CN115293379A - 一种基于知识图谱的在轨航天器设备异常检测方法 - Google Patents
一种基于知识图谱的在轨航天器设备异常检测方法 Download PDFInfo
- Publication number
- CN115293379A CN115293379A CN202211169784.1A CN202211169784A CN115293379A CN 115293379 A CN115293379 A CN 115293379A CN 202211169784 A CN202211169784 A CN 202211169784A CN 115293379 A CN115293379 A CN 115293379A
- Authority
- CN
- China
- Prior art keywords
- spacecraft
- abnormal
- sensor
- equipment
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 133
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 claims description 39
- 238000013461 design Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于知识图谱的在轨航天器设备异常检测方法,包括:获取航天器传感器的历史运行状态数据,并进行标准化处理,得到传感器特征数据集;获取航天器设备相关信息,并进行预处理;对预处理后的航天器设备相关信息进行语义标注后,结合传感器特征数据集,构建航天器设备知识图谱;针对航天器可能出现的异常状态,构建航天器异常案例图谱;将在轨航天器传感器的实时数据与传感器特征数据集进行匹配,并根据匹配度确定异常设备信息;将异常设备信息与异常案例图谱进行特征匹配,确定异常原因。本发明利用知识图谱信息技术,高效且准确地实现了对航天器设备的异常定位及异常原因分析。
Description
技术领域
本发明涉及航天器故障检测技术领域,更具体的说是涉及一种基于知识图谱的在轨航天器设备异常检测方法。
背景技术
随着航天技术的快速发展,航天器搭载的设备越来越多,航天器设备系统越来越庞大且复杂。由于航天器设备系统结构复杂、航天器设备发生异常状况的处理时间紧迫、在轨航天器数目越来越多、高水平航天器运维人员紧缺等问题,当航天器发生异常状况时,航天器设备维护人员很难在短时间内找到设备异常原因,航天器设备系统将一直处于不稳定状态运行。
目前,流行的利用深度学习方法虽然能够较好的实现航天器设备的异常检测,但也面临着日益严峻的挑战,仅从历史运行状态数据训练的异常检测模型具有片面性,一旦航天器受到不可抗力因素的影响,利用深度学习进行异常检测的方法将会失效。另外,深度学习方法的可解释性不强,难以揭示异常出现的规律以及历史数据中隐藏的知识。
因此,如何提供一种可以有效提升航天器设备异常检测的效率和准确度,以保证航天器设备安全稳定运行的轨航天器设备异常检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于知识图谱的在轨航天器设备异常检测方法,利用知识图谱信息技术,高效且准确地实现了对航天器设备的异常定位及异常原因分析。
为了实现上述目的,本发明采用如下技术方案:
一种基于知识图谱的在轨航天器设备异常检测方法,包括:
获取航天器传感器的历史运行状态数据,并进行标准化处理,得到传感器特征数据集;
获取航天器设备相关信息,并进行预处理;航天器设备相关信息至少包括:设备基本信息、设计参考资料和人工操作文本数据;
对预处理后的航天器设备相关信息进行语义标注后,结合传感器特征数据集,构建航天器设备知识图谱;
针对航天器可能出现的异常状态,构建航天器异常案例图谱;
将在轨航天器传感器的实时数据与传感器特征数据集进行匹配,并根据匹配度确定异常设备信息;
将异常设备信息与异常案例图谱进行特征匹配,确定异常原因;
若无法确定本次异常原因,则将本次异常设备信息进行知识抽取,并记录到异常案例图谱中。
进一步的,在上述一种基于知识图谱的在轨航天器设备异常检测方法中,获取航天器传感器的历史运行状态数据,并进行标准化处理,包括:
获取航天器传感器的历史遥测数据、历史任务状态和历史工作模式;
根据航天器历史任务状态、历史工作模式对航天器传感器的历史遥测数据进行分类处理,剔除异常、缺失的数据样本,得到航天器正常运行时不同任务状态、不同工作模式下的传感器特征数据集;
分析各个历史任务状态和各个历史工作模式下,传感器数据随航天器在轨运行时间的退化趋势,定期对传感器特征数据集进行矫正处理。
进一步的,在上述一种基于知识图谱的在轨航天器设备异常检测方法中,对预处理后的航天器设备相关信息进行语义标注,包括:
分析航天器设备基本信息、设计参考资料和人工操作文本数据彼此之间的关系,得到航天器各个分系统下的设备名称、设备功能、技术指标、性能参数、设备传感器信息、各个设备的连接关系、以及地面对航天器发送的历史指令;
对航天器设备基本信息、设计参考资料和人工操作文本数据进行实体识别和关系识别,抽取相关的实体和关系,得到“实体-关系-实体”三元组。
进一步的,在上述一种基于知识图谱的在轨航天器设备异常检测方法中,构建航天器设备知识图谱的过程包括:
对各个“实体-关系-实体”三元组进行整合和连接,构建初始航天器设备知识图谱;
根据航天器中各设备所包含的传感器信息,匹配对应的传感器特征数据集,建立“传感器-包含-特征数据”三元组,通过该三元组将各个传感器匹配对应的特征数据集,构建包含传感器特征数据集的最终航天器设备知识图谱。
进一步的,在上述一种基于知识图谱的在轨航天器设备异常检测方法中,构建航天器异常案例图谱的过程包括:
分析航天器历史异常案例,将异常出现时间、异常类型、异常等级、异常原因、异常设备信息和异常状态下的传感器数据集整理为结构化数据,构建航天器异常案例图谱。
进一步的,在上述一种基于知识图谱的在轨航天器设备异常检测方法中,将在轨航天器传感器的实时数据与传感器特征数据集进行匹配,并根据匹配度确定异常设备信息,包括:
基于传感器的静态属性数据进行匹配:根据航天器所处的任务状态以及工作模式,从航天器设备知识图谱选择相同任务状态和相同工作模式下的传感器特征数据集进行匹配,为每一个传感器实时数据分配对应的传感器特征数据;
基于传感器的动态属性数据进行匹配:每间隔一个异常检测周期,将传感器实时数据按照采样时间组成一个检测序列,将该检测序列与静态属性数据匹配过程对应的传感器特征数据进行相似性计算;
若匹配得到的相似性超过预设阈值,则该检测序列视为正常;
若匹配得到的相似性低于预设阈值,则该检测序列存在异常,并根据存在异常的传感器信息从航天器设备知识图谱中检索异常传感器对应的航天器设备,输出异常设备信息。
进一步的,在上述一种基于知识图谱的在轨航天器设备异常检测方法中,将检测序列与静态属性数据匹配过程对应的传感器特征数据进行相似性计算的过程为:
进一步的,在上述一种基于知识图谱的在轨航天器设备异常检测方法中,将异常设备信息与异常案例图谱进行特征匹配,确定异常原因,包括:
在异常案例图谱中检索与本次异常具有相同异常设备信息的异常案例,将异常案例中的传感器数据集与本次异常的传感器数据集进行匹配,对比两者的相似性,若两者的相似性达到预设阈值,则确定本次异常原因与历史异常案例原因相同。
进一步的,在上述一种基于知识图谱的在轨航天器设备异常检测方法中,若无法确定本次异常原因,则创建新的异常案例,将本次异常的出现时间、异常设备信息、异常状态下的传感器数据集,记录到异常案例图谱中,并在人工排查完成后,补入异常类型、异常等级和异常原因。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于知识图谱的在轨航天器设备异常检测方法,利用知识图谱信息技术,通过航天器历史运行状态数据以及航天器技术资料构建航天器设备知识图谱以及航天器故障案例图谱,使得航天器传感器实时数据与航天器知识图谱进行匹配,进而从数据库中获取特征数据进行异常检测,快速判断异常原因。另一方面,利用知识图谱技术还可以帮助航天器运维人员了解航天器异常出现的过程,有助于航天器运维人员快速了解并处置异常。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于知识图谱的在轨航天器设备异常检测方法的流程图;
图2为本发明提供的航天器设备知识图谱的结构示意图;
图3为本发明提供的航天器异常案例图谱的结构示意图。
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。
如图1所示,本发明实施例公开了一种基于知识图谱的在轨航天器设备异常检测方法,包括:
获取航天器传感器的历史运行状态数据,并进行标准化处理,得到传感器特征数据集;历史运行状态数据包括:历史遥测数据、历史任务状态和历史工作模式;
获取航天器设备相关信息,并进行预处理;航天器设备相关信息至少包括:设备基本信息、设计参考资料和人工操作文本数据;
对预处理后的航天器设备相关信息进行语义标注后,结合传感器特征数据集,构建航天器设备知识图谱;
针对航天器可能出现的异常状态,构建航天器异常案例图谱;
将在轨航天器传感器的实时数据与传感器特征数据集进行匹配,并根据匹配度确定异常设备信息;
将异常设备信息与异常案例图谱进行特征匹配,确定异常原因;
若无法确定本次异常原因,则将本次异常设备信息进行知识抽取,并记录到异常案例图谱中。
在一个实施例中,对航天器传感器的历史运行状态数据进行标准化处理的过程包括:
1、根据航天器历史任务状态、历史工作模式对航天器传感器的历史遥测数据进行分类处理,剔除异常、缺失的数据样本,得到航天器正常运行时不同任务状态、不同工作模式下的传感器特征数据集。
传感器特征数据集是指能够表征正常状态下,航天器处于一定任务状态,设备处于一定工作模式下的传感器数据,每一组传感器特征数据按照时间排列。异常的历史数据会干扰正常状态下的特征数据,会影响异常检测的准确度,筛选出正常数据,有利于加快异常检测的运算速度和准确度。表1是经过标准化处理后得到的结构化数据的格式。
表1
2、根据航天器设计寿命,分析各个历史任务状态和各个历史工作模式下,传感器数据随航天器在轨运行时间的退化趋势,定期对传感器特征数据集进行矫正处理。由于航天器运行轨道空间复杂,航天器长期运行过程中,设备性能改变容易引起的数据漂移问题,长期使用同一套特征数据必然会导致虚警率上升,需要定期对特征数据集进行矫正。具体可以引入自动机器学习的方法,通过收集更新的历史数据,分析和预测特征数据的变化趋势,来调整特征数据集。
对航天器设备相关信息进行预处理包括:数据清洗,剔除无效信息,提高语义标注的效率及准确度。
在其他实施例中,对预处理后的航天器设备相关信息进行语义标注,包括:
分析航天器设备基本信息、设计参考资料和人工操作文本数据彼此之间的关系,得到航天器各个分系统下的设备名称、设备功能、技术指标、性能参数、设备传感器信息、各个设备的连接关系、以及地面对航天器发送的历史指令;
利用自然语言信息处理技术平台,分析文本资料语义,对航天器设备基本信息、设计参考资料和人工操作文本数据进行实体识别和关系识别,抽取相关的实体和关系,得到“实体-关系-实体”三元组,用于表征航天器分系统和设备的关系,各个设备之间的连接关系,设备与传感器的连接关系。
语义标注之后,开始构建航天器设备知识图谱,具体过程包括:
对各个“实体-关系-实体”三元组进行整合和连接,构建初始航天器设备知识图谱;
根据航天器中各设备所包含的传感器信息,匹配对应的传感器特征数据集,建立“传感器-包含-特征数据”三元组,通过该三元组将各个传感器匹配对应的特征数据集,构建包含传感器特征数据集的最终航天器设备知识图谱。最终的航天器设备知识图谱如图2所示。
在一个具体实施例中,构建航天器异常案例图谱的过程包括:
分析航天器历史异常案例,将异常出现时间、异常类型、异常等级、异常原因、异常设备信息和异常状态下的传感器数据集整理为结构化数据,构建航天器异常案例图谱。航天器异常案例图谱的结构如图3所示。
在一个实施例中,将在轨航天器传感器的实时数据与传感器特征数据集进行匹配,并根据匹配度确定异常设备信息,匹配过程总体分为两步:
1、基于传感器的静态属性数据进行匹配:根据航天器所处的任务状态以及工作模式,从航天器设备知识图谱选择相同任务状态和相同工作模式下的传感器特征数据集进行匹配,为每一个传感器实时数据分配对应的传感器特征数据;
2、基于传感器的动态属性数据进行匹配:每间隔一个异常检测周期,将传感器实时数据按照采样时间组成一个检测序列,将该检测序列与静态属性数据匹配过程对应的传感器特征数据进行相似性计算;
若匹配得到的相似性超过预设阈值,则该检测序列视为正常;
若匹配得到的相似性低于预设阈值,则该检测序列存在异常,并根据存在异常的传感器信息从航天器设备知识图谱中检索异常传感器对应的航天器设备,输出异常设备信息。基于传感器的动态属性数据进行匹配的具体过程为:
(1)根据实时数据的采样率选取一定的时间间隔,每一个时间间隔为一个异常检测周期,在一个异常检测周期内每一个传感器的实时数据按照采样时间组成一个检测序列。在以下匹配过程将该检测序列表示为,下标n为该序列的数据个数,代表检测序列中第i个数据,每个数据之间间隔一个数据采样周期T。
显然,相似性越接近于1,相似性越高,调整参数,可调整一定序列偏差率下相似性接近于1的程度。参数以及相似性阈值根据测试过程中的虚警率确定,选择最优参数以降低虚警率。若计算得到的相似性超过阈值,则该检测序列视为正常,若计算得到的相似性低于阈值,则该检测序列存在异常,发现异常后,根据发现异常的传感器信息从航天器设备知识图谱中检索异常传感器对应的航天器设备,输出异常设备信息。
在其他实施例中,将异常设备信息与异常案例图谱进行特征匹配,确定异常原因,包括:
在异常案例图谱中检索与本次异常具有相同异常设备信息的异常案例,将异常案例中的传感器数据集与本次异常的传感器数据集进行匹配,对比两者的相似性,若两者的相似性达到预设阈值,则确定本次异常原因与历史异常案例原因相同。
若异常案例中的传感器数据集与本次异常的传感器数据集相似性低,则视为无法确定本次异常原因,则创建新的异常案例,将本次异常的出现时间、异常设备信息、异常状态下的传感器数据集,记录到异常案例图谱中,并在人工排查完成后,补入异常类型、异常等级和异常原因。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于知识图谱的在轨航天器设备异常检测方法,其特征在于,包括:
获取航天器传感器的历史运行状态数据,并进行标准化处理,得到传感器特征数据集;
获取航天器设备相关信息,并进行预处理;航天器设备相关信息至少包括:设备基本信息、设计参考资料和人工操作文本数据;
对预处理后的航天器设备相关信息进行语义标注后,结合传感器特征数据集,构建航天器设备知识图谱;
针对航天器可能出现的异常状态,构建航天器异常案例图谱;
将在轨航天器传感器的实时数据与传感器特征数据集进行匹配,并根据匹配度确定异常设备信息;
将异常设备信息与异常案例图谱进行特征匹配,确定异常原因;
若无法确定本次异常原因,则将本次异常设备信息进行知识抽取,并记录到异常案例图谱中。
2.根据权利要求1所述的一种基于知识图谱的在轨航天器设备异常检测方法,其特征在于,获取航天器传感器的历史运行状态数据,并进行标准化处理,包括:
获取航天器传感器的历史遥测数据、历史任务状态和历史工作模式;
根据航天器历史任务状态、历史工作模式对航天器传感器的历史遥测数据进行分类处理,剔除异常、缺失的数据样本,得到航天器正常运行时不同任务状态、不同工作模式下的传感器特征数据集;
分析各个历史任务状态和各个历史工作模式下,传感器数据随航天器在轨运行时间的退化趋势,定期对传感器特征数据集进行矫正处理。
3.根据权利要求1所述的一种基于知识图谱的在轨航天器设备异常检测方法,其特征在于,对预处理后的航天器设备相关信息进行语义标注,包括:
分析航天器设备基本信息、设计参考资料和人工操作文本数据彼此之间的关系,得到航天器各个分系统下的设备名称、设备功能、技术指标、性能参数、设备传感器信息、各个设备的连接关系、以及地面对航天器发送的历史指令;
对航天器设备基本信息、设计参考资料和人工操作文本数据进行实体识别和关系识别,抽取相关的实体和关系,得到“实体-关系-实体”三元组。
4.根据权利要求3所述的一种基于知识图谱的在轨航天器设备异常检测方法,其特征在于,构建航天器设备知识图谱的过程包括:
对各个“实体-关系-实体”三元组进行整合和连接,构建初始航天器设备知识图谱;
根据航天器中各设备所包含的传感器信息,匹配对应的传感器特征数据集,建立“传感器-包含-特征数据”三元组,通过该三元组将各个传感器匹配对应的特征数据集,构建包含传感器特征数据集的最终航天器设备知识图谱。
5.根据权利要求1所述的一种基于知识图谱的在轨航天器设备异常检测方法,其特征在于,构建航天器异常案例图谱的过程包括:
分析航天器历史异常案例,将异常出现时间、异常类型、异常等级、异常原因、异常设备信息和异常状态下的传感器数据集整理为结构化数据,构建航天器异常案例图谱。
6.根据权利要求1所述的一种基于知识图谱的在轨航天器设备异常检测方法,其特征在于,将在轨航天器传感器的实时数据与传感器特征数据集进行匹配,并根据匹配度确定异常设备信息,包括:
基于传感器的静态属性数据进行匹配:根据航天器所处的任务状态以及工作模式,从航天器设备知识图谱选择相同任务状态和相同工作模式下的传感器特征数据集进行匹配,为每一个传感器实时数据分配对应的传感器特征数据;
基于传感器的动态属性数据进行匹配:每间隔一个异常检测周期,将传感器实时数据按照采样时间组成一个检测序列,将该检测序列与静态属性数据匹配过程对应的传感器特征数据进行相似性计算;
若匹配得到的相似性超过预设阈值,则该检测序列视为正常;
若匹配得到的相似性低于预设阈值,则该检测序列存在异常,并根据存在异常的传感器信息从航天器设备知识图谱中检索异常传感器对应的航天器设备,输出异常设备信息。
7.根据权利要求6所述的一种基于知识图谱的在轨航天器设备异常检测方法,其特征在于,将检测序列与静态属性数据匹配过程对应的传感器特征数据进行相似性计算的过程为:
8.根据权利要求1所述的一种基于知识图谱的在轨航天器设备异常检测方法,其特征在于,将异常设备信息与异常案例图谱进行特征匹配,确定异常原因,包括:
在异常案例图谱中检索与本次异常具有相同异常设备信息的异常案例,将异常案例中的传感器数据集与本次异常的传感器数据集进行匹配,对比两者的相似性,若两者的相似性达到预设阈值,则确定本次异常原因与历史异常案例原因相同。
9.根据权利要求1所述的一种基于知识图谱的在轨航天器设备异常检测方法,其特征在于,若无法确定本次异常原因,则创建新的异常案例,将本次异常的出现时间、异常设备信息、异常状态下的传感器数据集,记录到异常案例图谱中,并在人工排查完成后,补入异常类型、异常等级和异常原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169784.1A CN115293379B (zh) | 2022-09-26 | 2022-09-26 | 一种基于知识图谱的在轨航天器设备异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169784.1A CN115293379B (zh) | 2022-09-26 | 2022-09-26 | 一种基于知识图谱的在轨航天器设备异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115293379A true CN115293379A (zh) | 2022-11-04 |
CN115293379B CN115293379B (zh) | 2023-01-24 |
Family
ID=83835001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211169784.1A Active CN115293379B (zh) | 2022-09-26 | 2022-09-26 | 一种基于知识图谱的在轨航天器设备异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293379B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325868A1 (en) * | 2018-04-24 | 2019-10-24 | Accenture Global Solutions Limited | Robotic agent conversation escalation |
CN110991036A (zh) * | 2019-11-29 | 2020-04-10 | 北京空间技术研制试验中心 | 航天器姿轨控系统故障案例库构建系统及构建方法 |
CN112631240A (zh) * | 2020-12-07 | 2021-04-09 | 中国人民解放军63920部队 | 航天器故障主动检测方法及装置 |
CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
CN113743592A (zh) * | 2021-09-16 | 2021-12-03 | 北京航空航天大学 | 一种基于gan的遥测数据异常检测方法 |
CN114111764A (zh) * | 2021-08-21 | 2022-03-01 | 西北工业大学 | 一种导航知识图谱构建及推理应用方法 |
CN114330103A (zh) * | 2021-12-08 | 2022-04-12 | 北京卫星环境工程研究所 | 一种基于在轨异常信息的航天器异常关联性模型训练方法 |
CN114357185A (zh) * | 2021-12-23 | 2022-04-15 | 青岛鹏海软件有限公司 | 一种基于知识图谱的制造业装备故障监测模型训练方法 |
-
2022
- 2022-09-26 CN CN202211169784.1A patent/CN115293379B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190325868A1 (en) * | 2018-04-24 | 2019-10-24 | Accenture Global Solutions Limited | Robotic agent conversation escalation |
CN110991036A (zh) * | 2019-11-29 | 2020-04-10 | 北京空间技术研制试验中心 | 航天器姿轨控系统故障案例库构建系统及构建方法 |
CN112631240A (zh) * | 2020-12-07 | 2021-04-09 | 中国人民解放军63920部队 | 航天器故障主动检测方法及装置 |
CN114111764A (zh) * | 2021-08-21 | 2022-03-01 | 西北工业大学 | 一种导航知识图谱构建及推理应用方法 |
CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
CN113743592A (zh) * | 2021-09-16 | 2021-12-03 | 北京航空航天大学 | 一种基于gan的遥测数据异常检测方法 |
CN114330103A (zh) * | 2021-12-08 | 2022-04-12 | 北京卫星环境工程研究所 | 一种基于在轨异常信息的航天器异常关联性模型训练方法 |
CN114357185A (zh) * | 2021-12-23 | 2022-04-15 | 青岛鹏海软件有限公司 | 一种基于知识图谱的制造业装备故障监测模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115293379B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10514974B2 (en) | Log analysis system, log analysis method and program recording medium | |
CN110958136A (zh) | 一种基于深度学习的日志分析预警方法 | |
US20230358638A1 (en) | Aero-engine bearing fault diagnosis method based on variational mode decomposition and residual network | |
EP2884363A2 (en) | Anomaly detecting method, and apparatus for the same | |
EP3477412B1 (en) | System fault isolation and ambiguity resolution | |
CN111966076A (zh) | 基于有限状态机和图神经网络的故障定位方法 | |
CN105573329A (zh) | 基于决策树的姿轨控数据分析方法 | |
CN114785666B (zh) | 一种网络故障排查方法与系统 | |
CN108549914B (zh) | 基于Apriori算法的异常SER/SOE事件识别方法 | |
CN109684374B (zh) | 一种时间序列数据的键值对的提取方法及装置 | |
CN111027615A (zh) | 基于机器学习的中间件故障预警方法和系统 | |
US20220027230A1 (en) | Predicting Equipment Fail Mode from Process Trace | |
CN111949480A (zh) | 一种基于组件感知的日志异常检测方法 | |
CN115330268A (zh) | 一种应对矿山灾难的综合性应急指挥方法及系统 | |
CN116167370A (zh) | 基于日志时空特征分析的分布式系统异常检测方法 | |
CN116184985A (zh) | 车辆故障诊断方法、设备及介质 | |
CN117131110A (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测系统 | |
CN109189840A (zh) | 一种流式在线日志解析方法 | |
CN112882898A (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN115293379B (zh) | 一种基于知识图谱的在轨航天器设备异常检测方法 | |
CN110837504A (zh) | 一种工控系统异常系统事件识别方法 | |
CN113535458B (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN116126807A (zh) | 一种日志分析方法及相关装置 | |
CN113554079B (zh) | 一种基于二次检测法的电力负荷异常数据检测方法及系统 |
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 |