CN114997253A - 一种卫星星座智能状态异常检测方法、监测系统及其监测方法 - Google Patents
一种卫星星座智能状态异常检测方法、监测系统及其监测方法 Download PDFInfo
- Publication number
- CN114997253A CN114997253A CN202110202113.XA CN202110202113A CN114997253A CN 114997253 A CN114997253 A CN 114997253A CN 202110202113 A CN202110202113 A CN 202110202113A CN 114997253 A CN114997253 A CN 114997253A
- Authority
- CN
- China
- Prior art keywords
- data
- satellite
- database
- anomaly detection
- satellite constellation
- 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 41
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 208000024891 symptom Diseases 0.000 abstract description 3
- 230000006855 networking Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种卫星星座智能状态异常检测方法、监测系统及其监测方法。步骤1：训练数据预处理；步骤2：基于步骤1预处理的训练数据，建立预测模型；步骤3：基于步骤2的预测模型进行基于动态阈值的异常检测。本发明面向卫星星座(多颗组网在轨卫星)的关键遥测参数，开展针对连续型遥测参数的隐藏在门限之内的故障征兆的检测与报警，实现卫星在轨运行故障提前预警的功能。
Description
技术领域
本发明属于卫星领域，具体涉及一种卫星星座智能状态异常检测方法、监测系统及其监测方法。
背景技术
卫星遥测数据可反映空间环境影响、传输链路受损、传感器故障、对应设备性能退化、机械与电子故障等问题，因此利用卫星遥测数据监测其在轨运行状态，及时发现卫星异常状态并采取必要的维护措施，是确保卫星健康工作的重要手段。其中利用异常检测技术对卫星遥测数据判读，成为了工程人员重要的研究方向。
目前常用的方法，一种是基于知识的方法，另一种是数据驱动的方法。
基于知识的方法
基于知识的方法是利用卫星设备的物理知识，通过设定参数阈值或关联判读规则，采用人工数据判读、阈值自动判读、基于专家经验的知识判读等方法来检测遥测数据异常。这些判读方法的优势在于简单且容易实施，可有效检测单参数的超限异常和一部分多参数相关异常，目前已经广泛运用在国内外的航天器地面长管系统中。
但是，一般来说，阈值设置相对宽泛，阈值分级依赖于专家知识和设计经验，对于很多初期未超限的异常模式无能为力，且该方法无学习能力，无法检测未定义的异常事件。
数据驱动的方法
遥测数据具有时序特性和周期性，参数间关系复杂，属于工业大数据的典型应用领域，而且遥测数据阈值内的异常模式呈现时序关联性和聚集特性。因此适合数据驱动方法。针对数据驱动的遥测数据异常检测方法，国内外相关研究单位已经对其中的不同方法开展了应用尝试以及实验验证工作，并取得了一定的成效。但是数据驱动的方法也存在着一些不足。
对遥测数据的异常检测方法可分为单参数方法和多参数方法。前者是利用该遥测参数历史数据建立的数据模型，对新产生的数据进行异常检测；后者是在此基础上挖掘星上各参数间的关系，进一步提高检测能力。但是目前缺少利用星座数据进一步挖掘遥测参数信息的方法。
很多数据驱动的方法由于不具备时序建模能力，对遥测数据异常模式的检测能力不足，如基于相似性、基于统计、基于频繁项、基于分类和基于支持度的方法。
发明内容
本发明提供一种卫星星座智能状态异常检测方法、监测系统及其监测方法，面向卫星星座(多颗组网在轨卫星)的关键遥测参数，开展针对连续型遥测参数的隐藏在门限之内的故障征兆的检测与报警，实现卫星在轨运行故障提前预警的功能。
本发明通过以下技术方案实现：
一种卫星星座智能状态异常检测方法，所述异常检测方法包括以下步骤：
步骤1：训练数据预处理；
步骤2：基于步骤1预处理的训练数据，建立预测模型；
步骤3：基于步骤2的预测模型进行基于动态阈值的异常检测。
进一步的，所述步骤1具体为，需要经过数据清洗、数据对齐和数据采样；所述数据清洗能够剔除数据中的个别野值；所述数据对齐，首先需要用时间标签对齐各卫星遥测数据，再使用聚类方法进一步调整对齐；对于数据量大的参数，需要进行降采样抽取数据的特征。
进一步的，所述步骤2具体为，选择能够学习长距离依赖关系的长短期记忆神经网络LSTM作为数据模型，通过对某参数多星历史正确数据的学习来训练模型；并利用该模型，对待检测数据进行预测。
进一步的，所述步骤3具体为包括以下步骤：
步骤3.1：将预测模型输出的预测数据和待检测数据相减获得一个残差序列；
步骤3.2：步骤3.1的残差序列会表现出大幅度波动时，则数据出现异常；
步骤3.3：为步骤3.1的残差序列寻找一个阈值，当残差序列中出现超出阈值的点时即出现异常。
进一步的，所述步骤3.3种为步骤3.1的残差序列寻找一个阈值具体为，利用残差序列本身的均值、方差、包络拐点变化率和极值点斜率共同产生。
一种卫星星座智能状态监测系统，所述监测系统包括系统服务器、遥测数据库、本地数据库、算法服务器和客户端计算机，所述遥测数据库无线连接卫星地面站，所述遥测数据库、本地数据库、算法服务器和客户端计算机均连接系统服务器。
进一步的，所述系统服务器负责整个系统的控制、管理、调度；所述遥测数据库用来存储收地面站收到的卫星遥测数据；所述本地数据库用来存储检测结果的本地数据；上述算法服务器用来运行异常检测算法；所述客户端计算机为网络内任意计算机，可使用浏览器访问系统。
一种卫星星座智能状态监测系统的监测方法，所述监测方法具体包括以下步骤：
步骤一：从遥测数据库中读取各星的同一参数数据；
步骤二：对步骤一的参数数据进行预处理，所述预处理为清洗、采样和对齐；
步骤三：基于步骤二预处理的参数数据进行基于星座历史数据的建模；
步骤四：利用算法服务器及步骤三的模型进行异常检测；
步骤五：将步骤四的检测结果存入数据库；
步骤六：根据步骤五的数据库中的残差序列判断是否存在异常，若存在异常则进行步骤七，若不存在异常则进行步骤八；
步骤七：报警；
步骤八：结束。
本发明的有益效果是：
本发明充分挖掘了星座数据遥测参数的信息，利用长短记忆神经网络建立了数据模型，通过算法自动分析预测数据与检测数据的残差而生成的动态阈值来进行异常检测。该方法可检测连续型遥测参数隐藏在门限内的故障征兆，实现了对遥测数据更准确的检测，有效的提高了检测率，降低了虚警率。
本发明，实现了在星座长管模式中对隐藏在门限内的故障征兆的发现和预警，为卫星在轨健康运行提供了保障。
附图说明
图1本发明的卫星星座智能状态异常检测方法结构图。
图2本发明的卫星星座智能状态监测系统结构图。
图3本发明的工作流程图。
图4本发明的卫星星座健康长管系统方法构成图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种卫星星座智能状态异常检测方法，所述异常检测方法包括以下步骤：
步骤1：训练数据预处理；
步骤2：基于步骤1预处理的训练数据，建立预测模型；
步骤3：基于步骤2的预测模型进行基于动态阈值的异常检测。
进一步的，所述步骤1具体为，以太阳电池阵状态监测为例，可通过对帆板电流的异常检测实现；该参数短期受季节性因素、不确定性因素影响，从长期趋势来看随时间呈退化趋势；因此，星座中某星的该参数数据，是其本身历史数据的延伸，同期其他卫星的该参数数据可作为参考，较早期其他卫星的该参数数据可作为历史判据；要想融合这些数据的信息，需要经过数据清洗、数据对齐和数据采样；所述数据清洗能够剔除数据中的个别野值；所述数据对齐，首先需要用时间标签对齐各卫星遥测数据，再使用聚类方法进一步调整对齐；对于数据量大的参数，需要进行降采样抽取数据的特征。
进一步的，所述步骤2具体为，遥测数据一方面受季节性因素和其他不确定因素影响，另一方面也受数据的长期趋势影响；因此选择能够学习长距离依赖关系的长短期记忆神经网络LSTM作为数据模型，通过对某参数多星历史正确数据的学习来训练模型；并利用该模型，对待检测数据进行预测。
进一步的，所述步骤3具体为包括以下步骤：
步骤3.1：将预测模型输出的预测数据和待检测数据相减获得一个残差序列；
步骤3.2：步骤3.1的残差序列会表现出大幅度波动时，则数据出现异常；
步骤3.3：为步骤3.1的残差序列寻找一个阈值，当残差序列中出现超出阈值的点时即出现异常。
对于不同的数据，其残差的分布规律具有较大差别，无法通过经验指定一个固定值，因此需要生成动态阈值。
进一步的，所述步骤3.3种为步骤3.1的残差序列寻找一个阈值具体为，利用残差序列本身的均值、方差、包络拐点变化率和极值点斜率共同产生。经过大量的数据测试，该异常检测算法在应用中的检测率不低于95％，虚警率不高于1％。
一种卫星星座智能状态监测系统，所述监测系统包括系统服务器、遥测数据库、本地数据库、算法服务器和客户端计算机，所述遥测数据库无线连接卫星地面站，所述遥测数据库、本地数据库、算法服务器和客户端计算机均连接系统服务器。
进一步的，所述系统服务器负责整个系统的控制、管理、调度；所述遥测数据库用来存储收地面站收到的卫星遥测数据；所述本地数据库用来存储检测结果的本地数据；上述算法服务器用来运行异常检测算法；所述客户端计算机为网络内任意计算机，可使用浏览器访问系统。
一种卫星星座智能状态监测系统的监测方法，所述监测方法具体包括以下步骤：
步骤一：从遥测数据库中读取各星的同一参数数据；
步骤二：对步骤一的参数数据进行预处理，所述预处理为清洗、采样和对齐；
步骤三：基于步骤二预处理的参数数据进行基于星座历史数据的建模；
步骤四：利用算法服务器及步骤三的模型进行异常检测；
步骤五：将步骤四的检测结果存入数据库；
步骤六：根据步骤五的数据库中的残差序列判断是否存在异常，若存在异常则进行步骤七，若不存在异常则进行步骤八；
步骤七：报警；
步骤八：结束。
实施例2
卫星星座健康长管系统通过对星座卫星遥测数据的异常检测，实现了对在轨卫星星座的健康状态监测。系统采用传统方法和智能方法相结合的方式，前者用来检测超阈值门限的异常，后者用来发现门限内的故障征兆。其中的智能方法以及相关的软硬件设备，构成了本发明中的卫星星座智能状态监测系统。
卫星星座健康长管系统的方法构成图，如图4所示。
Claims (8)
1.一种卫星星座智能状态异常检测方法，其特征在于，所述异常检测方法包括以下步骤：
步骤1：训练数据预处理；
步骤2：基于步骤1预处理的训练数据，建立预测模型；
步骤3：基于步骤2的预测模型进行基于动态阈值的异常检测。
2.根据权利要求1所述一种卫星星座智能状态异常检测方法，其特征在于，所述步骤1具体为，需要经过数据清洗、数据对齐和数据采样；所述数据清洗能够剔除数据中的个别野值；所述数据对齐，首先需要用时间标签对齐各卫星遥测数据，再使用聚类方法进一步调整对齐；对于数据量大的参数，需要进行降采样抽取数据的特征。
3.根据权利要求1所述一种卫星星座智能状态异常检测方法，其特征在于，所述步骤2具体为，选择能够学习长距离依赖关系的长短期记忆神经网络LSTM作为数据模型，通过对某参数多星历史正确数据的学习来训练模型；并利用该模型，对待检测数据进行预测。
4.根据权利要求1所述一种卫星星座智能状态异常检测方法，其特征在于，所述步骤3具体为包括以下步骤：
步骤3.1：将预测模型输出的预测数据和待检测数据相减获得一个残差序列；
步骤3.2：步骤3.1的残差序列会表现出大幅度波动时，则数据出现异常；
步骤3.3：为步骤3.1的残差序列寻找一个阈值，当残差序列中出现超出阈值的点时即出现异常。
5.根据权利要求4所述一种卫星星座智能状态异常检测方法，其特征在于，所述步骤3.3种为步骤3.1的残差序列寻找一个阈值具体为，利用残差序列本身的均值、方差、包络拐点变化率和极值点斜率共同产生。
6.一种卫星星座智能状态监测系统，其特征在于，所述监测系统包括系统服务器、遥测数据库、本地数据库、算法服务器和客户端计算机，所述遥测数据库无线连接卫星地面站，所述遥测数据库、本地数据库、算法服务器和客户端计算机均连接系统服务器。
7.根据权利要求6所述一种卫星星座智能状态监测系统，其特征在于，所述系统服务器负责整个系统的控制、管理、调度；所述遥测数据库用来存储收地面站收到的卫星遥测数据；所述本地数据库用来存储检测结果的本地数据；上述算法服务器用来运行异常检测算法；所述客户端计算机为网络内任意计算机，可使用浏览器访问系统。
8.根据权利要求6或7所述一种卫星星座智能状态监测系统的监测方法，其特征在于，所述监测方法具体包括以下步骤：
步骤一：从遥测数据库中读取各星的同一参数数据；
步骤二：对步骤一的参数数据进行预处理，所述预处理为清洗、采样和对齐；
步骤三：基于步骤二预处理的参数数据进行基于星座历史数据的建模；
步骤四：利用算法服务器及步骤三的模型进行异常检测；
步骤五：将步骤四的检测结果存入数据库；
步骤六：根据步骤五的数据库中的残差序列判断是否存在异常，若存在异常则进行步骤七，若不存在异常则进行步骤八；
步骤七：报警；
步骤八：结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110202113.XA CN114997253A (zh) | 2021-02-23 | 2021-02-23 | 一种卫星星座智能状态异常检测方法、监测系统及其监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110202113.XA CN114997253A (zh) | 2021-02-23 | 2021-02-23 | 一种卫星星座智能状态异常检测方法、监测系统及其监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114997253A true CN114997253A (zh) | 2022-09-02 |
Family
ID=83018675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110202113.XA Pending CN114997253A (zh) | 2021-02-23 | 2021-02-23 | 一种卫星星座智能状态异常检测方法、监测系统及其监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997253A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115718902A (zh) * | 2022-11-28 | 2023-02-28 | 中国科学院国家空间科学中心 | 卫星状态异常检测方法、系统、计算机设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646167A (zh) * | 2013-11-22 | 2014-03-19 | 北京空间飞行器总体设计部 | 一种基于遥测数据的卫星异常状态检测系统 |
| CN107579791A (zh) * | 2017-09-21 | 2018-01-12 | 上海卫星工程研究所 | 适用于单向通讯网络的卫星在轨遥测数据实时监测系统 |
| CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
| CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
| CN110458230A (zh) * | 2019-08-12 | 2019-11-15 | 江苏方天电力技术有限公司 | 一种基于多判据融合的配变用采数据异常甄别方法 |
| CN111523404A (zh) * | 2020-04-08 | 2020-08-11 | 华东师范大学 | 一种基于卷积神经网络和稀疏表示的部分人脸识别方法 |
-
2021
- 2021-02-23 CN CN202110202113.XA patent/CN114997253A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103646167A (zh) * | 2013-11-22 | 2014-03-19 | 北京空间飞行器总体设计部 | 一种基于遥测数据的卫星异常状态检测系统 |
| CN107579791A (zh) * | 2017-09-21 | 2018-01-12 | 上海卫星工程研究所 | 适用于单向通讯网络的卫星在轨遥测数据实时监测系统 |
| CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
| CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
| CN110458230A (zh) * | 2019-08-12 | 2019-11-15 | 江苏方天电力技术有限公司 | 一种基于多判据融合的配变用采数据异常甄别方法 |
| CN111523404A (zh) * | 2020-04-08 | 2020-08-11 | 华东师范大学 | 一种基于卷积神经网络和稀疏表示的部分人脸识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115718902A (zh) * | 2022-11-28 | 2023-02-28 | 中国科学院国家空间科学中心 | 卫星状态异常检测方法、系统、计算机设备及存储介质 |
| CN115718902B (zh) * | 2022-11-28 | 2023-07-14 | 中国科学院国家空间科学中心 | 卫星状态异常检测方法、系统、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hines et al. | Use of autoassociative neural networks for signal validation | |
| US10387590B2 (en) | Techniques for iterative reduction of uncertainty in water distribution networks | |
| EP1374167B1 (en) | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking | |
| Leva et al. | PV module fault diagnosis based on microconverters and day-ahead forecast | |
| CN112749509B (zh) | 一种基于lstm神经网络的智能变电站故障诊断方法 | |
| CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
| Kadry | Diagnostics and prognostics of engineering systems: methods and techniques: methods and techniques | |
| EP2660675A1 (en) | Method, computer program, and computer for determining status of system | |
| WO1997049011A9 (en) | Industrial process surveillance system | |
| CN107153414B (zh) | 一种基于动静混合策略的故障检测与重构系统及方法 | |
| ES2963926T3 (es) | Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| Xu et al. | Sensor validation and fault detection using neural networks | |
| CN105574604A (zh) | 一种面向电网运行事件的监控预判分析系统 | |
| Benavides et al. | Method of monitoring and detection of failures in PV system based on machine learning | |
| CN114997253A (zh) | 一种卫星星座智能状态异常检测方法、监测系统及其监测方法 | |
| CN109523030A (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
| KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
| US20230350402A1 (en) | Multi-task learning based rul predication method under sensor fault condition | |
| Li et al. | Meteorological radar fault diagnosis based on deep learning | |
| Mesa-Jiménez et al. | Early warning signals of failures in building management systems | |
| Carmichael et al. | Application of deep neural networks to distribution system state estimation and forecasting | |
| Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. |
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 |