[发明专利]一种基于改进堆叠自编码器的卫星电源系统异常检测方法

说明书

本发明公开了一种基于改进堆叠自编码器的卫星电源系统异常检测方法，包括：计算堆叠自编码器每个批次的重构数据之间的距离，计算这些距离的均值和方差作为重构数据的组内误差；将相位相同的训练数据划分为同一组，训练时每次选择同一组的若干条数据输入到堆叠自编码器，使堆叠自编码器的重构误差和组内误差之和最小化；利用堆叠自编码器重构误差进行异常检测。本发明的优点是：有机结合了堆叠自编码器模型，充分利用了卫星电源系统产生的各个参数的数据，克服了传统方法检测速度慢、对高维数据检测效果不准确的困难，提高了卫星电源系统异常检测的速度与准确度。本发明还适用检测那些结构复杂、具有周期性工作特点的系统。

技术领域

本发明涉及一种改进堆叠自编码器的卫星电源系统异常检测方法，是针对在轨卫星电源系统的一种数据驱动的异常检测方法，属于工程应用与信息科学的交叉领域。

背景技术

随着空间技术的发展和广泛应用，空间系统在政治、军事、经济等领域的战略地位日益提高。当今世界进入信息时代以后，社会发展和人类进步将对空间技术形成新的、更强的依赖。卫星技术在通信广播、导航定位、环境监视、军事侦察、测绘和气象等方面都彰显出了强大的能力。卫星把成千上万个零部件有机组合起来，形成一定功能的综合系统，具有很高的复杂性。其中，卫星电源系统负责将电源系统产生的电能分配传输到卫星上各个用电设备，并对各用电设备的配电进行控制，其主要功能包括产生电能、储存电能、变换电能、调节和分配电能，是卫星系统的重要组成部分。据有关文献统计，卫星电源系统是卫星第二大可能发生故障的系统，而卫星电源系统一旦发生故障，将对卫星的正常运行造成严重影响，进而可能对通信广播、导航定位等这些依赖卫星技术的领域造成不可挽回的损失。因此，考虑到以上各个因素，及时有效地检测卫星电源系统的异常具有重要意义。

常用的卫星电源系统异常检测方法可以分为两大类：基于模型的异常检测方法和数据驱动的异常检测。其中基于模型的异常检测，如专家系统、电路模型建模等，这类方法将专家知识以逻辑规则的形式表达或将专家总结的经验进行编码，基于专家的领域知识对卫星电源系统进行建模，然后对特定的卫星电源系统进行异常检测。这种方法针对某个特定卫星电源系统具有较好的异常检测效果，但高度依赖专家的领域知识，智能化程度低。数据驱动的异常检测方法，运用数据挖掘、机器学习等人工智能方法对卫星电源系统历史遥测数据进行分析，从数据中挖掘出有用的信息，从而对电源系统异常检测。数据驱动的方法不依赖专家的领域知识，智能化程度高，是当今航天器异常检测的研究热点。目前，数据驱动的异常检测方法有孤立森林、单类支持向量机、K近邻等传统的机器学习算法，这些算法对低维数据具有较好的异常检测效果，但对于高维数据却面临着维度诅咒的困难，异常检测效果不理想。

由于与日俱增的数据量和硬件性能的提升，近年来深度学习在计算机视觉、语音识别和自然语言处理等领域都取得了优于传统方法的佳绩，相比于传统机器学习算法，深度学习对处理高维数据具有显著的优势。在异常检测领域，采用堆叠自编码器的方法实现异常检测愈来愈受同行专家学者的关注，堆叠自编码器是一种神经网络，内部有若干个隐藏层，经过训练后，堆叠自编码器能够将输入复制到输出，自编码器通常用于学习数据的内在特征，但不具备异常检测能力，也不能直接用于异常检测。

已有的基于自编码器的异常检测方法通常在使用自编码器进行降噪滤波和特征提取，对提取到的特征使用其他分类算法进行分类，这种方式通过少量数据训练就可以得到较好的异常检测效果，充分体现了堆叠自编码器强大的特征提取能力。

由于卫星电源系统具有众多零部件，每个零部件都包含一个或多个参数，并且卫星运行过程中会周期性地经过地球的阳区和阴区，电源系统会做出相应的充放电动作。因此其产生的数据具有维度高、周期性明显的特点。针对该系统某一个或多个特定参数进行异常检测，往往不能反映出系统的真实状态，而使用所有参数进行异常检测时，传统的机器学习算法又面临着“维度诅咒”的困难。因此目前机器学习方法用于卫星分系统异常检测时往往检测速度慢并且效果差。卫星电源系统产生的数据具有维度高的特点，直接将堆叠自编码器用于卫星电源系统异常检测面临着如下困难：