CN113496261A - 一种卫星遥测数据的在轨异常监测方法 - Google Patents
一种卫星遥测数据的在轨异常监测方法 Download PDFInfo
- Publication number
- CN113496261A CN113496261A CN202110763527.XA CN202110763527A CN113496261A CN 113496261 A CN113496261 A CN 113496261A CN 202110763527 A CN202110763527 A CN 202110763527A CN 113496261 A CN113496261 A CN 113496261A
- Authority
- CN
- China
- Prior art keywords
- data
- monitored
- reconstruction
- telemetering
- telemetry
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
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
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:
ri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ri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,xi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xi0为多维遥测数据点第i维度上中心化后的遥测参数;
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,…,λn}及其对应的特征向量{w1,w2,…,wn};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,…,wk},从而得到映射函数f(X)及重构函数g(f):
f(X)=X0W,
g(f)=fWT。
则,中心化后的被监测的遥测数据进行投影和重构包括:
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ri,j计算如下:
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)
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)=fWT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110763527.XA CN113496261A (zh) | 2021-07-06 | 2021-07-06 | 一种卫星遥测数据的在轨异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110763527.XA CN113496261A (zh) | 2021-07-06 | 2021-07-06 | 一种卫星遥测数据的在轨异常监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113496261A true CN113496261A (zh) | 2021-10-12 |
Family
ID=77995814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110763527.XA Pending CN113496261A (zh) | 2021-07-06 | 2021-07-06 | 一种卫星遥测数据的在轨异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496261A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144182A (zh) * | 2022-09-01 | 2022-10-04 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
CN116029356A (zh) * | 2023-03-24 | 2023-04-28 | 杭州景业智能科技股份有限公司 | 刀具监测模型训练方法、刀具状态监测方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807357A (zh) * | 2019-09-17 | 2020-02-18 | 中国农业大学 | 一种基于直方图估计的非监督大田作物分类方法及系统 |
CN111382029A (zh) * | 2020-03-05 | 2020-07-07 | 清华大学 | 基于pca和多维监测数据的主板异常诊断方法及装置 |
CN111401471A (zh) * | 2020-04-08 | 2020-07-10 | 中国人民解放军国防科技大学 | 一种航天器姿态异常检测方法及系统 |
CN112529096A (zh) * | 2020-12-22 | 2021-03-19 | 哈尔滨工业大学 | 基于pca的多维航天器遥测数据的故障诊断方法 |
-
2021
- 2021-07-06 CN CN202110763527.XA patent/CN113496261A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807357A (zh) * | 2019-09-17 | 2020-02-18 | 中国农业大学 | 一种基于直方图估计的非监督大田作物分类方法及系统 |
CN111382029A (zh) * | 2020-03-05 | 2020-07-07 | 清华大学 | 基于pca和多维监测数据的主板异常诊断方法及装置 |
CN111401471A (zh) * | 2020-04-08 | 2020-07-10 | 中国人民解放军国防科技大学 | 一种航天器姿态异常检测方法及系统 |
CN112529096A (zh) * | 2020-12-22 | 2021-03-19 | 哈尔滨工业大学 | 基于pca的多维航天器遥测数据的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
孙宇豪: ""基于多变量相关性分析的卫星异常检测技术研究"", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》, pages 17 - 25 * |
祝晓斌: "《面向智能视频监控的异常检测与摘要技术》", 31 July 2015, 知识产权出版社, pages: 50 - 51 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144182A (zh) * | 2022-09-01 | 2022-10-04 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
CN115144182B (zh) * | 2022-09-01 | 2023-01-17 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
CN116029356A (zh) * | 2023-03-24 | 2023-04-28 | 杭州景业智能科技股份有限公司 | 刀具监测模型训练方法、刀具状态监测方法及相关装置 |
CN116029356B (zh) * | 2023-03-24 | 2023-06-13 | 杭州景业智能科技股份有限公司 | 刀具监测模型训练方法、刀具状态监测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062565B (zh) | 基于化工te过程的双主元-动态核主元分析故障诊断方法 | |
US7308385B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CA2433941C (en) | Adaptive modeling of changed states in predictive condition monitoring | |
CN110207997B (zh) | 基于卷积自编码器的液体火箭发动机故障检测方法 | |
US7539597B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN113496261A (zh) | 一种卫星遥测数据的在轨异常监测方法 | |
CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
US20020128731A1 (en) | Global state change indicator for empirical modeling in condition based monitoring | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN110580488B (zh) | 基于字典学习的多工况工业监测方法、装置、设备及介质 | |
CN111680725A (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
CN111274543A (zh) | 一种基于高维空间映射的航天器系统异常检测方法 | |
CN111368428A (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及系统 | |
CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN112529096A (zh) | 基于pca的多维航天器遥测数据的故障诊断方法 | |
Nassar et al. | State-of-health analysis applied to spacecraft telemetry based on a new projection to latent structure discriminant analysis algorithm | |
CN112180893B (zh) | Cstr过程中故障相关分布式正交邻域保持嵌入模型的构建方法及其故障监控方法 | |
Vogt et al. | Deep Learning Based Failure Prediction in Wind Turbines Using SCADA Data | |
CN113076211B (zh) | 一种基于故障重构的质量相关故障诊断及误报警反馈方法 | |
Huang et al. | Dynamic plant-wide process monitoring based on distributed slow feature analysis with inter-unit dissimilarity |
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 |