CN114881110A - 一种在轨航天器舱内总压变化模式的实时检测方法 - Google Patents

Abstract

本发明涉及一种在轨航天器舱内总压变化模式的实时检测方法，包括：通过数据预处理模块把数据转化为规范文件格式，针对在轨航天器时序数据存在野值、采样频率不固定、动态时序流的特点进行预处理，将时序数据转化为符合神经网络输入规范的形式；通过特征提取模块，采用多尺度的卷积核和池化窗口，在不同大小的感知野上提取在轨航天器数据特征，用于在同一模式下识别不同程度相位偏移的时序数据；通过判定识别模块，采用N×二分类的方法，将多分类任务拆解成一对其余式的二分类任务对在轨航天器舱内总压时序数据进行模式识别，并检测出未知模式数据。本发明使用一个模型同时解决了在轨航天器舱内总压数据的随机相位偏移问题和未知模式识别问题。

Description

一种在轨航天器舱内总压变化模式的实时检测方法

技术领域

本发明涉及计算机技术领域，尤其涉及一种在轨航天器舱内总压变化模式的实时检测方法。

背景技术

对在轨航天器运行状态进行监控及实时检测是在轨航天器测控的一个重要任务，目的在于使在轨航天器具有维护自身正常功能的能力、保持健康运行状态，当系统发生失效或者异常时，及时发出警报。在轨航天器舱内总压的监测属于在轨航天器运行状态监控的重点内容之一。在实际测控中由于航天器遥测要传输的时序数据种类多，检测其模式类别十分重要。在轨航天器舱内总压的变化规律可分为有人和无人两种基本状态类别。有人时又根据确定的舱内人数和人的活动情况不同而导致不同的舱内总压变化模式。这些已经明确的舱内总压变化状态都可以看作是已知模式。我们需要在任意时间窗口内观察判断当前舱内总压具体是哪一种状态模式。但是在复杂太空环境和复杂任务操作的各种影响之下，在轨航天器舱内总压变化模式不能够完全被人预先全部掌握，还存在着未知模式。例如，当舱内有未知生物，或者舱体发生未知情况泄漏时，就会出现未知舱内总压变化模式。此时要将其判定为未知模式，不能与各已知状态模式混淆。

航天器舱内总压数据都是时序数据，按时间顺序记录一系列观测值。目前解决时序数据模式识别问题常见方法有支持向量机、BP网络、LSTM循环神经网络等。但对于实时系统而言，时序数据观测窗口可能落到实时数据序列中的任何一个位置。由于随机观测窗口的引入，随机观测窗口截取到的样本与标准已知模式样本之间存在随机相位偏移。现有时序数据分类算法面对随机相位偏移样本，无法进行准确地识别。

另外，实时系统在面对一个未曾见过的未知模式时，应该回答这是一个“未知模式”，而不能将其错误地归到某一类已知模式中。但现有分类方法其输出结果是已知的n个已知类别(即已知模式)之一，未知模式的数据也会被识别为某个已知类别(已知模式)，从而造成识别错误。

发明内容

本发明的目的是一种在轨航天器舱内总压变化模式的实时检测方法,采用卷积神经网络作为模型的基线，融合多通道-尺度时间卷积神经网络的设计思想和未知模式识别的设计思想，将两种算法合二为一，提出一种同时解决这两类问题的整体模型。可对在轨航天器舱内总压的状态模式进行实时检测，从而解决在轨航天器失效、异常检测、故障诊断、在轨航天器健康管理等应用中的实时时序数据随机相位偏移的难题以及难以应对新数据、新模式、新情况的难题。

本发明提供了一种在轨航天器舱内总压变化模式的实时检测方法，包括：

通过数据预处理模块把数据转化为规范文件格式，针对在轨航天器时序数据存在野值、采样频率不固定、动态时序流的特点进行相应预处理，并将时序数据转化为符合神经网络输入规范的形式；

通过特征提取模块，采用多尺度的卷积核和池化窗口，在不同大小的感知野上提取在轨航天器数据特征，用于在同一模式下识别带有不同程度相位偏移的时序数据；

通过判定识别模块，采用N×二分类的方法，将多分类任务拆解成一对其余式的二分类任务对在轨航天器舱内总压时序数据进行模式识别，并检测出未知模式数据。

进一步地，所述数据预处理模块采用3σ法去除野值，并使用粒度固定的滑动窗口进行样本截取；计算一个时序文件中所有值的平均值μ和标准差σ，遍历该文件中的每一个点，如果某点的值不属于(μ±3σ)，则将该点视为野值点剔除。

进一步地，每个实施特征提取模块均设有3个不同尺度的卷积核-池化窗口，上述特征提取模块的数据流包括：N维长度为l的时间序列特征向量输入到特征提取模块当中，每个向量经过3个不同尺寸的卷积核提取特征，并通过3个不同尺寸的池化窗口降采样，每个特征提取模块中的神经元数量定为x'，3个通道得到的向量全部对齐后得到N×3组长度为l'的输出向量(每个通道都会得到N维特征向量)，最后这3个通道的特征向量组交由拼接函数(Concatenate)堆叠拼接成大小为3N×l'×x'的输出向量组，交由下一个模块执行进一步的处理；然后将多个特征提取模块反复堆叠，得到一个完整的二分类训练网络结构。

进一步地，所述判定识别模块具体用于：对于一个拥有N个已知模式的数据集，分别采用N个通道独立训练这N个已知模式，每个分支的训练对应一种模式的二分类任务；当一个样本投入模型分别进行N轮已知模式的检测，如果存在一个已知模式通道接纳该样本，则该样本属于这个模式；否则，如果没有任何一个通道接纳该样本，则该模式被划分为未知模式；当模型训练结束投入实际使用中时，给每个已知模式规定一个阈值s；若待测样本X与已知模式A的归一化结果大于阈值s，则认为该样本被已知模式A接受，否则不被已知模式A接受；如此重复把待测样本X与所有已知模式判定；若待测样本X不被任何已知模式接受，则认为该样本属于未知模式。

借由上述方案，通过在轨航天器舱内总压变化模式的实时检测方法，解决了在轨航天器舱内总压数据在实时监测过程中由于时序数据随机窗口划分样本带来的随机相位偏移问题，并且不仅可以准确识别出在轨航天器舱内总压变化模式中的已知模式，还可以检测出未知模式，提高了在轨航天器舱内总压变化模式的模式识别效果，更贴合在轨航天器实时监控和在轨航天器异常检测、故障诊断等实际应用。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明的流程图；

图2为本发明的整体模型结构图；

图3为特征提取模块的结构图；

图4为N×二分类中单个分支的网络结构示意图；

图5为4-二分类任务面对已知模式样本时的情况示意图；

图6为4-二分类任务面对未知模式样本时的情况示意图；

图7为在轨航天器舱内总压正常时的典型曲线图；

图8为在轨航天器舱内总压异常时的可能曲线图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种一种在轨航天器舱内总压变化模式的实时检测方法，使用一个模型同时解决了在轨航天器舱内总压数据的随机相位偏移问题和未知模式识别问题，包括：

通过数据预处理模块把数据转化为规范文件格式，针对在轨航天器时序数据存在野值、采样频率不固定、动态时序流这3个特点进行相应预处理，并将时序数据转化为符合神经网络输入规范的形式。

通过特征提取模块，采用多尺度的卷积核和池化窗口，在不同大小的感知野上提取在轨航天器数据特征，用于在同一模式下识别带有不同程度相位偏移的时序数据，解决含有随机相位偏移时序数据的模式识别。

通过判定识别模块，采用N×二分类的方法(思想)，将多分类任务拆解成“一对其余”式的二分类任务对在轨航天器舱内总压时序数据进行模式识别，并检测出未知模式数据。

参图2所示，图2所示为本发明整体模型结构图。其中：

(1)数据预处理模块

数据预处理模块针对在轨航天器时序数据存在野值、采样频率不固定、动态时序流这3个特点进行相应预处理，并将时序数据转化为符合神经网络输入规范的形式。在轨航天器时序数据包含了航天器各个部位产生的一系列如同电压、电流、角度等等信号，这些信号尽管测量的内容不同，但无一例外都是按时间顺序采集的数据。这类数据在结构上表示为[时间戳数值]，因此在实际处理中可以使用pandas提供的Series数据结构，以时间戳为index存放value(数值)。原始的在轨航天器时序数据基本都以月为单位采集数据，时间范畴总长从1年到3年不等，数据文件均是文本文件(.txt)，在轨航天器舱内总压时序数据属于遥测数据，其自身存在很多如同高噪声、采样频率不固定、模式不明显等特点。因此，在将原始的时序数据投入模型之前，针对在轨航天器时序数据存在野值、采样频率不固定、动态时序流这3个特点进行相应预处理。本实施例将采用3σ法去除野值，采用均值和线性插值分别实现降采样和升采样，并使用某一粒度固定的滑动窗口进行样本截取。

针对在轨航天器时序数据存在野值问题，本实施例采用3σ法去除野值，计算一个时序文件中所有值的平均值μ和标准差σ，遍历该文件中的每一个点，如果某点的值不属于(μ±3σ)，则将该点视为野值点剔除。在正态分布中，数在(μ±3σ)中的分布的概率为99.73％，3σ法认为与μ相差3σ距离的点都是不符合统计规律需要剔除的极值点，使用该方法在大多数情况下可以有效剔除野值点。

针对在轨航天器采样频率不固定问题，在轨航天器系统的采样规则是在测量对象产生数值变动时才进行采样，这就导致得到的时序数据在采样频率上完全不一致，而投入模型的时序数据样本要求是采样频率固定，只有定频率的时序数据才能使用滑动窗口进行有效地样本划分。所以在划分样本前，需要对原始数据进行重采样。本实施例采用的重采样及样本划分规则是：以24h为样本目标的粒度单位，因为多数在轨航天器系统部件以24h为一个变动周期。以10min为固定的采样频率，这样得到的24h内的时序数据定长为144。降采样使用区间内样本均值，升采样使用线性插值补充。采样频率确定后按滑动窗口划分出样本，得到的每个样本定长145，在最后一列添加该样本的模式编号。

在轨航天器以月为粒度采集数据，是一连串不间断的动态时序流，需要使用滑动窗口划分样本，本实施例按照固定窗口大小滑动划分样本同时生成一部分随机相位偏移数据。

(2)特征提取模块

特征提取模块的重要特征就是采用多尺度的卷积核和池化窗口，在不同大小的感知野上提取数据特征，如图3所示，每个特征提取模块都有3个不同尺度的卷积核-池化窗口，一个模块的数据流动可以解释如下：N维长度为l的时间序列特征向量输入到特征提取模块当中，每个向量经过3个不同尺寸的卷积核提取特征，并通过3个不同尺寸的池化窗口降采样，每个特征提取模块中的神经元数量定为x'，3个通道得到的向量全部对齐后得到N×3组长度为l'的输出向量(每个通道都会得到N维特征向量)，最后这3个通道的特征向量组交由拼接函数(Concatenate)堆叠拼接成大小为3N×l'×x'的输出向量组，交由下一个模块执行进一步的处理。

该模块中所有通道的前向传播过程可以参数化表示为：

C_i＝ReLU(∑ω_i*X+b_i)

M_i＝MaxPooling(C_i)

其中，X是输入向量组，i是通道下标，C_i表示第i个通道输入向量组在卷积-激活操作后得到的输出，ω_i和b_i指的是第i个通道中需要调整的权重值，M_i表示第i个通道池化之后得到的输出，O是最终拼接之后得到的输出向量组。

将多个特征提取模块堆叠往复，得到一个完整的二分类训练网络结构如图4。其中，第一个特征提取模块中一个尺度下卷积核的数量定为32，后续所有模块中一个尺度下卷积核的数量定为64。卷积核的尺度分别选择为[1，3，5]，因为是一维卷积，卷积核的尺度是一维。卷积步长固定为1。池化操作选择使用最大池化。卷积和池化操作的填充方式都采用valid。

池化窗口和池化步长的选取需要通过计算确定，计算方式为

其中T为池化的输入长度，L为池化后期望输出长度，这样做的原因是拼接函数只能接受三个长度相同序列的拼接，所以池化需要完成对齐操作，而传统的stride＝size池化方式很难保证池化后的序列定长，因此需要采用空间金字塔的池化思想自适应地计算池化窗口和步长。

(3)判定识别模块

本实施例提出的解决在轨航天器舱内总压未知模式识别问题的方法是采用N×二分类的思想，将多分类任务拆解成“一对其余”式的二分类任务，如图5所示，对于一个拥有N个已知模式的数据集，分别采用N个通道独立训练这N个已知模式，每个分支的训练都是对应一种模式的二分类任务。二分类任务的网络模型由上文提出的多个特征提取模块拼接出主要的网络结构，结构图如图4所示，网络采用Sigmoid方式进行归一化并输出，最终的输出只有一个神经元，回答样本是否为该网络训练的已知模式。在单独的一个分支中，将一个已知模式当作正例，其余已知模式当作反例进行训练。训练完成后，在训练好的模型投入使用预测测试集样本模式时，每个分支预测的结果都是一个由Sigmoid归一化的值，这个值越接近1代表样本越有可能为该已知模式，而这个值越接近0代表该样本越不可能为该已知模式。当一个样本投入模型会分别进行N轮已知模式的检测，如果存在一个已知模式通道接纳该样本，则该样本属于这个模式；否则，如果没有任何一个通道接纳该样本，则该模式被划分为未知模式。图5所示的是一个4-二分类任务流程，测试样本在4个分类器中仅有模式1接纳测试样本为正类，其余3个分类器均判断其为负类，则测试样本最终识别的结果为模式1。更近一步地，如图6所示，若全部4个分类器均不接纳测试样本，则将该测试样本归为未知模式。

因此，当模型训练结束投入实际使用中时，需要给每个已知模式规定一个阈值s，这个阈值的具体取值因数据集而定。若某样本X预测已知模式A的归一化结果大于阈值s，则认为样本X被已知模式A接受，否则不被已知模式A接受。进一步交给已知模式B、C直至N预测输出，若样本X不被任一已知模式接受，则认为样本X属于未知模式。

本实施例使用改进的卷积神经网络(Convolutional Neural Network，CNN)作为模型的基线，模型首先解决带有随机相位偏移数据的识别问题，重点改造CNN特征提取区，使用多通道、不同大小的卷积核从不同角度和层次提取时序数据的深度特征，使得同一模式下的时序数据无论带有何种程度的相位偏移都可以被准确地识别。模型其次解决的问题是未知模式的识别，采用N-二分类问题的思想分别学习不同已知模式的特征，训练完毕后达到的效果是：当模型遇到一个未知模式不满足N种已知模式中任一模式的阈值范围，则将其准确地定义为未知模式，而不会将其误识为一种已知模式。

较佳实施例

输入一组时序数据，在数据上经由数据预处理模块获得一组包含随机相位偏移数据的时序数据样本，分为已知模式(如图7所示)与未知模式(如图8所示)，模式的划分如下表所示：

该数据集模式识别的阈值s选为0.80，送入样本训练后进行测试，得到已知模式的召回率为93.9％，精确率为100％；未知模式2的召回率为100％，精确率为94.9％。证明模型可以实现准确识别带有随机相位偏移的时序数据样本，并且可以正确标识出未知模式。

本发明所述方法解决了在轨航天器舱内总压数据在实时监测过程中由于时序数据随机窗口划分样本带来的随机相位偏移问题，并且不仅可以准确识别出在轨航天器舱内总压变化模式中的已知模式，还可以检测出未知模式，提高了在轨航天器舱内总压变化模式的模式识别效果，更贴合在轨航天器实时监控和在轨航天器异常检测、故障诊断等实际应用。本方法改进了一般的卷积神经网络，网络模型在特征提取模块使用多尺度的卷积方式，一个模块中包含了多个不同大小的卷积核和池化窗口，在不同大小的感知野上提取在轨航天器舱内总压数据特征。模型结构上采用“一对其余”式的N-二分类拆解思想，使用N个通道分别训练已知模式，一个已知模式对应一个独立的二分类任务，判断出在轨航天器舱内总压数据模式归属于某种已知模式或未知模式，达到准确检测在轨航天器舱内总压在包含随机相位偏移情况下各已知模式和未知模式的目的。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (4)

1.一种在轨航天器舱内总压变化模式的实时检测方法，其特征在于，包括：

通过数据预处理模块把数据转化为规范文件格式，针对在轨航天器时序数据存在野值、采样频率不固定、动态时序流的特点进行相应预处理，并将时序数据转化为符合神经网络输入规范的形式；

通过特征提取模块，采用多尺度的卷积核和池化窗口，在不同大小的感知野上提取在轨航天器数据特征，用于在同一模式下识别带有不同程度相位偏移的时序数据；

通过判定识别模块，采用N×二分类的方法，将多分类任务拆解成一对其余式的二分类任务对在轨航天器舱内总压时序数据进行模式识别，并检测出未知模式数据。

2.根据权利要求1所述的在轨航天器舱内总压变化模式的实时检测方法，其特征在于，所述数据预处理模块采用3σ法去除野值，并使用粒度固定的滑动窗口进行样本截取；计算一个时序文件中所有值的平均值μ和标准差σ，遍历该文件中的每一个点，如果某点的值不属于(μ±3σ)，则将该点视为野值点剔除。

3.根据权利要求1所述的在轨航天器舱内总压变化模式的实时检测方法，其特征在于，每个实施特征提取模块均设有3个不同尺度的卷积核-池化窗口，上述特征提取模块的数据流包括：N维长度为l的时间序列特征向量输入到特征提取模块当中，每个向量经过3个不同尺寸的卷积核提取特征，并通过3个不同尺寸的池化窗口降采样，每个特征提取模块中的神经元数量定为x'，3个通道得到的向量全部对齐后得到N×3组长度为l'的输出向量，最后这3个通道的特征向量组交由拼接函数堆叠拼接成大小为3N×l'×x'的输出向量组，交由下一个模块执行进一步的处理；然后将多个特征提取模块反复堆叠，得到一个完整的二分类训练网络结构。

4.根据权利要求1所述的在轨航天器舱内总压变化模式的实时检测方法，其特征在于，所述判定识别模块具体用于：对于一个拥有N个已知模式的数据集，分别采用N个通道独立训练这N个已知模式，每个分支的训练对应一种模式的二分类任务；当一个样本投入模型分别进行N轮已知模式的检测，如果存在一个已知模式通道接纳该样本，则该样本属于这个模式；否则，如果没有任何一个通道接纳该样本，则该模式被划分为未知模式；当模型训练结束投入实际使用中时，给每个已知模式规定一个阈值s；若待测样本X与已知模式A的归一化结果大于阈值s，则认为该样本被已知模式A接受，否则不被已知模式A接受；如此重复把待测样本X与所有已知模式判定；若待测样本X不被任何已知模式接受，则认为该样本属于未知模式。

Images