周期混叠现象的存在,使得步骤二的目标工况识别与切割方法无法对上述局部数据缺失时段的混叠工况(虚线矩形框标注)进行有效识别。
步骤三、时间间隔特征提取
按照步骤三所述的方法对识别到的目标工况时刻序列集合ttarget提取时间间隔特征,得到时间间隔特征序列集合Δttarget,其可视化曲线绘制如图9所示。
由图9可知,经过时间间隔特征提取处理,出现工况跨周期混叠的目标工况时段表现更为明显。正常情况下目标工况数据的时间间隔特征多数为1-2s,在工况跨周期混叠现象的位置,其时间间隔特征异常增长为5000s或40000s。对此,需要生成合理的阈值将其识别、再切割。
步骤四、时间间隔-频次统计矩阵生成
为了生成合理的跨周期工况判定阈值,对工况跨周期混叠位置进行识别、修正,需要在步骤三基础上进一步进行时间间隔-频次统计矩阵生成操作。按照步骤四方法所述,得到时间间隔-频次统计矩阵如下表所示:
结合实际卫星遥参情况可知,上表中的IV型特征元素由长时段局部数据缺失造成,其出现的时刻即工况跨周期混叠现象的发生时刻。对此,需要生成定量、准确的跨周期工况判定阈值,对IV型特征元素所在位置进行自适应识别判定,从而进行相关修正。
步骤五、跨周期工况判定阈值生成
利用步骤五所述的阈值计算公式,对步骤四得到的时间间隔-频次统计矩阵进行运算。最终计算得到跨周期工况判定阈值Δtthreshold为2692s。
利用得到的跨周期工况判定阈值Δtthreshold,对步骤二得到的目标工况时刻序列集合ttarget进行遍历判定,找出存在工况跨周期混叠的位置并予以修正再切割,得到经过修正更新的目标工况时刻序列新集合其各目标工况起止时刻如下表所示。
工况跨周期混叠的判定修正效果如图10所示,由图10可知,存在工况跨周期混叠的位置均被准确判定、修正。
综上所述,经检验,本发明提出的一种局部数据缺失条件下的系统运行工况识别与切割方法。经验证,在卫星电源分系统充电工况下,有效解决了频繁发生的工况混叠问题。本发明充分利用时间信息,经过修正处理后的目标工况时段,具备单周期、单工况的预期特点,有效改善了当前工况识别技术的弊端,提升了工况识别与切割的鲁棒性、准确性。同时,本发明具有良好的自适应性,不需要额外的经验知识介入,可以在卫星不同分系统间推广使用。
除非另有定义,本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的,而非限制性的。
虽然已结合具体实施方式对本发明进行了描述,在本申请的发明主旨下,本领域的技术人员可以进行适当的替换、修改和变化,这种替换、修改和变化仍属于本申请的保护范围。
Claims (8)
1.一种局部数据缺失条件下的系统运行工况识别与切割方法,其包括:
第一步,对系统的每个工况敏感遥参序列作时间标定处理,实现工况敏感遥参序列的数据点一一匹配;
第二步,对每个经时间标定的工况敏感遥参序列进行目标工况识别与切割,得到该目标工况时刻序列;所有的目标工况时刻序列构成目标工况时刻序列集合;
第三步,对所述目标工况时刻序列集合中的每个目标工况时刻序列的相邻时刻点进行差分处理,得到该目标工况时刻序列的目标工况时间间隔特征序列;所有目标工况时刻序列的目标工况时间间隔特征序列构成目标工况时间间隔特征序列集合;
第四步,生成时间间隔-频次统计矩阵,对目标工况时刻序列的时间间隔特性进行表征;
第五步,利用所述时间间隔-频次统计矩阵生成跨周期工况判定阈值;利用跨周期工况判定阈值对目标工况时刻序列集合进行切割修正,得到经过切割修正的目标工况时刻序列集合;
第六步,利用所述经过切割修正的目标工况时刻序列集合,按照其中的各目标工况段的起止时刻,将待分析的遥测参数数据切割为对应的目标工况短数据段,以进行相关数据分析。
2.如权利要求1所述的局部数据缺失条件下的系统运行工况识别与切割方法,其特征在于:
在第一步中,时间标定处理的具体步骤为:
基准遥参确定:对每个工况敏感遥参序列进行差分处理,得到其差分值序列;分别求取各遥参差分值序列的众数,得到遥测序列差分值众数集合;选取差分值众数最大的工况敏感遥参序列作为基准遥参序列;
基准对比搜索:自所有的工况敏感遥参序列中选出基准遥测序列,其余序列为待标定遥参序列;取基准遥参序列的各点的时间标签组成基准时间轴,以基准时间轴上的每个时间点,对所有待标定遥参序列进行关联时间范围内的搜索;如所有待标定遥参序列在关联时间范围内存在遥参数据点,则该时间点为有效时间点,待标定遥参序列的该遥参数据点即为对应该有效时间点的数据点;
遥参序列对齐:每个工况敏感遥参序列在有效时间点上的遥参数据点构成该序列的经时间标定的工况敏感遥参序列。
3.如权利要求2所述的局部数据缺失条件下的系统运行工况识别与切割方法,其特征在于:
在第二步中,包括以下具体步骤:
目标工况转换阈值生成;
基于证据逻辑组合的目标工况时段判别生成。
4.如权利要求3所述的局部数据缺失条件下的系统运行工况识别与切割方法,其特征在于:
在目标工况转换阈值生成中,
对于所述工况敏感遥参序列中的每个序列,利用多个正态分布对其多种工况下的数据分布进行拟合;对于各工况下的数据分布,采用3σ统计原则生成工况分段阈值区间,得到该种工况下数据分布的上下边界值;相邻分布的上下边界进行两两组合,得到转换工况的阈值区间;所有转换工况的阈值区间构成目标工况转换阈值集合。
5.如权利要求4所述的局部数据缺失条件下的系统运行工况识别与切割方法,其特征在于:
在基于证据逻辑组合的目标工况时段判别生成中,
通过逻辑联结符号与逻辑比较符号,对所述的目标工况转换阈值集合进行逻辑组合,形成多证据逻辑组合判据;
利用所述基准时间轴、经时间标定的工况敏感遥参序列、所述目标工况转换阈值集合得到全部目标工况时段集合。
6.如权利要求5所述的局部数据缺失条件下的系统运行工况识别与切割方法,其特征在于:
在第四步中,包括:
统计并提取各时间间隔特征序列的频次特征,对各时间间隔特征序列的时间间隔进行升序排列,对时间间隔值的出现频率进行统计计算,得到时间间隔-出现频率统计矩阵。
7.如权利要求6所述的局部数据缺失条件下的系统运行工况识别与切割方法,其特征在于:
在第五步中,根据时间间隔-出现频率统计矩阵生成时间间隔判定阈值;根据时间间隔判定阈值生成跨周期工况判定阈值;
利用跨周期工况判定阈值,对所述目标工况时间间隔特征序列集合进行逐点判断,若某个目标工况时间间隔特征序列的某个时间间隔数值大于该判定阈值,说明其对应的目标工况时刻序列内存在工况跨周期混叠,该时间间隔值对应的时刻为超限时刻,以该超限时刻为界,对该目标工况时刻序列切割为2个新的目标工况时刻序列。
8.如权利要求9所述的局部数据缺失条件下的系统运行工况识别与切割方法,其特征在于:
Δtthreshold=Δtμ+3×Δtσ;
其中,Δtthreshold为跨周期工况判定阈值;Δtμ是各目标工况时刻序列内时间间隔的均值,Δtσ是各目标工况时刻序列内时间间隔的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404579.XA CN112526558B (zh) | 2020-12-03 | 2020-12-03 | 一种局部数据缺失条件下的系统运行工况识别与切割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404579.XA CN112526558B (zh) | 2020-12-03 | 2020-12-03 | 一种局部数据缺失条件下的系统运行工况识别与切割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112526558A true CN112526558A (zh) | 2021-03-19 |
CN112526558B CN112526558B (zh) | 2023-09-08 |
Family
ID=74997500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011404579.XA Active CN112526558B (zh) | 2020-12-03 | 2020-12-03 | 一种局部数据缺失条件下的系统运行工况识别与切割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112526558B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743870A (zh) * | 2024-02-20 | 2024-03-22 | 山东齐鸿工程建设有限公司 | 一种基于大数据的水利数据管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020178258A1 (en) * | 2001-05-22 | 2002-11-28 | Hushing Sumner K. | System and method for processing and monitoring telemetry data |
US20140222379A1 (en) * | 2011-07-15 | 2014-08-07 | European Space Agency | Method and apparatus for monitoring an operational state of a system on the basis of telemetry data |
CN107942994A (zh) * | 2017-11-07 | 2018-04-20 | 湖南捷能高新技术有限公司 | 一种基于温度曲线特征的卫星温控系统故障诊断方法 |
US10075454B1 (en) * | 2015-03-31 | 2018-09-11 | Symantec Corporation | Using telemetry data to detect false positives |
CN110113093A (zh) * | 2019-04-18 | 2019-08-09 | 中国科学院国家空间科学中心 | 一种组件化有效载荷地面综合测试系统 |
CN111612050A (zh) * | 2020-04-30 | 2020-09-01 | 中国西安卫星测控中心 | 遥测数据异常检测的方法 |
-
2020
- 2020-12-03 CN CN202011404579.XA patent/CN112526558B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020178258A1 (en) * | 2001-05-22 | 2002-11-28 | Hushing Sumner K. | System and method for processing and monitoring telemetry data |
US20140222379A1 (en) * | 2011-07-15 | 2014-08-07 | European Space Agency | Method and apparatus for monitoring an operational state of a system on the basis of telemetry data |
US10075454B1 (en) * | 2015-03-31 | 2018-09-11 | Symantec Corporation | Using telemetry data to detect false positives |
CN107942994A (zh) * | 2017-11-07 | 2018-04-20 | 湖南捷能高新技术有限公司 | 一种基于温度曲线特征的卫星温控系统故障诊断方法 |
CN110113093A (zh) * | 2019-04-18 | 2019-08-09 | 中国科学院国家空间科学中心 | 一种组件化有效载荷地面综合测试系统 |
CN111612050A (zh) * | 2020-04-30 | 2020-09-01 | 中国西安卫星测控中心 | 遥测数据异常检测的方法 |
Non-Patent Citations (3)
Title |
---|
LEE J 等: "Measurement of machine performance degradation using a neural network model", COMPUTERS IN INDUSTRY, vol. 30, no. 3, pages 193, XP000639663 * |
刘帆;刘兵;陈军;周映霞;郭静;: "一种基于时序形态的航天器动态模式提取方法", 飞行器测控学报, no. 03, pages 193 - 199 * |
宋登巍 、吕琛 等: "基于健康基线和马氏距离的液压系统变工况健康评估", 系统仿真技术, vol. 13, no. 3, pages 201 - 207 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743870A (zh) * | 2024-02-20 | 2024-03-22 | 山东齐鸿工程建设有限公司 | 一种基于大数据的水利数据管理系统 |
CN117743870B (zh) * | 2024-02-20 | 2024-05-10 | 山东齐鸿工程建设有限公司 | 一种基于大数据的水利数据管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112526558B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
CN108647136B (zh) | 基于smart信息和深度学习的硬盘损坏预测方法及装置 | |
US11520676B2 (en) | Method and system for power equipment diagnosis based on windowed feature and Hilbert visualization | |
EP3552067B1 (en) | Methods and systems for discovery of prognostic subsequences in time series | |
CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
JP6871877B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
CN108683658B (zh) | 基于多rbm网络构建基准模型的工控网络流量异常识别方法 | |
CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
CN111191950B (zh) | 风电机组齿轮箱油温异常分析方法及装置 | |
CN106971058A (zh) | 一种泵站运行监控数据异常点检测方法 | |
CN112526558A (zh) | 一种局部数据缺失条件下的系统运行工况识别与切割方法 | |
CN114528942A (zh) | 工程机械的数据样本库的构建、故障预测方法及工程机械 | |
CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
CN110562296A (zh) | 一种基于lkj列控运行文件数据连续波动异常识别方法 | |
CN113033673B (zh) | 电机工况异常检测模型的训练方法及系统 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN110909813B (zh) | 一种基于边缘算法的商业体异常用电检测方法 | |
CN113806615A (zh) | 一种智能it运维系统的kpi异常预警方法 | |
CN112464146B (zh) | 一种基于历史遥测数据的关键分系统及单机关联性健康基线构建方法 | |
CN115511106B (zh) | 基于时序数据生成训练数据的方法、设备和可读存储介质 | |
CN117527451B (zh) | 一种网络入侵检测方法、装置、电子设备及存储介质 | |
CN114637793B (zh) | 一种基于大数据分析的装备故障频发区域定位方法 | |
CN111626586B (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
US20240118186A1 (en) | Auto gating of qc based on population analysis |
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 |