【摘要】：異常檢測技術(shù)在故障預(yù)測與健康狀態(tài)管理領(lǐng)域有著重要的作用。及時有效地發(fā)現(xiàn)在軌衛(wèi)星的異常狀態(tài)是監(jiān)測衛(wèi)星性能、探測故障、識別故障根源、提高衛(wèi)星安全性的重要任務(wù)。本文在現(xiàn)有的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方法的基礎(chǔ)上,分析了某衛(wèi)星2014年至2015年的時序遙測數(shù)據(jù),研究了時序遙測數(shù)據(jù)的特征提取和異常檢測算法,用于及時發(fā)現(xiàn)時序遙測數(shù)據(jù)的潛在異常。由于衛(wèi)星物理結(jié)構(gòu)復(fù)雜,工作環(huán)境惡劣,傳感器收集到的遙測數(shù)據(jù)量大,維度高,數(shù)據(jù)呈現(xiàn)非平穩(wěn)、非線性的特性,異常數(shù)據(jù)特征不易提取。為較好地處理上述情況,提出了一種基于經(jīng)驗?zāi)B(tài)分解與樣本熵的異常特征提取算法。該算法首先采用經(jīng)驗?zāi)B(tài)分解算法分解得到各個參數(shù)的整體變化趨勢,然后計算各個參數(shù)趨勢項的樣本熵作為特征數(shù)據(jù)。實驗表明,該方法不僅可以降低數(shù)據(jù)維度,而且能夠處理時序遙測數(shù)據(jù)的非線性、非平穩(wěn)性的問題,從而有效地提取時序遙測數(shù)據(jù)的異常特征,反映時序遙測數(shù)據(jù)的狀態(tài)變化。實時異常檢測算法受到異常檢測閾值難以確定,異常檢測可靠性不能保證等問題的影響,異常檢測效果不佳,為解決閾值難以確定的問題,提高異常檢測可靠性,本文提出了一種基于短期預(yù)測和動態(tài)閾值的遙測單參數(shù)異常檢測算法。該算法首先采用差分進(jìn)化算法優(yōu)化核極限學(xué)習(xí)機(jī)的模型參數(shù),并將優(yōu)化后的模型用于單參數(shù)動態(tài)閾值的短期預(yù)測;然后利用差分進(jìn)化算法優(yōu)化的比例系數(shù)法構(gòu)造動態(tài)閾值區(qū)間;最后采用集成策略構(gòu)建集成的DE-PCM-OKELM模型來提高模型的穩(wěn)定性和異常識別精度。該算法可以在較短的時間內(nèi)預(yù)測出動態(tài)閾值區(qū)間,進(jìn)一步識別正常數(shù)據(jù)和異常數(shù)據(jù),實現(xiàn)遙測數(shù)據(jù)的異常檢測。實驗表明,該模型具有更好的異常檢測精度,能夠準(zhǔn)確描述單個遙測參數(shù)的數(shù)據(jù)變化范圍,及時識別遙測參數(shù)異常的發(fā)生。單參數(shù)異常檢測算法不適用于遙測參數(shù)數(shù)據(jù)量大、遙測數(shù)據(jù)維度高的情況,同時單參數(shù)異常檢測無法準(zhǔn)確檢測多參數(shù)異常的發(fā)生。為較好地處理上述情況,本文提出了一種基于角度偏離的遙測多參數(shù)異常檢測算法。該方法首先利用共享近鄰算法在高維數(shù)據(jù)空間構(gòu)建相關(guān)數(shù)據(jù)集空間,用角度代替距離,采用基于角度偏離的屬性選擇算法篩選與異常相關(guān)的屬性,然后使用歸一化的馬氏距離計算異常值,最后結(jié)合統(tǒng)計學(xué)知識計算得到異常閾值并對數(shù)據(jù)集進(jìn)行分類。實驗表明,在領(lǐng)域知識匱乏的情況下,該算法的異常檢測準(zhǔn)確率可以達(dá)到95%以上,同時算法魯棒性較高,能夠?qū)崟r、有效地檢測衛(wèi)星遙測數(shù)據(jù)異常。
【圖文】：

測算法來實現(xiàn)時序遙測數(shù)據(jù)的異常檢測。1.4 本文組織架構(gòu)與章節(jié)安排本文框架如圖1.1所示，其中數(shù)據(jù)預(yù)處理模塊對應(yīng)本文第二章，針對衛(wèi)星時序遙測數(shù)據(jù)的特點，提出了一種行之有效的異常特征提取算法，能夠有效地提取衛(wèi)星異常數(shù)據(jù)特征，為進(jìn)一步進(jìn)行異常檢測技術(shù)研究做準(zhǔn)備；基于短期預(yù)測和動態(tài)閾值的遙測單參數(shù)異常檢測模塊對應(yīng)本文第三章，首先得到實時數(shù)據(jù)的動態(tài)閾值區(qū)間，之后通過將實時數(shù)據(jù)與動態(tài)閾值進(jìn)行對比，來發(fā)現(xiàn)異常數(shù)據(jù)，實現(xiàn)衛(wèi)星狀態(tài)的異常檢測，解決了異常檢測方法閾值設(shè)置過程難度大的問題；基于角度偏離的遙測多參數(shù)異常檢測模塊對應(yīng)本文第四章，在領(lǐng)域知識匱乏的情況下，通過采用基于角度偏離的異常屬性篩選算法選擇與異常相關(guān)的屬性，計算遙測數(shù)據(jù)的異常值，避免了某些與異常不相關(guān)的屬性對異常檢測結(jié)果的影響，解決了單參數(shù)異常檢測算法全局性不強(qiáng)的問題。本文后續(xù)章節(jié)將詳細(xì)描述上述框架中的各個模塊。圍繞這些模塊

從式(2.26)可以看出，序列的樣本熵的計算結(jié)果與樣本數(shù)量 N 、嵌入維度m 以及相似閾取值有關(guān)，大量的實驗證明，當(dāng) m= 2， r (0.1~ 0.25) std ( X)時，能夠計算出更具合理性似熵[49]。因此，在本章的實驗中，設(shè)置 m= 2， r 0.15 std ( X)。從樣本熵的計算過程可以看出，樣本熵在計算的過程中不需要與自身的數(shù)據(jù)段進(jìn)行比較服了結(jié)果可能出現(xiàn)偏差的問題。與近似熵相比，樣本熵節(jié)省了計算時間，提高了計算精度算結(jié)果不再依賴序列長度，而且樣本熵具有較好的一致性和抗干擾能力[50; 51]。但是，樣本然存在一些問題，當(dāng)樣本數(shù)量 N 和相似閾值r 較小時，會發(fā)生找不到匹配向量的問題，從法計算樣本熵。本章是在大數(shù)據(jù)量樣本的前提下進(jìn)行的實驗，而且相似閾值r 也是在大量驗證明下選取的，因此，本章在計算樣本熵時不存在上述問題。.5 EMD-SE 異常特征提取算法描述針對衛(wèi)星遙測數(shù)據(jù)存在非線性、平穩(wěn)性差以及異常特征不易提取的問題，，本章提出了一于經(jīng)驗?zāi)B(tài)分解與樣本熵的特征提取算法(Empirical Mode Decomposition - Sample EntrMD-SE)。首先采用經(jīng)驗?zāi)B(tài)分解算法得到各個參數(shù)的整體變化趨勢，然后計算各個遙測參勢項的樣本熵作為異常特征數(shù)據(jù)。本方法包含 2 個階段，具體的操作流程如圖 2.1 所示：
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：V467

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張清清;李長云;李旭;周玲芳;胡淑新;鄒豪杰;;基于不規(guī)則區(qū)域劃分方法的k-Nearest Neighbor查詢算法[J];計算機(jī)系統(tǒng)應(yīng)用;2015年09期

2 田萌;王文劍;;高斯核函數(shù)選擇的廣義核極化準(zhǔn)則[J];計算機(jī)研究與發(fā)展;2015年08期

3 陳冰;魯剛;房紅征;艾力;;基于最小二乘支持向量機(jī)的衛(wèi)星異常檢測方法[J];計算機(jī)測量與控制;2014年03期

4 李維錚;孟橋;;基于遙測數(shù)據(jù)動態(tài)特征的衛(wèi)星異常檢測方法[J];空間科學(xué)學(xué)報;2014年02期

5 楊悅;楊永安;胡紹林;;逐段回歸近似的衛(wèi)星遙測數(shù)據(jù)挖掘算法與仿真[J];計算機(jī)仿真;2013年08期

6 寧津生;姚宜斌;張小紅;;全球?qū)Ш叫l(wèi)星系統(tǒng)發(fā)展綜述[J];導(dǎo)航定位學(xué)報;2013年01期

7 汪廷華;陳峻婷;;核函數(shù)的選擇研究綜述[J];計算機(jī)工程與設(shè)計;2012年03期

8 劉豪;劉悅;;2010年國外衛(wèi)星故障綜述[J];國際太空;2011年05期

9 秦巍;郭永富;;一種基于歷史遙測數(shù)據(jù)的在軌衛(wèi)星故障預(yù)警系統(tǒng)[J];航天器工程;2010年06期

10 姜連祥;李華旺;楊根慶;楊勤榮;黃海宇;;航天器自主故障診斷技術(shù)研究進(jìn)展[J];宇航學(xué)報;2009年04期

相關(guān)碩士學(xué)位論文 前5條

1 董鑫;時序數(shù)據(jù)序列模式挖掘[D];南京航空航天大學(xué);2015年

2 崔捷;基于數(shù)據(jù)驅(qū)動的衛(wèi)星陀螺組件的故障診斷技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2014年

3 唐琪佳;衛(wèi)星在軌狀態(tài)綜合檢測及可視化技術(shù)[D];上海交通大學(xué);2013年

4 任國恒;同步衛(wèi)星遙測數(shù)據(jù)相關(guān)性分析與研究[D];西安工業(yè)大學(xué);2011年

5 趙瑩;支持向量機(jī)中高斯核函數(shù)的研究[D];華東師范大學(xué);2007年

本文編號：2633381