[发明专利]基于时空模式网络的航天器姿态系统异常检测方法及装置

说明书

本申请涉及一种基于时空模式网络的航天器姿态系统异常检测方法及装置。所述方法包括：通过对样本数据进行处理可得到同意工作模式下的多个时间段对应的不同STPN网络模型，并进行聚类，将作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型，再通过典型STPN网络模型根据在线遥测数据对当前航天器姿态系统是否异常，采用本方法能够有效实现对姿态系统遥测参数的时空相关性建模和可视化，从而进行异常检测。

技术领域

本申请涉及航天器遥测数据异常检测技术领域，特别是涉及一种基于时空模式网络的航天器姿态系统异常检测方法及装置。

背景技术

融合多种技术的卫星是现代高科技的复杂系统，不仅规模庞大，技术高新，而且其研制过程人力、资源耗费巨大。但由于其运行在复杂、不可预测的太空，会遇到各种由于难以预测的因素的影响，比如空间粒子辐射、振动、高温、低温、噪声、电磁干扰等，诱发卫星系统发生故障。

姿态控制系统是卫星重要的控制子系统，保证卫星按预定姿态和轨道飞行。由于卫星系统结构复杂，各个子系统互相影响，姿态系统的与其他载荷系统、保障系统互相影响，增加了故障发生的其不确定性。而姿态控制系统一旦发生故障，直接影响卫星的在轨飞行，严重时可能导致其坠毁或者失去控制。因此数据驱动的异常检测，对姿态系统运行状态实时监测，在发生异常时予以警告，人工排查，避免发生重大故障，保障姿态系统正常运行。

根据相关方法的工作机理，目前遥测数据多元异常检测方法主要分为以下三类：基于生成模型估计的方法、基于降维重构的方法和基于图结构的异常检测方法和。基于生成模型估计的方法依靠数据的生成模型，将概率较小的数据识别为异常；该方法理论基础成熟，可以充分反映多元数据集空间和时间关系，但在没有充分的先验知识时，难以对模型进行参数估计，而鉴于航天器系统结构复杂且遥测参数类型多，采用这类方法一般难以获得满意的检测效果。基于降维重构的方法将多元时间序列看作是分布在高维空间中的多个独立样本，按照一定的映射规则，把嵌入到数据样本低维子空间，在此基础上通过子空间中样本的偏离程度检测异常；该类方法的关键在于如何确定降维后的维数，若维数设置合理，则可以较为准确检测出异常情况，检测效率也因具体算法而不同。基于图结构的方法将多元数据集中的内部性质通过建立图结构开展异常检测，可共同兼顾数据的时间和空间相关性。

在现有的技术中，通过采用贝叶斯等简单的图结构进行异常检测，而贝叶斯等简单的图结构无法满足姿态系统复杂性的需求，无法保证在轨卫星的安全运行和有效执行任务。

发明内容

基于此，有必要针对上述技术问题，提供一种能够针对姿态系统的结构复杂、非线性、高冗余、可重构的特点可高效及准确的基于时空模式网络的航天器姿态系统异常检测方法及装置。

一种基于时空模式网络的航天器姿态系统异常检测方法，所述方法包括：

获取姿态系统各种工作模式下的样本数据，所述样本数据为以时间为顺序连续排列的多个数据；

对同一工作模式下的样本数据进行数据离散化，再将离散化的样本数据映射到统一空间进行表达得到离散的多个状态符号序列；

对多个所述状态符号序列进行马尔可夫建模，获取与各状态符号序列自身对应的序列自身状态转移矩阵，以及各状态符号序列之间的序列间状态转移矩阵；

分别根据所述序列自身状态转移矩阵以及序列间状态转移矩阵得到原子模式以及相关模式，再基于所述原子模式和相关模式构建STPN网络模型；

针对同一工作模式，对应不同时间段得到相应的STPN网络模型，对多个STPN网络模型基于k-medios进行聚类，作为聚类中心的STPN网络模型即为该工作模式下的典型STPN网络模型；

根据同一工作模式下的典型STPN网络模型与其他STPN网络模型采用3西格玛法则，计算得到误差阈值；