基于数据驱动的卫星故障诊断关键技术研究

发布时间：2017-08-13 05:43

  本文关键词：基于数据驱动的卫星故障诊断关键技术研究

  更多相关文章： 数据驱动 故障诊断 异常检测 符号化 关联规则 故障识别

【摘要】：随着卫星数量的增加以及卫星应用的扩大,作为保障卫星正常工作关键技术之一的卫星故障诊断技术越来越受到重视。另一方面,卫星越来越复杂,庞大,卫星测控技术不断发展,用于卫星故障诊断的遥测数据急剧膨胀,适合于海量数据分析的、基于数据驱动的卫星故障诊断技术成为了当前的研究热点。卫星的故障诊断主要分为故障检测、故障隔离和故障识别三个阶段。异常检测是卫星故障检测的基本方法,时间序列相似度比较是时序数据异常检测的核心技术之一。动态时间弯曲(Dynamic Time Warping,DTW)算法具有较高的比较精度以及鲁棒性,是目前普遍采用的相似度比较方法,但由于其计算复杂性高,不适合卫星遥测数据的处理。针对这一问题,本文提出了一种基于Map Reduce的DTW并行化算法,实验表明在处理长时间序列时,其相似性搜索的效率和准确度都得到了提升。为了从卫星遥测数据中挖掘出有用的规则,通常需要将时序数据转化为规则获取所需的符号。时间序列符号化技术作为一种重要的离散化技术,是对连续数据进行挖掘的预处理过程。现有的一些典型符号化技术,重点考虑的是对原始序列进行降维,但丢失了大量的原始特征信息,这与卫星故障诊断中的高精度要求是不相符的,并且面对长时间序列,已有的基于关键点的分割方法效率会大大下降。本文提出了一种基于并行分割的卫星时序数据符号化技术,通过快速地寻找序列的关键点来保留原始序列的大部分趋势特征。实验证明,我们的方法不仅满足下边界原理,其符号化结果的分类准确性也有所提高。针对诊断知识库建立和完善的需要,弥补人工获取相关知识的不足,我们研究了诊断规则的自动获取技术。Apriori是经典的关联规则挖掘算法,但面对海量的卫星遥测数据,其性能会大大降低,在单机上甚至无法运行。本文对Apriori关联规则算法进行了改进,结合Hadoop集群计算模式,并行化该算法,并给相关的故障项设置较高的权值,使其能够更加有效地挖掘出与故障相关的规则。实验结果说明,我们的方法能够高效地获取故障诊断规则,通过加入相关的权值,原来不容易获取与故障有关规则的情况也有所改善。针对卫星参数多、故障类别多样的问题,我们研究了高精度的卫星故障识别方法。故障识别的本质是对故障进行分类,现有的分类方法对学习样本要求不仅多而且质量高,卫星系统的实际故障样本由于数量少,很难达到这种要求。支持向量机(Support Vector Machine,SVM)技术能很好地解决小样本的分类问题,但其本质上是一个二类分类模型,而卫星的故障类型是非常多的,因此需要对其进行改进。本文提出了一种基于支持向量机混合投票机制的故障诊断技术,结合故障相关性、SVM以及组合分类器三种方法来提高故障识别的精度,通过真实的卫星数据测试表明,该方法的漏报率和误报率都大大降低了。
【关键词】：数据驱动 故障诊断 异常检测 符号化 关联规则 故障识别
【学位授予单位】：国防科学技术大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：V467;TP311.13
【目录】：

• 摘要10-12
• ABSTRACT12-15
• 第一章 绪论15-35
• 1.1 研究背景15-22
• 1.1.1 卫星的发展趋势15-17
• 1.1.2 卫星故障诊断17-20
• 1.1.3 卫星故障诊断面临的问题和挑战20-22
• 1.2 相关研究22-29
• 1.2.1 卫星故障诊断技术分类22-25
• 1.2.2 基于数据驱动的卫星故障诊断25-29
• 1.3 本文的主要贡献29-32
• 1.4 本文的结构安排32-35
• 第二章 面向卫星异常检测的相似度比较算法的并行化35-53
• 2.1 前言35-36
• 2.2 相关研究36-37
• 2.3 问题描述37-39
• 2.3.1 时间序列相似性37-38
• 2.3.2 动态时间弯曲 (Dynamic Time Warping)38-39
• 2.4 DTW的并行及优化39-43
• 2.4.1 DTW算法的并行化39-41
• 2.4.2 弯曲路径的选择41-42
• 2.4.3 弯曲路径并行搜索的优化42-43
• 2.5 DTW并行算法——MRDTW的实现43-44
• 2.6 实验分析44-52
• 2.6.1 数据准备44-45
• 2.6.2 MRDTW的效率45-47
• 2.6.3 MRDTW在长时间序列上的表现47-49
• 2.6.4 MRDTW的准确性49-52
• 2.7 结论52-53
• 第三章 面向卫星故障诊断规则挖掘的时序数据符号化53-71
• 3.1 前言53-54
• 3.2 问题描述54-55
• 3.3 超长时间序列的分割机制——Two-step segmentation mechanism55-58
• 3.3.1 基于累积和控制图的关键点寻找方法55-57
• 3.3.2 并行自适应分割算法57-58
• 3.4 基于趋势特征的时间序列符号化方法（TFSA）58-67
• 3.4.1 子序列的趋势特征60-64
• 3.4.2 符号序列的距离度量64-65
• 3.4.3 时间序列的趋势符号65-67
• 3.5 实验分析67-69
• 3.5.1 Two-step segmentation mechanism的效率67-68
• 3.5.2 TFSA算法的准确性68-69
• 3.6 结论69-71
• 第四章 面向卫星故障诊断的Apriori算法的并行化71-83
• 4.1 前言71-72
• 4.2 相关研究工作72-75
• 4.2.1 关联规则的基本概念72-73
• 4.2.2 关联规则的分类及经典算法73-75
• 4.3 Apriori算法并行化75-77
• 4.3.1 Apriori算法并行化的问题75
• 4.3.2 Apriori算法的Map Reduce实现75-77
• 4.4 面向小样本故障数据的Apriori并行算法优化77-78
• 4.5 实验分析78-80
• 4.6 结论80-83
• 第五章 基于支持向量机混合投票机制的卫星故障识别方法83-101
• 5.1 前言83-84
• 5.2 相关研究84-87
• 5.2.1 基于SVM的故障诊断84-86
• 5.2.2 组合分类器86-87
• 5.3 问题描述87-90
• 5.4 混合投票机制 (Hybrid Voting Mechanism)90-95
• 5.4.1 故障相关性90-92
• 5.4.2 基于SVM混合投票机制——HVM-SVM的实现92-95
• 5.5 实验分析95-100
• 5.5.1 单一故障模型95
• 5.5.2 多故障模型95-97
• 5.5.3 HVM-SVM的精确度97-100
• 5.6 结论100-101
• 第六章 总结和展望101-103
• 致谢103-105
• 参考文献105-119
• 作者在学期间取得的学术成果119-123
• 攻读博士学位期间参与的科研项目123

【相似文献】

中国期刊全文数据库 前10条

1 张立众;孙志勇;;“逐项排除法”在故障诊断中的应用[J];矿山机械;1990年09期

2 贾民平;机械故障诊断学的理论及其应用 第一讲 故障诊断的意义及研究发展概况[J];江苏机械制造与自动化;1999年01期

3 杨晓磊;;浅谈我国铁路机车故障诊断[J];科技风;2014年06期

4 田少民;工程机械的状态监测与故障诊断技术[J];工程机械;2001年01期

5 王敏,王万俊,熊春山,黄心汉;基于多传感器数据融合的故障诊断技术[J];华中科技大学学报;2001年02期

6 潘松海;介绍一种故障诊断方法[J];组合机床与自动化加工技术;2001年06期

7 李德跃;发动机突然熄火的故障诊断[J];城市车辆;2001年02期

8 王小虎;机械式风速表检定中的故障诊断及维修方法[J];中国计量;2002年03期

9 王清照,肖卫杰,王加璇;运用热经济学结构理论进行故障诊断的探讨[J];中国电机工程学报;2003年09期

10 陈东林;烟草设备的故障诊断技术应用与展望[J];中国设备工程;2003年06期

中国重要会议论文全文数据库 前10条

1 杨其校;刘昭度;齐志权;马岳峰;;汽车ABS电机故障诊断[A];第三届全国信息获取与处理学术会议论文集[C];2005年

2 黎清海;高庆;;基于系统分层的故障诊断方法[A];第三届全国信息获取与处理学术会议论文集[C];2005年

3 闻竞竞;黄道;;故障诊断方法综述[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

4 李t，

本文编号：665705