一种航天遥测数据在线异常监测方法及系统
本发明涉及航天,尤其是涉及一种航天遥测数据在线异常监测方法及系统。
背景技术:
1、航天器在轨运行时,通过遥测系统将传感器数据传回地面,帮助运管人员实时监控航天器的状态。这些数据量大、维度高,反映了轨道、性能变化和潜在故障等信息。尤其是异常数据的分析,能揭示设备故障、传输问题或性能下降等隐患。及时发现这些异常,能为远程修复、故障排除和维护优化提供依据,进而提升航天器设计、生产和维护的可靠性和安全性。
2、传统的异常检测方法有人工数据判读、基于阈值自动判读以及基于专家经验的异常检测,但随着航天器的发展数据量更加高维化,传统方法已经无法满足当前需求。因此,方法转向为以统计、机器学习、人工智能为基础的数据驱动方法,通过对遥测数据的建模刻画,以识别出异常情况。基于重构的方法是目前广泛使用的异常识别方法,通过对航天器状态的时间序列进行重构,以重构误差作为异常识别的标准。
3、现有方法中,基于重构的异常检测方法对于异常判别依赖于手动选定的超参数阈值,而这个阈值与训练所使用的数据集息息相关,因此针对不同数据特征需要手动调参获得不同的阈值而无法做到自动阈值选择。
4、本发明要解决的技术问题是如何基于生成式模型与核密度估计结果,实现对航天遥测数据的在线健康监测,并且实现算法自动选择阈值,以解决由于手动设置阈值导致的计算不准确而造成误判。
技术实现思路
1、针对现有技术存在的问题,本发明的目的在于提供一种航天遥测数据在线异常监测方法及系统,基于生成式模型与核密度估计结果,实现对航天遥测数据的在线健康监测。
2、为实现上述目的,本发明提供一种航天遥测数据在线异常监测方法,所述方法包括以下步骤:
3、s1.采集工况数据,进行数据预处理,转化为滑动时间窗口数据,其中工况数据为航天遥测数据;
4、s2.将滑动时间窗口数据输入经过训练的模型中训练好的编码器;
5、s3.将输出结果输入训练好的解码器;
6、s4.重构结果,计算重构误差;
7、s5.对重构误差进行核密度估计;判断是否所有物理量重构误差概率密度大于阈值,若是,则判断航天器正常,若否,则判断航天器异常。
8、进一步,所述数据预处理包括异常处理和缺失值填充。
9、进一步,所述编码器为lstm叠加vae。
10、进一步,所述工况数据包括电流、电压和转速。
11、进一步,解码器与编码器对称,一个滑动时间窗口数据经过编码器和解码器得到原序列的重构。
12、进一步,所述经过训练的模型通过离线方式获得。
13、进一步,所述模型训练过程如下:首先进行数据预处理确保数据为不含异常值的正常数据,之后将数据处理为滑动窗口数据,即{(xi,xi+1,…,xi+w)|i=1,2,…,m-w},其中xi为物理量,w为滑动时间窗口长度,m为数据量;编码器为lstm成叠加两个线性层生成隐变量的均值向量μ和隐变量的标准差向量δ,解码器与编码器对称,一个滑动时间窗口数据经过编码器和解码器得到原序列的重构;定义vae的损失函数为mse+kl散度,具体定义如下:
14、
15、其中,n为批量大小,e为编码器,d为解码器,λ为权重参数,x为原始输入,dkl为kl散度,为由编码器输出的隐变量分布,为标准多元正态分布;
16、
17、其中,p为真实分布,q为目标分布,p(x)为真实分布在x处的密度值,q(x)为目标分布在x处的密度值;
18、给定迭代周期总数e、批量大小、学习率、优化算法,不断更新模型参数直至获得最优参数。
19、进一步,离线训练流程包括以下步骤:
20、s101.采集航天遥测样本数据,对样本数据进行预处理,处理为滑动窗口数据;
21、s102.将正常数据集输入模型,确定训练周期数e;
22、s103.把训练集分成n个批次;
23、s104.按批次将训练集输入编码器;
24、s105.将输出结果输入解码器;
25、s106.重构结果,计算损失函数;
26、s107.判断当前批次是否大于等于n,若为否,返回步骤s104,输入下一批次训练集;若为是,进入步骤s108;
27、s108.判断训练周期数是否大于等于e,若为否,返回步骤s103;若为是,训练后发模型,结束训练。
28、进一步,通过算法自动选择阈值。
29、另一方面,本发明提供一种航天遥测数据在线异常监测系统,所述系统用于实现根据本发明的航天遥测数据在线异常监测方法。
30、本发明的有益效果如下:本发明结合生成式模型的优势,将之与核密度估计相结合,构建新的航天遥测数据异常判定准则,有助于进一步的系统可靠性分析,具有较好的应用前景。本发明实现对航天遥测数据的在线健康监测,并且实现算法自动选择阈值,以解决由于手动设置阈值导致的计算不准确而造成误判。
1.一种航天遥测数据在线异常监测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的航天遥测数据在线异常监测方法,其特征在于,所述数据预处理包括异常处理和缺失值填充。
3.根据权利要求1所述的航天遥测数据在线异常监测方法,其特征在于,所述编码器为lstm叠加vae。
4.根据权利要求3所述的航天遥测数据在线异常监测方法,其特征在于,所述工况数据包括电流、电压和转速。
5.根据权利要求3所述的航天遥测数据在线异常监测方法,其特征在于,解码器与编码器对称,一个滑动时间窗口数据经过编码器和解码器得到原序列的重构。
6.根据权利要求1所述的航天遥测数据在线异常监测方法,其特征在于,所述经过训练的模型通过离线方式获得。
7.根据权利要求6所述的航天遥测数据在线异常监测方法,其特征在于,所述模型训练过程如下:首先进行数据预处理确保数据为不含异常值的正常数据,之后将数据处理为滑动窗口数据,即{(xi,xi+1,…,xi+w)|i=1,2,…,m-w},其中xi为物理量,w为滑动时间窗口长度,m为数据量;编码器为lstm成叠加两个线性层生成隐变量的均值向量μ和隐变量的标准差向量δ,解码器与编码器对称,一个滑动时间窗口数据经过编码器和解码器得到原序列的重构;定义vae的损失函数为mse+kl散度,具体定义如下:
8.根据权利要求7所述的航天遥测数据在线异常监测方法,其特征在于,离线训练流程包括以下步骤:
9.根据权利要求8所述的航天遥测数据在线异常监测方法,其特征在于,通过算法自动选择阈值。
10.一种航天遥测数据在线异常监测系统,其特征在于,所述系统用于实现根据权利要求1-9任一项所述的航天遥测数据在线异常监测方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com