基于多变量相关性分析的卫星异常检测技术研究
发布时间：2021-06-16 21:58
在卫星运行过程中,地面接收到下传的遥测数据,并基于此数据进行卫星运行管理和状态监测。遥测数据是反映卫星健康状态的重要依据,在卫星故障早期检测到遥测数据的潜在异常对卫星的安全维护具有重大意义。卫星异常检测的对象是大量的遥测参数,遥测参数具有多维性、相关性、非线性性等特点,针对卫星遥测数据的特性和卫星故障类型,将目前已有的算法进行改进,应用到卫星异常检测领域。首先,描述了卫星遥测参数的特性以及卫星故障特性,并总结归纳了卫星异常检测的主要方法体系,以及各种方法的优劣。在此基础上,分析了现有的多变量数据分析处理方法,即变量筛选和降维,并总结了各种方法的优点和不足,为卫星异常检测方法奠定了理论基础。其次,采用了一种基于相关概率模型的PCA异常检测方法,根据卫星的工作周期对数据进行划分,以工作单元的形式研究遥测参数间的相关关系变化,比检测单点异常更具信服力,并使用PCA方法对多元概率模型降维,而且,通过检验2统计量的方法对数据是否异常进行判决,避免了阈值设置的困扰,另外,在检测出异常数据之后,还可以通过计算重构误差贡献比例来确定发生异常的遥测参数。通过仿真验证了该方法能够在故障早期检测出异常,并对...
【文章来源】：中国科学院大学(中国科学院微小卫星创新研究院）上海市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
隐藏在门限内的异常
基于多变量相关性分析的卫星异常检测技术研究183.2构建相关概率模型根据以往积累的工程经验，在卫星故障早期，卫星各项功能正常，但是某些遥测参数已经开始发生缓慢变化，此时卫星处于一种亚健康状态。卫星的一些遥测参数间存在某种相关性，卫星处于正常状态时，这些遥测参数间的相关性保持稳定或者变化较小，卫星处于异常状态时，与故障相关的遥测参数同时受到故障影响，其相关性可能会发生较大的变化。因此，针对这类故障前后相关性发生变化的故障，本文使用基于相关概率模型的异常检测方法来检测卫星不同周期相关关系的异常模式，主要包含以下几个步骤。3.2.1划分工作单元卫星遥测数据是一系列多元时间序列，而且许多遥测参数具有周期性，尤其是与温度相关的遥测参数，不同周期参数间相关性的变化可能会反映出卫星异常，而且相对于单点异常，较长时段的异常具有更高的可信度，因此以卫星绕地运行一圈为一个工作单元，对遥测数据进行划分，一个工作单元的长度刚好与大部分温度参数一个周期的长度相同。这样，遥测数据便被划分成一系列的工作单元，如图3.1所示。图3.1工作单元划分示意图Figure3.1Graphofworkunitdivision3.2.2量化遥测参数间的相关关系在一个工作单元内，各个遥测参数都是长度相等的一元时间序列。计算相关性的方法有很多种[72]，由于同一数据集中的遥测参数具有不同的量纲，与协
基于多变量相关性分析的卫星异常检测技术研究20图3.2相关系数向量的Q-Q图Figure3.2Quantile-Quantileplotofcorrelationcoefficientvectors3.3主成分分析（PCA）主成分分析（PCA）是从数据中提取信息的最受欢迎的方法之一，并且已在广泛的学科中得到应用。PCA通过提取数据矩阵中变量之间的互相关或相互关系，对角化协方差矩阵，从而以统计学上最佳的方式对数据矩阵进行变换。如果测得的变量是线性相关的并且被误差污染，则前几个分量会捕获变量之间的关系，而其余分量仅包含误差。因此，消除不太重要的组件可以减少测量数据中的误差，并以紧凑的方式表示误差。PCA的应用依靠其减少数据矩阵维数的能力，同时捕获潜在的变量和变量之间的关系。多维遥测数据建立相关概率模型后，可能会造成“维度灾难”，为后续检测增大难度，而且相关系数向量的元素中存在一定的相关性，可能存在信息重叠，主成分分析的方法可以将高维向量转换到低维特征空间来解决这一问题。3.3.1PCA降维主成分分析的实质是从存在相关的多维度原始向量空间中抽取出几个彼此正交的主成分来表征原始数据，从而简化分析模型，这些主成分包含了原始数据大部分的信息，而且也代表了超平面的方向，该方向捕获了原始变量中最大
【参考文献】：
期刊论文
[1]航天器遥测数据异常检测综述[J]. 彭喜元,庞景月,彭宇,刘大同. 仪器仪表学报. 2016(09)
[2]灰色关联度和Pearson相关系数的应用比较[J]. 张建勇,高冉,胡骏,郑扬. 赤峰学院学报(自然科学版). 2014(21)
[3]检测实验室能力验证中四分位数的计算[J]. 江珍雅,徐建勇,潘慧英. 物理测试. 2014(04)
[4]基于时空惊奇计算的视频异常检测方法[J]. 谢锦生,郭立,陈运必,赵龙. 中国科学院研究生院学报. 2013(01)
[5]基于Pearson相关系数的老年人社会支持与心理健康相关性研究的Meta分析[J]. 葛芳君,赵磊,刘俊,周旻馨,郭毅,张庆军. 中国循证医学杂志. 2012(11)
[6]一种自旋稳定卫星姿态传感器数据异常的诊断方法[J]. 李楠,张云燕,李言俊. 宇航学报. 2011(06)
[7]航天器动力学环境试验故障诊断专家系统[J]. 王婉秋,杨松. 航天器环境工程. 2008(01)
博士论文
[1]异常检测方法及其关键技术研究[D]. 陈斌.南京航空航天大学 2013
硕士论文
[1]探测器自主管理系统需求分析及设计方法研究[D]. 李飞.哈尔滨工业大学 2007
本文编号：3233863
【文章来源】：中国科学院大学(中国科学院微小卫星创新研究院）上海市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
隐藏在门限内的异常
基于多变量相关性分析的卫星异常检测技术研究183.2构建相关概率模型根据以往积累的工程经验，在卫星故障早期，卫星各项功能正常，但是某些遥测参数已经开始发生缓慢变化，此时卫星处于一种亚健康状态。卫星的一些遥测参数间存在某种相关性，卫星处于正常状态时，这些遥测参数间的相关性保持稳定或者变化较小，卫星处于异常状态时，与故障相关的遥测参数同时受到故障影响，其相关性可能会发生较大的变化。因此，针对这类故障前后相关性发生变化的故障，本文使用基于相关概率模型的异常检测方法来检测卫星不同周期相关关系的异常模式，主要包含以下几个步骤。3.2.1划分工作单元卫星遥测数据是一系列多元时间序列，而且许多遥测参数具有周期性，尤其是与温度相关的遥测参数，不同周期参数间相关性的变化可能会反映出卫星异常，而且相对于单点异常，较长时段的异常具有更高的可信度，因此以卫星绕地运行一圈为一个工作单元，对遥测数据进行划分，一个工作单元的长度刚好与大部分温度参数一个周期的长度相同。这样，遥测数据便被划分成一系列的工作单元，如图3.1所示。图3.1工作单元划分示意图Figure3.1Graphofworkunitdivision3.2.2量化遥测参数间的相关关系在一个工作单元内，各个遥测参数都是长度相等的一元时间序列。计算相关性的方法有很多种[72]，由于同一数据集中的遥测参数具有不同的量纲，与协
基于多变量相关性分析的卫星异常检测技术研究20图3.2相关系数向量的Q-Q图Figure3.2Quantile-Quantileplotofcorrelationcoefficientvectors3.3主成分分析（PCA）主成分分析（PCA）是从数据中提取信息的最受欢迎的方法之一，并且已在广泛的学科中得到应用。PCA通过提取数据矩阵中变量之间的互相关或相互关系，对角化协方差矩阵，从而以统计学上最佳的方式对数据矩阵进行变换。如果测得的变量是线性相关的并且被误差污染，则前几个分量会捕获变量之间的关系，而其余分量仅包含误差。因此，消除不太重要的组件可以减少测量数据中的误差，并以紧凑的方式表示误差。PCA的应用依靠其减少数据矩阵维数的能力，同时捕获潜在的变量和变量之间的关系。多维遥测数据建立相关概率模型后，可能会造成“维度灾难”，为后续检测增大难度，而且相关系数向量的元素中存在一定的相关性，可能存在信息重叠，主成分分析的方法可以将高维向量转换到低维特征空间来解决这一问题。3.3.1PCA降维主成分分析的实质是从存在相关的多维度原始向量空间中抽取出几个彼此正交的主成分来表征原始数据，从而简化分析模型，这些主成分包含了原始数据大部分的信息，而且也代表了超平面的方向，该方向捕获了原始变量中最大
【参考文献】：
期刊论文
[1]航天器遥测数据异常检测综述[J]. 彭喜元,庞景月,彭宇,刘大同. 仪器仪表学报. 2016(09)
[2]灰色关联度和Pearson相关系数的应用比较[J]. 张建勇,高冉,胡骏,郑扬. 赤峰学院学报(自然科学版). 2014(21)
[3]检测实验室能力验证中四分位数的计算[J]. 江珍雅,徐建勇,潘慧英. 物理测试. 2014(04)
[4]基于时空惊奇计算的视频异常检测方法[J]. 谢锦生,郭立,陈运必,赵龙. 中国科学院研究生院学报. 2013(01)
[5]基于Pearson相关系数的老年人社会支持与心理健康相关性研究的Meta分析[J]. 葛芳君,赵磊,刘俊,周旻馨,郭毅,张庆军. 中国循证医学杂志. 2012(11)
[6]一种自旋稳定卫星姿态传感器数据异常的诊断方法[J]. 李楠,张云燕,李言俊. 宇航学报. 2011(06)
[7]航天器动力学环境试验故障诊断专家系统[J]. 王婉秋,杨松. 航天器环境工程. 2008(01)
博士论文
[1]异常检测方法及其关键技术研究[D]. 陈斌.南京航空航天大学 2013
硕士论文
[1]探测器自主管理系统需求分析及设计方法研究[D]. 李飞.哈尔滨工业大学 2007
本文编号：3233863
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3233863.html
