技术摘要：
本公开提供一种星敏感器数据异常检测方法，涉及异常数据检测方法，能够解决星敏感器工作异常影响卫星姿态和运行轨道，使卫星姿态偏离控制范围甚至翻转，带来重大损失的问题，常出现较多虚警和漏警问题，本公开技术方案能够减小了虚警和漏警，提高了异常检测和故障发现  全部
背景技术：
航天器故障诊断是及时发现和处理航天器异常的重要手段，在航天器长期管理中 发挥着重要作用。星敏感器能够给卫星提供准确的空间方位和基准，具有自主导航能力，是 卫星姿控分系统重要的测量部件。星敏感器工作异常将影响卫星姿态和运行轨道，使卫星 姿态偏离控制范围甚至翻转，带来重大损失。在日常测控中，星敏感器的相关参数的监测非 常重要，四元数是星敏感器的核心姿态参数。机器学习是一门多领域交叉学科，研究计算机 模拟人类的学习行为，获取新的知识或技能，重新组织已有的知识结构使之不断改善自身 的性能。机器学习的特点是基于数据、特征抽取、自主更新，可用于设计机器学习算法来自 主确定遥测参数依时间变化的时序模型,分析模型与实测数据偏差，在一定的偏差范围内 可近似作为参数真实的变化规律，用于后续的检测、预测和评估。 故障诊断逻辑和推理方法主要包括基于规则的推理方法，基于模型的推理方法和 基于案例的推理方法，应用于实际的技术有门限判断、专家系统、逻辑判断等，发挥了重要 的作用，但仍存在以下局限性：用于异常检测的门限依赖于航天器研制单位的经验和设计 原理，往往比较粗略； 专家系统存在权重分配不科学,逻辑不严密，依据不充分等问题，逻辑判断则常常 在面对野值或突发状态转换时无能为力，因此在航天器故障诊断系统的应用中常出现较多 虚警和漏警。
技术实现要素：
本发明建立了一种星敏感器数据异常检测方法，用于解决现有诊断系统中基于门 限判断方法无法应对的遥测数据检测问题。即解决了航天器故障诊断系统的应用中常出现 较多虚警和漏警的问题。 本发明立足于机器学习基本原理，结合大数据及数据挖掘基本思想，以海量遥测 数据为对象，经过遥测数据预处理算法，按照独立性原则将遥测数据随机划分为训练集、测 试集和检测集。根据星敏感器四元数特点提取了两类检测量，作为其遥测参数异常的识别 特征，通过机器学习拟合星敏感器四元数时序模型，对拟合模型进行验证和置信度分析，并 设计了一种移动时间窗口的方法用于异常检测。 根据本公开实施例的第一方面，提供一种星敏感器数据异常检测方法，该方法包 括： 选取遥测样本数据进行预处理获得目标遥测数据；选取检测量经过置信度分析获 得目标遥测数据检测量的置信区间；在线检测所述目标遥测数据超出所述置信区间为异常 数据； 其中，置信度区间为单参数模型误差检测量的置信区间；或，相关系数检测量的置 4 CN 111611294 A 说　明　书 2/13 页 信区间； 其中，检测量选取为单参数检测量选取；或，多维遥测关联检测量选取。 在一个实施例中，遥测数据预处理为将遥测样本数据异常值剔除，获得目标遥测 数据段，并对目标遥测数据段进行周期分割和分集。 其中，异常值剔除，是对零值附近异常值的剔除，或是，对超出所述遥测数据上下 限异常值的剔除； 在一个实施例中，对零值附近异常值的剔除，是指至少在一个移动时间窗周期内 从目标遥测数据的时间起点扫描，对所述移动时间窗口内的数据按大小进行排序，取得排 序后数列的中位数，以中位数为基准附加移动时间窗口内数据的三倍标准差得到上下限区 间，剔除上下限区间以外的数据； 其中，对超出遥测数据上下限异常值的剔除，是指通过计算机程序对卫星星敏感 器四元数遥测数据进行统计分析，确定四元数遥测数据序列的上下限，剔除四元数遥测数 据在上下限以外的异常值。 在一个实施例中，对目标遥测数据段的周期分割是指，通过机器学习的方式能够 得到所述目标遥测数据的时序变化周期，在移动时间窗口从所述目标遥测数据段起点扫描 到终点，通过判断时间窗口内的数据表现出的单调性的对应的至少一个周期内的极大值或 极小值，识别出选取的所述遥测数据段的周期以及周期的起点与终点，将遥测数据按周期 进行划分； 其中，目标遥测数据段进行分集是指，按照周期把目标遥测数据分为3n组，n≥10， 将3n组数据随机分为3组分别为训练集、测试集和检测集；训练集用于机器学习星敏四元数 的时序模型，测试集用于复核四元数模型，该模型由训练集学习得到；其中，检测集遥测数 据是指至少大于或等于一个周期内，可预先挑出存在故障时间段的整周期数组，或，是卫星 的实时遥测数据；目标遥测数据为检测集遥测数据。 在一个实施例中，检测集遥测数据通过拟合模型获得目标遥测数据时序模型； 其中，拟合模型为用机器学习的方法提取目标遥测数据的周期性特征和时序函数 特征，采用计算机三角函数拟合程序获得目标遥测数据时序模型。 在一个实施例中，目标遥测数据时序模型的拟合模型值，在不同时段至少一个完 整的周期选取拟合模型值与目标遥测数据的差值作为检测量。在一个实施例中，检测量经 过置信度分析获得目标遥测数据检测量的置信区间；置信区间是对N个样本遥测数据的检 测量序列进行统计学分析，其中，N≥1，获得检测量序列的均值和标准差，预设显著性检验 水平，通过计算获得误差检测量的置信区间，所述误差检测量的置信区间为目标遥测数据 检测量的置信区间。 优选地，在线检测至少在一个移动时间窗口，监测所述拟合模型值与目标遥测数 据的差值，当差值超过目标遥测数据检测量的置信区间范围时判定目标遥测数据异常；异 常值判定异常为异常值大于10次，单调递增大于30次判定所述目标遥测数据为异常数据。 根据本公开实施例的第二方面，在目标遥测数据检测量的置信区间，选取至少在 同一时间段至少一个周期所述四元数遥测数据两两相关的相关系数作为检测量，计算M个 样本的相关系数，其中，M≥1，按统计学方法，预设显著性检验水平，获得水平下四元数相关 系数的置信区间。 5 CN 111611294 A 说　明　书 3/13 页 优选地，水平下四元数相关系数的置信区间，用于在线检测 判定目标遥测数据超过所述水平下四元数相关系数的置信区间范围时判定异常 数据； 其中，异常数据，为选取同一时段至少一个周期的四元数样本遥测数据，获得四元 数的相关系数，四元数的相关系数为目标遥测数据。 本公开实施例，通基于机器学习的异常检测技术可以有效地改变故障诊断领域面 对的难题，遥测数据是真实反映卫星状态的重要依据，机器学习从海量的历史遥测数据出 发，充分挖掘历史遥测数据的潜在信息，能够灵敏、准确地发现异常。 本发明通过机器学习方法提取卫星星敏感器四元数遥测数据特征，对卫星正常工 作状态下的四元数时序曲线进行建模，在卫星星敏感器故障时段将模型值与遥测数据进行 对比，能够充分利用数据自身信息进行异常检测，取得了明显的效果，当给定的检测水平为 5％时，检测准确率高于95％。 附图说明 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施 例，并与说明书一起用于解释本公开的原理。 图1是本公开实施例提供的一种星敏感器数据异常检测方法结构图； 图2是本公开实施例提供的一种星敏感器单参数检测数据异常检测方法结构图； 图3是本公开实施例提供的一种星敏感器遥测样本数据预先处理结构图； 图4本公开实施例提供的一种星敏感器单参数模型误差检测量的置信区间逻辑结 构图； 图5本公开实施例提供的一种星敏感器单参数模型误差检测量的置信区间判定异 常数据逻辑结构图； 图6本公开实施例提供的一种星敏感器多维遥测关联检测数据置信区间逻辑结构 图； 图7是本公开实施例提供的一种单多维遥测关联检测数据置信区间判定异常逻辑 结构图； 图8是本公开实施例提供的一种多维遥测关联检测量选取的置信区间判定异常数 据逻辑结构图； 图9是本公开实施例中遥测数据格式转换后零值附近的遥测异常值情况示意图。