本文關(guān)鍵詞：基于數(shù)據(jù)驅(qū)動(dòng)的衛(wèi)星故障診斷關(guān)鍵技術(shù)研究

  更多相關(guān)文章： 數(shù)據(jù)驅(qū)動(dòng) 故障診斷 異常檢測(cè) 符號(hào)化 關(guān)聯(lián)規(guī)則 故障識(shí)別

【摘要】：隨著衛(wèi)星數(shù)量的增加以及衛(wèi)星應(yīng)用的擴(kuò)大,作為保障衛(wèi)星正常工作關(guān)鍵技術(shù)之一的衛(wèi)星故障診斷技術(shù)越來越受到重視。另一方面,衛(wèi)星越來越復(fù)雜,龐大,衛(wèi)星測(cè)控技術(shù)不斷發(fā)展,用于衛(wèi)星故障診斷的遙測(cè)數(shù)據(jù)急劇膨脹,適合于海量數(shù)據(jù)分析的、基于數(shù)據(jù)驅(qū)動(dòng)的衛(wèi)星故障診斷技術(shù)成為了當(dāng)前的研究熱點(diǎn)。衛(wèi)星的故障診斷主要分為故障檢測(cè)、故障隔離和故障識(shí)別三個(gè)階段。異常檢測(cè)是衛(wèi)星故障檢測(cè)的基本方法,時(shí)間序列相似度比較是時(shí)序數(shù)據(jù)異常檢測(cè)的核心技術(shù)之一。動(dòng)態(tài)時(shí)間彎曲(Dynamic Time Warping,DTW)算法具有較高的比較精度以及魯棒性,是目前普遍采用的相似度比較方法,但由于其計(jì)算復(fù)雜性高,不適合衛(wèi)星遙測(cè)數(shù)據(jù)的處理。針對(duì)這一問題,本文提出了一種基于Map Reduce的DTW并行化算法,實(shí)驗(yàn)表明在處理長(zhǎng)時(shí)間序列時(shí),其相似性搜索的效率和準(zhǔn)確度都得到了提升。為了從衛(wèi)星遙測(cè)數(shù)據(jù)中挖掘出有用的規(guī)則,通常需要將時(shí)序數(shù)據(jù)轉(zhuǎn)化為規(guī)則獲取所需的符號(hào)。時(shí)間序列符號(hào)化技術(shù)作為一種重要的離散化技術(shù),是對(duì)連續(xù)數(shù)據(jù)進(jìn)行挖掘的預(yù)處理過程�，F(xiàn)有的一些典型符號(hào)化技術(shù),重點(diǎn)考慮的是對(duì)原始序列進(jìn)行降維,但丟失了大量的原始特征信息,這與衛(wèi)星故障診斷中的高精度要求是不相符的,并且面對(duì)長(zhǎng)時(shí)間序列,已有的基于關(guān)鍵點(diǎn)的分割方法效率會(huì)大大下降。本文提出了一種基于并行分割的衛(wèi)星時(shí)序數(shù)據(jù)符號(hào)化技術(shù),通過快速地尋找序列的關(guān)鍵點(diǎn)來保留原始序列的大部分趨勢(shì)特征。實(shí)驗(yàn)證明,我們的方法不僅滿足下邊界原理,其符號(hào)化結(jié)果的分類準(zhǔn)確性也有所提高。針對(duì)診斷知識(shí)庫建立和完善的需要,彌補(bǔ)人工獲取相關(guān)知識(shí)的不足,我們研究了診斷規(guī)則的自動(dòng)獲取技術(shù)。Apriori是經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法,但面對(duì)海量的衛(wèi)星遙測(cè)數(shù)據(jù),其性能會(huì)大大降低,在單機(jī)上甚至無法運(yùn)行。本文對(duì)Apriori關(guān)聯(lián)規(guī)則算法進(jìn)行了改進(jìn),結(jié)合Hadoop集群計(jì)算模式,并行化該算法,并給相關(guān)的故障項(xiàng)設(shè)置較高的權(quán)值,使其能夠更加有效地挖掘出與故障相關(guān)的規(guī)則。實(shí)驗(yàn)結(jié)果說明,我們的方法能夠高效地獲取故障診斷規(guī)則,通過加入相關(guān)的權(quán)值,原來不容易獲取與故障有關(guān)規(guī)則的情況也有所改善。針對(duì)衛(wèi)星參數(shù)多、故障類別多樣的問題,我們研究了高精度的衛(wèi)星故障識(shí)別方法。故障識(shí)別的本質(zhì)是對(duì)故障進(jìn)行分類,現(xiàn)有的分類方法對(duì)學(xué)習(xí)樣本要求不僅多而且質(zhì)量高,衛(wèi)星系統(tǒng)的實(shí)際故障樣本由于數(shù)量少,很難達(dá)到這種要求。支持向量機(jī)(Support Vector Machine,SVM)技術(shù)能很好地解決小樣本的分類問題,但其本質(zhì)上是一個(gè)二類分類模型,而衛(wèi)星的故障類型是非常多的,因此需要對(duì)其進(jìn)行改進(jìn)。本文提出了一種基于支持向量機(jī)混合投票機(jī)制的故障診斷技術(shù),結(jié)合故障相關(guān)性、SVM以及組合分類器三種方法來提高故障識(shí)別的精度,通過真實(shí)的衛(wèi)星數(shù)據(jù)測(cè)試表明,該方法的漏報(bào)率和誤報(bào)率都大大降低了。
【關(guān)鍵詞】：數(shù)據(jù)驅(qū)動(dòng) 故障診斷 異常檢測(cè) 符號(hào)化 關(guān)聯(lián)規(guī)則 故障識(shí)別
【學(xué)位授予單位】：國防科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：V467;TP311.13
【目錄】：

• 摘要10-12
• ABSTRACT12-15
• 第一章 緒論15-35
• 1.1 研究背景15-22
• 1.1.1 衛(wèi)星的發(fā)展趨勢(shì)15-17
• 1.1.2 衛(wèi)星故障診斷17-20
• 1.1.3 衛(wèi)星故障診斷面臨的問題和挑戰(zhàn)20-22
• 1.2 相關(guān)研究22-29
• 1.2.1 衛(wèi)星故障診斷技術(shù)分類22-25
• 1.2.2 基于數(shù)據(jù)驅(qū)動(dòng)的衛(wèi)星故障診斷25-29
• 1.3 本文的主要貢獻(xiàn)29-32
• 1.4 本文的結(jié)構(gòu)安排32-35
• 第二章 面向衛(wèi)星異常檢測(cè)的相似度比較算法的并行化35-53
• 2.1 前言35-36
• 2.2 相關(guān)研究36-37
• 2.3 問題描述37-39
• 2.3.1 時(shí)間序列相似性37-38
• 2.3.2 動(dòng)態(tài)時(shí)間彎曲 (Dynamic Time Warping)38-39
• 2.4 DTW的并行及優(yōu)化39-43
• 2.4.1 DTW算法的并行化39-41
• 2.4.2 彎曲路徑的選擇41-42
• 2.4.3 彎曲路徑并行搜索的優(yōu)化42-43
• 2.5 DTW并行算法——MRDTW的實(shí)現(xiàn)43-44
• 2.6 實(shí)驗(yàn)分析44-52
• 2.6.1 數(shù)據(jù)準(zhǔn)備44-45
• 2.6.2 MRDTW的效率45-47
• 2.6.3 MRDTW在長(zhǎng)時(shí)間序列上的表現(xiàn)47-49
• 2.6.4 MRDTW的準(zhǔn)確性49-52
• 2.7 結(jié)論52-53
• 第三章 面向衛(wèi)星故障診斷規(guī)則挖掘的時(shí)序數(shù)據(jù)符號(hào)化53-71
• 3.1 前言53-54
• 3.2 問題描述54-55
• 3.3 超長(zhǎng)時(shí)間序列的分割機(jī)制——Two-step segmentation mechanism55-58
• 3.3.1 基于累積和控制圖的關(guān)鍵點(diǎn)尋找方法55-57
• 3.3.2 并行自適應(yīng)分割算法57-58
• 3.4 基于趨勢(shì)特征的時(shí)間序列符號(hào)化方法（TFSA）58-67
• 3.4.1 子序列的趨勢(shì)特征60-64
• 3.4.2 符號(hào)序列的距離度量64-65
• 3.4.3 時(shí)間序列的趨勢(shì)符號(hào)65-67
• 3.5 實(shí)驗(yàn)分析67-69
• 3.5.1 Two-step segmentation mechanism的效率67-68
• 3.5.2 TFSA算法的準(zhǔn)確性68-69
• 3.6 結(jié)論69-71
• 第四章 面向衛(wèi)星故障診斷的Apriori算法的并行化71-83
• 4.1 前言71-72
• 4.2 相關(guān)研究工作72-75
• 4.2.1 關(guān)聯(lián)規(guī)則的基本概念72-73
• 4.2.2 關(guān)聯(lián)規(guī)則的分類及經(jīng)典算法73-75
• 4.3 Apriori算法并行化75-77
• 4.3.1 Apriori算法并行化的問題75
• 4.3.2 Apriori算法的Map Reduce實(shí)現(xiàn)75-77
• 4.4 面向小樣本故障數(shù)據(jù)的Apriori并行算法優(yōu)化77-78
• 4.5 實(shí)驗(yàn)分析78-80
• 4.6 結(jié)論80-83
• 第五章 基于支持向量機(jī)混合投票機(jī)制的衛(wèi)星故障識(shí)別方法83-101
• 5.1 前言83-84
• 5.2 相關(guān)研究84-87
• 5.2.1 基于SVM的故障診斷84-86
• 5.2.2 組合分類器86-87
• 5.3 問題描述87-90
• 5.4 混合投票機(jī)制 (Hybrid Voting Mechanism)90-95
• 5.4.1 故障相關(guān)性90-92
• 5.4.2 基于SVM混合投票機(jī)制——HVM-SVM的實(shí)現(xiàn)92-95
• 5.5 實(shí)驗(yàn)分析95-100
• 5.5.1 單一故障模型95
• 5.5.2 多故障模型95-97
• 5.5.3 HVM-SVM的精確度97-100
• 5.6 結(jié)論100-101
• 第六章 總結(jié)和展望101-103
• 致謝103-105
• 參考文獻(xiàn)105-119
• 作者在學(xué)期間取得的學(xué)術(shù)成果119-123
• 攻讀博士學(xué)位期間參與的科研項(xiàng)目123

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張立眾;孫志勇;;“逐項(xiàng)排除法”在故障診斷中的應(yīng)用[J];礦山機(jī)械;1990年09期

2 賈民平;機(jī)械故障診斷學(xué)的理論及其應(yīng)用 第一講 故障診斷的意義及研究發(fā)展概況[J];江蘇機(jī)械制造與自動(dòng)化;1999年01期

3 楊曉磊;;淺談我國鐵路機(jī)車故障診斷[J];科技風(fēng);2014年06期

4 田少民;工程機(jī)械的狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)[J];工程機(jī)械;2001年01期

5 王敏,王萬俊,熊春山,黃心漢;基于多傳感器數(shù)據(jù)融合的故障診斷技術(shù)[J];華中科技大學(xué)學(xué)報(bào);2001年02期

6 潘松海;介紹一種故障診斷方法[J];組合機(jī)床與自動(dòng)化加工技術(shù);2001年06期

7 李德躍;發(fā)動(dòng)機(jī)突然熄火的故障診斷[J];城市車輛;2001年02期

8 王小虎;機(jī)械式風(fēng)速表檢定中的故障診斷及維修方法[J];中國計(jì)量;2002年03期

9 王清照,肖衛(wèi)杰,王加璇;運(yùn)用熱經(jīng)濟(jì)學(xué)結(jié)構(gòu)理論進(jìn)行故障診斷的探討[J];中國電機(jī)工程學(xué)報(bào);2003年09期

10 陳東林;煙草設(shè)備的故障診斷技術(shù)應(yīng)用與展望[J];中國設(shè)備工程;2003年06期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 楊其校;劉昭度;齊志權(quán);馬岳峰;;汽車ABS電機(jī)故障診斷[A];第三屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

2 黎清海;高慶;;基于系統(tǒng)分層的故障診斷方法[A];第三屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

3 聞競(jìng)競(jìng);黃道;;故障診斷方法綜述[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

4 李t，

本文編號(hào)：665705