CN113326744B - 一种航天器在轨状态异常检测方法及系统 - Google Patents

一种航天器在轨状态异常检测方法及系统 Download PDF

Info

Publication number
CN113326744B
CN113326744B CN202110517095.4A CN202110517095A CN113326744B CN 113326744 B CN113326744 B CN 113326744B CN 202110517095 A CN202110517095 A CN 202110517095A CN 113326744 B CN113326744 B CN 113326744B
Authority
CN
China
Prior art keywords
data
spacecraft
wavelet
value
point
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
Application number
CN202110517095.4A
Other languages
English (en)
Other versions
CN113326744A (zh
Inventor
王日新
李玉庆
陈景龙
雷明佳
冯小恩
徐敏强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110517095.4A priority Critical patent/CN113326744B/zh
Publication of CN113326744A publication Critical patent/CN113326744A/zh
Application granted granted Critical
Publication of CN113326744B publication Critical patent/CN113326744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种航天器在轨状态异常检测方法，包括以下步骤：步骤一、对采集到的航天器遥测信号进行预处理；步骤二、对经过预处理的信号数据进行时域统计特征分析，并进行健康状态评价；步骤三、对统计特征表现正常的遥测数据，进行异变点检测分析，通过采用基于小波变换的方法对遥测信号局部时频变化进行分解分析得到航天器状态异变检测结果。本发明通过对实际遥测数据进行预处理、时域统计特征提取、小波变换等操作，实现航天器状态异变检测，解决了实际工程中航天器部件或系统的物理模型难以构建、现有检测方法对突变异常不敏感等问题，提高了航天器在轨状态异常检测的准确率。

Description

一种航天器在轨状态异常检测方法及系统
技术领域
本发明涉及航天器技术领域，具体涉及一种航天器在轨状态异常检测方法及系统。
背景技术
目前关于航天器状态异常检测方法的研究大多停留在针对航天器分系统或关键部件物理建模与仿真的基础上，并基于模型仿真数据对方法进行验证，但工程实践中，物理模型往往难以获得，因此仿真数据与实际遥测数据之间，无论是在采样频率、数据形态还是数据特征表现上均存在很大差异，例如实际遥测数据存在野值、数据丢包等问题，且遥测数据不同时间段采样频率不一致。此外，现有的一些数据分析技术直接应用于航天器在轨状态异常检测问题中时仍存在一些问题，例如：在轨运行期间基于神经网络的异常检测技术耗时长且训练数据的数量和丰富程度难以达到算法要求；针对遥测数据这类甚低频数据，基于时频域分析的异常检测技术难以奏效；航天器在轨运行期间大部分故障或异常表现为突变或跳变异常，基于统计分析或概率模型的诊断方法往往对这类异常不敏感。
发明内容
本发明是要解决实际工程中航天器部件或系统的物理模型难以构建、现有检测方法对突变异常不敏感等问题，进而提供了一种航天器在轨状态异常检测方法及系统。
本发明的航天器在轨状态异常检测方法，包括以下步骤：
步骤一、对采集到的航天器遥测信号进行预处理；
步骤二、对经过预处理的信号数据进行时域统计特征分析，并进行健康状态评价；
步骤三、对统计特征表现正常的遥测数据，进行异变点检测分析，通过采用基于小波变换的方法对遥测信号局部时频变化进行分解分析得到航天器状态异变检测结果。
本发明还涉及一种航天器在轨状态异常检测系统。
有益效果
本发明的航天器状态异常检测对保障航天器在轨正常运行、在轨任务顺利执行与指导航天器地面设计均具有重要意义。通过对实际遥测数据进行预处理、时域统计特征提取、小波变换等操作，实现航天器状态异变检测，解决了实际工程中航天器部件或系统的物理模型难以构建、现有检测方法对突变异常不敏感等问题，提高了航天器在轨状态异常检测的准确率。
附图说明
图1为本发明的航天器在轨状态异常检测方法实施流程图；
图2为本发明航天器在轨状态异常检测中莱特准则的实施流程图；
图3为本发明中基于小波变换的航天器遥测数据异变点检测流程图。
具体实施方式
以下以具体实施方法对本发明进一步说明。
如图1至3所示，本发明的航天器在轨状态异常检测方法，包括如下步骤：
步骤一、对采集到的航天器遥测信号进行预处理；预处理包括剔除野值点和填补缺失数据项：
剔除野值点，具体可采用目测法、均方值或莱特准则剔除野值，具体方法分别如下：
设一列遥测信号为x＝{x1，x2，…，xi，…，xn}，i＝1，2，…，n；
利用目测法剔除野值时，通过绘制遥测数据时域波形图，通过目测可以判断信号中存在明显超出正常值范围4倍以上的数据，可以当做野值点直接剔除；
利用均方值剔除野值时，通过计算一段遥测信号的均方值E[x2]，进一步计算信号中各数据点的方差
Figure BDA0003061987920000025
和偏差ei，设定
Figure BDA0003061987920000026
和ei的阈值，超出阈值范围的数据点可以直接剔除，其中均方值、方差、偏差计算方法如下式
Figure BDA0003061987920000021
Figure BDA0003061987920000022
ei＝xi-mx
利用莱特准则剔除野值时，对于采集几个数据的测量列x，先求算术平均值
Figure BDA0003061987920000023
及剩余误差
Figure BDA0003061987920000027
然后再根据贝塞尔法求得均方根偏差
Figure BDA0003061987920000024
判别依据如下(假设vi服从正态分布，即测量列也服从正态分布)：
若
Figure BDA0003061987920000028
则xi为粗大误差，应予以舍弃；
若
Figure BDA0003061987920000029
则xi为正常数据，应予以保留。
填补缺失数据项，具体方法如下：
按简单随机抽样的方法从总体中抽取大小为n的样本s，样本目标值记为y1,y2,…,yn，回答集用sr表示，回答的个数为r个，缺失集用sn-r表示，缺失的个数为n-r个，s＝sr∪sn-r，则样本的构成可设为前r个为回答数据，后n-r个为缺失数据：y1,y2,…,yr,yr+1,…,yn。缺失数据
Figure BDA0003061987920000031
用回答数据的均值
Figure BDA0003061987920000032
插补，其中
Figure BDA0003061987920000033
步骤二、对经过预处理的信号数据进行时域统计特征分析，并进行健康状态评价；
对经过预处理的航天器遥测数据进行时域统计特征提取，并基于数据特征和分布特征初步判断遥测数据是否存在异常状态，包括遥测数据的位置特性、分散性、分布形态以及时域统计特性，并基于上述统计特征值对航天器健康状态进行初步评估。
遥测数据位置特征提取，具体方法如下：
表示位置的数字特征有均值
Figure BDA0003061987920000034
中位数M、分位数等Mp，它们的具体公式如下：
Figure BDA0003061987920000035
Figure BDA0003061987920000036
Figure BDA0003061987920000037
其中Mp是对0≤p＜1数据的p分位数；x(i)是将数据从小到大排列后的第i个值；[np]为np的整数部分；
遥测数据分散性特征提取，具体方法如下：
表示数据分散性的参数有：方差σ2、标准差σ、极差R等，它们的具体定义形式见下式：
Figure BDA0003061987920000038
Figure BDA0003061987920000039
R＝x(n)-x(1)
其中：x(1),x(2),…,x(n)为把数据x1,x2,…,xn由小到大排列得到的新数据；
遥测数据分布形态的特征提取，具体方法如下：
刻画数据分布形状的指标有：偏度g1、峰度g2等，它们的具体计算公式如下：
Figure BDA0003061987920000041
Figure BDA0003061987920000042
偏度刻画数据分布对称性，若g1≈0则认为数据分布是近似对称的；若g1＞0称为右偏态，此时在均值右边的数据更为分散；反之称为左偏态，此时在均值左边的数据更加分散。峰度是以正态分布为指标，当数据总体分布为正态分布时，峰度g2≈0；若g2＞0表示数据中有较多远离均值的极端数据；若g2＜0表示均值两侧的极端数据较少；
时域统计特征提取，具体方法如下：
时域统计特征提取，主要计算遥测信号峰值、峰峰值、绝对均值、均方值等有量纲幅域参数：峰值
Figure BDA0003061987920000043
反映信号的强度，峰-峰值
Figure BDA0003061987920000044
与信号峰值类似，但是排除了信号中直流成分的影响，绝对均值
Figure BDA0003061987920000045
均方值
Figure BDA0003061987920000046
基于时域统计特征值对航天器健康状态进行初步评估，具体方法如下：
对航天器遥测数据进行数据切片处理，对每一段数据计算特征值形成数据切片特征值序列，再根据莱特准则计算各时域统计特征值序列的算术平均值、剩余误差以及均方根偏差，根据3σ准则判断数据是否超出正常范围；
航天器遥测数据切片处理的具体步骤为：设置切片滑动窗长度为length，滑动步长为step，以该滑动窗将遥测数据进行连续等间隔等长度切片，构成遥测数据切片集合；
对航天器遥测数据切片集进行初步状态检测的具体步骤为：分别计算切片集中各片段的时域统计特征值，并形成时域统计特征值序列，分别计算各统计参量的算术平均值、剩余误差以及均方根偏差，根据莱特准则初步判断遥测数据的健康状态。
步骤三、对统计特征表现正常的遥测数据，进行异变点检测分析，通过采用基于小波变换的方法对遥测信号局部时频变化进行分解分析得到航天器状态异变检测结果。
对经过初步检测结果为正常的遥测数据进行基于小波分析的异常点检测，首先对输入数据按时间进行重排序，根据特征值转化需求对部分特征进行基于包络线和回归分析的转化，然后进行小波分解，计算小波模极大值，寻找各层系数阈值内均为模极大值点的{P}作为异变点，并输出异变点。
判断特征值是否需要转化，具体方法如下：根据异变在遥测量中的表现将其变化特征通过计算包络线等方式转化为阶跃型异变；小波分解，具体方法如下：
对于连续的情况，定义小波函数：
Figure BDA0003061987920000051
其中，a为伸缩因子：b为平移因子。则对信号x(t)的连续小波变换(CWT)定义为：
Figure BDA0003061987920000052
其逆变换(恢复信号或重构信号)为：
Figure BDA0003061987920000053
其中，
Figure BDA0003061987920000054
Figure BDA0003061987920000055
是ψ(k)的傅里叶变换。
对于离散的情况，定义小波函数(这里指二进小波)：
Figure BDA0003061987920000056
对信号x(t)的离散小波变换(DWT)定义为：
Figure BDA0003061987920000057
其逆变换(恢复信号或重构信号)为：
Figure BDA0003061987920000058
其中，C是与信号无关的常数；
基于小波分解的信号奇异点分步检测法具体方法如下：
第一步：设待检信号为x(t)，选择小波基函数ψ1(t)，使得|ψ1(t)|在t＝0取得最大值，利用ψ1(t)检测信号x(t)的脉冲奇异点；
第二步：根据第一步的检测结果构造新信号x*(t)，使得新信号x*(t)在x(t)的脉冲奇异点处连续；
第三步：选择小波基函数ψ2(t)，使其原函数为θ2(t)满足|θ2(t)|在t＝0取得最大值。利用ψ2(t)检测信号x*(t)的阶跃奇异点，即x(t)的阶跃奇异点；
小波变换模极大值求解具体方法如下：
模极大值定义：在尺度s0下，若
Figure BDA0003061987920000061
则称点(s0,x0)是小波变换模极大值点。若对属于x0的某一邻域内的任意点x，有|Wf(s,x)|≤|Wf(s0,x0)|，则尺度空间(s0,x0)中所有模极大值点的连线称为模极大值线。在实际应用中，可用非对称小波检测阶跃奇异点，用对称小波检测局部极值点。而且仅在一个尺度下检测突变点常常还很难确定真正的突变点的位置和类型，因此需要多尺度检测。只有在多个尺度上都是极值点的位置才是真正的突变点所在位置；
基于小波变换模极大值法的奇异性检测方法具体步骤如下：
输入：待分析序列f(n),n＝1,2,3,…k，
输出：奇异点位置和种类；
Step1:选择适当的小波W，分解层次J和阈值T
Step2:对f(n)进行二进制小波变换，得到各层的小波系数：W1 f(k)，W2 f(k)，……WJ f(k)；
Step3:对WJf(n),n＝1,2,3,…k进行阈值处理，对于小波系数低于阈值T的令其等于0。
Step4:检测各层小波系数Wjf(n),j＝1,2,…J的模极大值点，即如果k＝m是极大值点，则满足下面两个条件：
Wjf(m)≥T
|Wjf(m)|≥|Wjf(m-1)|且|Wjf(m)|≥|Wjf(m+1)|
由此可得到各层的模极大值点tj,m；
Step5:对第四步获得的各层的模极大值点，逐一检测各尺度上的极大值点为同样的时间点。即若某一点为奇异点，则该点的各尺度的小波系数均为模极大值点；
Step6:根据所选择的小波是反对称的还是对称的，确定得到的点是阶跃边缘点还是局部极值点；
Step7:输出奇异点位置和类型。
本发明还包括根据上述航天器在轨状态异常检测方法设计的系统。
上述内容仅为本发明的较佳实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。

Claims (7)

1.一种航天器在轨状态异常检测方法，其特征在于，包括以下步骤：
步骤一、采集到航天器遥测信号，并进行预处理：预处理包括剔除野值点和填补缺失数据项；
步骤二、对经过预处理的信号数据进行时域统计特性分析，并进行健康状态评价：对经过预处理的航天器遥测数据进行时域统计特性提取，并基于数据特性和分布特性初步判断遥测数据是否存在异常状态，时域统计特性包括遥测数据的位置特性、分散性、分布形态，并基于上述统计特性值对航天器健康状态进行初步评估；
步骤三、对上述步骤中统计特性表现正常的遥测数据，进行异变点检测分析，采用基于小波变换的方法对遥测信号局部时频变化进行分解分析，最后得到航天器状态异变检测结果：对经过初步检测结果为正常的遥测数据进行基于小波分析的异变点检测，首先对输入数据按时间进行重排序，根据特性值转化需求对部分特征进行基于包络线和回归分析的转化，然后进行小波分解，计算小波模极大值，寻找各层系数阈值内均为模极大值点的{P}作为异变点，并输出异变点。
2.根据权利要求1所述的航天器在轨状态异常检测方法，其特征在于，步骤一中，采用目测法、均方值或莱特准则剔除野值，具体方法分别如下：
设一列遥测信号为x＝{x1，x2，…，xi，…，xn}，i＝1，2，…，n；
利用目测法剔除野值时，通过绘制遥测数据时域波形图，通过目测可以判断信号中存在明显超出正常值范围4倍以上的数据，当做野值点直接剔除；
利用均方值剔除野值时，通过计算一段遥测信号的均方值E[x2]，进一步计算信号中各数据点的方差
Figure FDA0004019029740000011
和偏差ei，设定
Figure FDA0004019029740000012
和ei的阈值，超出阈值范围的数据点直接剔除，其中均方值、方差、偏差计算方法如下式
Figure FDA0004019029740000013
Figure FDA0004019029740000014
ei＝xi-mx
利用莱特准则剔除野值时，对于采集几个数据的测量列x，先求算术平均值，mx为样本的期望，
Figure FDA0004019029740000015
及剩余误差
Figure FDA0004019029740000017
然后再根据贝塞尔法求得均方根偏差
Figure FDA0004019029740000016
判别依据如下：
若
Figure FDA0004019029740000029
则xi为粗大误差，应予以舍弃；
若
Figure FDA00040190297400000210
则xi为正常数据，应予以保留。
3.根据权利要求2所述的航天器在轨状态异常检测方法，其特征在于，步骤一中，所述填补缺失数据项，具体方法如下：
按简单随机抽样的方法从总体中抽取大小为n的样本s，样本目标值记为y1,y2,…,yn，回答集用sr表示，回答的个数为r个，缺失集用sn-r表示，缺失的个数为n-r个，s＝sr∪sn-r，则样本的构成可设为前r个为回答数据，后n-r个为缺失数据：y1,y2,…,yr,yr+1,…,yn；缺失数据
Figure FDA0004019029740000021
用回答数据的均值
Figure FDA0004019029740000022
插补，其中
Figure FDA0004019029740000023
4.根据权利要求2所述的航天器在轨状态异常检测方法，其特征在于，步骤二中，遥测数据位置特性提取，具体方法如下：
表示位置的特性有均值
Figure FDA0004019029740000024
中位数M、分位数等Mp，具体公式如下：
Figure FDA0004019029740000025
n为xi的个数；
Figure FDA0004019029740000026
Figure FDA0004019029740000027
其中Mp是对0≤p＜1数据的p分位数；x(i)是将数据从小到大排列后的第i个值；[np]为np的整数部分；
遥测数据分散性特性提取，具体方法如下：
表示数据分散性的参数有：方差σ2、标准差σ、极差R等，具体定义形式如下：
Figure FDA0004019029740000028
Figure FDA0004019029740000031
R＝x(n)-x(1)
其中：x(1),x(2),…,x(n)为把数据x1,x2,…,xn由小到大排列得到的新数据；
遥测数据分布形态的特性提取，具体方法如下：
刻画数据分布形状的指标有：偏度g1、峰度g2等，计算公式如下：
Figure FDA0004019029740000032
Figure FDA0004019029740000033
偏度刻画数据分布对称性，若g1≈0则认为数据分布是近似对称的；若g1＞0称为右偏态，此时在均值右边的数据更为分散；反之称为左偏态，此时在均值左边的数据更加分散；峰度是以正态分布为指标，当数据总体分布为正态分布时，峰度g2≈0；若g2＞0表示数据中有较多远离均值的极端数据；若g2＜0表示均值两侧的极端数据较少；
时域统计特性提取，具体方法如下：
时域统计特性提取，主要计算遥测信号峰值、峰峰值、绝对均值、均方值等有量纲幅域参数：峰值
Figure FDA0004019029740000034
反映信号的强度，峰-峰值
Figure FDA0004019029740000035
与信号峰值类似，但是排除了信号中直流成分的影响，绝对均值
Figure FDA0004019029740000036
均方值
Figure FDA0004019029740000037
5.根据权利要求1所述的航天器在轨状态异常检测方法，其特征在于，步骤二中，基于时域统计特性值对航天器健康状态进行初步评估，具体方法如下：
对航天器遥测数据进行数据切片处理，对每一段数据计算特性值形成数据切片特性值序列，再根据莱特准则计算各时域统计特性值序列的算术平均值、剩余误差以及均方根偏差，根据3σ准则判断数据是否超出正常范围；
航天器遥测数据切片处理的具体步骤为：设置切片滑动窗长度为length，滑动步长为step，以该滑动窗将遥测数据进行连续等间隔等长度切片，构成遥测数据切片集合；
对航天器遥测数据切片集进行初步状态检测的具体步骤为：分别计算切片集中各片段的时域统计特性值，并形成时域统计特性值序列，分别计算各统计参量的算术平均值、剩余误差以及均方根偏差，根据莱特准则初步判断遥测数据的健康状态。
6.根据权利要求1所述的航天器在轨状态异常检测方法，其特征在于，步骤三中，对经过初步检测结果为正常的遥测数据进行基于小波分析的异常点检测，首先对输入数据按时间进行重排序，根据特性值转化需求对部分特性进行基于包络线和回归分析的转化，然后进行小波分解，计算小波模极大值，寻找各层系数阈值内均为模极大值点的{P}作为异变点，并输出异变点；
判断特性值是否需要转化，具体方法如下：根据异变在遥测量中的表现将其变化特性通过计算包络线等方式转化为阶跃型异变；小波分解，具体方法如下：
对于连续的情况，定义小波函数：
Figure FDA0004019029740000041
其中，a为伸缩因子：b为平移因子；则对信号x(t)的连续小波变换(CWT)定义为：
Figure FDA0004019029740000042
其逆变换(恢复信号或重构信号)为：
Figure FDA0004019029740000043
其中，
Figure FDA0004019029740000044
Figure FDA0004019029740000045
是ψ(k)的傅里叶变换；
对于离散的情况，定义小波函数：
Figure FDA0004019029740000046
对信号x(t)的离散小波变换(DWT)定义为：
Figure FDA0004019029740000047
其逆变换(恢复信号或重构信号)为：
Figure FDA0004019029740000048
其中，C是与信号无关的常数。
7.根据权利要求2所述的航天器在轨状态异常检测方法，其特征在于，步骤三中，基于小波分析的异变点检测中，具体如下：
第一步：设待检信号为x(t)，选择小波基函数ψ1(t)，使得|ψ1(t)|在t＝0取得最大值，利用ψ1(t)检测信号x(t)的脉冲奇异点；
第二步：根据第一步的检测结果构造新信号x*(t)，使得新信号x*(t)在x(t)的脉冲奇异点处连续；
第三步：选择小波基函数ψ2(t)，使其原函数为θ2(t)满足|θ2(t)|在t＝0取得最大值；利用ψ2(t)检测信号x*(t)的阶跃奇异点，即x(t)的阶跃奇异点；
小波变换模极大值求解具体方法如下：
模极大值定义：在尺度s0下，若
Figure FDA0004019029740000051
则称点(s0,x0)是小波变换模极大值点；若对属于x0的某一邻域内的任意点x，有|Wf(s,x)|≤|Wf(s0,x0)|，则尺度空间(s0,x0)中所有模极大值点的连线称为模极大值线；
基于小波变换模极大值法的奇异性检测方法具体步骤如下：
输入：待分析序列f(n),n＝1,2,3,…k，
输出：奇异点位置和种类；
Step1:选择适当的小波W，分解层次J和阈值T
Step2:对f(n)进行二进制小波变换，得到各层的小波系数：W1f(k)，W2f(k)，……WJf(k)；
Step3:对WJf(n),n＝1,2,3,…k进行阈值处理，对于小波系数低于阈值T的令其等于0；
Step4:检测各层小波系数Wjf(n),j＝1,2,…J的模极大值点，即如果k＝m是极大值点，则满足下面两个条件：
Wjf(m)≥T
|Wjf(m)|≥|Wjf(m-1)|且|Wjf(m)|≥|Wjf(m+1)|
由此可得到各层的模极大值点tj,m；
Step5:对第四步获得的各层的模极大值点，逐一检测各尺度上的极大值点为同样的时间点；即若某一点为奇异点，则该点的各尺度的小波系数均为模极大值点；
Step6:根据所选择的小波是反对称的还是对称的，确定得到的点是阶跃边缘点还是局部极值点；
Step7:输出异变点位置和类型。
CN202110517095.4A 2021-05-12 2021-05-12 一种航天器在轨状态异常检测方法及系统 Active CN113326744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110517095.4A CN113326744B (zh) 2021-05-12 2021-05-12 一种航天器在轨状态异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110517095.4A CN113326744B (zh) 2021-05-12 2021-05-12 一种航天器在轨状态异常检测方法及系统

Publications (2)

Publication Number Publication Date
CN113326744A CN113326744A (zh) 2021-08-31
CN113326744B true CN113326744B (zh) 2023-03-03

Family

ID=77415402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110517095.4A Active CN113326744B (zh) 2021-05-12 2021-05-12 一种航天器在轨状态异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN113326744B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881110B (zh) * 2022-04-02 2023-07-21 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
CN115238753B (zh) * 2022-09-21 2022-12-06 西南交通大学 一种基于局部离群因子的自适应shm数据清洗方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102186069A (zh) * 2011-01-14 2011-09-14 王慧 一种保持量测性能的遥感影像数据压缩方法
CN103646167A (zh) * 2013-11-22 2014-03-19 北京空间飞行器总体设计部 一种基于遥测数据的卫星异常状态检测系统
CN105490777A (zh) * 2015-11-30 2016-04-13 上海卫星工程研究所 卫星遥测数据野值剔除预处理方法
CN106055919A (zh) * 2016-08-09 2016-10-26 航天东方红卫星有限公司 一种基于遥测数据小波变换的卫星异常检测方法
CN112269196A (zh) * 2020-10-15 2021-01-26 周建华 一种基于时频特征的铷钟异常诊断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9031336B2 (en) * 2013-04-10 2015-05-12 Southwest Research Institute Systems and methods for hybrid compression of spectral image data
CN104749532B (zh) * 2015-03-20 2018-01-09 南京航空航天大学 一种航天器电源系统故障检测方法及装置
EP3787975A4 (en) * 2018-04-30 2022-01-26 John Francis Dargin, III REMOVING SPACE GARBAGE FROM EARTH ORBIT
CN112257755B (zh) * 2020-09-24 2023-07-28 北京航天测控技术有限公司 航天器运行状态的分析方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102186069A (zh) * 2011-01-14 2011-09-14 王慧 一种保持量测性能的遥感影像数据压缩方法
CN103646167A (zh) * 2013-11-22 2014-03-19 北京空间飞行器总体设计部 一种基于遥测数据的卫星异常状态检测系统
CN105490777A (zh) * 2015-11-30 2016-04-13 上海卫星工程研究所 卫星遥测数据野值剔除预处理方法
CN106055919A (zh) * 2016-08-09 2016-10-26 航天东方红卫星有限公司 一种基于遥测数据小波变换的卫星异常检测方法
CN112269196A (zh) * 2020-10-15 2021-01-26 周建华 一种基于时频特征的铷钟异常诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"一种基于SD-ICA的卫星电池健康状态估计方法";陈景龙,王日新,李玉庆，徐敏强，黄文虎;《北京航空航天大学学报》;20200824;全文 *
"基于遥测时序数据的航天器异常检测技术应用研究";宁顺成;《中国优秀硕士学位论文全文数据库》;20200215;全文 *

Also Published As

Publication number Publication date
CN113326744A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Elshorbagy et al. Noise reduction in chaotic hydrologic time series: facts and doubts
CN113326744B (zh) 一种航天器在轨状态异常检测方法及系统
Dash et al. A novel interval‐halving framework for automated identification of process trends
Zhou Heteroscedasticity and autocorrelation robust structural change detection
Methot Jr et al. Adjusting for bias due to variability of estimated recruitments in fishery assessment models
CN112416643A (zh) 无监督异常检测方法与装置
CN111046564A (zh) 两阶段退化产品的剩余寿命预测方法
CN114036974A (zh) 一种基于健康监测数据的桥梁冲刷动力识别方法
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
Lee et al. Monitoring nonlinear profiles using a wavelet-based distribution-free CUSUM chart
Dette et al. Relevant change points in high dimensional time series
Thiyagarajan et al. A temporal forecasting driven approach using facebook’s prophet method for anomaly detection in sewer air temperature sensor system
CN117434153B (zh) 基于超声波技术的道路无损检测方法及系统
CN112416662A (zh) 多时间序列数据异常检测方法与装置
Dervilis et al. Robust methods for outlier detection and regression for SHM applications
CN115359846A (zh) 一种组学数据的批次矫正方法、装置、存储介质及电子设备
CN116304912A (zh) 一种基于深度学习transformer神经网络的传感器气体浓度检测方法
Mateus et al. Assessment of two techniques to merge ground-based and TRMM rainfall measurements: a case study about Brazilian Amazon Rainforest
Xia et al. A computationally efficient self-starting scheme to monitor general linear profiles with abrupt changes
CN114492146A (zh) 基于迁移学习的螺栓群松动定位和定量分析方法及系统
CN117408855B (zh) 水库工程安全管理方法、系统、存储介质及计算机设备
Zhang et al. Wavelet-Based Profile Monitoring Using Order-Thresholding Recursive CUSUM Schemes
Slišković et al. Data preprocessing in data based process modeling
CN111060591A (zh) 基于空洞卷积网络的金属零件疲劳监测方法及系统
Steland Vertically weighted averages in Hilbert spaces and applications to imaging: fixed-sample asymptotics and efficient sequential two-stage estimation

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