[发明专利]基于ELM的单维遥测数据异常判读方法

说明书

基于ELM的单维遥测数据异常判读方法，涉及卫星遥测数据检测技术领域。本发明是为了解决在遥测数据的异常检测中，人工判读及专家经验在复杂及未知异常检测中存在局限性的问题。为了实现单维遥测数据的异常判读，本发明从航天器实际运行过程中可监测的遥测数据参数时间序列出发，离线训练基于优化的极限学习机算法的异常判读预测模型，构建遥测数据规则库。实时遥测数据被解析及预处理后，经过判读模型形成的判据规则对数据进行判读，将判读结果输出。本发明更适合于在轨卫星数据进行自动判读。

技术领域

本发明属于卫星遥测数据分析技术领域。

背景技术

卫星遥测数据是卫星在轨工作期间地面工作人员获取有关卫星载荷工作状态与卫星本身健康状态的唯一根据，其涵盖卫星各个分系统的关键参数，反映遥测对象的数字特征或状态，是卫星监视、状态分析和故障分析的主要依据。遥测数据中的异常信息用于反映卫星采集设备失效、传输链路受损、对应设备性能退化、机械及电子故障等实际问题，为专业人员管理决策提供依据。因此，对遥测数据进行异常检测和分析，成为增强航天器在轨可靠性的重要依据，是非常必要的。其中，对数据的有效判读是遥测数据异常检测中的关键环节。

卫星在轨运行过程中，不同于正常遥测数据的变化规律或不符合航天器工作模式设定的数据，为遥测数据中的异常数据。对单维遥测数据的判读主要是对数据是否异常进行检测，通常采用人工判读、幅值判读或基于专家系统方法，这些方法操作简单易实现、速度快。如：以专家知识为基础的自动规则检测方法，对于部分异常具有良好的检测及识别效果。这些方法可以有效地检测超出预设阈值的值，但不能检测不超过设定阈值的异常或未知模式的异常。由于系统功能的复杂性和卫星的多样性，在轨卫星数量急剧增加。遥测数据的实时监控量不断扩大(单个卫星总寿命的遥测数据达到TB级)。很难建立准确且完备的航天器规则，而且在设定规则库时需要列举所有故障及其征兆，基于专家系统的方法很显然不能处理未知的异常。利用人工数据判读和专家经验进行实时监控不能满足复杂系统遥测数据异常检测需求。因此，基于监测数据的数据驱动的自动异常检测技术已成为航天领域的研究热点。数据驱动的方法在无任何先验知识，可以通过分析正常的历史数据检测未知的异常模式；具有很强的扩展性，可以适应不同类型的卫星遥测数据；自动检测的方法可以大大减少计算量和存储量的同时提高检测效率。

目前常用的数据驱动异常检测方法可分为三类：统计分析、模式匹配和基于预测的方法。

统计分析是最早的方法之一，通过假设给定数据集的概率模型来检测异常值，然后根据统计模型的不一致性检验异常点。然而，它只能用于检测序列中的统计突变。

模式匹配，包括聚类和分类模型，通过与大量异常或正常历史数据匹配模式来检测异常。该类方法的应用大多基于完整性好、信息丰富的历史遥测数据进行故障诊断和模式识别。显然，模式匹配需要足够的离线数据和完整的正常或异常标记。因此，基于模式匹配的方法进行检测消耗了大量的时间和计算资源，使其应用较为局限。

基于数据驱动的时间序列预测方法假设数据随着时间收集的过程中，数据之间具有一定的关联性，当前数据可以通过历史窗口数据建立的模型外推得到。基于预测的异常检测是通过判断新样本是否在历史数据中得到的预测区间(prediction interval，PI)来实现的，其检测精度在很大程度上取决于预测性能。

总结如下，在遥测数据的异常检测中，人工判读及专家经验在复杂及未知异常检测中存在局限性。考虑到异常的属性和分布不能提前得到，很难用统计或模式匹配的方法来检测异常，尤其是对于缺乏专家经验的复杂系统的遥测数据。基于数据驱动的预测方法能够减少异常帕努过程中对专家经验的依赖，但仍具有参数设置困难、精度不高、稳定性较差等问题。

发明内容

本发明是为了解决在遥测数据的异常发现中，人工判读及专家经验在复杂及未知异常检测中存在局限性的问题，即：解决传统数据判读方法无法智能化提取判读规则而基于数据驱动的方法参数设置困难、稳定性较差、精度较低等问题，现提供基于ELM的单维遥测数据异常判读方法。