基于dtw的卫星遥测数据异常检测方法
【技术领域】
[0001] 本发明涉及卫星遥测数据异常检领域。
【背景技术】
[0002] 随着科技的发展，越来越多的技术都要依赖于卫星实现，所以卫星的正常工作关 系到众多行业和领域；卫星在轨运行过程中，通过对卫星遥测数进行监测，及时发现遥测数 据异常对于判断卫星可能出现各种各样的故障具有决定性作用；
[0003] 阈值法是卫星测控中心监测卫星遥测数据异常的一种常用方法。其主要原理是根 据每一个遥测数据的自身性质与功能要求，设置报警门限，当遥测数据值超过报警门限时， 判断参数异常，属于异常点检测，但有一些卫星遥测数据值总是在门限内波动，即使卫星部 件出现异常，其值仍然未超出设定门限造成故障漏报。
[0004] 另外，通过对卫星遥测数据中的偏航姿态角进行分析，偏航姿态角的整体变化趋 势如图2所示，其细节变化如图3所示，得出卫星遥测数据具有明显地周期性，且该特性已 与卫星遥测数据提供单位进行了确认。通过对遥测数据的每个周期进行分析，可以得出卫 星在该周期之内的运行状态是否正常。
[0005] 以固定点数进行卫星遥测数据分段能够反映出原始测试数据的周期特性，具有一 定的合理性，但是各个分段序列之间的耦合度不够高，存在一定的偏差，如图4,随着时间的 推进这种偏差会愈发明显，因此，若按照固定周期对原始测试数据进行分段，则分段不够准 确，进而可能影响后续数据挖掘质量。综上，目前还需要更为合理的分段方法对卫星遥测数 据进行分段，并在此基础之上实现对卫星遥测数据的异常检测。
[0006] 而卫星遥测数据有其自身特点，比如：存在微小偏差等，这些特点致使在针对卫星 遥测数据的异常检测中采用经典的时间序列相似性度量方法，如欧式距离、皮尔森相关系 数等，体现出不适应性。经典的时间序列度量方法，不能针对时间序列存在微小偏移实现异 步度量使得度量结果不够准确，进而导致对卫星遥测数据的异常检测结果不够准确。因此， 在卫星遥测数据的异常检测中还需应用更具适应性的相似性度量方法。
【发明内容】
[0007] 本发明的目的是为了解决现有的检测方法存在的异常参数未超过报警门限导致 的卫星部件异常漏检的问题、以固定点数对具有周期特性的卫星遥测数据进行分段存在较 大偏差的问题和时间序列存在微小偏移而使度量结果不够准确进而导致异常检测结果不 够准确的问题。
[0008] 基于DTW的卫星遥测数据异常检测方法，包括下述步骤：
[0009] 步骤一：以幅角突变点为标识进行分段，获取含有类别标签的时间序列，包括时间 序列X= Ix1, X2，…，xn}，对应类别标签L= ΙΛ，I2，…，IJ ;其中η为含有类别标签的时间 序列数目，1 = 1，2, ···，(： ；c为类别数目；
[0010] 步骤二：计算出含有类别标签的时间序列中各类别类内的DTW距离均值 歹={瓦,^…忑}，其中5的计算方式如下：
[0011]
[0012] 其中，另表示第1类的类内距离均值，HI1表示第1类的成员数目， 4 表示第1类的所有成员，DTW(Xli, Xlj)表示计算义^与X υ之间的DTW距 离，i = 1，2,…，mfl，j = i+1，i+2,…，m1;
[0013] 步骤三：获取待进行异常检测的时间序列x'，获取方式为提取最新卫星遥测数据 中相邻两个幅角突变点对应时间之内的测试数据为X' ；
[0014] 步骤四：计算出待检测的时间序列X'与含有类别标签的时间序列X之间的DTW距 离序列D = W1, d2,…，dn}，其中屯，的计算方式如下：
[0015] dr = DTff (x' , x i>)
[0016] 其中，屯，表示D的第i'个元素，Xi，表示X的第i'个序列，i' = 1，2,…，η;
[0017] 步骤五：采用基于DTW距离的KNN分类方法，根据设定的K近邻数目对待检测的时 间序列X'进行预分类，确定待检测的时间序列X'的准所属类别1'，其中K = 1，2,…，η ;准 所属类别1'为1，2,…，c中确定的某个数；
[0018] 步骤六：确定待检测的时间序列X'与准所属类别1'之间的最小DTW距离dmin;
[0019] 步骤七：判断dmin与ρ·耳之间的大小关系，其中P为用户设定的异常检测敏感系 数，得出待检测的时间序列X'的异常检测结果，其判断规则为：若<^ >夂4,则待检测的 时间序列X'判定为异常序列，否则待检测的时间序列X'判定为正常序列。
[0020] 本发明针对卫星遥测数据特点，首先，根据卫星遥测数据的周期特性对卫星遥测 数据进行分段；然后，采用动态时间规整（Dynamic Time Warping，DTW)距离对分段后得到 的时间序列之间的相似性进行度量，最后，结合K最近邻（K-Nearest Neighbor，KNN)算法 以及卫星遥测数据历史数据对最新卫星遥测数据进行异常检测，能够准确实现卫星异常状 态监测。
[0021] 针对按照固定点对卫星遥测数据分段效果不理想的情况，如图4所示，本发明提 出了按照卫星遥测数据中的幅角突变点为标识进行分段的方法，其分段效果如图5所示， 以幅角为标识进行分段的分段结果更为紧凑，各个分段序列之间的耦合度更高、更为合理。
[0022] 对卫星遥测数据进行异常检测是对卫星遥测数据进行数据挖掘的一项重要功能。 而卫星遥测数据有其自身特点，比如存在微小偏移等，这些特点致使在针对卫星遥测数据 的异常检测中采用经典的时间序列相似性度量方法，如欧式距离、皮尔森相关系数等，体现 出不适应性。经典的时间序列度量方法，不能针对时间序列存在微小偏移实现异步度量使 得度量结果不够准确，进而导致对卫星遥测数据的异常检测结果不够准确。本发明采用动 态时间规整（Dynamic Time Warping，DTW)距离对卫星遥测数据时间序列之间的距离进行 度量，能够实现异步度量，解决了由于时间序列存在微小偏移而使度量结果不够确的问题。
[0023] 而且，本发明结合K最近邻居（K-Nearest Neighbor，KNN)分类算法以及卫星遥测 数据历史多维时间序列对最新遥测时间序列进行异常检测，有效地解决现有的检测方法存 在的异常参数未超过报警门限导致的卫星部件异常漏检的问题。
【附图说明】
[0024] 图1为本发明的卫星遥测数据异常检测实现流程图；
[0025] 图2为偏航姿态角测试序列示例图；
[0026] 图3为偏航姿态角测试序列前450点示例图；
[0027] 图4为偏航姿态角测试序列固定点分段叠加绘图结果图；
[0028] 图5为偏航姿态角测试序列以幅角分段叠加绘图结果图；
[0029] 图6 (a)为训练样本正常模式1示例图；
[0030] 图6 (b)为训练样本正常模式2示例图；
[0031] 图6(c)为训练样本正常模式3示例图；
[0032] 图7为未注入异常的测试样本示例图；
[0033] 图8为注入脉冲型异常后的样本示例图；
[0034] 图9为注入阶跃型异常后的样本示例图；
[0035] 图10为注入渐变型异常后的样本示例图；
[0036] 图11为注入周期型异常后的样本示例图。
【具体实施方式】
【具体实施方式】 [0037] 一：结合图1说明本实施方式，基于DTW的卫星遥测数据异常检测方 法，包括下述步骤：
[0038] 步骤一：以幅角突变点为标识进行分段，获取含有类别标签的时间序列，包括时间 序列X= Ix1, X2，…，xn}，对应类别标签L= ΙΛ，I2，…，IJ ;其中η为含有类别标签的时间 序列数目，1 = 1，2, ···，(： ；c为类别数目；
[0039] 步骤二：计算出含有类别标签的时间序列中各类别类内的DTW距离均值 歹$，···,幻，其中写的计算方式如下：
[0040]
[0041] 其中，石表示第1类的类内距离均值，Hi1表示第1类的成员数目， A =|χη,χ/2，·、χΛ",}表示第1类的所有成员，DTWU li, Xlj)表示计算X1A X υ之间的DTW距 离，i = 1，2,…，mfl，j = i+1，i+2,…，m1;
[0042] 步骤三：获取待进行异常检测的时间序列x'，获取方式为提取最新卫星遥测数据 中相邻两个幅角突变点对应时间之内的测试数据为X' ；
[0043] 步骤四：计算出待检测的时间序列X'与含有类别标签的时间序列X之间的DTW距 离序列D = W1, d2,…，dn}，其中屯，的计算方式如下：
[0044] Clr=DTW(X^xr)
[0045] 其中，屯，表示D的第i'个元素，Xi，表示X的第i'个序列，i' = 1，2,…，η;
[0046] 步骤五：采用基于DTW距离的KNN分类方法，根据设定的K近邻数目对待检测的时 间序列X'进行预分类，确定待检测的时间序列X'的准所属类别1'，其中K = 1，2,…，η ;准 所属类别1'为1，2,…，c中确定的某个数；
[0047] 步骤六：确定待检测的时间序列X'与准所属类别1'之间的最小DTW距离dmin;
[0048] 步骤七：判断dmin与之间的大小关系，其中P为用户设定的异常检测敏感系 数，得出待检测的时间序列X'的异常检测结果，其判断规则为：若尤^ 则待检测的 时间序列X'判定为异常序列，否则待检测的时间序列X'判定为正常序列。
【具体实施方式】 [0049] 二