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

1.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：

2.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。
3.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。
4.基于知识的方法
5.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。
6.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。
7.数据驱动的方法
8.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。
9.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。
10.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。


技术实现要素：

11.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。
12.本发明通过以下技术方案实现：
13.一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：
14.步骤1：训练数据预处理；
15.步骤2：基于步骤1预处理的训练数据，建立预测模型；
16.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。
17.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。
18.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。
19.进一步的，所述步骤3具体为包括以下步骤：
20.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；
21.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；
22.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。
23.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。
24.一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。
25.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。
26.一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：
27.步骤一：从遥测数据库中读取各星的同一参数数据；
28.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；
29.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；
30.步骤四：利用算法服务器及步骤三的模型进行异常检测；
31.步骤五：将步骤四的检测结果存入数据库；
32.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；
33.步骤七：报警；
34.步骤八：结束。
35.本发明的有益效果是：
36.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。
37.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
38.图1本发明的卫星星座智能状态异常检测方法结构图。
39.图2本发明的卫星星座智能状态监测系统结构图。
40.图3本发明的工作流程图。
41.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
42.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。
43.实施例1
44.一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：
45.步骤1：训练数据预处理；
46.步骤2：基于步骤1预处理的训练数据，建立预测模型；
47.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。
48.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。
49.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。
50.进一步的，所述步骤3具体为包括以下步骤：
51.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；
52.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；
53.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。
54.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。
55.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％。
56.一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。
57.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。
58.一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：
59.步骤一：从遥测数据库中读取各星的同一参数数据；
60.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；
61.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；
62.步骤四：利用算法服务器及步骤三的模型进行异常检测；
63.步骤五：将步骤四的检测结果存入数据库；
64.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；
65.步骤七：报警；
66.步骤八：结束。
67.实施例2
68.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。
69.卫星星座健康长管系统的方法构成图，如图4所示。