论文部分内容阅读
卫星电源系统是卫星的重要组成部分，及时发现卫星电源系统遥测数据的异常对保障卫星的正常运行具有重要意义。本文以某卫星电源系统遥测数据为研究对象，分析了现有异常发现方法的优劣，设计并实现了卫星电源遥测数据缺失值填充、异常检测和异常预测三个方面的算法，用于及时有效地发现卫星电源系统遥测数据的异常。
针对卫星电源系统遥测数据存在缺失值且连续缺失时长较长的特点，提出了一种基于梯度提升回归树的缺失值填充方法。该方法首先从信息熵的角度，根据最大化相关性最小化冗余性的原则，使用遗传算法进行特征选择；然后，以选择出的特征作为训练数据、待填充缺失值的特征作为样本标签训练梯度提升回归树，以训练后的梯度提升回归树的预测结果进行缺失值填充。通过和常用的缺失值填充算法对比，该方法填充的缺失值误差更小，更接近真实情况。
面向卫星电源高维周期性时序遥测数据，提出了一种新颖的代表性特征自编码器RFAE模型并用于无监督的异常检测。RFAE 采用改进的堆叠自编码器损失函数和训练算法，从而使模型可以学习到相位相同样本的代表性特征；然后根据代表性特征重构样本，根据重构误差来判断样本是否异常。在实验部分首先通过模拟数据验证了RFAE算法能够有效地检测出高维周期性时序数据的异常，然后又采用某卫星电源系统2014年6~9月真实遥测数据进行实验，RFAE异常检测准确率达到99%，检测效果明显优于目前的其他异常检测算法，具有较高应用价值。
针对异常检测具有被动性、滞后性的缺点，提出了一种基于卷积神经网络的异常预测方法MTS-CNN，用于预测卫星电源系统的异常。MTS-CNN将一段时间窗口内的多变量时序数据视为一张单通道的图片，将不同时间窗口内的多变量时序数据输入到相应的 CNN 中提取时间相关性特征和变量相关性特征，然后使用参数化特征融合方法将这些特征融合，根据融合后的特征将某一时刻的数据分类为预警状态或非预警状态，从而达到异常预测的目的。在实验部分首先通过公开数据集验证了MTS-CNN算法能够有效地预测多变量时间序列的异常，然后又采用某卫星电源系统的遥测数据进行实验，也取得了优于目前其他算法的异常预测效果，具有较高的应用价值。
针对卫星电源系统遥测数据存在缺失值且连续缺失时长较长的特点，提出了一种基于梯度提升回归树的缺失值填充方法。该方法首先从信息熵的角度，根据最大化相关性最小化冗余性的原则，使用遗传算法进行特征选择；然后，以选择出的特征作为训练数据、待填充缺失值的特征作为样本标签训练梯度提升回归树，以训练后的梯度提升回归树的预测结果进行缺失值填充。通过和常用的缺失值填充算法对比，该方法填充的缺失值误差更小，更接近真实情况。
面向卫星电源高维周期性时序遥测数据，提出了一种新颖的代表性特征自编码器RFAE模型并用于无监督的异常检测。RFAE 采用改进的堆叠自编码器损失函数和训练算法，从而使模型可以学习到相位相同样本的代表性特征；然后根据代表性特征重构样本，根据重构误差来判断样本是否异常。在实验部分首先通过模拟数据验证了RFAE算法能够有效地检测出高维周期性时序数据的异常，然后又采用某卫星电源系统2014年6~9月真实遥测数据进行实验，RFAE异常检测准确率达到99%，检测效果明显优于目前的其他异常检测算法，具有较高应用价值。
针对异常检测具有被动性、滞后性的缺点，提出了一种基于卷积神经网络的异常预测方法MTS-CNN，用于预测卫星电源系统的异常。MTS-CNN将一段时间窗口内的多变量时序数据视为一张单通道的图片，将不同时间窗口内的多变量时序数据输入到相应的 CNN 中提取时间相关性特征和变量相关性特征，然后使用参数化特征融合方法将这些特征融合，根据融合后的特征将某一时刻的数据分类为预警状态或非预警状态，从而达到异常预测的目的。在实验部分首先通过公开数据集验证了MTS-CNN算法能够有效地预测多变量时间序列的异常，然后又采用某卫星电源系统的遥测数据进行实验，也取得了优于目前其他算法的异常预测效果，具有较高的应用价值。