CN114881160B - 基于改进dtw距离的航天器异常子模式检测方法及装置 - Google Patents
基于改进dtw距离的航天器异常子模式检测方法及装置 Download PDFInfo
- Publication number
- CN114881160B CN114881160B CN202210545840.0A CN202210545840A CN114881160B CN 114881160 B CN114881160 B CN 114881160B CN 202210545840 A CN202210545840 A CN 202210545840A CN 114881160 B CN114881160 B CN 114881160B
- Authority
- CN
- China
- Prior art keywords
- sub
- mode
- time
- detected
- telemetry data
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims description 28
- 238000005452 bending Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radio Relay Systems (AREA)
Abstract
本公开提供一种基于改进DTW距离的航天器异常子模式检测方法及装置，涉及在轨航天器遥测数据异常检测与故障诊断领域，能够解决航天器在轨遥测数据微小异常变化难以通过现有诊断知识及时发现的问题。具体技术方案为：获取卫星遥测数据的周期并进行子模式提取，获得标准子模式，获取所有训练子模式与标准子模式之间的T‑DTW距离的最大值，获取判别阈值；用标准子模式中被匹配的点数与其总点数之比作为支持度，如果支持度小于阈值，则认为待检测序列的数据量不足，无法进行异常检测，否则，计算待检测序列与标准子模式之间的时间基准DTW距离，如果距离大于判别阈值则认为该待检测序列为异常模式，否则为正常模式。
Description
技术领域
本公开涉及在轨航天器遥测数据异常检测与故障诊断领域，尤其涉及基于改进DTW距离的航天器异常子模式检测方法及装置。
背景技术
遥测数据是卫星在轨运行和活动的符号记录，是地面了解卫星在轨运行健康状态及活动情况的主要途径。绝大部分故障在早期阶段都表现为门限内异常，如果能尽早发现卫星门限内异常，就能够在卫星故障产生影响前发现并设法处置。卫星遥测参数绝大部分变化遵循一定的模式，因此通过时间序列分析，开展数据驱动的卫星在轨异常模式检测技术研究，能够为卫星在轨异常门限内检测提供有效方法。
目前，航天器在轨遥测数据微小异常变化难以通过现有诊断知识及时发现，航天器遥测数据是典型的时间序列，对这些时间序列数据进行分析和挖掘，从中发现一些有价值的信息和知识，一直是异常检测的关键问题。由于时间序列的海量和复杂数据特点，直接在时间序列上进行数据挖掘不但在存储和计算上要花费昂贵代价，而且还可能会影响算法的准确性和可靠性。
发明内容
本公开实施例提供一种投屏方法及装置，能够解决解决了航天器在轨遥测数据微小异常变化难以通过现有诊断知识及时发现的问题。所述技术方案如下：
根据本公开实施例的第一方面，提供一种基于改进DTW距离的航天器异常子模式检测方法，包括：
对训练样本通过离散傅立叶变换获取样本周期；其中，所述训练样本为通过对选择的具有周期性变化模式的遥测参数进行剔野，并在完成剔野后指定预设时间共m个整周期的历史数据获取的；m为正整数；
按照所述样本周期将所述训练样本划分为m个训练子模式，通过对预设正常样本数据学习获取标准子模式；
获取各个所述训练子模式与所述标准子模式之间的第一时间基准动态时间弯曲距离中的最大值；
根据所述最大值和预设调节因子获取异常检测阈值；
获取待检测遥测数据时间序列；
对每一个所述待检测遥测数据时间序列的执行下述步骤：
将所述待检测遥测数据时间序列与所述标准子模式进行匹配；
计算所述待检测遥测数据时间序列的支持度；
根据所述支持度与预设阈值的大小关系，输出对应的提示信息，并重新对下一个待检测遥测数据时间序列执行上述步骤，所述提示信息用于所述待检测遥测数据时间序列的提示数据量不足、或者，所述待检测遥测数据时间序列为正常模式，或者，所述待检测遥测数据时间序列为异常模式。
在一个实施例中，所述根据所述支持度与预设阈值的大小关系，输出对应的提示信息，包括：
若所述支持度小于预设阈值，输出提示数据量不足的提示信息；
若所述支持度大于预设阈值，计算所述待检测遥测数据时间序列与所述标准子模式之间的第二时间基准动态时间弯曲距离；
若所述第二时间基准动态时间弯曲距离大于或者等于所述异常检测阈值，输出提示所述待检测遥测数据时间序列为异常模式的提示信息；
若所述第二时间基准动态时间弯曲距离小于于所述异常检测阈值，输出提示所述待检测遥测数据时间序列为正常模式的提示信息。
在一个实施例中，所述通过对预设正常样本数据学习获取标准子模式，包括：
对所述预设正常样本数据根据进行时标对齐；
对训练样本合并排序得到
根据计算标准子模式长度n；
将时间点相等或小于预设时长的点合并，以中心时间戳ti为时间，以算术平均值xi为数据值最终形成标准子模式其中，ti＝t1+(i-1)*τ；其中num(xk)为满足条件(tk，xk)∈Xs∩0＜tk-ti≤τ的数据点数，不能为零，如为零则计算下一个点。
在一个实施例中，根据下述表达式获取所述τ：
其中，ni为第i个训练样本的点数。
在一个实施例中，所述获取各个所述训练子模式与所述标准子模式之间的第一时间基准动态时间弯曲距离，包括：
将所述训练子模式与所述标准子模式进行匹配；
计算匹配好后每个所述训练子模式的所述第一时间基准动态时间弯曲距离。
在一个实施例中，所述将所述待检测遥测数据时间序列与所述标准子模式进行匹配，包括：
对于每个标准子模式中的点如果满足则/>加入点(ts，xs)的匹配集Ls；
其中，(1≤s≤n)；为点/>与标准子模式对齐后的时标，根据下述表达式获取：
其中，mod为求模运算符，t1为标准子模式第一个点的时标值。
在一个实施例中，所述计算所述待检测遥测数据时间序列的支持度，包括：
根据sup(Yk)＝Ck/n×100％计算所述支持度；
其中，所述sup(Yk)为支持度，所述Ck根据所述待检测遥测数据时间序列与标准子模式的每个点的匹配率获取。
在一个实施例中，所述计算所述待检测遥测数据时间序列与所述标准子模式之间的第二时间基准动态时间弯曲距离，包括：
对于任意1≤s≤n，根据/>获取点距离；
根据所述点距离获取所述第二时间基准动态时间弯曲距离。
在一个实施例中，所述根据所述点距离获取所述第二时间基准动态时间弯曲距离，包括：
根据获取所述第二时间基准动态时间弯曲距离。
根据本公开实施例的第二方面，提供一种基于改进DTW距离的航天器异常子模式检测装置，包括：
第一获取模块，用于对训练样本通过离散傅立叶变换获取样本周期；其中，所述训练样本为通过对选择的具有周期性变化模式的遥测参数进行剔野，并在完成剔野后指定预设时间共m个整周期的历史数据获取的；m为正整数；
划分模块，用于按照所述样本周期将所述训练样本划分为m个训练子模式，通过对预设正常样本数据学习获取标准子模式；
第二获取模块，用于获取各个所述训练子模式与所述标准子模式之间的第一时间基准动态时间弯曲距离中的最大值；
第三获取模块，用于根据所述最大值和预设调节因子获取异常检测阈值；
第四获取模块，用于获取待检测遥测数据时间序列；
对每一个所述待检测遥测数据时间序列的执行下述步骤：
匹配模块，用于将所述待检测遥测数据时间序列与所述标准子模式进行匹配：
计算模块，用于计算所述待检测遥测数据时间序列的支持度；
输出模块，用于根据所述支持度与预设阈值的大小关系，输出对应的提示信息，并重新对下一个待检测遥测数据时间序列执行上述步骤，所述提示信息用于所述待检测遥测数据时间序列的提示数据量不足、或者，所述待检测遥测数据时间序列为正常模式，或者，所述待检测遥测数据时间序列为异常模式。
在一个实施例中，输出模块包括：
第一输出子模块，用于若所述支持度小于预设阈值，输出提示数据量不足的提示信息；
第一计算子模块，用于若所述支持度大于预设阈值，计算所述待检测遥测数据时间序列与所述标准子模式之间的第二时间基准动态时间弯曲距离；
第二输出子模块，用于若所述第二时间基准动态时间弯曲距离大于或者等于所述异常检测阈值，输出提示所述待检测遥测数据时间序列为异常模式的提示信息；
第三输出子模块，用于若所述第二时间基准动态时间弯曲距离小于于所述异常检测阈值，输出提示所述待检测遥测数据时间序列为正常模式的提示信息。
在一个实施例中，所述划分模块，包括：
对齐子模块，用于对所述预设正常样本数据根据进行时标对齐；
排序子模块，用于对训练样本合并排序得到
第二计算子模块，用于根据计算标准子模式长度n；
第一获取子模块，用于将时间点相等或小于预设时长的点合并，以中心时间戳ti为时间，以算术平均值xi为数据值最终形成标准子模式其中，ti＝t1+(i-1)*τ；/>其中num(xk)为满足条件(tk，xk)∈Xs∩0＜tk-ti≤τ的数据点数，不能为零，如为零则计算下一个点。
在一个实施例中，根据下述表达式获取所述τ：
其中，ni为第i个训练样本的点数。
在一个实施例中，所述第二获取模块，包括：
第一匹配子模块，用于将所述训练子模式与所述标准子模式进行匹配；
第二计算子模块，用于计算匹配好后每个所述训练子模式的所述第一时间基准动态时间弯曲距离。
在一个实施例中，所述匹配模块，包括：
第二获取子模块，用于对于每个标准子模式中的点如果满足/>则/>加入点(ts，xs)的匹配集Ls；
其中，(1≤s≤n)；为点/>与标准子模式对齐后的时标，根据下述表达式获取：
其中，mod为求模运算符，t1为标准子模式第一个点的时标值。
在一个实施例中，所述计算模块，包括：
第三计算子模块，用于根据sup(Yk)＝Ck/n×100％计算所述支持度；
其中，所述sup(Yk)为支持度，所述Ck根据所述待检测遥测数据时间序列与标准子模式的每个点的匹配率获取。
在一个实施例中，所述第一计算子模块，包括：
第一计算子单元，用于对于任意1≤s≤n，根据获取点距离；
第二计算子单元，用于根据所述点距离获取所述第二时间基准动态时间弯曲距离。
在一个实施例中，所述第二计算子单元，包括：
第三计算子单元，用于根据获取所述第二时间基准动态时间弯曲距离。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本公开实施例提供的一种基于改进DTW距离的航天器异常子模式检测方法的流程图；
图2是本公开实施例提供的一种基于改进DTW距离的航天器异常子模式检测方法的流程图；
图3是本公开实施例提供的一种基于改进DTW距离的航天器异常子模式检测方法的流程图；
图4是本公开实施例提供的待检测遥测数据示意图；
图5是本公开实施例提供的基于本公开的方法得到的异常模式示意图；
图6是本公开实施例提供的一种基于改进DTW距离的航天器异常子模式检测装置的框图；
图7是本公开实施例提供的一种基于改进DTW距离的航天器异常子模式检测装置中输出模块的框图；
图8是本公开实施例提供的一种基于改进DTW距离的航天器异常子模式检测装置中划分模块的框图；
图9是本公开实施例提供的一种基于改进DTW距离的航天器异常子模式检测装置中第二获取模块的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是本公开实施例提供的一种基于改进DTW距离的航天器异常子模式检测方法的流程图，该方法包括：
101、对训练样本通过离散傅立叶变换获取样本周期；其中，训练样本为通过对选择的具有周期性变化模式的遥测参数进行剔野，并在完成剔野后指定预设时间共m个整周期的历史数据获取的；m为正整数；
选择具有周期性变化模式的遥测参数进行剔野，完成剔野后指定其一段时间共m个整周期的历史数据为训练样本，并通过离散傅立叶变换获得样本周期T＝1/fmax Energy(fmax Energy≠0)；
其中，fmax Energy为遥测参数样本频域的最大能量。
102、按照样本周期将训练样本划分为m个训练子模式，通过对预设正常样本数据学习获取标准子模式；
按照周期T将训练样本划分为m个子模式，描述为{X1，X2，…，Xm}，然后通过对给定的正常样本数据学习获得标准子模式，将其描述为
其中，ni表示第i个子模式的长度，为正整数。
在一种可实现方式中，如图2所示，上述步骤102中通过对预设正常样本数据学习获取标准子模式，包括以下子步骤：
1021、对预设正常样本数据根据进行时标对齐；
1022、对训练样本合并排序得到
1023、根据计算标准子模式长度n；
根据下述表达式获取τ：
其中，ni为第i个训练样本的点数。
1024、将时间点相等或小于预设时长的点合并，以中心时间戳ti为时间，以算术平均值xi为数据值最终形成标准子模式其中，ti＝t1+(i-1)*τ；/>其中num(xk)为满足条件(tk，xk)∈Xs∩0＜tk-ti≤τ的数据点数，不能为零，如为零则计算下一个点。
具体的，通过以下子步骤解释：
步骤2.1：时标对齐，对齐方法为取模加时间偏置量。
步骤2.2：训练样本合并排序
步骤2.3：计算标准子模式长度：
步骤2.4：将时间点相等或相近的点合并，以中心时间戳为时间ti＝t1+(i-1)*τ，以算术平均值为数据值其中num(xk)为满足条件(tk，xk)∈Xs∩0＜tk-ti≤τ的数据点数，不能为零，如为零则计算下一个点，最终形成标准子模式
103、获取各个训练子模式与标准子模式之间的第一时间基准动态时间弯曲距离中的最大值；
在一个实施例中，获取各个训练子模式与标准子模式之间的第一时间基准动态时间弯曲距离，包括以下子步骤：
A1、将训练子模式与标准子模式进行匹配；
A2、计算匹配好后每个训练子模式的第一时间基准动态时间弯曲距离。
将训练子模式与标准子模式进行匹配。；计算匹配好后每个训练子模式的第一DTW距离，并形成第一DTW距离集。
104、根据最大值和预设调节因子获取异常检测阈值；
具体的，计算m个训练子模式与标准子模式的T-DTW距离形成距离集合{d1，d2，…，dm}，计算ε＝max(d1，d2，…，dm)，给定预设调节因子λ(100≥λ≥1)，一般情况下λ＝10，以δ＝λ·ε为异常检测阈值。
其中距离di为正值，max()是取最大值的函数，λ为预设调节因子，是一个正整数，无量纲，含义是指异常子模式与标准模式的T-DTW距离大于λ倍样本最大超差距离时认为发生了突变，则该训练子模式为异常模式，跟具体参数的变化特征有关系，一般情况下工程经验值为10，不同遥测参数的预设调节因子不同，可根据情况调整。
105、获取待检测遥测数据时间序列；
依次获取待检测遥测数据时间序列Yk，获取方式为从一个周期内遥测点的极大值开始提取航天器待检测遥测参数时间长度为T的数据，将待检测序列描述为：其中：/>
对每一个待检测遥测数据时间序列的执行下述步骤：
106、将待检测遥测数据时间序列与标准子模式进行匹配；
在一个实施例中，将待检测遥测数据时间序列与标准子模式进行匹配，包括以下子步骤：
对于每个标准子模式中的点如果满足则/>加入点(ts，xs)的匹配集Ls；
其中，(1≤s≤n)；为点/>与标准子模式对齐后的时标，根据下述表达式获取：
其中，mod为求模运算符，t1为标准子模式第一个点的时标值。
具体的，将待检测序列Yk与标准子模式进行匹配，匹配规则为：对于每个标准子模式中的点/>如果满足/>则/>加入点(ts，xs)的匹配集，描述为Ls(1≤s≤n)；
其中，为点/>与标准子模式对齐后的时标，计算方法如下：
mod为求模(余数)运算符，t1为标准子模式第一个点的时标值，该操作为时间维度平移，使各序列起点对齐；
τ为时间裕度因子，其计算表达式如下：
ni为第i个训练样本的点数。
107、计算待检测遥测数据时间序列的支持度；
在一个实施例中，计算待检测遥测数据时间序列的支持度，包括：
根据sup(Yk)＝Ck/n×100％计算支持度；
其中，sup(Yk)为支持度，Ck根据待检测遥测数据时间序列与标准子模式的每个点的匹配率获取。
计算待检测序列Yk的支持度sup(Yk)，支持度计算方法为：统计Yk与标准子模式每个点匹配率，即：设整数Ck＝0，/>如果Ls≠φ，则C′k加1，那么Yk的支持度计算表达式为：
sup(Yk)＝Ck/n×100％；
108、根据支持度与预设阈值的大小关系，输出对应的提示信息，并重新对下一个待检测遥测数据时间序列执行上述步骤，提示信息用于待检测遥测数据时间序列的提示数据量不足、或者，待检测遥测数据时间序列为正常模式，或者，待检测遥测数据时间序列为异常模式。
在一个实施例中，上述根据支持度与预设阈值的大小关系，输出对应的提示信息，包括以下子步骤：
C1、若支持度小于预设阈值，输出提示数据量不足的提示信息；
如果sup(Yk)＜θsup，则因数据量不足待检测Yk无法检测，提示数据量不足，开始下一个待检测遥测数据时间序列检测；
C2、若支持度大于预设阈值，计算待检测遥测数据时间序列与标准子模式之间的第二时间基准动态时间弯曲距离；
C3、若第二时间基准动态时间弯曲距离大于或者等于异常检测阈值，输出提示待检测遥测数据时间序列为异常模式的提示信息；
C4、若第二时间基准动态时间弯曲距离小于于异常检测阈值，输出提示待检测遥测数据时间序列为正常模式的提示信息。
在一种可实现方式中，计算待检测遥测数据时间序列与标准子模式之间的第二时间基准动态时间弯曲距离，包括：
对于任意1≤s≤n，根据/>获取点距离；
根据点距离获取第二时间基准动态时间弯曲距离。
其中，根据点距离获取第二时间基准动态时间弯曲距离，包括：
根据获取第二时间基准动态时间弯曲距离。
具体的，计算待检测序列Yk与标准子模式之间的T-DTW距离计算法方法为：对于任意1≤s≤n，/>计算点距离/>表达式如下：
然后计算T-DTW距离如下：
判断与δ之间的大小关系，得出异常检测结果，判断规则为：如果则待检测序列Yk为异常模式，否则待检测序列Yk为正常模式。
本发明通过离散傅立叶变换获取卫星遥测数据的周期T，以此周期为时间窗口对卫星遥测数据进行子模式提取，采用带有时间标签的连续时间序列描述方法描述每个时间窗口内的子模式；然后通过对给定的正常样本数据学习获得标准子模式以时间为匹配基准，计算每个样本数据Xi与标准子模式之间的时间基准动态时间弯曲(简写为：T-DTW)距离/>获取所有训练子模式与标准子模式T-DTW距离的最大值，记为ε，给定调节因子突变因子λ(100≥λ≥1)(为经验值)，以λ·ε为异常检测的判别阈值；将待检测子模式Yk与/>进行数据点匹配，用标准子模式中被匹配的点数与其总点数之比作为支持度，描述为sup(Yk)，如果支持度小于阈值θsup，则认为子模式Yk的数据量不足，无法进行异常检测，否则，计算待检测子模式Yk与/>之间的时间基准DTW距离/>如果/>则认为该子模式为异常模式，否则为正常模式。本发明适用于卫星遥测数据异常检测和故障诊断。
图3是本公开实施例提供的一种基于改进DTW距离的航天器异常子模式检测方法的流程图，该方法包括：
步骤一：选择具有周期性变化模式的遥测参数进行剔野，完成剔野后指定其一段时间共m个整周期的历史数据为训练样本，并通过离散傅立叶变换获得样本周期T＝1/fmax Energy(fmax Energy≠0)；
步骤二：按照周期T将训练样本划分为m个子模式，描述为{X1，X2，…，Xm}，学习样本训练获得标准子模式，将其描述为
其中，ni表示第i个子模式的长度，为正整数；
上述内容中，步骤二的具体实现步骤如下：
步骤2.1：时标对齐，对齐方法为取模加时间偏置量。
步骤2.2：训练样本合并排序
步骤2.3：计算标准子模式长度：
步骤2.4：将时间点相等或相近的点合并，以中心时间戳为时间ti＝t1+(i-1)*τ，以算术平均值为数据值其中num(xk)为满足条件(tk，xk)∈Xs∩0＜tk-ti≤τ的数据点数，不能为零，如为零则计算下一个点，最终形成标准子模式
步骤三：计算前m个子模式与标准子模式的T-DTW距离形成距离集合{d1，d2，…，dm}，计算ε＝max(d1，d2，…，dm)，给定调节因子λ(100≥λ≥1)，一般情况下λ＝10，以δ＝λ·ε为异常检测阈值。
其中距离di为正值，max()是取最大值的函数，λ为调节因子，是一个正整数，无量纲，含义是指异常子模式与标准模式的T-DTW距离大于λ倍样本最大超差距离时认为发生了突变，则该子模式为异常模式，跟具体参数的变化特征有关系，一般情况下工程经验值为10，不同遥测参数的调节因子不同，可根据情况调整；
上述内容中，步骤三的具体实现步骤如下：
步骤3.1：将训练子模式与标准子模式进行匹配。
步骤3.2：计算匹配好后每个训练子模式的DTW距离，并形成DTW距离集。
步骤四：依次获取待检测遥测数据时间序列Yk，获取方式为从一个周期内遥测点的极大值开始提取航天器待检测遥测参数时间长度为T的数据，将待检测序列描述为：其中：/>
步骤五：将待检测序列Yk与标准子模式进行匹配，匹配规则为：对于每个标准子模式中的点/>如果满足/>则/>加入点(ts，xs)的匹配集，描述为Ls(1≤s≤n)；
其中，为点/>与标准子模式对齐后的时标，计算方法如下：
mod为求模(余数)运算符，t1为标准子模式第一个点的时标值，该操作为时间维度平移，使各序列起点对齐；
τ为时间裕度因子，其计算表达式如下：
/>
ni为第i个训练样本的点数；
上述内容中，步骤五的具体实现步骤如下：
步骤5.1：进行将待检测数据与标准子模式进行对齐。
步骤5.2：进行点的匹配，生成匹配集合。
步骤六：计算待检测序列Yk的支持度sup(Yk)，支持度计算方法为：统计Yk与标准子模式每个点匹配率，即：设整数Ck＝0，/>如果Ls≠φ，则Ck加1，那么Yk的支持度计算表达式为：
sup(Yk)＝Ck/n×100％；
如果sup(Yk)＜θsup，则因数据量不足待检测Yk无法检测，提示数据量不足，进入第四步开始下一个子模式检测，否则进行下一步；
步骤七：计算待检测序列Yk与标准子模式之间的T-DTW距离计算法方法为：对于任意1≤s≤n，/>计算点距离/>表达式如下：
然后计算T-DTW距离如下：
步骤八：判断与δ之间的大小关系，得出异常检测结果，判断规则为：如果/>则待检测序列Yk为异常模式，否则待检测序列Yk为正常模式。
通过上述方案解决了航天器在轨遥测数据微小异常变化难以通过现有诊断知识及时发现的问题，卫星遥测数据周期难以自动获取和周期划分不准引起微小偏移后导致异常检测不准以及卫星不同类遥测采样间隔不等的问题，并且既能检测出子序列的异常模式，也可减少虚警。
图4是本公开实施例提供的待检测遥测数据示意图；图5是本公开实施例提供的基于本公开的方法得到的异常模式示意图，如图4和5所示：
本发明应用案例分为三个主要步骤：
该方法有4项输入，给定正常子模式序列数据{X1，X2，…，Xm}，遥测数据周期T，待检测序列支持度阈值θsup＝75％。
设置调节因子λ(100≥λ≥1)为常量，一般情况下λ＝10。
1)选择某卫星B路充电电流在X年X月X日的实测数据为样本数据，可以看出该参数呈周期性变化模式，计算获取周期约为1小时49分35秒。
2)计算时间窗口(窗宽设置为1小时39分35秒)，将该数据划分为13个窗口，每个窗口中的数据作为分析的对象(子序列)。使用提出的连续时间序列描述模型描述每个子序列，使用前面7个子模式训练获取标准子模式
3)通过改进DTW方法计算任意两个子序列的DTW距离，并获取异常阈值10ε。
4)将输入的13个周期序列作为待检测序列集，对每个序列获取匹配集，计算时间裕度因子、对齐时标。
5)计算所有待检测序列的支持度和T-DTW距离，判断异常情况，通过检测，第8个窗口为异常子模式，第12个时间窗口由于缺乏部分数据，使其支持度小于给定的值，即表明所给的信息不足以判定是正常还是异常。
综上所述，本发明提供一种基于改进DTW距离的航天器异常子模式检测方法，通过改进DTW距离计算综合考虑时间序列的时间因素，算法需要的参数少，大大减少了人工干预。在实测数据上测试验证了算法的有效性和鲁棒性。
基于上述图1对应的实施例中所描述的基于改进DTW距离的航天器异常子模式检测方法，下述为本公开装置实施例，可以用于执行本公开方法实施例。
本公开实施例提供一种基于改进DTW距离的航天器异常子模式检测装置，如图6所示，包括：
第一获取模块11，用于对训练样本通过离散傅立叶变换获取样本周期；其中，所述训练样本为通过对选择的具有周期性变化模式的遥测参数进行剔野，并在完成剔野后指定预设时间共m个整周期的历史数据获取的；m为正整数；
划分模块12，用于按照所述样本周期将所述训练样本划分为m个训练子模式，通过对预设正常样本数据学习获取标准子模式；
第二获取模块13，用于获取各个所述训练子模式与所述标准子模式之间的第一时间基准动态时间弯曲距离中的最大值；
第三获取模块14，用于根据所述最大值和预设调节因子获取异常检测阈值；
第四获取模块15，用于获取待检测遥测数据时间序列；
对每一个所述待检测遥测数据时间序列的执行下述步骤：
匹配模块16，用于将所述待检测遥测数据时间序列与所述标准子模式进行匹配；
计算模块17，用于计算所述待检测遥测数据时间序列的支持度；
输出模块18，用于根据所述支持度与预设阈值的大小关系，输出对应的提示信息，并重新对下一个待检测遥测数据时间序列执行上述步骤，所述提示信息用于所述待检测遥测数据时间序列的提示数据量不足、或者，所述待检测遥测数据时间序列为正常模式，或者，所述待检测遥测数据时间序列为异常模式。
在一个实施例中，如图7所示，输出模块18包括：
第一输出子模块181，用于若所述支持度小于预设阈值，输出提示数据量不足的提示信息；
第一计算子模块182，用于若所述支持度大于预设阈值，计算所述待检测遥测数据时间序列与所述标准子模式之间的第二时间基准动态时间弯曲距离；
第二输出子模块183，用于若所述第二时间基准动态时间弯曲距离大于或者等于所述异常检测阈值，输出提示所述待检测遥测数据时间序列为异常模式的提示信息；
第三输出子模块184，用于若所述第二时间基准动态时间弯曲距离小于于所述异常检测阈值，输出提示所述待检测遥测数据时间序列为正常模式的提示信息。
在一个实施例中，如图8所示，所述划分模块12，包括：
对齐子模块121，用于对所述预设正常样本数据根据进行时标对齐；
排序子模块122，用于对训练样本合并排序得到
第二计算子模块123，用于根据计算标准子模式长度n；
第一获取子模块124，用于将时间点相等或小于预设时长的点合并，以中心时间戳ti为时间，以算术平均值xi为数据值最终形成标准子模式其中，ti＝t1+(i-1)*τ；/>其中num(xk)为满足条件(tk，xk)∈Xs∩0＜tk-ti≤τ的数据点数，不能为零，如为零则计算下一个点。
在一个实施例中，根据下述表达式获取所述τ：
其中，ni为第i个训练样本的点数。
在一个实施例中，如图9所示，所述第二获取模块13，包括：
第一匹配子模块131，用于将所述训练子模式与所述标准子模式进行匹配：
第二计算子模块132，用于计算匹配好后每个所述训练子模式的所述第一时间基准动态时间弯曲距离。
在一个实施例中，所述匹配模块16，包括：
第二获取子模块，用于对于每个标准子模式中的点如果满足/>则/>加入点(ts，xs)的匹配集Ls；
其中，(1≤s≤n)；为点/>与标准子模式对齐后的时标，根据下述表达式获取：
其中，mod为求模运算符，t1为标准子模式第一个点的时标值。
在一个实施例中，所述计算模块17，包括：
第三计算子模块，用于根据sup(Yk)＝Ck/n×100％计算所述支持度；
其中，所述sup(Yk)为支持度，所述Ck根据所述待检测遥测数据时间序列与标准子模式的每个点的匹配率获取。
在一个实施例中，所述第一计算子模块，包括：
第一计算子单元，用于对于任意1≤s≤n，根据获取点距离；
第二计算子单元，用于根据所述点距离获取所述第二时间基准动态时间弯曲距离。
在一个实施例中，所述第二计算子单元，包括：
第三计算子单元，用于根据获取所述第二时间基准动态时间弯曲距离。
基于上述图1对应的实施例中所描述的基于改进DTW距离的航天器异常子模式检测方法，本公开实施例还提供一种计算机可读存储介质，例如，非临时性计算机可读存储介质可以是只读存储器(英文：Read Only Memory，ROM)、随机存取存储器(英文：RandomAccess Memory，RAM)、CD-ROM、磁带、软盘和光数据存储装置等。该存储介质上存储有计算机指令，用于执行上述图1对应的实施例中所描述的数据传输方法，此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于改进DTW距离的航天器异常子模式检测方法，其特征在于，包括：
对训练样本通过离散傅立叶变换获取样本周期；其中，所述训练样本为通过对选择的具有周期性变化模式的遥测参数进行剔野，并在完成剔野后指定预设时间共m个整周期的历史数据获取的；m为正整数；
按照所述样本周期将所述训练样本划分为m个训练子模式，通过对预设正常样本数据学习获取标准子模式；
获取各个所述训练子模式与所述标准子模式之间的第一时间基准动态时间弯曲距离中的最大值；
根据所述最大值和预设调节因子获取异常检测阈值；
获取待检测遥测数据时间序列；
对每一个所述待检测遥测数据时间序列的执行下述步骤：
将所述待检测遥测数据时间序列与所述标准子模式进行匹配；
计算所述待检测遥测数据时间序列的支持度；
根据所述支持度与预设阈值的大小关系，输出对应的提示信息，并重新对下一个待检测遥测数据时间序列执行上述步骤，所述提示信息用于所述待检测遥测数据时间序列的提示数据量不足、或者，所述待检测遥测数据时间序列为正常模式，或者，所述待检测遥测数据时间序列为异常模式。
2.根据权利要求1所述的方法，其特征在于，所述根据所述支持度与预设阈值的大小关系，输出对应的提示信息，包括：
若所述支持度小于预设阈值，输出提示数据量不足的提示信息；
若所述支持度大于预设阈值，计算所述待检测遥测数据时间序列与所述标准子模式之间的第二时间基准动态时间弯曲距离；
若所述第二时间基准动态时间弯曲距离大于或者等于所述异常检测阈值，输出提示所述待检测遥测数据时间序列为异常模式的提示信息；
若所述第二时间基准动态时间弯曲距离小于于所述异常检测阈值，输出提示所述待检测遥测数据时间序列为正常模式的提示信息。
3.根据权利按要求1所述的方法，其特征在于，所述通过对预设正常样本数据学习获取标准子模式，包括：
对所述预设正常样本数据根据进行时标对齐；
对训练样本合并排序得到
根据计算标准子模式长度n；
将时间点相等或小于预设时长的点合并，以中心时间戳ti为时间，以算术平均值xi为数据值最终形成标准子模式其中，ti＝t1+(i-1)*τ；其中num(xk)为满足条件(tk，xk)∈Xs∩0＜tk-ti≤τ的数据点数，不能为零，如为零则计算下一个点。
4.根据权利要求3所述的方法，其特征在于，根据下述表达式获取所述τ：
其中，ni为第i个训练样本的点数。
5.根据权利要求1所述的方法，其特征在于，所述获取各个所述训练子模式与所述标准子模式之间的第一时间基准动态时间弯曲距离，包括：
将所述训练子模式与所述标准子模式进行匹配；
计算匹配好后每个所述训练子模式的所述第一时间基准动态时间弯曲距离。
6.根据权利要求1所述的方法，其特征在于，所述将所述待检测遥测数据时间序列与所述标准子模式进行匹配，包括：
对于每个标准子模式中的点如果满足则/>加入点(ts，xs)的匹配集Ls；
其中，(1≤s≤n)；为点/>与标准子模式对齐后的时标，根据下述表达式获取：
其中，mod为求模运算符，t1为标准子模式第一个点的时标值。
7.根据权利要求1所述的方法，其特征在于，所述计算所述待检测遥测数据时间序列的支持度，包括：
根据sup(Yk)＝Ck/n×100％计算所述支持度；
其中，所述sup(Yk)为支持度，所述Ck根据所述待检测遥测数据时间序列与标准子模式的每个点的匹配率获取。
8.根据权利要求2所述的方法，其特征在于，所述计算所述待检测遥测数据时间序列与所述标准子模式之间的第二时间基准动态时间弯曲距离，包括：
对于任意1≤s≤n，根据/>获取点距离；
根据所述点距离获取所述第二时间基准动态时间弯曲距离。
9.根据权利要求8所述的方法，其特征在于，所述根据所述点距离获取所述第二时间基准动态时间弯曲距离，包括：
根据获取所述第二时间基准动态时间弯曲距离。
10.一种基于改进DTW距离的航天器异常子模式检测装置，其特征在于，包括：
第一获取模块，用于对训练样本通过离散傅立叶变换获取样本周期；其中，所述训练样本为通过对选择的具有周期性变化模式的遥测参数进行剔野，并在完成剔野后指定预设时间共m个整周期的历史数据获取的；m为正整数；
划分模块，用于按照所述样本周期将所述训练样本划分为m个训练子模式，通过对预设正常样本数据学习获取标准子模式；
第二获取模块，用于获取各个所述训练子模式与所述标准子模式之间的第一时间基准动态时间弯曲距离中的最大值；
第三获取模块，用于根据所述最大值和预设调节因子获取异常检测阈值；
第四获取模块，用于获取待检测遥测数据时间序列；
对每一个所述待检测遥测数据时间序列的执行下述步骤：
匹配模块，用于将所述待检测遥测数据时间序列与所述标准子模式进行匹配：
计算模块，用于计算所述待检测遥测数据时间序列的支持度；
输出模块，用于根据所述支持度与预设阈值的大小关系，输出对应的提示信息，并重新对下一个待检测遥测数据时间序列执行上述步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210545840.0A CN114881160B (zh) | 2022-05-18 | 2022-05-18 | 基于改进dtw距离的航天器异常子模式检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210545840.0A CN114881160B (zh) | 2022-05-18 | 2022-05-18 | 基于改进dtw距离的航天器异常子模式检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114881160A CN114881160A (zh) | 2022-08-09 |
| CN114881160B true CN114881160B (zh) | 2024-03-22 |
Family
ID=82678595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210545840.0A Active CN114881160B (zh) | 2022-05-18 | 2022-05-18 | 基于改进dtw距离的航天器异常子模式检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114881160B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915568A (zh) * | 2015-06-24 | 2015-09-16 | 哈尔滨工业大学 | 基于dtw的卫星遥测数据异常检测方法 |
| CN112487363A (zh) * | 2020-12-03 | 2021-03-12 | 上海卫星工程研究所 | 一种基于mmd分析的卫星遥测一致性检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7204584B2 (ja) * | 2019-06-14 | 2023-01-16 | ルネサスエレクトロニクス株式会社 | 異常検知システム、異常検知装置および異常検知方法 |
-
2022
- 2022-05-18 CN CN202210545840.0A patent/CN114881160B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915568A (zh) * | 2015-06-24 | 2015-09-16 | 哈尔滨工业大学 | 基于dtw的卫星遥测数据异常检测方法 |
| CN112487363A (zh) * | 2020-12-03 | 2021-03-12 | 上海卫星工程研究所 | 一种基于mmd分析的卫星遥测一致性检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 航天器遥测数据异常检测综述;彭喜元;庞景月;彭宇;刘大同;;仪器仪表学报;20160915(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114881160A (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2017094267A1 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| 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 | |
| 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 | |
| Harrou et al. | An improved multivariate chart using partial least squares with continuous ranked probability score | |
| US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
| EP3489827A1 (en) | Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring | |
| CN111612048B (zh) | 无监督聚类异常检测的方法 | |
| US10943174B2 (en) | Anomaly identification method for structural monitoring data considering spatial-temporal correlation | |
| TW202141212A (zh) | 異常診斷方法、異常診斷裝置及異常診斷程式 | |
| EP4160342A1 (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
| CN111612050A (zh) | 遥测数据异常检测的方法 | |
| US20210216609A1 (en) | Degradation detection system | |
| EP4160339A1 (en) | Abnormality/irregularity cause identifying apparatus, abnormality/irregularity cause identifying method, and abnormality/irregularity cause identifying program | |
| Li et al. | Canonical variate residuals-based contribution map for slowly evolving faults | |
| CN113948159B (zh) | 一种变压器的故障检测方法、装置及设备 | |
| JP7238378B2 (ja) | 異常検出装置、異常検出プログラム、及び、異常検出方法 | |
| CN109033205B (zh) | 基于数据输入行为分析的航天测试数据校核装置 | |
| CN109325065B (zh) | 基于动态隐变量模型的多采样率软测量方法 | |
| KR101348817B1 (ko) | 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템 | |
| CN114881160B (zh) | 基于改进dtw距离的航天器异常子模式检测方法及装置 | |
| EP4160341A1 (en) | Abnormal modulation cause identifying device, abnormal modulation cause identifying method, and abnormal modulation cause identifying program | |
| JP2009110262A (ja) | フィルタ装置、フィルタ装置のフィルタリング方法およびフィルタリングプログラム | |
| CN116821697A (zh) | 一种基于小样本学习的机械设备故障诊断方法 | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN115329565B (zh) | 一种用于复杂电磁场环境的综合评价方法及系统 |
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 |