CN113496261A - 一种卫星遥测数据的在轨异常监测方法 - Google Patents

Abstract

本发明公开一种卫星遥测数据的在轨异常监测方法，首先对被监测的遥测数据进行中心化处理，得到中心化的被监测遥测数据；然后，采用映射函数及重构函数，将中心化后的被监测的遥测数据进行投影和重构，得到重构的遥测数据；最后，根据重构的遥测数据及中心化的被监测遥测数据，计算重构误差，并与预设阈值进行比较判断被监测的数据是否异常。

Description

一种卫星遥测数据的在轨异常监测方法

技术领域

本发明涉及航空航天技术领域，特别涉及一种卫星遥测数据的在轨异常监测方法。

背景技术

卫星在轨运行期间，其内部的运行状态监测系统获得的传感器参量信息编码后，通过遥测系统传输至地面，此遥测数据是地面了解卫星在轨运行状态的唯一依据。遥测数据量大、维度高、关系复杂、相关性及专业性强，反映了卫星所处的轨道信息、性能变化、工作模式切换以及是否出现故障等。对遥测数据的有效分析和智能计算，能够协助地面运管人员判断卫星的性能，为开展各种运行和维护管理工作提供有效依据。尤其是遥测数据中的异常数据，其不同于正常遥测数据的变化规律或不符合航天器工作模式设定，从而可以反映采集设备失效、传输链路受损、对应设备的性能退化、质量问题、机械及电子故障，或者设计不足等问题。及时而有效地发现遥测数据中存在的异常模式，并对被测设备进行远程指令修复、传输链路修复、软件故障排除、故障预案制定，或者维护服务优化等操作，对于提升地面服务质量，增强航天器设计、研制、生产以及维护各个环节的成熟度、安全性及可靠性具有显著的现实意义。

发明内容

针对现有技术中的部分或全部问题，本发明提供一种卫星遥测数据的在轨异常监测方法，包括：

采用正常历史遥测数据的均值，对被检测的遥测数据进行中心化处理；

采用映射函数及重构函数，将中心化后的被监测的遥测数据进行投影和重构；以及

计算重构误差，判断所述被检测的数据是否异常。

进一步地，所述映射函数及重构函数通过正常历史遥测数据得到。

进一步地，所述映射函数及重构函数的学习包括：

根据中心化的正常历史遥测数据，计算正常遥测数据的协方差矩阵；

对所述协方差矩阵进行特征值分解，得到特征值及其对应的特征向量；以及

确定降维重构的准确度的阈值，计算降维后的维度个数k，将特征值按值的大小逐序排序，选前面的k个特征值所相应的特征向量，并按列组成特征矩阵，从而得到映射函数及重构函数。

本发明提供的一种卫星遥测数据的在轨异常监测方法，通过主成分分析(PCA)降维技术，通过学习卫星正常遥测数据，得到高维映射到低维的映射函数以及低维映射回高维的重构函数。在监测过程中，将学习到的映射函数和重构函数应用到被监测的遥测数据上，对被监测的遥测数据进行投影和重构，得到重构后的遥测数据，然后计算重构误差，进而判断所述被监测的遥测数据是否异常。所述方法算法简单，准确率高，可广泛应用于卫星的在轨异常监测。

附图说明

为进一步阐明本发明的各实施例的以上和其它优点和特征，将参考附图来呈现本发明的各实施例的更具体的描述。可以理解，这些附图只描绘本发明的典型实施例，因此将不被认为是对其范围的限制。在附图中，为了清楚明了，相同或相应的部件将用相同或类似的标记表示。

图1示出本发明一个实施例的一种卫星遥测数据的在轨异常监测方法的流程示意图。

具体实施方式

以下的描述中，参考各实施例对本发明进行描述。然而，本领域的技术人员将认识到可在没有一个或多个特定细节的情况下或者与其它替换和/或附加方法、材料或组件一起实施各实施例。在其它情形中，未示出或未详细描述公知的结构、材料或操作以免模糊本发明的发明点。类似地，为了解释的目的，阐述了特定数量、材料和配置，以便提供对本发明的实施例的全面理解。然而，本发明并不限于这些特定细节。此外，应理解附图中示出的各实施例是说明性表示且不一定按正确比例绘制。

在本说明书中，对“一个实施例”或“该实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在本说明书各处中出现的短语“在一个实施例中”并不一定全部指代同一实施例。

需要说明的是，本发明的实施例以特定顺序对工艺步骤进行描述，然而这只是为了阐述该具体实施例，而不是限定各步骤的先后顺序。相反，在本发明的不同实施例中，可根据工艺的调节来调整各步骤的先后顺序。

针对卫星的在轨异常监测需求，本发明提供一种卫星遥测数据的在轨异常监测方法。基于主成分分析(PCA)降维技术的异常监测算法是一类无监督算法，其包括学习和监测两个过程。在学习过程中它通过学习卫星正常遥测数据，得到高维映射到低维的映射函数f以及低维映射回高维的重构函数g；以及在监测过程中，将学习到的映射函数f和重构函数g应用到被监测的遥测数据上，对被监测的遥测数据x进行投影和重构，得到重构后的遥测数据

然后计算重构误差。如果被监测的遥测数据是正常的，那么重构数据应当接近原始遥测数据，即重构误差接近0；反之，如果被监测的遥测数据是异常的，那么重构数据与原始遥测数据差别会很大，即重构误差比较大。每个遥测数据的重构误差的计算公式为：

r_i的大小反映了被监测的遥测数据与学习的正常遥测数据之间的不同程度，当r_i超过一定值的时候，则说明被监测的遥测数据是异常的。下面结合实施例附图，对本发明的方案作进一步描述。

图1示出本发明一个实施例的一种卫星遥测数据的在轨异常监测方法的流程示意图。如图1所示，一种卫星遥测数据的在轨异常监测方法，包括：

首先，在步骤101，数据中心化处理。采用正常历史遥测数据的均值，对被监测的遥测数据进行中心化处理，得到中心化的被监测遥测数据Y。在PCA中，数据在多维空间中处理，在多维空间中，每个遥测参数代表一个维度，同一时刻的多个遥测参数构成了多维空间中的一个遥测数据点，多个时刻的多个遥测参数构成了多维空间中一系列的遥测数据点。在对卫星遥测数据做PCA降维重构的过程中，每个遥测数据点的向量结构被看作一个行向量。由于在PCA的原理推导中涉及到协方差的计算，而计算协方差需要对数据样本进行中心化处理，在PCA中，对数据进行中心化处理，也可称为去均值，通过如下公式实现：

其中，x_i为多维遥测数据点的第i维度上的遥测参数，m为学习的正常多维遥测数据点的个数，以及x_i0为多维遥测数据点第i维度上中心化后的遥测参数；

因此，所述中心化的被监测遥测数据Y＝{y₁₀，y₂₀，…，y_m0}，其中，

y_i为被监测的遥测数据的第i维度上的遥测参数，m为遥测数据的个数；

接下来，在步骤102，数据投影及重构。采用映射函数f及重构函数g，将中心化后的被监测的遥测数据进行投影和重构。在本发明的一个实施例中，所述映射函数f及重构函数g通过正常历史遥测数据得到，包括：

首先，根据中心化的正常历史遥测数据X₀，计算正常遥测数据的协方差矩阵：

然后，对所述协方差矩阵进行特征值分解，得到特征值{λ₁，λ₂，…，λ_n}及其对应的特征向量{w₁，w₂，…，w_n}；以及

最后，确定降维重构的准确度的阈值t，计算降维后的维度个数k，将特征值按值的大小逐序排序，选前面的k个特征值所相应的特征向量，并按列组成特征矩阵W＝{w₁，w₂，…，w_k}，从而得到映射函数f(X)及重构函数g(f)：

f(X)＝X₀W，

g(f)＝fW^T。

则，中心化后的被监测的遥测数据进行投影和重构包括：

其中，

为正常历史遥测数据中心化过程中所计算出的均值矩阵，

为降维重构后得到的重构待监测的遥测数据；以及

最后，在步骤103，判断数据是否异常。计算重构误差，判断所述被检测的数据是否异常。根据降维重构后得到的重构待监测的遥测数据与原始数据至今的误差R，与预设阈值进行比较，若所述误差超过所述预设阈值，则说明数据出现异常。其中，所述误差

且每个遥测参数对重构误差的贡献比例r_i，j计算如下：

其中，y_i，j表示第i个遥测数据的第j个遥测参数，

表示第i个重建数据的第j个遥测参数，R_i表示第i个遥测数据的重建误差。

尽管上文描述了本发明的各实施例，但是，应该理解，它们只是作为示例来呈现的，而不作为限制。对于相关领域的技术人员显而易见的是，可以对其做出各种组合、变型和改变而不背离本发明的精神和范围。因此，此处所公开的本发明的宽度和范围不应被上述所公开的示例性实施例所限制，而应当仅根据所附权利要求书及其等同替换来定义。

Claims (6)

1.一种卫星遥测数据的在轨异常监测方法，其特征在于，包括步骤：

对被监测的遥测数据进行中心化处理，得到中心化的被监测遥测数据Y；

采用映射函数及重构函数，将中心化后的被监测的遥测数据进行投影和重构，得到重构的遥测数据

以及

根据所述重构的遥测数据及中心化的被监测遥测数据，计算重构误差R，并将所述重构误差与预设阈值进行比较：

若所述重构误差大于预设阈值，则所述被监测的数据异常。

2.如权利要求1所述的方法，其特征在于，所述中心化的被监测遥测数据Y＝{y₁₀，y₂₀，…，y_m0}，其中，

y_i为被监测的遥测数据的第i维度上的遥测参数,m为遥测数据的个数。

3.如权利要求1所述的方法，其特征在于，所述映射函数及重构函数通过正常历史遥测数据得到。

4.如权利要求1所述的方法，其特征在于，所述映射函数及重构函数的学习包括：

根据中心化的正常历史遥测数据，计算正常遥测数据的协方差矩阵；

对所述协方差矩阵进行特征值分解，得到特征值及其对应的特征向量；以及

确定降维重构的准确度的阈值，计算降维后的维度个数k，将特征值按值的大小逐序排序，选前面的k个特征值所相应的特征向量，并按列组成特征矩阵W，从而得到映射函数f(X)及重构函数g(f)：

f(X)＝X₀W，

g(f)＝fW^T。

5.如权利要求4所述的方法，其特征在于，重构的遥测数据

根据如下方式得到：

其中，

为正常历史遥测数据中心化过程中所计算出的均值矩阵。

6.如权利要求1所述的方法，其特征在于，所述重构误差R计算包括：

Images