CN113590654B - 基于时空模式网络的航天器姿态系统异常检测方法及装置 - Google Patents

基于时空模式网络的航天器姿态系统异常检测方法及装置 Download PDF

Info

Publication number
CN113590654B
CN113590654B CN202110690479.6A CN202110690479A CN113590654B CN 113590654 B CN113590654 B CN 113590654B CN 202110690479 A CN202110690479 A CN 202110690479A CN 113590654 B CN113590654 B CN 113590654B
Authority
CN
China
Prior art keywords
stpn
sequence
network model
data
state
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
CN202110690479.6A
Other languages
English (en)
Other versions
CN113590654A (zh
Inventor
张涛
沈凯丽
刘亚杰
张诗惠
王锐
黄生俊
雷洪涛
史志超
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110690479.6A priority Critical patent/CN113590654B/zh
Publication of CN113590654A publication Critical patent/CN113590654A/zh
Application granted granted Critical
Publication of CN113590654B publication Critical patent/CN113590654B/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
    • 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
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Navigation (AREA)

Abstract

本申请涉及一种基于时空模式网络的航天器姿态系统异常检测方法及装置。所述方法包括：通过对样本数据进行处理可得到同意工作模式下的多个时间段对应的不同STPN网络模型，并进行聚类，将作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型，再通过典型STPN网络模型根据在线遥测数据对当前航天器姿态系统是否异常，采用本方法能够有效实现对姿态系统遥测参数的时空相关性建模和可视化，从而进行异常检测。

Description

基于时空模式网络的航天器姿态系统异常检测方法及装置
技术领域
本申请涉及航天器遥测数据异常检测技术领域，特别是涉及一种基于时空模式网络的航天器姿态系统异常检测方法及装置。
背景技术
融合多种技术的卫星是现代高科技的复杂系统，不仅规模庞大，技术高新，而且其研制过程人力、资源耗费巨大。但由于其运行在复杂、不可预测的太空，会遇到各种由于难以预测的因素的影响，比如空间粒子辐射、振动、高温、低温、噪声、电磁干扰等，诱发卫星系统发生故障。
姿态控制系统是卫星重要的控制子系统，保证卫星按预定姿态和轨道飞行。由于卫星系统结构复杂，各个子系统互相影响，姿态系统的与其他载荷系统、保障系统互相影响，增加了故障发生的其不确定性。而姿态控制系统一旦发生故障，直接影响卫星的在轨飞行，严重时可能导致其坠毁或者失去控制。因此数据驱动的异常检测，对姿态系统运行状态实时监测，在发生异常时予以警告，人工排查，避免发生重大故障，保障姿态系统正常运行。
根据相关方法的工作机理，目前遥测数据多元异常检测方法主要分为以下三类：基于生成模型估计的方法、基于降维重构的方法和基于图结构的异常检测方法和。基于生成模型估计的方法依靠数据的生成模型，将概率较小的数据识别为异常；该方法理论基础成熟，可以充分反映多元数据集空间和时间关系，但在没有充分的先验知识时，难以对模型进行参数估计，而鉴于航天器系统结构复杂且遥测参数类型多，采用这类方法一般难以获得满意的检测效果。基于降维重构的方法将多元时间序列看作是分布在高维空间中的多个独立样本，按照一定的映射规则，把嵌入到数据样本低维子空间，在此基础上通过子空间中样本的偏离程度检测异常；该类方法的关键在于如何确定降维后的维数，若维数设置合理，则可以较为准确检测出异常情况，检测效率也因具体算法而不同。基于图结构的方法将多元数据集中的内部性质通过建立图结构开展异常检测，可共同兼顾数据的时间和空间相关性。
在现有的技术中，通过采用贝叶斯等简单的图结构进行异常检测，而贝叶斯等简单的图结构无法满足姿态系统复杂性的需求，无法保证在轨卫星的安全运行和有效执行任务。
发明内容
基于此，有必要针对上述技术问题，提供一种能够针对姿态系统的结构复杂、非线性、高冗余、可重构的特点可高效及准确的基于时空模式网络的航天器姿态系统异常检测方法及装置。
一种基于时空模式网络的航天器姿态系统异常检测方法，所述方法包括：
获取姿态系统各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；
对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；
分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于所述原子模式和相关模式构建STPN网络模型；
针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常。
在其中一实施例中，通过采用自动编码器将所述将离散化的样本数据映射到统一空间进行表达得到离散的多个状态序列。
在其中一实施例中，所述对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵包括：
构建D-马尔科夫机对各所述状态序列自身进行时间特征分析，得到所述序列自身状态转移矩阵；
构建xD-马尔科夫机对各所述状态序列之间进行空间特征分析，得到所述序列间状态转移矩阵。
在其中一实施例中，所述再基于原子模式和相关模式构建STPN网络模型包括：
所述原子模式中包括自相关参数，所述自相关参数为所述STPN网络模型的网络节点的权重；
所述相关模式中包括互相关参数，所述互相关参数为所述STPN网络模型的节点连接的权重。
在其中一实施例中，所述根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值包括：
根据欧式距离计算方法计算典型STPN网络模型以及其他STPN网络模型的误差时间序列；
根据所述误差时间序列的均值和方差采用3西格玛法则计算得到所述误差阈值。
在其中一实施例中，所述获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型包括：
对所述待检测数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个当前状态符号序列；
对多个所述检测状态序列进行马尔可夫建模，获取与各当前状态序列自身对应的序列自身状态转移矩阵，以及各当前检测状态序列之间的序列间状态转移矩阵；
分别根据所述序列内态转移矩阵以及序列间状态转移矩阵得到对应的当前自相关参数以及当前互相关参数，再基于所述当前自相关参数和当前互相关参数构建得到所述当前状态下的STPN网络模型。
本申请还提供了一种基于时空模式网络的航天器姿态系统异常检测装置，包括：
样本数据获取模块，用于获取姿态系统的各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；
状态符号序列得到模块，用于对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
状态转移矩阵得到模块，用于对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；
STPN网络模型构建模块，用于分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于所述原子模式和相关模式构建STPN网络模型；
典型STPN网络模型得到模块，用于针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
误差阈值计算模块，用于根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
姿态系统异常检测模块，用于获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取姿态系统各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；
对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；
分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于所述原子模式和相关模式构建STPN网络模型；
针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取姿态系统各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；
对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；
分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于所述原子模式和相关模式构建STPN网络模型；
针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常。
上述基于时空模式网络的航天器姿态系统异常检测方法及装置，通过将同一工作模式下的姿态系统参数也就是多元时间序列数据进行离散化后，再将离散化后的多元数据进行一致性表达，接着基于马尔科夫规则，挖掘姿态系统参数的自相关性以及各参数之间的相关性，从而构建状态转移矩阵，且根据状态转移矩阵构建STPN网络模型。由于STPN网络模型具有较好的理论基础，然后结合实际数据使用自动编码器进行离散化以及基于聚类对构建的STPN网络进行异常检测，实现中长期、多参数的异常检测及异常分析，可高效作用于实时数据，且不仅能识别是否出现异常，可以分析得到异常发生时，哪些参数状态发生了重大改变或者哪些参数间的关系改变所引起的异常
附图说明
图1为一个实施例中航天器姿态系统异常检测方法的流程示意图；
图2为基于航天器姿态系统异常检测方法进行试验的流程示意图；
图3为试验中姿态系统部分参数的可视化示意图；
图4为试验步骤一中据离散化符号化示意图；
图5为试验步骤一中自动编码器示意图；
图6为试验步骤一中部分数据降维重构及离散化编码可视化示意图；
图7为试验步骤二中马尔可夫状态转移矩阵的示意图；
图8为试验步骤二中序列内态转移矩阵可视化示意图；
图9为试验步骤二中序列间状态转移矩阵可视化示意图；
图10为试验步骤三中两条时间序列生成原子模式和相关模式示意图；
图11为试验步骤三中两种不同工作模式下的STPN网络模型的可视化示意图；
图12为试验步骤四通过k-modiods识别出来的对地定向模式和对惯性定向模式下的聚类中心示意图；
图13为试验步骤一中自动编码器示意图；
图14为一个实施例中航天器姿态系统异常检测装置的结构框图；
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，提供了一种航天器姿态系统的异常检测方法，包括：
步骤S100，获取姿态系统的各种工作模式下的样本数据，样本数据为以时间为顺序连续排列的多个数据；
步骤S110，对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
步骤S120，对多个状态符号序列进行马尔可夫建模，获取与各状态序符号列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；
步骤S130，分别根据序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于原子模式和相关模式构建STPN网络模型；
步骤S140，针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
步骤S150，根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
步骤S160，获取当前待检测数据样本，根据待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常。
在本实施例中，步骤S100至S140为使用训练数据对STPN网络模型进行构建，并且针对不同工作模式下均可找出一个典型的STPN网络模型。步骤S150为误差阈值计算步骤。步骤S160是利用同工作模式下的典型STPN网络模型以及误差阈值对在线接收的当前遥测数据进行检测，以判断当前姿态系统是否异常。
在步骤S100中，获取的样本数据为航天器姿态系统的历史遥测数据，并且该数据为正常数据。进一步需要说明的是，遥测数据为在一段时间内以时间为顺序排列的多元数据，也可以称为多元时间序列，这里的多元指的是多种参数。由于航天器有多种工作模式，而这里样本数据是指在同一种工作模式下一段时间内获取的遥测数据。
在步骤S110中，是对样本数据进行离散化后再将其符号化，而符号化就是将多元的样本数据进行一致性的表达。将一个参数的一段时间内的样本数据分为多个片段，每个片段用一个符号表示，这样不同的片段有的会用相同的符号表示，有的则用不同的符号的表示。
其中，对样本数据进行离散化也就是将样本数据进行数据划分，就是对于给定的n个样本的时间序列数据，T＝{t0,t1,t2,...,tn}进行k个分区，其中k<n。
当对样本数据进行离散化后，会得到多个离散序列，再将各离散序列转化为一个符号进行表达得到对应的状态符号序列。也就是将离散序列通过某种映射将T转换为符号序列S＝{s0,s1,s2,...,sk}，也就是文中指的状态符号序列。
在本实施例中，通过采用自动编码器将将离散化的样本数据映射到统一空间进行表达得到离散的多个状态序列。
具体的，自动编码器(Autoencoder，AE)是一种无监督学习神经网络，并让目标值等于输入值的训练神经网络。自动编码器的概念用于高维复杂数据处理，用于非线性降维。
编码器指的是将原始的输入向量转换为隐层空间表示的确定性映射，解码器将隐层空间表示映射回重构的输入。自动编码的整个过程就是将重构后的输入与原始输入进行比较，并尽量减小这个误差，使重构后的值尽可能接近原始输入。
具体的，如果没有采用激活函数，自动编码器的降维能力就相当于线性降维的PCA(Principal Component Analysis)是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。
具体的，加入非线性的激活函数，使得自动编码器具有强大的非线性拟合能力，在本实施例中，可采用激活函数包括Relu、Sigmoid。
在步骤S120中，对多个状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态序列之间的序列间状态转移矩阵包括：
构建D-马尔科夫机对各状态符号序列自身进行时间特征分析，得到序列自身状态转移矩阵；
构建xD-马尔科夫机对各状态符号序列之间进行空间特征分析，得到序列间态转移矩阵。
具体的，给定一个离散时间、离散取值的随机过程，如果下一个时刻的状态只与前D个状态有关，则称该过程为D阶马尔可夫模型。
因此可以构建假设，将多个状态序列近似为D阶马尔科夫链，这样就可以建立D-马尔科夫机来分析时间特征，以及多变量时间序列的xD-马尔科夫机用于提取空间特征。
D是马尔可夫的深度，结合图7，其中，D-阶马尔可夫矩阵的第jkth个元素pjk计算如下：
Figure BDA0003125986630000101
在步骤S140中，再基于原子模式(Πaa,Λaa)和相关模式(Πab,Λab)构建STPN网络模型包括：原子模式中包括序列自身马尔可夫状态转移矩阵Πaa和自相关参数Λaa，自相关参数为所述STPN网络模型的网络节点的权重。相关模式中包括序列a与序列b的马尔可夫状态转移矩阵Πab和互相关参数Λab，互相关参数为STPN网络模型的节点连接的权重。
具体的，STPN(时空模式网络)是通过构造图对多元时间序列进行特征描述，用于发现和表示序列(子系统)的行为和子系统之间的因果相互作用。
这里的子系统的意思是时间序列可以来于一个系统，也可以来自多个子系统，例如，航天器是一个系统，那么姿态系统和动力系统都是子系统。
STPN网络模型是基于符号动力学滤波，从时间和空间(时间序列内部和序列之间)两个层面进行特征提取，并通过图形化直观地展示。该算法基于D-阶马尔科夫机来捕捉序列内部特征，基于xD-阶马尔科夫机捕捉序列间的特征，再通过信息熵和转移熵进一步转化为STPN的节点和权重。
基于互信息的度量Λab，对马尔可夫状态转移矩阵进行特征提取，定义如下：
Figure BDA0003125986630000102
在公式(2)中，
Figure BDA0003125986630000111
Figure BDA0003125986630000112
Figure BDA0003125986630000113
基于上述公式，计算原子模式(a＝b)的信息度量即相关参数Λaa构成网络的节点权重，计算相关模式(a！＝b)的信息度量即互相关参数Λab构成网络的连接权重，最终构建STPN的节点和边。
在步骤S140中，针对同一工作模式下，不同时间段的样本数据分别通过步骤S110到S130均可得到一个对应的STPN网络模型，对各STPN网络模型基于k-medios进行聚类，从而得到一个为聚类中心的STPN网络模型，即将该STPN网络模型作为典型STPN网络模型。
在步骤S150中，根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值包括：
根据欧式距离计算方法计算典型STPN网络模型以及其他STPN网络模型的误差时间序列；
根据误差时间序列的均值和方差采用3西格玛法则计算得到误差阈值。
具体的，3西格玛法则所表示的公式为：
∈＝μ(es)+zσ(es) (6)
在公式(6)中，es＝{e0,e1,e2,...es}为不同时间段的STPN网络模型与典型STPN网络模型的误差序列。
误差计算采用欧氏距离，误差时间序列的均值为
Figure BDA0003125986630000114
方差计算为
Figure BDA0003125986630000121
同样的，针对不同的工作模式下，利用同一工作模式下的典型STPN网络模型以及其他时间段得到的非典型STPN网络模型均可计算得到对应的误差阈值。
在步骤S160中，当利用样本数据，针对各工作模式下均可找到对应的一典型STPN网络模型，以及对应工作模式的误差阈值后。可对当前在线接收的待检测数据样本进行处理后得到当前STPN网络模型，在计算当前STPN网络模型与同一工作模式下的典型STPN网络模型之间的误差，若误差超过误差阈值则判定当姿态系统出现异常。
其中待检测样本数据与用于训练的样本数据类型是一致的，为当前接收的航天器姿态系统的遥测数据，也是多元时间序列数据。
具体的，获取当前待检测数据样本，根据待检测数据样本构建当前状态下的STPN网络模型包括：
对待检测数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个当前状态序列；
对多个检测状态序列进行马尔可夫建模，获取与各当前状态序列自身对应的序列内态转移矩阵，以及各当前检测状态序列之间的序列间状态转移矩阵；
分别根据序列内态转移矩阵以及序列间状态转移矩阵得到对应的当前自相关参数以及当前互相关参数，再基于所述当前自相关参数和当前互相关参数构建得到当前状态下的STPN网络模型。
上述对待检测数据进行处理得到当前状态下的STPN网络模型的步骤与步骤S110到步骤S130中构建STPN网络模型的方法是相同的，因此在这里不再赘述。
如图2-9所示，给出了基于上述航天器姿态系统异常检测方法的数据实验。
在本实验中获取的数据集是我国某在轨卫星姿态控制系统2016年3月到7月的数据，部分参数可视化如图3所示，其中YZK052089表示磁强计Y、YZK052068表示动量轮2转速控制、YZK052001表示对地姿态角Y、YZK052057表示姿态工作模式，3月25日至4月10日的数据主要是对地定向模式(85)，4月11日至3月25日主要是对惯性定向模式(153)，4月10日到4月14日，模式切换过程中有短暂的指针切换模式(102)和机动模式(153)。
实验步骤流程如图2所示，具体包括以下步骤：
对其中的姿态角、姿态角速度、动量轮转速、星敏四元数、太阳敏感器以及磁强计38维参数开展研究，并对特定异常进行案例分析。实验需要训练数据和测试数据，训练数据是对地定向工作模式下卫星正常工作的数据，测试数据包含了异常片段。
步骤1：对多元时间序列进行离散化、符号化表示，使多元时间序列由数值变量转化为多个状态序列，过程如图4所示。
步骤1.1：数据的离散化分区，由于姿态系统参数遥测数据每隔一分钟进行采样，大部分周期性参数的周期为98分钟，因此根据周期即98个点对时间序列进行分区。
步骤1.2：基于自动编码器进行降维。自动编码器基本思想是对输入样本进行特征提取(编码)，基于提取的特征可以重构出原始输入数据(解码)。如图5所示，自动编码器的最简单形式是与多层感知器相似，有一个输入层、一个输出层、以及一个或多个隐藏层连接。但是与多层感知相比，自编码器的输出具有与输入的相同的格式。对于每个自动编码器，都需要训练一个编码器和一个解码器。离散化后，构建自动编码器进行降维，将98维的数据降到一维，再进行分段编码。
部分数据(ZK052089表示磁强计Y、ZK052068表示动量轮2转速控制)基于降维再重构、数据降维至一维的可视化，以及基于聚类和阈值的方式进行编码的过程，如图6所示，其中图6a为磁强计Y的数据处理过程、如6b为磁强计X的数据处理过程。
步骤2：基于马尔可夫，对离散序列的状态转移进行概率统计，构建参数的状态转移矩阵，如图7所示。
基于磁强计X和磁强计Y的参数内状态转移(序列自身状态转移矩阵)可视化和参数间状态转移(序列间状态转移矩阵)可视化分别参见图8-9。
步骤3：通过STPN构造图对多元时间序列进行特征描述。两条时间状态序列通过计算自相关模式(AP)，两两间计算互相关模式(RP)，分别生成原子模式和相关模式，过程如图10所示。同理，其他参数自身以及参数间也这样计算，最终得到姿态系统的STPN网络模型。
每天通过滑动窗口的方式构建STPN网络模型，到未剪枝的STPN网络，基于热力图进行可视化展示，如图11所示，对地定向工作模式(图11a)下的STPN和对惯性定向工作模式下(图11b)的STPN网络模型明显呈现两种不同的模式。
进一步地，步骤4中通过k-modiods识别出来的对地定向模式和对惯性定向模式下的聚类中心，如图12所示，星号为聚类中心，其他点表示表示其他时刻状态的STPN到聚类中心的距离。
进一步地，步骤5中误差阈值计算采用3西格玛法则得到误差均值和方差分别为1.70，0.98，误差阈值为4.65；
进一步地，步骤6中对在线待检测遥测数据样本进行离散化、符号化处理同步骤1；
进一步地，步骤7中距离计算使用欧氏距离，阈值使用步骤5中计算得到的误差阈值。识别出状态切换(图13a)和数据卡死的时候(图13b)，STPN网络模型明显不同与正常模式，并进一步基于STPN网络模型的差别进行分析。
在图13(a)中所示，4月10日，从对地定向工作模式切换到对惯性定向工作模式，除了参数对地姿态角X(ZK052000)依旧同一种状态，磁强计Y(ZK052089)依旧保持几种状态切换，其他参数都发生了巨大变化。此时混乱度较大，熵比较大，STPN网络模型整体颜色较深，反映出参数内和参数间的相关性变化较大。而4月14日短暂的模式切换由迅速复位时，只有部分参数，如姿态角X(ZK052000)具有较大的变化。
在图13(b)中所示，4月23日卡死异常，超过24小时所有的参数都没有数据，因此STPN网络模型是空白的。相比较之下，4月3日发卡死异常持续时间也比较久，但是部分参数(如磁强计Y(ZK052089)、动量轮2转速控制(ZK052068))还在运转，或者较晚失去信号，或者较早恢复，因此部分参数颜色较浅，但是有信息熵变化。4月15日的卡死异常并未全程卡死，且部分参数反而发生了突变异常，表现出异于平时的原子模式，如姿态角X(ZK052000)。
上述基于时空模式网络的航天器姿态系统异常检测方法，能够检测复杂的多元时间序列数据，数据离散化和符号化过程是对数据的一致性表示，因此可以适用于离散型和连续型数据，且参数的为序、时间窗口均可以根据需求自动设定，可以准确高效识别多种异常。采用本方法不仅可以异常识别，还可以异常定位。通过STPN对参数原子模式和相关模式进行可视化，横向对比正常模式的STPN和异常的STPN，可以更加直观地观察得到异常发生时，哪些参数状态发生了重大改变或者哪些参数间的关系改变所引起的异常。由于卫星在每种姿态模式下的工作原理不同，因此高维数据的内部结构特征和相互关系也会不同，利用构造图对参数自身和参数间相关性进行可视化自动识别不同模式下参数的特征，无需先验知识，对卫星的其他相似的复杂系统也可复用。
应该理解的是，虽然图1-2流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图14所示，提供了一种基于时空模式网络的航天器姿态系统异常检测装置，包括：样本数据获取模块200、状态符号序列得到模块210、状态转移矩阵得到模块220、STPN网络模型构建模块230、典型STPN网络模型得到模块240、误差阈值计算模块250以及姿态系统异常检测模块260，其中：
样本数据获取模块200，用于获取姿态系统的各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；
状态符号序列得到模块210，用于对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
状态转移矩阵得到模块220，用于对多个所述状态序列进行马尔可夫建模，获取与各状态序列自身对应的序列自身状态转移矩阵，以及各状态序列之间的序列间状态转移矩阵；
STPN网络模型构建模块230，用于分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到对应的原子模式以及相关模式，再基于所述原子模式以及相关模式构建STPN网络模型；
典型STPN网络模型得到模块240，用于针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
误差阈值计算模块250，用于根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
姿态系统异常检测模块260，用于获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常。
关于基于时空模式网络的航天器姿态系统异常检测装置的具体限定可以参见上文中对于基于时空模式网络的航天器姿态系统异常检测方法的限定，在此不再赘述。上述基于时空模式网络的航天器姿态系统异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于时空模式网络的航天器姿态系统异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取姿态系统各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；
对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；
分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于所述原子模式和相关模式构建STPN网络模型；
针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取姿态系统各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；
对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；
分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于所述原子模式和相关模式构建STPN网络模型；
针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.基于时空模式网络的航天器姿态系统异常检测方法，其特征在于，包括：
获取姿态系统各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；
对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；
分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于所述原子模式和相关模式构建STPN网络模型；
针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常。
2.根据权利要求1所述的航天器姿态系统异常检测方法，其特征在于，通过采用自动编码器将所述将离散化的样本数据映射到统一空间进行表达得到离散的多个状态序列。
3.根据权利要求1所述的航天器姿态系统异常检测方法，其特征在于，所述对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵包括：
构建D-马尔科夫机对各所述状态序列自身进行时间特征分析，得到所述序列自身状态转移矩阵；
构建xD-马尔科夫机对各所述状态序列之间进行空间特征分析，得到所述序列间状态转移矩阵。
4.根据权利要求1所述的航天器姿态系统异常检测方法，其特征在于，所述再基于原子模式和相关模式构建STPN网络模型包括：
所述原子模式中包括自相关参数，所述自相关参数为所述STPN网络模型的网络节点的权重；
所述相关模式中包括互相关参数，所述互相关参数为所述STPN网络模型的节点连接的权重。
5.根据权利要求1所述的航天器姿态系统异常检测方法，其特征在于，所述根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值包括：
根据欧式距离计算方法计算典型STPN网络模型以及其他STPN网络模型的误差时间序列；
根据所述误差时间序列的均值和方差采用3西格玛法则计算得到所述误差阈值。
6.根据权利要求1所述的航天器姿态系统异常检测方法，其特征在于，所述获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型包括：
对所述待检测数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个当前状态符号序列；
对多个所述检测状态序列进行马尔可夫建模，获取与各当前状态序列自身对应的序列自身状态转移矩阵，以及各当前检测状态序列之间的序列间状态转移矩阵；
分别根据所述序列内态转移矩阵以及序列间状态转移矩阵得到对应的当前自相关参数以及当前互相关参数，再基于所述当前自相关参数和当前互相关参数构建得到所述当前状态下的STPN网络模型。
7.一种基于时空模式网络的航天器姿态系统异常检测装置，其特征在于，包括：
样本数据获取模块，用于获取姿态系统的各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；
状态符号序列得到模块，用于对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；
状态转移矩阵得到模块，用于对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；
STPN网络模型构建模块，用于分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于所述原子模式和相关模式构建STPN网络模型；
典型STPN网络模型得到模块，用于针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；
误差阈值计算模块，用于根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；
姿态系统异常检测模块，用于获取当前待检测数据样本，根据所述待检测数据样本构建当前状态下的STPN网络模型，并计算STPN网络模型与相同工作模式下的典型STPN网络模型之间的误差，再通过对比该误差与所述误差阈值以检测当前姿态系统是否异常。
CN202110690479.6A 2021-06-22 2021-06-22 基于时空模式网络的航天器姿态系统异常检测方法及装置 Active CN113590654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110690479.6A CN113590654B (zh) 2021-06-22 2021-06-22 基于时空模式网络的航天器姿态系统异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110690479.6A CN113590654B (zh) 2021-06-22 2021-06-22 基于时空模式网络的航天器姿态系统异常检测方法及装置

Publications (2)

Publication Number Publication Date
CN113590654A CN113590654A (zh) 2021-11-02
CN113590654B true CN113590654B (zh) 2022-09-09

Family

ID=78244383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110690479.6A Active CN113590654B (zh) 2021-06-22 2021-06-22 基于时空模式网络的航天器姿态系统异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN113590654B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115617023B (zh) * 2022-12-05 2023-03-31 中国西安卫星测控中心 航天器姿控系统异常定位方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110213788B (zh) * 2019-06-15 2021-07-13 福州大学 基于数据流时空特征的wsn异常检测及类型识别方法
CN111401471B (zh) * 2020-04-08 2023-04-18 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
CN111669373B (zh) * 2020-05-25 2022-04-01 山东理工大学 基于时空卷积网络和拓扑感知的网络异常检测方法及系统
CN112394645B (zh) * 2021-01-20 2021-04-16 中国人民解放军国防科技大学 一种航天器姿态跟踪的神经网络反步滑模控制方法和系统

Also Published As

Publication number Publication date
CN113590654A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
AU2018203321B2 (en) Anomaly detection system and method
Ibrahim et al. Machine learning techniques for satellite fault diagnosis
Wang et al. Variational transformer-based anomaly detection approach for multivariate time series
CN113391622B (zh) 利用多元多步预测技术的航天器姿态系统异常检测方法
Liu et al. Data-driven remaining useful life prediction considering sensor anomaly detection and data recovery
Wang et al. Real-time fault detection for UAV based on model acceleration engine
CN110909822B (zh) 一种基于改进的高斯过程回归模型的卫星异常检测方法
Ding et al. On-line error detection and mitigation for time-series data of cyber-physical systems using deep learning based methods
Monekosso et al. Data reconciliation in a smart home sensor network
US20230017065A1 (en) Computing an explainable event horizon estimate
CN113590654B (zh) 基于时空模式网络的航天器姿态系统异常检测方法及装置
Wang et al. Anomaly detection of spacecraft telemetry data using temporal convolution network
Wu et al. Multi-sensor information fusion-based prediction of remaining useful life of nonlinear Wiener process
Xu et al. A hybrid data-driven framework for satellite telemetry data anomaly detection
Ossai Modified spatio-temporal neural networks for failure risk prognosis and status forecasting of permanent downhole pressure gauge
Shulepov et al. Approach to Anomaly Detection in Cyber-Physical Object Behavior
Duan et al. Bi-level bayesian control scheme for fault detection under partial observations
Rong et al. Anomaly Detection in QAR Data Using VAE‐LSTM with Multihead Self‐Attention Mechanism
Wang et al. IFP-ADAC: A two-stage interpretable fault prediction model for multivariate time series
CN112560252A (zh) 一种航空发动机剩余寿命预测方法
Yan et al. Research on anomaly detection of civil aircraft hydraulic system based on multivariate monitoring data
Gu et al. An anomaly detection methodology of load-carrying structure of satellite based on high-precision predictive model
Losi et al. Methodology to Monitor Early Warnings Before Gas Turbine Trip
Finotti et al. Novelty detection on a laboratory benchmark slender structure using an unsupervised deep learning algorithm
Cofre-Martel et al. Uncovering the Underlying Physics of Degrading System Behavior through a Deep Neural Network Framework: The Case of Rul Prognosis

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