CN112949753B - 一种基于二元关系的卫星遥测时序数据异常检测方法 - Google Patents
一种基于二元关系的卫星遥测时序数据异常检测方法 Download PDFInfo
- Publication number
- CN112949753B CN112949753B CN202110325281.8A CN202110325281A CN112949753B CN 112949753 B CN112949753 B CN 112949753B CN 202110325281 A CN202110325281 A CN 202110325281A CN 112949753 B CN112949753 B CN 112949753B
- Authority
- CN
- China
- Prior art keywords
- parameters
- data
- binary relation
- time sequence
- sequence data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract 1
- 230000005856 abnormality Effects 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004883 computer application Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于二元关系的卫星遥测时序数据异常检测方法,适用于具有二元关系的卫星遥测时序数据的异常检测。本方法将参数的二元关系映射到图像上,可以直观反映出参数间二元关系的不同模式。针对不同模式的特征,本发明采用卷积神经网络的方法进行特征提取,捕捉正常状态和异常状态下的多种模式特征,挖掘不同的关联模式。最终通过全连接层神经元学习这些特征,做到对正常情况和不同异常情况的识别。本发明可以有效利用参数间的关联性对卫星遥测时序数据进行异常检测,并通过数据的关联模式辅助专家进行卫星故障诊断,为卫星健康运行提供技术保障。
Description
技术领域
本发明属于卫星故障检测技术领域和计算机应用技术领域,特别涉及一种基于二元关系的卫星遥测时序数据异常检测方法。
背景技术
在轨卫星所处的星际环境极为复杂,卫星易受到太阳风暴,电磁干扰等的影响,运行过程中可能会出现各种异常和故障。若不能及时检测到异常,将会对卫星的健康状况埋下极大的隐患,因此准确地检测卫星的异常状况极为重要。由于卫星系统部件的故障会导致相关参数数据的异常,因此基于数据分析的方法检测卫星异常较为普遍。
传统的单参数异常检测方法主要针对一维时序数据,难以有效地利用多维时序数据的关联性,存在一定的局限性。基于深度学习的方法对多维时序数据的异常检测,在维度较高时难以捕捉相关参数间的重要关系,且模型的可解释性较差。难以很好地完成对卫星的异常检测任务。
发明内容
为了克服上述现有技术的缺点,解决传统方法没有有效利用相关参数间关系的问题,同时为深度学习方法提供一定的可解释性,本发明的目的在于提供一种基于二元关系的卫星遥测时序数据异常检测方法。
为了实现上述目的,本发明采用的技术方案是:
一种基于二元关系的卫星遥测时序数据异常检测方法,将具有二元关系的参数对应的卫星遥测时序数据变换为图像,采用卷积神经网络提取数据特征,学习参数间模式的变化,得到判断模型,基于该判断模型,对具有二元关系的参数对应的卫星遥测时序数据进行异常检测。
所述具有二元关系的参数包括“-Y母线负载电流”和“-Y母线电压”,“动量轮转速”和“动量轮角动量”,“俯仰角”和“偏航角”以及“太阳敏感器”和“星敏感器”等等。
与异常相关的参数集包括:
(1)–Y母线负载电流,-Y母线电压等;
(2)俯仰角,偏航角,滚动角,角动量等;
(3)红外敏感器,陀螺电机电流,温度等;
(4)反作用轮壳温,反作用轮马达电流,反作用轮转速等;
最终选取具有二元关系的参数作为训练神经网络的源数据。
所述具有二元关系的参数对应的卫星遥测时序数据包括正常数据,异常数据以及异常数据对应的故障事件,其中故障和具有二元关系的参数存在相关性。
根据故障事件的不同将异常数据分为不同的异常类别,并将异常类别和故障事件相关联,之后将具有二元关系的参数对应的遥测时序数据变换为图像并进一步压缩,最终以二维矩阵的形式存储。
将所述具有二元关系的参数对应的遥测时序数据按其全局最大最小值进行归一化,将归一化后的二维数据映射到二维空间,并将其压缩为二维矩阵,压缩方式如下:
其中src[r][c]表示原始的二维矩阵,r,c分别表示原始矩阵的行列索引,n,m分别表示原始矩阵的行,列的大小。而mat[i][j]表示压缩后二维矩阵,i,j分别表示其行列索引,n′,m′分别表示压缩后矩阵的行和列的大小。p[i],p[i+1]分别表示行方向上第i,i+1个边界,q[j],q[j+1]分别表示列方向上第j,j+1个边界,相邻边界差相同。矩阵中元素取值为0或1,对应二值图像,即卷积神经网络的输入数据为单通道图像数据。
所述卷积神经网络由卷积层、池化层、全连接层和softmax层堆叠而成,卷积层提取图像特征,池化层采用最大值池化的方式压缩图像特征,将数据划分为训练集和测试集,送入卷积神经网络模型进行训练,通过网络训练并更新模型中各层的权重参数和偏置参数,在训练中对超参数进行微调,训练结束后保存模型结构和参数。
所述卷积层和池化层交替堆叠6层,卷积层特征维度不断增大,最后一层池化层的特征单元展平后和全连接层相接;全连接层堆叠2层,然后连接softmax层,将网络输出映射到相应的类别上以构建分类器。
所述网络训练的过程中以交叉熵损失作为目标函数,并采用BP反向传播算法更新各层参数。
将具有二元关系的参数对应的卫星遥测时序数据进行预处理后送入训练好的判断模型中进行数据的分类,最终给出异常检测结果,即数据是否异常,并给出异常类别以及对应的故障事件。
与现有技术相比,本发明主要针对卫星部件的异常或故障会导致其核心参数数据异常或参数间数据模式的异常这一要点。基于二元关系,将参数间数据变换为图像并采用卷积神经网络提取数据特征,来学习参数间模式的变化,可以有效地利用多维卫星数据的特征进行异常检测,辅助专家对异常或故障的成因进行分析,具有较好可解释性。
附图说明
图1是本发明的模块设计框架图。
图2是本发明的模型训练模块的流程图。
图3是本发明异常检测实施模块的流程图。
图4是某卫星参数在正常状态下的数据图,其中(a)为“-Y主母线电压”,(b)为“-Y主母线负载电流”。
图5是图4所选参数在某异常状态下的数据图,其中(a)为“-Y主母线电压”,(b)为“-Y主母线负载电流”。
图6是将图4中对应遥测时序数据生成的图像结果。
图7是将图5中对应遥测时序数据生成的图像结果。
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,一种基于二元关系的卫星遥测时序数据异常检测方法,卫星部件的异常或故障会导致其核心参数数据异常或参数间数据模式的异常。本发明基于二元关系,先确定二元参数组(即具有二元关系的参数)以及其对应的卫星遥测时序数据,然后将数据预处理后变换为图像,构建卷积神经网络(CNN)模型,对选定的数据进行训练,提取数据特征,学习参数间模式的变化,得到判断模型,基于该判断模型,选定相应二元参数组对应的卫星遥测时序数据进行异常检测,并输出异常检测结果,为专家提供参考,本发明可以有效地利用多维卫星数据的特征进行异常检测,辅助专家对异常或故障成因进行分析,具有较好可解释性。
本发明的完整步骤如下:
步骤一:获得具有二元关系的参数对应的卫星遥测时序数据,数据包括正常数据,异常数据以及异常数据对应的故障事件。其中故障和具有二元关系的参数存在相关性。
具体地,确定和异常相关的参数集,最终选取可能存在二元关系的参数作为训练神经网络的源数据。
本发明中,所述具有二元关系的参数包括“-Y母线负载电流”和“-Y母线电压”,“动量轮转速”和“动量轮角动量”,“俯仰角”和“偏航角”以及“太阳敏感器”和“星敏感器”等等。
和异常相关的参数集包括:
(1)–Y母线负载电流,-Y母线电压等;
(2)俯仰角,偏航角,滚动角,角动量等;
(3)红外敏感器,陀螺电机电流,温度等;
(4)反作用轮壳温,反作用轮马达电流,反作用轮转速等。
本发明选取“-Y母线负载电流”和“-Y母线电压”两个参数进行说明。
步骤二:数据预处理。
如图2所示,根据故障事件的不同将异常数据分为不同的异常类别,并将异常类别和故障事件相关联,为后续的有监督学习提供完整的数据。之后将具有二元关系的参数对应的遥测时序数据变换为图像并进一步压缩,最终以二维矩阵的形式存储。
具体地,选定二元参数组后,将其数据按指定长度len进行分段。对于存在周期性规律的时序数据,按周期分段能够较为完整的保存二元参数数据在各周期内的模式。对分段后的数据进行归一化处理(各参数按其全局最大最小值进行归一化),以解决不同参数度量尺度不同的问题;将归一化后的二维数据映射到二维空间,以图像呈现。最终将原始图像压缩成大小为n*m的二维矩阵,压缩方式如下:
其中src[r][c]表示原始的二维矩阵,r,c分别表示原始矩阵的行列索引,n,m分别表示原始矩阵的行,列的大小。而mat[i][j]表示压缩后二维矩阵,i,j分别表示其行列索引,n′,m′分别表示压缩后矩阵的行和列的大小。p[i],p[i+1]分别表示行方向上第i,i+1个边界,q[j],q[j+1]分别表示列方向上第j,j+1个边界,相邻边界差相同。矩阵中元素取值为0或1,对应二值图像。
根据矩阵的大小,可以确定卷积神经网络输入维度的超参数,即张量大小。由于矩阵中值非0即1,因此输入通道设定为1。对于其他超参数,如卷积核大小,学习率等,可根据经验设定。
步骤三:构建卷积神经网络(CNN)。卷积神经网络主要由卷积层、池化层、全连接层和softmax层堆叠而成。卷积层提取图像特征,池化层采用最大值池化的方式压缩图像特征,将数据随机划分为训练集和测试集,送入卷积神经网络模型进行训练。通过网络训练并更新模型中各层的权重参数和偏置参数,可在训练中对超参数进行微调。训练结束后保存模型结构和参数,将训练并保存好的模型参数加载到网络中。
在具体的实施例中,卷积层和池化层可交替堆叠6层,卷积层特征维度不断增大,最后一层池化层的特征单元展平后和全连接层相接;全连接层堆叠2层,然后连接softmax层,将网络输出映射到相应的类别上以构建分类器。网络训练的过程中以交叉熵损失作为目标函数,并采用BP反向传播算法更新各层参数。训练过程中可对超参数进行微调,以提升模型性能。最终保存模型结构和各层参数。卷积神经网络可以有效地捕捉图像中参数二元关系的模式,能够较好地感知模式异常。
步骤四:如图3所示,采集待进行异常检测的卫星遥测时序数据,将具有二元关系的参数对应的卫星遥测时序数据进行预处理,按照步骤二的方法,将数据分段长度Len和图2中的分段长度保持一致,将二元参数组数据分段,对于分段数据,同样采用步骤二中的预处理方法将数据变换为大小为n*m的二维矩阵。然后送入训练好的判断模型中进行数据的分类,最终给出异常检测结果,即数据是否异常,并给出异常类别以及对应的故障事件。
下面以卫星二元参数组“-Y主母线电压”和“-Y主母线负载电流”为例,展示本发明方法的具体流程。
选取进出地影过程中两参数的正常数据,如图4中(a)和(b)所示。可以观察到“-Y主母线电压”一开始稳定在42V的电压,随着进地影过程的到来,其数据曲线呈现下降的趋势。随后出地影,电压快速上升至42V的稳定值。相应的,“-Y主母线负载电流”一开始呈现较为复杂的类正弦波的波形,但随着进地影过程的到来,其数据曲线快速上升至23.79V,并在出地影时快速下降至先前的状态。可以看出两参数存在一定的相关关系。
选取进出地影过程中两参数的异常数据,如图5中(a)和(b)所示。单独观察两参数,其趋势变化和正常数据的差别不大。在进出地影过程中,电压先下降后上升,但相应的电流并没有在此时间段呈现出陡增和陡降的趋势,而是在随后的几个小时才体现出来。相较于正常数据中两参数的二元关系,异常数据中两参数的二元关系模式发生了变化。
正常状况和异常状况下两参数二元关系模式的图像分别如图6和图7所示。明显地,正常状况下,当电流在18-20A范围内时,电压基本稳定在42V,两者的关联模式呈现为接近水平直线。当电流在20-24A范围内时,电压和电流呈现出接近线性相关的关系。可以发现参数“-Y主母线电压”和“-Y主母线负载电流”主要呈现出两种较为稳定的关联模式。异常状况下,两参数的关联模式和正常状况下明显不同。其他异常状况下两参数的关联模式可能呈现出更为复杂的特征。
卷积神经网络的输入为单通道的二维矩阵数据,卷积部分采用3*3的卷积核,池化部分采用核大小为2*2的最大化池化方法,并堆叠了多层。最后的池化层神经元展平后与全连接层连接,堆叠2层后连接到输出层。
Claims (4)
1.一种基于二元关系的卫星遥测时序数据异常检测方法,其特征在于,将具有二元关系的参数对应的卫星遥测时序数据变换为图像,采用卷积神经网络提取数据特征,学习参数间模式的变化,得到判断模型,基于该判断模型,对具有二元关系的参数对应的卫星遥测时序数据进行异常检测;
其中,所述具有二元关系的参数对应的卫星遥测时序数据包括正常数据,异常数据以及异常数据对应的故障事件,其中故障和具有二元关系的参数存在相关性;根据故障事件的不同将异常数据分为不同的异常类别,并将异常类别和故障事件相关联,之后将具有二元关系的参数对应的遥测时序数据变换为图像并进一步压缩,最终以二维矩阵的形式存储;
将所述具有二元关系的参数对应的遥测时序数据按其全局最大最小值进行归一化,将归一化后的二维数据映射到二维空间,并将其压缩为二维矩阵,压缩方式如下:
其中src[r][c]表示原始的二维矩阵,r,c分别表示原始矩阵的行列索引,n,m分别表示原始矩阵的行,列的大小,mat[i][j]表示压缩后二维矩阵,i,j分别表示其行列索引,n′,m′分别表示压缩后矩阵的行和列的大小,p[i],p[i+1]分别表示行方向上第i,i+1个边界,q[j],q[j+1]分别表示列方向上第j,j+1个边界,相邻边界差相同,矩阵中元素取值为0或1,对应二值图像,即卷积神经网络的输入数据为单通道图像数据;
所述卷积神经网络由卷积层、池化层、全连接层和softmax层堆叠而成,卷积层提取图像特征,池化层采用最大值池化的方式压缩图像特征,将数据划分为训练集和测试集,送入卷积神经网络模型进行训练,通过网络训练并更新模型中各层的权重参数和偏置参数,在训练中对超参数进行微调,训练结束后保存模型结构和参数;
所述卷积层和池化层交替堆叠6层,卷积层特征维度不断增大,最后一层池化层的特征单元展平后和全连接层相接;全连接层堆叠2层,然后连接softmax层,将网络输出映射到相应的类别上以构建分类器。
2.根据权利要求1所述基于二元关系的卫星遥测时序数据异常检测方法,其特征在于,所述具有二元关系的参数包括“-Y母线负载电流”和“-Y母线电压”,“动量轮转速”和“动量轮角动量”,“俯仰角”和“偏航角”以及“太阳敏感器”和“星敏感器”;与异常相关的参数集包括:–Y母线负载电流、-Y母线电压、俯仰角、偏航角、滚动角、角动量、红外敏感器、陀螺电机电流、温度、反作用轮壳温、反作用轮马达电流、反作用轮转速;最终选取具有二元关系的参数作为训练神经网络的源数据。
3.根据权利要求1所述基于二元关系的卫星遥测时序数据异常检测方法,其特征在于,所述网络训练的过程中以交叉熵损失作为目标函数,并采用BP反向传播算法更新各层参数。
4.根据权利要求1所述基于二元关系的卫星遥测时序数据异常检测方法,其特征在于,将具有二元关系的参数对应的卫星遥测时序数据进行预处理后送入训练好的判断模型中进行数据的分类,最终给出异常检测结果,即数据是否异常,并给出异常类别以及对应的故障事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325281.8A CN112949753B (zh) | 2021-03-26 | 2021-03-26 | 一种基于二元关系的卫星遥测时序数据异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325281.8A CN112949753B (zh) | 2021-03-26 | 2021-03-26 | 一种基于二元关系的卫星遥测时序数据异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949753A CN112949753A (zh) | 2021-06-11 |
CN112949753B true CN112949753B (zh) | 2023-10-24 |
Family
ID=76226898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110325281.8A Active CN112949753B (zh) | 2021-03-26 | 2021-03-26 | 一种基于二元关系的卫星遥测时序数据异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949753B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780352B (zh) * | 2021-08-10 | 2024-06-14 | 北京自动化控制设备研究所 | 一种基于神经网络的卫星接收机健康管理方法 |
CN116095089B (zh) * | 2023-04-11 | 2023-06-16 | 云南远信科技有限公司 | 遥感卫星数据处理方法及系统 |
CN117093947B (zh) * | 2023-10-20 | 2024-02-02 | 深圳特力自动化工程有限公司 | 一种发电柴油机运行异常监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018112900A1 (zh) * | 2016-12-23 | 2018-06-28 | 深圳先进技术研究院 | 一种车牌识别方法及装置、用户设备 |
CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
CN110751199A (zh) * | 2019-10-15 | 2020-02-04 | 南京航空航天大学 | 一种基于贝叶斯神经网络的卫星异常检测方法 |
CN111860446A (zh) * | 2020-08-01 | 2020-10-30 | 西安交通大学 | 一种卫星遥测时序数据未知模式的检测系统与方法 |
CN111860447A (zh) * | 2020-08-01 | 2020-10-30 | 西安交通大学 | 一种准确识别随机相移卫星遥测时序数据模式的方法 |
-
2021
- 2021-03-26 CN CN202110325281.8A patent/CN112949753B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018112900A1 (zh) * | 2016-12-23 | 2018-06-28 | 深圳先进技术研究院 | 一种车牌识别方法及装置、用户设备 |
CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
CN110751199A (zh) * | 2019-10-15 | 2020-02-04 | 南京航空航天大学 | 一种基于贝叶斯神经网络的卫星异常检测方法 |
CN111860446A (zh) * | 2020-08-01 | 2020-10-30 | 西安交通大学 | 一种卫星遥测时序数据未知模式的检测系统与方法 |
CN111860447A (zh) * | 2020-08-01 | 2020-10-30 | 西安交通大学 | 一种准确识别随机相移卫星遥测时序数据模式的方法 |
Non-Patent Citations (1)
Title |
---|
杨甲森 ; 孟新 ; 陈托 ; 智佳 ; 李虎 ; .基于遥测数据相关性的航天器异常检测.仪器仪表学报.2018,(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112949753A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949753B (zh) | 一种基于二元关系的卫星遥测时序数据异常检测方法 | |
Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
Xia et al. | Fault diagnosis for rotating machinery using multiple sensors and convolutional neural networks | |
CN107526853B (zh) | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 | |
Lu et al. | Deep model based domain adaptation for fault diagnosis | |
Gou et al. | Aeroengine control system sensor fault diagnosis based on CWT and CNN | |
CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
CN111709292B (zh) | 基于递归图和深度卷积网络的压气机振动故障检测法 | |
CN113033309B (zh) | 一种基于信号下采样及一维卷积神经网络的故障诊断方法 | |
CN113203566B (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
Gao et al. | ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks | |
Zhao et al. | Fault Diagnosis of Motor in Frequency Domain Signal by Stacked De-noising Auto-encoder. | |
Chang et al. | One-dimensional fully decoupled networks for fault diagnosis of planetary gearboxes | |
CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN113420837B (zh) | 基于多源压缩感知的故障诊断方法 | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN115392323A (zh) | 基于云边协同的轴承故障监测方法及系统 | |
CN114818826B (zh) | 基于轻量级Vision Transformer模块的故障诊断方法 | |
Praveen et al. | Using AIG in Verilog HDL, Autonomous Testing in a Family of Wien Bridge Cross Transducers | |
CN113869451B (zh) | 一种基于改进jgsa算法的变工况下滚动轴承故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
Ge et al. | A deep condition feature learning approach for rotating machinery based on MMSDE and optimized SAEs | |
CN114459760A (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
Liu et al. | Semi-supervised deep learning recognition method for the new classes of faults in wind turbine system |
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 |