[发明专利]基于异步自回归预测模型的卫星故障检测方法及装置

说明书

本发明公开了基于异步自回归预测模型的卫星故障检测方法及装置，该方法包括：获取待检测卫星数据；将待检测卫星数据的第一预设时刻特征数据输入预训练的自回归预测模型，得到第二预设时刻特征数据的预测值，并计算第二预设时刻特征数据的预测值和真实值的重建误差；对重建误差和预设阈值进行比较，根据比较结果检测待检测卫星数据中的故障数据。本发明实现了快速、准确、鲁棒的自动化卫星异常检测。

技术领域

本发明涉及机器学习技术领域，尤其涉及基于异步自回归预测模型的卫星故障检测方法及装置。

背景技术

随着现代航天技术的发展，各种用途的卫星已成为国家安全、国民生活、科学研究的重要组成部分。在卫星结构变得日益复杂和精密的情况下，各种可能的故障会影响卫星的正常运行，对公共安全等产生重大影响。因此，快速、准确地检测出卫星运行过程中的故障是一个事关重大的关键基础问题。

在卫星异常检测领域，人工阈值法是最早的做法之一。如果涉及的任何参数超出人类专家预定义的安全范围，则会报告异常。人工阈值法虽然具有很好的可解释性和计算效率，但无法检测到安全范围内的故障，且这种方法只能检测出一些简单的特定故障，无法对更加复杂的故障类型进行更精细的检测。此外，数据驱动的方法尤其是以机器学习为基础的算法能够利用大量的数据来自适应地自动化识别出故障类型。K近邻以及决策树等算法采用无监督的训练策略来拟合遥测数据并利用训练样本来确定故障阈值。支持向量机为基础的检测算法能从数据中挖掘正常样本与异常样本的潜在信息从而提高检测准确率。例如，Eskin等人设计了一个聚类方案并将异常值识别为故障。Pajouh等人结合降维和分类模型进行异常检测。George等人利用了多类支持向量机。与手动阈值相比，基于机器学习技术的异常检测联合评估观察到的参数并识别潜在模式。然而，这些方法可能会忽略时间输入的趋势信息，并不能很好地推广到看不见的异常类型。当异常数据和正常数据之间的分布差异不明显时，这些方法无法做到精细化检测，得到相对较差的准确率，也缺乏对遥测数据的时序性的利用。

随着数据和计算设施的增长，深度学习算法得到了广泛的关注并在大量的数据处理方面取得了显著的成功，现已成为异常检测领域最流行的方法。近些年，因此，一些研究者也尝试使用神经网络进行异常检测。以全连接网络为基础的分类算法能够利用标签信息取得优异的检测结果，但无法处理无标注数据的情形。循环神经网络(RNN)可以用于具有隐藏状态的序列建模。长短时记忆网络(LSTM)在常规RNN的基础上引入了遗忘门、输入门和输出门，提高了对长程关系建模的能力。它们能够同时处理有标签和无标签数据，已广泛应用于具有时间输入的异常检测任务。但现有方法仍然缺少对真实卫星遥测数据的精细化设计。

在卫星异常检测的情况下，输入是一个时间序列，正常和异常数据的分布极不平衡，导致常规的训练方法无法得到有效的训练模型。此外，在实际应用中可能会出现训练集中未从出现的异常类型，使得其无法在实际应用中被检测出来。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于解决卫星数据的自动化快速异常检测。现有的卫星运行通常需要人工实时监测才能及时发现故障，而通常基于分类模型的自动化异常检测方法无法适用于异步、无记忆性的时序卫星数据。本发明通过基于异步自回归预测模型的卫星故障检测方法，由中值滤波预处理模块、非均匀时间编码模块、自回归预测模型和自适应阈值选择模块组成，实现了快速、准确、鲁棒的自动化卫星异常检测。

为达上述目的，本发明一方面提出了一种基于异步自回归预测模型的卫星故障检测方法，包括：

获取待检测卫星数据；

将所述待检测卫星数据的第一预设时刻特征数据输入预训练的自回归预测模型，得到第二预设时刻特征数据的预测值，并计算所述第二预设时刻特征数据的预测值和真实值的重建误差；

对所述重建误差和预设阈值进行比较，根据比较结果检测所述待检测卫星数据中的故障数据。