一种卫星电源系统异常的检测方法及装置

1.本发明涉及卫星故障检测技术领域，尤其涉及一种卫星电源系统异常的检测方法及装置。


背景技术：

2.异常检测在卫星故障预测与健康管理中起着重要作用。目前卫星电源非线性系统难以精确建模，线性反馈网络存在的非线性系统建模能力弱、在观测数据缺失情况下预测效果差等问题。复杂系统中，系统状态转移过程通常是非线性的或者是未知的，而系统状态测量过程通常并不精确。
3.申请人发现现有技术中至少存在如下问题：针对非线性卫星电源系统建模能力弱、在观测数据缺失情况下预测效果差问题。


技术实现要素：

4.本发明实施例所解决的技术问题是针对非线性卫星电源系统建模能力弱、在观测数据缺失情况下预测效果差问题。
5.为达上述目的，一方面，本发明实施例提供了一种卫星电源系统异常的检测方法，包括以下步骤：
6.获取卫星电源系统数据；
7.根据所述卫星电源系统数据，利用lstm建立卫星正常运行时的电源系统模型；
8.根据所述电源系统模型对卫星电源系统的未来状态进行预测；
9.更新卫星电源系统数据，对所述电源系统模型进行修正。
10.另一方面，本发明实施例提供了一种卫星电源系统异常的检测装置，包括：
11.获取单元，用于获取卫星电源系统数据；
12.建模单元，用于根据所述卫星电源系统数据，利用lstm建立卫星正常运行时的电源系统模型；
13.预测单元，用于根据所述电源系统模型对卫星电源系统的未来状态进行预测；
14.修正单元，用于更新卫星电源系统数据，对所述电源系统模型进行修正。
15.上述技术方案具有如下有益效果：本发明基于lstm网络的系统状态预测方法在系统出现异常的情况下，仍然能基于历史数据对系统状态做出有效预测。检测结果表明，该方法具有较低的虚警率和较高的检出率，分别为9.18％和98.37％。
附图说明
16.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一些实施例，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，还可以根据这些附图获得其他的附图。
17.图1是本发明实施例提供的一种卫星电源系统异常的检测方法的流程图；
18.图2是本发明实施例提供的一种卫星电源系统异常的检测装置的结构示意图；
19.图3是本发明实施例提供的卫星电源系统真实状态值曲线图；
20.图4是本发明实施例提供的卫星电源系统观测值曲线图；
21.图5是本发明实施例提供的线性反馈网络预测结果曲线图；
22.图6是本发明实施例提供的线性反馈网络预测结果和实际观测结果的误差图；
23.图7是本发明实施例提供的lstm网络预测结果曲线图；
24.图8是本发明实施例提供的lstm网络预测结果和实际观测结果的误差图。
具体实施方式
25.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。
26.本发明提供了一种卫星电源系统异常的检测方法，如图1所示，包括以下步骤：
27.s101：获取卫星电源系统数据；
28.s102：根据所述卫星电源系统数据，利用lstm建立卫星正常运行时的电源系统模型；
29.对于预测时长较短时，lstm网络的预测效果要优于线性反馈网络，这是由于lstm具有更好的非线性拟合能力。
30.s103：根据所述电源系统模型对卫星电源系统的未来状态进行预测；
31.s104：更新卫星电源系统数据，对所述电源系统模型进行修正。
32.lstm网络层数选择10的整数倍。
33.根据所述电源系统模型对卫星电源系统的未来状态进行预测时，预测步长选取为1～50，仿真次数选取为100次。
34.lstm网络包括：遗忘门、选择门、输入门和输出门。
35.遗忘门f，负责单元状态的重置。以y(τi)和h
i-1
作为输入，经sigmoid函数压缩至(0,1)区间，值代表对上一时刻单元状态的继承情况，其中0代表全部遗忘，1代表全部继承。
36.其表达式如下
37.f(τi)＝σ(wfy(τi)
t
rfh
i-1
bf)
38.选择单元g，负责向单元状态添加信息。同样以y(τi)和h
i-1
作为输入，利用双曲函数生成位于(-1,1)区间的更新候选值。其表达式如下
39.g(τi)＝tanh(wgy(τi)
t
rgh
i-1
bg)
40.输入门i，负责单元状态的更新。同样利用sigmoid函数决定选择单元g中哪些信息应当被继承和存入。其表达式如下
41.i(τi)＝σ(wiy(τi)
t
r
ihi-1
bi)
42.输出门o，负责添加到隐藏状态的单元状态，并对网络的输出进行控制。其表达式如下
43.o(τi)＝σ(woy(τi)
t
r
ohi-1
bo)
44.利用lstm建立卫星正常运行时的电源系统模型，包括：前向传播方程：
[0045][0046]
其中，
⊙
代表逐元素相乘，i代表输入门,f代表遗忘门，g代表选择单元，o代表输出门，σ(#)是sigmoid函数，tanh(#)是双曲函数，y(τi)代表lstm层的输出函数；ci代表单元状态值，hi代表隐含层状态值；τi代表时刻，v代表输出函数的线性参数，c代表输出函数的常值偏移参数。
[0047]
w、r、b分别代表输入权重、递归权重和偏置，是需要学习的网络参数。
[0048]
σ(#)是sigmoid函数，tanh(
·
)是双曲函数，两者表达式如下所示:
[0049][0050]
损失函数如下:
[0051][0052]
可以推导出其反向传播算法。将损失函数改写为如下的形式:
[0053][0054]
其中，
[0055][0056]
若记
[0057][0058]
则有，当s＝k时：
[0059][0060]
进一步，当s＜k时：
[0061][0062]
进一步，可以表示为：
[0063][0064]
其中，δc＝o(τ
s 1
)
⊙
(1-tanh2(c
s 1
))。综上，参数r的更新公式如下：
[0065][0066]
本发明还提供了一种卫星电源系统异常的检测装置，如图2所示，包括：
[0067]
获取单元21，用于获取卫星电源系统数据；
[0068]
建模单元22，用于根据所述卫星电源系统数据，利用lstm建立卫星正常运行时的电源系统模型；
[0069]
预测单元23，用于根据所述电源系统模型对卫星电源系统的未来状态进行预测；
[0070]
修正单元24，用于更新卫星电源系统数据，对所述电源系统模型进行修正。
[0071]
lstm网络层数选择10的整数倍。
[0072]
在所述预测单元中，用于选取预测步长为1～50，用于选取仿真次数为100次。
[0073]
lstm网络包括：遗忘门、选择门、输入门和输出门。
[0074]
利用lstm建立卫星正常运行时的电源系统模型，包括：前向传播方程：
[0075][0076]
其中，
⊙
代表逐元素相乘，i代表输入门,f代表遗忘门，g代表选择单元，o代表输出门，σ(
·
)是sigmoid函数，tanh(
·
)是双曲函数，y(τi)代表lstm层的输出函数；ci代表单元状态值，hi代表隐含层状态值；τi代表时刻，v代表输出函数的线性参数，c代表输出函数的常值偏移参数。
[0077]
该实施例提供的一种卫星电源系统异常的检测装置的工作方法与原理已在实施例一种卫星电源系统异常的检测方法中详述，故在此不再赘述。
[0078]
下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明，实施过程中没有介绍到的技术细节，可以参考前文的相关描述。
[0079]
实施例1：
[0080]
本发明提供了一种卫星电源系统异常的检测方法，如图1所示，基于连续时间系统对系统状态预测进行数值模拟。此外，以卫星电源系统温度遥测数据为对象。
[0081]
case1数值仿真：
[0082]
考察如下的一个连续时间系统，其方程如下
[0083][0084]
其中，x(t),y(t),z(t)是系统状态，φ(t)是系统观测结果，w(t)是观测噪声。系统参数选取如下
[0085]
α＝10,β＝28,γ＝8/3.
[0086]
系统初始点选取为
[0087]
x(0)＝1,y(0)＝2,z(0)＝3.
[0088]
该系统的前400个采样点。如图3、图4所示，显而易见，该方程决定的系统是高度非线性的，因此，通过历史观测数据对该系统进行建模和预测是很困难的。下文使用线性反馈网络和长短时记忆网络对数据进行了一步预测试验和多步预测试验。在仿真过程中，前200个样本点被用于网络训练以构建系统模型，后200个样本点被用于测试和网络更新。
[0089]
以网络层数选取为20层为例，如如图5、图6所示，展示了线性反馈网络在不同预测步长下的预测结果和预测误差，如图7、图8所示，展示了长短时记忆网络在不同预测步长下的预测结果和预测误差。
[0090]
注：图7、图8中，q步预测结果指利用τ0,τ1,
…
,τk时刻的数据对τ
k q
时刻的系统状态进行预测得到预测值且预测期间不使用观测值y(τ
k 1
),y(τ
k 2
),
…
,y(τ
k q-1
)；图中误差是指
[0091]
可以发现，无论是在线性反馈网络还是在lstm网络中，对系统状态一步预测的效果都要优于多步预测的效果。这是由于训练的模型与实际系统之间存在一定程度的偏差，而在预测的过程中，模型偏差会随着时间累积，从而导致多步预测的效果变差。
[0092]
同时，两种模型在系统预测中具有不同的偏好性。线性反馈网络更偏好于实际观测数据并根据实际观测数据对模型进行修正。这意味着，在缺少观测数据时，该模型无法完成修正，使得模型固化，导致误差增大；在系统异常时，该方法将报告系统异常下的状态，而无法表征系统应当具备的正常状态。而lstm网络则更倾向于由历史数据建立起来的模型，新的观测数据只能对系统产生有限的修正。这意味着，在缺少观测数据时，该模型仍然能根据训练得到的模型对历史规律进行重现。尽管这也意味着当系统出现突变时，该方法无法快速捕捉系统变化，但正式如此的特点，使得该方法可以正好应用于系统异常检测中。
[0093]
本技术还考察了网络层数和预测步长对预测结果的影响，采用所有预测的均方误差和方差作为衡量指标。其中，网络层数分别选取为10,20,
…
,100，预测步长分别选取为1,5,10,20,50，仿真次数选取为100次。
[0094]
表1：不同网络层数和预测步长下，线性反馈网络和lstm网络的预测精度
[0095][0096]
从上表可以看出，在大量仿真实验中，两者的性能具有如下的特征：
[0097]
在线性反馈网络中，随着网络层数的增加，预测精度先降低后趋于平稳，这是由于当网络层数到达一定数量后，网络的拟合能力饱和。这暗示了该方法并不会出现过拟合的现象。
[0098]
对于预测时长较短时，lstm网络的预测效果要优于线性反馈网络，这是由于lstm具有更好的非线性拟合能力。当预测时长较长时，lstm网络的预测性能下降较为明显，这是由于随着预测时长的增加，非线性方法会增强数据的趋势，从而引入更大的误差。
[0099]
对于lstm网络而言，随着网络层数的增加，预测误差先降低后增加。这是由于数据不存在长时间的时序关联性，当网络层数增加后，不能有效挖掘其中的关联性，反而导致了模型的过拟合，使得预测效果变差。
[0100]
综上所述，线性反馈网络适用于对系统状态的短期预测，而当系统观测数据缺失是会引入较大误差，当系统出现异常时，无法对异常做出有效的响应。lstm网络则适用于对系统历史运行规律的重现，其能够在系统观测数据缺失或系统发生异常时做出响应，但其
网络结构复杂，在训练时容易过拟合或者欠拟合。
[0101]
本发明基于lstm网络的系统状态预测方法在系统出现异常的情况下，仍然能基于历史数据对系统状态做出有效预测。检测结果表明，该方法具有较低的虚警率和较高的检出率，分别为9.18％和98.37％。
[0102]
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
[0103]
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
[0104]
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本技术公开的原理和新颖性特征的最广范围相一致。
[0105]
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
[0106]
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
[0107]
本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
[0108]
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
[0109]
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
[0110]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。