[发明专利]一种航天器姿态异常检测方法及系统

说明书

本发明公开一种航天器姿态异常检测方法及系统，该方法包括：将正常遥测参数样本数据作为训练集；通过融合矩阵建立PCA‑LPP融合降维重构模型；基于融合模型对训练集降维重构，获得融合矩阵，根据融合矩阵获得训练模型和降维重构数据；根据降维重构数据计算训练集在降维重构过程中的变化量及其控制限；通过训练模型对在线待检测遥测数据构成的测试集降维重构，获得降维重构数据，计算测试集在降维重构中的变化量；变化量超出控制限时计算各遥测参数变量对测试集变化量贡献率，贡献率最大或超出阈值的变量作为异常变量输出。用于解决现有技术在面对高维多元复杂航天器参数时，计算复杂度高、检测准确率低等问题，降低计算复杂程度并提高检测准确率。

技术领域

本发明涉及航天器遥测数据异常检测技术领域，具体是一种基于降维重构的航天器姿态系统遥测数据异常检测方法及系统。

背景技术

随着航天技术的快速发展，越来越多的卫星被发射到太空中以执行各种各样的任务，如导航定位，气象观测预报，地形地质勘探等。姿态控制系统是卫星重要的子系统，其主要完成变轨、入轨任务,其中也包括爬升以及改变轨道倾角，以消除姿态静态误差，使卫星按预定姿态和轨道飞行，保证卫星完成飞行、工作任务。因此，对姿态控制系统的异常监测是卫星系统健康状况管理的重要部分。然而，航天器姿态控制系统结构复杂、参数众多，并且工作状态模式多，因此仅仅基于单一遥测参数往往无法有效识别姿态系统的异常或故障，需要采用多元异常检测方法。

表征航天器姿态系统的遥测参数主要包括参考坐标系(分为惯性地心坐标系、固定地心坐标系和轨道参考系)、姿态角(分为滚动角、俯仰角和偏航角)及速度、四元数、动量轮转速、磁强计、磁力矩器电流和姿态工作模式字等参数。这些参数组成多元高维遥测参数集，当姿态系统处于正常状态时，这些多元高维遥测参数之间遵循着特定的相关影响和关联特性，但姿态系统发生异常时，这些多元高维遥测参数之间保持的这种相关特性被打破。因此，对姿态系统进行异常检测需要将参数集作为一个整体来分析其内部结构，挖掘出正常模式下的内部规律和信息，从而准确高效的检测出异常所在。

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、基于图结构的异常检测方法和基于降维重构的方法。

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；但若多元数据维数较高，图边缘数量会随之增加，导致算法复杂度高，因而限制了其实际应用。

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。

主成分分析(PCA)是降维重构的典型算法，但是该方法仅关注数据的全局特征，忽略了数据的局部特征；流形学习方法通过构造近邻图来挖掘数据的内部几何特征，能够高效识别隐含在高维空间数据中的低维空间特征，弥补了传统PCA忽略了数据局部流形结构的缺陷。因此，对于结构复杂，参数众多，并且工作状态模式多的航天器姿态系统，需要一种能兼顾遥测数据的全局特征与局部特征的异常检测算法，为姿态系统健康状态实时监测提供支持。

发明内容

本发明提供一种航天器姿态异常检测方法及系统，用于克服现有技术中在面对高维多元复杂航天器参数时，计算复杂度高、检测准确率低等缺陷，通过融合主成分分析(PCA)和流形学习(LPP)降维重构，实现维数合理设置，可以较为准确检测出异常情况。

为实现上述目的，本发明提供一种航天器姿态异常检测方法，包括以下步骤：