基于异步自回归预测模型的卫星故障检测方法及装置

1.本发明涉及机器学习技术领域，尤其涉及基于异步自回归预测模型的卫星故障检测方法及装置。


背景技术：

2.随着现代航天技术的发展，各种用途的卫星已成为国家安全、国民生活、科学研究的重要组成部分。在卫星结构变得日益复杂和精密的情况下，各种可能的故障会影响卫星的正常运行，对公共安全等产生重大影响。因此，快速、准确地检测出卫星运行过程中的故障是一个事关重大的关键基础问题。
3.在卫星异常检测领域，人工阈值法是最早的做法之一。如果涉及的任何参数超出人类专家预定义的安全范围，则会报告异常。人工阈值法虽然具有很好的可解释性和计算效率，但无法检测到安全范围内的故障，且这种方法只能检测出一些简单的特定故障，无法对更加复杂的故障类型进行更精细的检测。此外，数据驱动的方法尤其是以机器学习为基础的算法能够利用大量的数据来自适应地自动化识别出故障类型。k近邻以及决策树等算法采用无监督的训练策略来拟合遥测数据并利用训练样本来确定故障阈值。支持向量机为基础的检测算法能从数据中挖掘正常样本与异常样本的潜在信息从而提高检测准确率。例如，eskin等人设计了一个聚类方案并将异常值识别为故障。pajouh等人结合降维和分类模型进行异常检测。george等人利用了多类支持向量机。与手动阈值相比，基于机器学习技术的异常检测联合评估观察到的参数并识别潜在模式。然而，这些方法可能会忽略时间输入的趋势信息，并不能很好地推广到看不见的异常类型。当异常数据和正常数据之间的分布差异不明显时，这些方法无法做到精细化检测，得到相对较差的准确率，也缺乏对遥测数据的时序性的利用。
4.随着数据和计算设施的增长，深度学习算法得到了广泛的关注并在大量的数据处理方面取得了显著的成功，现已成为异常检测领域最流行的方法。近些年，因此，一些研究者也尝试使用神经网络进行异常检测。以全连接网络为基础的分类算法能够利用标签信息取得优异的检测结果，但无法处理无标注数据的情形。循环神经网络(rnn)可以用于具有隐藏状态的序列建模。长短时记忆网络(lstm)在常规rnn的基础上引入了遗忘门、输入门和输出门，提高了对长程关系建模的能力。它们能够同时处理有标签和无标签数据，已广泛应用于具有时间输入的异常检测任务。但现有方法仍然缺少对真实卫星遥测数据的精细化设计。
5.在卫星异常检测的情况下，输入是一个时间序列，正常和异常数据的分布极不平衡，导致常规的训练方法无法得到有效的训练模型。此外，在实际应用中可能会出现训练集中未从出现的异常类型，使得其无法在实际应用中被检测出来。


技术实现要素：

6.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
7.为此，本发明的目的在于解决卫星数据的自动化快速异常检测。现有的卫星运行通常需要人工实时监测才能及时发现故障，而通常基于分类模型的自动化异常检测方法无法适用于异步、无记忆性的时序卫星数据。本发明通过基于异步自回归预测模型的卫星故障检测方法，由中值滤波预处理模块、非均匀时间编码模块、自回归预测模型和自适应阈值选择模块组成，实现了快速、准确、鲁棒的自动化卫星异常检测。
8.为达上述目的，本发明一方面提出了一种基于异步自回归预测模型的卫星故障检测方法，包括：
9.获取待检测卫星数据；
10.将所述待检测卫星数据的第一预设时刻特征数据输入预训练的自回归预测模型，得到第二预设时刻特征数据的预测值，并计算所述第二预设时刻特征数据的预测值和真实值的重建误差；
11.对所述重建误差和预设阈值进行比较，根据比较结果检测所述待检测卫星数据中的故障数据。
12.根据本发明实施例的基于异步自回归预测模型的卫星故障检测方法还可以具有以下附加技术特征：
13.进一步地，在本发明的一个实施例中，在所述将待检测卫星数据的第一预设时刻特征数据输入预训练的自回归预测模型之前，还包括：获取训练数据集，其中，所述训练数据集包括正常卫星数据样本和异常卫星数据样本；利用非均匀时间编码对所述训练数据集进行数据转换，利用数据转换后的正常卫星数据样本对自回归预测模型进行训练，得到所述预训练的自回归预测模型；以及；根据所述正常卫星数据样本的标签和所述异常卫星数据样本的标签计算所述训练数据集的重建误差，通过计算所述训练数据集的重建误差的最优贝叶斯分类面得到所述阈值。
14.进一步地，在本发明的一个实施例中，所述获取训练数据集，包括：获取初始卫星数据样本在第三预设时刻的多帧数据；对所述多帧数据进行特征提取得到所述第三预设时刻的特征数据；利用中值滤波的方式对所述第三预设时刻的特征数据进行预处理得到所述训练数据集。
15.进一步地，在本发明的一个实施例中，所述利用非均匀时间编码对所述训练数据集进行数据转换，包括：获取所述训练数据集在第四预设时刻的特征数据的时间戳序列；利用差分方法得到所述时间戳序列和所述第四预设时刻的相对信息；利用预设的激活函数得到所述相对信息的问题函数，并利用查询数据查询所述问题函数以进行数据转换。
16.进一步地，在本发明的一个实施例中，所述利用数据转换后的正常卫星数据样本对自回归预测模型进行训练，得到所述预训练的自回归预测模型，包括：将所述数据转换后正常卫星数据样本的第五预设时刻的特征数据输入自回归预测模型，得到所述第五预设时刻的样本特征数据预测值；基于所述第五预设时刻的样本特征数据预测值和真实值，训练所述自回归模型得到所述预训练的自回归预测模型。
17.为达到上述目的，本发明另一方面提出了一种基于异步自回归预测模型的卫星故障检测装置，包括：
18.数据获取模块，用于获取待检测卫星数据；
19.误差计算模块，用于将所述待检测卫星数据的第一预设时刻特征数据输入预训练
的自回归预测模型，得到第二预设时刻特征数据的预测值，并计算所述第二预设时刻特征数据的预测值和真实值的重建误差；
20.故障检测模块，用于对所述重建误差和预设阈值进行比较，根据比较结果检测所述待检测卫星数据中的故障数据。
21.本发明的基于异步自回归预测模型的卫星故障检测方法和装置，实现了快速、准确、鲁棒的自动化卫星异常检测。
22.本发明的技术效果为：
23.首先对卫星数据进行预处理，有效剔除离群数据；接下来对数据进行异步时序编码，最大化保留原始信息；使用自回归预测模型对正常卫星数据的分布进行精准拟合；基于先验知识自适应得到准确的故障判定阈值；最终实现对卫星故障的快速、准确、鲁棒、自动化检测，故障检测准确率达到90％以上。
24.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
25.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
26.图1为根据本发明实施例的基于异步自回归预测模型的卫星故障检测方法的流程图；
27.图2为根据本发明实施例的基于异步自回归预测模型的卫星故障检测的示意图；
28.图3为根据本发明实施例的中值滤波数据预处理示意图；
29.图4为根据本发明实施例的基于异步自回归预测模型的卫星故障检测装置结构示意图。
具体实施方式
30.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
31.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
32.下面参照附图描述根据本发明实施例提出的基于异步自回归预测模型的卫星故障检测方法和装置。
33.图1是本发明一个实施例的基于异步自回归预测模型的卫星故障检测方法的流程图。
34.如图1所示，该方法包括但不限于以下步骤：
35.s1，获取待检测卫星数据。
36.具体的，本发明实施例对卫星数据进行获取，是一种初始的卫星数据，以通过本发
明实施例的方法对初始的卫星数据进行检测。
37.s2，将待检测卫星数据的第一预设时刻特征数据输入预训练的自回归预测模型，得到第二预设时刻特征数据的预测值，并计算第二预设时刻特征数据的预测值和真实值的重建误差。
38.可以理解的是，在对新的卫星数据数据进行检测之前，需要通过本发明实施例的方法获取训练好的模型和阈值。
39.如图2所示，首先采用中值滤波的数据与处理方法来剔除原始数据中的非正常离群值。
40.具体地，对于任意时刻ti的特征，选取其前后k帧数据，取这k帧数据的中位数作为ti的特征。如图3所示，利用中值滤波的方式，可以有效滤除离群值，同时完好保留信号中的阶跃变化模式。
41.可以理解的是，卫星特征数据中存在大量非异常的离群值，由于原始特征中具有高频数据，本发明使用中值滤波进行数据预处理，防止预处理过程中引入过多的低频噪声信息。
42.进一步地，如图2所示，使用非均匀时间编码进行卫星数据转化。通常的自回归模型需要利用插值算法对时间间隔进行均匀化处理，但由于卫星数据变化中可能存在高频信息，插值算法容易引入额外的低频信息破坏原始的数据模式，本发明实施例通过非均匀时间编码来最大化保留原始信息。
43.具体地，记t时刻卫星特征为x_t∈r^d，其中d为数据维度。对特征块x对应时间戳序列δ＝(t1,t2,
…
,t
t
)∈r
t
，我们首先利用差分方法仅保留时间点的相对信息，我们首先利用差分方法仅保留时间点的相对信息然后利用tanh激活函数防止数值不稳定问题得到δ＝tanhδ，为了标记待预测的时间点，我们额外增加了查询项t
p
，从而最终的输入数据为：
[0044][0045]
模型对t
p
时刻的预测值为d
pre
＝f
θ
(d
in
)∈rd。
[0046]
进一步地，如图2所示，使用自回归预测模型进行卫星数据分布建模。由于卫星异常检测任务往往难以获得真实的异常样例，同时相邻时间点之间的特征符合马尔科夫假设；本发明提出使用基于自回归的预测模型解决未知异常情形的预测问题。
[0047]
具体地，本发明使用自回归模型f
θ
，截取卫星连续t个时刻的特征块x＝[x1,x2,
…
,x
t
]∈r
t
×d，试图让模型拟合第t 1时刻对的特征。构造一个只有正常样本的训练集，通过最小化均方误差的方式来训练网络，具体公式如下：
[0048][0049]
使其能够让模型学习卫星正常状态下的动力学模式。
[0050]
进一步地，如图2所示，考虑先验信息，利用一种自适应的阈值选择方法来更加准确地确定异常阈值。
[0051]
具体地，若数据中已经出现异常样本，我们可以直接使用异常标签；若数据中没有异常样本，我们可以根据卫星的特点，人工生成异常样本(例如渐变漂移异常或突变阶跃异
常)。根据已有的样本标签(正常样本yi＝1和异常样本yi＝-1)，计算所有样本的重建误差ei，计算最优贝叶斯分类面获取阈值，具体计算公式为：
[0052][0053]
其中，
[0054][0055]
可以理解地是，将待检测卫星数据的某时刻特征数据输入预训练的自回归预测模型，得到下一时刻特征数据的预测值，以计算预测值和真实值的重建误差。
[0056]
s3，对重建误差和预设阈值进行比较，根据比较结果检测待检测卫星数据中的故障数据。
[0057]
可以理解地是，使用模型对卫星数据进行故障判定。
[0058]
具体地，在测试阶段，预测模型依靠重建误差来判断新样本是否异常。具体方法为，给定待判断时间戳的前t个时刻的特征d
in
，利用模型预测其第t
p
时刻特征为计算预测值与真实值的重建误差对于给定的阈值∈，若大于该阈值，则判断t
p
时刻数据为异常，否则判断为正常。因此，阈值的选择非常关键。
[0059]
本发明实施例，使用自适应阈值选择进行故障判定，使用正常样本统计量作为阈值没有引入先验，本发明提出基于先验知识的自适应阈值构建方法，能够得到更有效的分类器。
[0060]
根据本发明实施例的基于异步自回归预测模型的卫星故障检测方法，实现了快速、准确、鲁棒的自动化卫星异常检测。
[0061]
为了实现上述实施例，如图4所示，本实施例中还提供了基于异步自回归预测模型的卫星故障检测装置10，该装置10包括：数据获取模块100、误差计算模块200和故障检测模块300。
[0062]
数据获取模块100，用于获取待检测卫星数据；
[0063]
误差计算模块200，用于将所述待检测卫星数据的第一预设时刻特征数据输入预训练的自回归预测模型，得到第二预设时刻特征数据的预测值，并计算所述第二预设时刻特征数据的预测值和真实值的重建误差；
[0064]
故障检测模块300，用于对所述重建误差和预设阈值进行比较，根据比较结果检测所述待检测卫星数据中的故障数据。
[0065]
进一步的，在上述误差计算模块200之前，还包括模型训练模块，模型训练模块，包括：
[0066]
训练数据获取模块，用于获取训练数据集，其中，训练数据集包括正常卫星数据样本和异常卫星数据样本；
[0067]
数据转换训练模块，用于利用非均匀时间编码对训练数据集进行数据转换，利用数据转换后的正常卫星数据样本对自回归预测模型进行训练，得到预训练的自回归预测模型；以及；
[0068]
阈值计算确定模块，用于根据正常卫星数据样本的标签和异常卫星数据样本的标签计算训练数据集的重建误差，通过计算训练数据集的重建误差的最优贝叶斯分类面得到阈值。
[0069]
进一步的，上述训练数据获取模块，还用于：
[0070]
获取初始卫星数据样本在第三预设时刻的多帧数据；
[0071]
对多帧数据进行特征提取得到第三预设时刻的特征数据；
[0072]
利用中值滤波的方式对第三预设时刻的特征数据进行预处理得到训练数据集。
[0073]
进一步的，上述数据转换训练模块，用于：
[0074]
获取训练数据集在第四预设时刻的特征数据的时间戳序列；
[0075]
利用差分方法得到时间戳序列和第四预设时刻的相对信息；
[0076]
利用预设的激活函数得到相对信息的问题函数，并利用查询数据查询问题函数以进行数据转换。
[0077]
进一步的，上述数据转换训练模块，还用于：
[0078]
将数据转换后正常卫星数据样本的第五预设时刻的特征数据输入自回归预测模型，得到第五预设时刻的样本特征数据预测值；
[0079]
基于所述第五预设时刻的样本特征数据预测值和真实值，训练自回归模型得到预训练的自回归预测模型。
[0080]
根据本发明实施例的基于异步自回归预测模型的卫星故障检测装置，实现了快速、准确、鲁棒的自动化卫星异常检测。
[0081]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0082]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0083]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。