一种无领域知识的卫星分系统异常检测方法

摘要

本发明公开了一种无领域知识的卫星分系统异常检测方法，针对卫星遥测数据构成的高维数据空间，采用角度代替距离，利用共享近邻算法构建相关数据集空间；采用基于角度偏差的属性选择算法筛选与异常相关的属性；最后，使用归一化的马氏距离计算异常值，结合统计学知识计算得到异常阈值并对数据集进行分类。本发明的优点是：针对复杂的卫星分系统遥测数据，给出了一种无领域知识要求的异常检测方法，经反复实验证明，该方法检测准确率更高，效果更好。

说明书

技术领域

本发明涉及一种无领域知识的卫星分系统异常检测方法，该方法利用共享近邻算法构建相关数据集空间，采用基于角度偏差的属性选择方法筛选特征属性，利用归一化的马氏距离计算异常值并进行异常分类，本发明属于航天科学与计算机科学的交叉领域。

背景技术

卫星是一种融合遥感、通信、计算机科学等多学科技术研制出来的多功能系统，它是人类探索宇宙奥秘的首要途径。由于太阳辐射、外太空温差变化大等多种因素，卫星在轨运行期间会出现各种各样的异常或故障，及时发现和避免这些异常和故障能够保证卫星运行的可靠性和安全性，延长卫星使用寿命，因此，针对卫星的异常检测得到越来越多的关注。

卫星在轨运行期间会产生大量的遥测数据，这些遥测数据从检测卫星运行状态的传感器传输到地面接收站，由于通信问题或者多传感器之间的数据传输差异，使得数据在传输过程中可能出现部分错误。需要通过必要的手段剔除数据错误，这样异常检测的结果才有意义。在一个复杂的卫星系统中，不可能只有单一的传感器，往往通过多传感器相互合作完成数据监测任务。从多个传感器传输得到的遥测数据之间的关系往往是复杂和不确定的，因此，在进行异常检测时如何处理遥测数据之间的关系，提取与异常有关的遥测属性是一个值得研究的问题。

基于阈值的异常检测方法是卫星测控中心监测卫星遥测数据异常的一种常用方法。卫星领域专家根据每个遥测属性的物理含义以及自身的性质设置正常值范围即阈值，一旦遥测数据超过这一正常值范围，则认为卫星发生异常。虽然这种方法简单，但是阈值的确定却是一个艰难的过程，往往要靠领域专家多年工作经验来确定。对于总是在阈值附近波动的异常而言，虽然遥测数据并没有超出正常值范围，但是此时卫星已经表现出了异常，造成了异常漏报。为避免这一问题，本发明提出了一种无领域知识的卫星分系统异常检测方法，该方法在领域知识缺乏的情况下，具有较高的准确率，算法鲁棒性较高，能够有效地实时检测卫星分系统的异常状况。

发明内容

本发明的目的是基于卫星遥测数据，发明一种针对卫星遥测数据的异常检测方法，基于该方法，可以检测出卫星异常发生时间，从而解决卫星健康监测等问题，实现对卫星可疑行为的及时发现和避免，为卫星在轨运行的控制管理提供新的技术支持。

本发明的具体技术方案包括以下几个步骤：

步骤一：针对卫星遥测数据，结合小波分析方法，对原始数据进行清洗、压缩和归一化处理。

步骤二：借助共享近邻算法构建相关数据集空间，确定每一条数据记录的搜索空间。

步骤三：借助步骤二中得到的相关数据集空间，结合基于角度偏差的属性选择方法筛选特征属性。

步骤四：借助步骤二和三中得到的相关数据集空间和特征属性，使用归一化的马氏距离计算异常值，结合统计学知识计算得到异常阈值并对数据集进行分类。

本发明的有益效果是：

本发明所提的方法从数据挖掘的角度出发，针对卫星遥测数据本身进行特征提取与异常检测，本发明设计了一种新颖的异常检测方法，有效地解决了卫星遥测数据高噪声、高维度、分析难度高的问题。本发明经过扩展后，还可以用于航天器其他遥测数据的异常检测(如火星探测)，对在轨卫星异常检测与分析提供了一种新方法。

附图说明

图1是本发明方法的总体流程图。

具体实施方式

下面结合附图和相关算法，对本发明做进一步的说明。

本发明的总体流程如图1所示。

本发明针对卫星遥测数据设计了一种无领域知识的异常检测方法，结合小波分析以及数据预处理方法去除数据中的噪声数据，提取归一化数据。借助共享近邻算法构建相关数据集空间，确定每一条数据记录的搜索范围，减小搜索空间，提高运行效率。针对构建的相关数据集空间，结合基于角度偏差的属性选择方法筛选特征属性，针对筛选过特征属性的相关数据集空间，使用归一化的马氏距离计算异常值，结合统计学知识计算得到异常阈值并对数据集进行分类。具体实施步骤如下：

1.数据预处理

针对卫星分系统遥测数据，首先使用小波去噪方法将数据进行去噪，将原始遥测数据中的尖锐值去除；随后对数据进行统计分析，将原始数据按照一分钟为单位进行压缩；最后对数据集进行归一化处理。其过程可用方法1描述：

方法1：数据预处理

输入：遥测数据集D，小波尺度lev

输出：新数据集ND

2.借助共享近邻算法构建相关数据集空间

针对经过数据预处理的数据集ND，本发明借助共享近邻算法构建相关数据集空间，确定每一条数据记录的搜索范围，减小搜索空间，提高运行效率。首先，通过K近邻算法构建K近邻数据子空间，根据共享近邻的构建规则，在K近邻数据子空间中构建共享近邻子空间即相关数据集空间。其具体过程如方法2描述：

方法2：构建相关数据集空间

输入：均值样本序列sample_D，共享近邻算法参数k，s

输出：相关数据集空间RP

3.筛选特征属性

利用步骤2中得到的相关数据集空间，本发明结合角度偏差来筛选与异常相关特征属性。首先，计算角度偏差余弦绝对值的平均值，利用特征属性筛选阈值计算公式得到筛选阈值，对比筛选阈值与每一条数据记录的角度偏差余弦绝对值的平均值，筛选出特征属性。其具体实现过程如方法3所描述：

方法3：筛选特征属性

输入：均值样本序列sample_D，属性个数d

输出：特征属性集S

4.计算异常值并确定异常发生时间

本发明结合步骤2和步骤3中得到的相关数据集空间和特征属性，构建特征数据空间，计算每一条记录和其特征数据空间的异常值，利用异常值阈值计算公式得到异常阈值，对比异常阈值与每一条数据记录的异常值，判断是否出现数据异常。其具体实现过程如方法4所描述：

方法4：计算异常值并确定异常发生时间

输入：均值样本序列sample_D，相关数据集RP，特征属性集S

输出：发生异常的数据记录