基于遥测时序数据的航天器异常检测技术应用研究

发布时间：2020-03-25 22:00

【摘要】：在轨航天器受工作环境和自身状态影响,常常会发生各种子系统或者器件的异常,遥测数据来自于各个传感器的对星上实时状态的采集,能够反映航天器的工作状态,因此处理和分析遥测时序数据是了解卫星状态,对航天器进行在轨管理的唯一、有效手段。针对现有基于遥测参数的阈值范围,或者对多参数阈值组合知识来检测航天器发生的异常,存在既定的阈值知识无法完全覆盖各种异常故障,阈值门限内卫星的异常变化不能有效的发现等问题,本文研究基于遥测时序数据的阈值门限内的异常检测方法,能及时发现航天器在门限内发生的微小变化或者异常,对于掌握异常演变规律,及时采取措施,防止重大故障的发生具有重大的意义。本文以遥测时序数据为研究对象,首先基于遥测时序数据管理和快速提取为遥测时序数据分析提供数据基础的目的,充分应用了大数据分布式存储理念,对遥测参数的存储结构进行了重构,实现了遥测数据的快速时序化访问;遥测数据在卫星运行过程中参数形态的规律性变化,发现一些参数变化呈现出轨道周期性,且在周期内具有明显的形态特征,与卫星的工作状态有对应关系对应,而通常卫星会有有限种类模式,基于此结论认识,提出基于网格划分的形态变化特征表示方式,实现了遥测数据变化形态特征的计算和提取,依据卫星轨道周期完成数据的子窗口的切分,实现了遥测历史数据的周期特征化;通过聚类的方法实现了参数模式模板的建立,并基于模板匹配实现了准实时参数异常周期的检测;基于空间搜索的算法实现了一段历史数据中存在的异常周期的挖掘检测,最后通过计算异常周期内多参数的相关系数矩阵,找到了异常周期内参数的簇,利用现有的航天器异常知识,初步实现了数据异常周期与航天器异常的对应。通过实际遥测数据的测试发现使用该方法能够自动完成近20%具有轨道周期特性参数的自动异常周期检测,通过参数聚类,利用现有的故障模式库,把异常周期与卫星的子系统或器件的异常进行映射,初步实现了数据异常与航天器异常的关联映射,对航天器异常检测具有重要意义,促进了遥测数据在航天器管理中的运用。
【图文】：

图 2-2 数据多粒度层次数据模型同时为减少每个粒度层次数据存储、传输过程中对空间、带宽等资源消耗，在每个粒度层次上使用压缩方法对时间片内的数据进行压缩存储[22]，由于时序数据在时间上变化相对缓慢，，甚至存在大片的相同值，压缩的效率一般在 1:10 以上，这使得存储的有效值大幅减小。尽管在获取到数据后需要进行解压缩，但是这样

集群部署图
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP311.13;V557.3;V467

【相似文献】

相关期刊论文 前10条

1 王妙琼;魏凯;姜春宇;;工业互联网中时序数据处理面临的新挑战[J];信息通信技术与政策;2019年05期

2 黄雄波;;基于自相关函数的非平稳时序数据的辨识改进[J];微型机与应用;2016年13期

3 尚继霞;;基于时序数据的辽宁省环境库兹涅茨曲线实证分析[J];统计与咨询;2013年04期

4 钟清流;蔡自兴;;基于统计特征的时序数据符号化算法[J];计算机学报;2008年10期

5 王兴家;汪晓惠;赵超;;基于神经网络的混沌时序数据失真检测方法研究[J];重庆交通大学学报(自然科学版);2007年06期

6 郝善勇,刘玉树;基于样本数据重抽样的时序数据预报方法[J];北京理工大学学报;2000年05期

7 骆金维;曾德生;郭雅;黄富平;;时序数据并行压缩速率改进技术研究[J];电子设计工程;2018年20期

8 林芝,曹加恒,刘娟,韦丰;基于信息论网络的时序数据库挖掘[J];计算机工程与应用;2003年01期

9 郑斌祥,杜秀华,席裕庚;一种时序数据的离群数据挖掘新算法[J];控制与决策;2002年03期

10 朱明,蔡庆生;基于约束满足的相似时序数据的搜索算法[J];计算机工程;2000年01期

相关会议论文 前7条

1 张荣明;邹湘军;顾邦军;罗陆锋;周艳琼;;基于探索性分析的时序数据研究[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

2 鲍远松;董文生;;一种分布式时序数据库的存储架构设计及实现方法[A];中国计量协会冶金分会2018年会论文集[C];2018年

3 张明伟;周清波;宫攀;陈仲新;周勇;刘佳;;基于MODIS时序数据分析的作物识别方法[A];农业工程科技创新与建设现代农业——2005年中国农业工程学会学术年会论文集第六分册[C];2005年

4 刘帅;李琦;;基于重建NDVI时序数据的植被覆盖变化研究[A];遥感定量反演算法研讨会摘要集[C];2010年

5 许馨文;马卫国;张宝雷;;基于国家级开发区的聚类方法初探[A];京津走廊经济崛起与工业园区产业集群研究——纪念廊坊开发区建立十五周年暨工业园区产业集群专题征文研讨活动论文集[C];2007年

6 曹晖;司刚全;张彦斌;贾立新;;基于模糊时序数据挖掘的火电厂制粉系统优化算法[A];2007'仪表，自动化及先进集成技术大会论文集（一）[C];2007年

7 孙启龙;吕颖;张利国;;基于深度学习的道路可靠性评估方法与实验[A];第37届中国控制会议论文集（E）[C];2018年

相关博士学位论文 前7条

1 吴吉庆;面向Internet的时序数据快速分发技术研究[D];国防科学技术大学;2011年

2 张贵生;数据驱动的金融时间序列预测模型研究[D];山西大学;2016年

3 何周舟;基于时序数据的结构学习与模式预测联合优化算法研究[D];浙江大学;2016年

4 白天;连分式方法在脉冲去噪、时序数据压缩及视频镜头检测中的应用研究[D];合肥工业大学;2014年

5 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

6 叶红梅;面向流域生态安全的景观格局演变研究[D];华中科技大学;2009年

7 钟清流;时序、图像特征检测的理论、方法及应用研究[D];中南大学;2008年

相关硕士学位论文 前10条

1 宁顺成;基于遥测时序数据的航天器异常检测技术应用研究[D];哈尔滨工业大学;2019年

2 杨超;面向工业大数据的可视化系统设计与实现[D];电子科技大学;2019年

3 王超;云环境中时序数据的预测和异常检测算法的研究[D];南京大学;2019年

4 舒伟博;时序数据二分类问题的等距短shapelet转换算法[D];中国科学技术大学;2019年

5 刘雷;面向时序数据的离群点异常检测技术应用研究[D];中央民族大学;2019年

6 赵显静;面向时序数据的不确定性知识表示及预测[D];重庆邮电大学;2018年

7 韩日旺;关于时序网络鲁棒性与修复性的研究[D];华中师范大学;2018年

8 李凤;非平衡时序数据的动态时间规整过采样方法研究[D];暨南大学;2018年

9 吴俊锋;面向TLE数据的多变量时序数据分类算法研究[D];国防科学技术大学;2016年

10 杨云丽;大数据背景下的时序数据分析[D];中国科学技术大学;2018年

本文编号：2600506