一种基于gcForest特征重构的GNSS接收机智能故障诊断方法

本发明涉及故障诊断领域，尤其涉及一种基于gcfores特征重构的gnss接收机智能故障诊断方法。

背景技术：

1、全球导航卫星系统(global navigation satellite system,gnss)弱信号导航接收机在距离地球0～20万公里范围内的从低轨到地月共振轨道上，通过对天和对地天线能够接收、捕获和跟踪gnss导航星座卫星发射的主瓣正常信号、主瓣泄露及旁瓣导航信号，稳定获取伪距和载波相位观测量，在满足定位条件下，输出定位、定轨、时间信息和输出高精度校时秒脉冲信息，为系统实现天基自主测定轨和授时提供技术支撑。接收机在任务期间会受到空间辐射和单粒子的影响，尽管在设计层面优选了高等级抗辐照器件，加强软硬件冗余备份设计，但是仍可能发生不同严酷度等级的故障，轻则导航定位和授时性能指标下降，重则丧失定位和授时功能，影响整个航天任务，所以必须保证gnss弱信号导航接收机具备自主故障检测、隔离及故障处理的能力。

2、由于空间应用场合产品的不可维修性，一旦出现故障只能通过设备重启或切换冗余备份件进行故障处置，因此接收机能否快速、准确的检测出故障是首要问题。利用在轨遥测数据中可能蕴含的重要信息，进行实时状态监测，揭示出设备健康状况是实现健康管理的关键途径。在轨产生的遥测数据主要包括星务管理的工程数据、有效载荷的应用数据，以及系统安全与状态信息相关的数字量和模拟量遥测数据等。通过对接收机开展遥测数据异常检测，可有效辅助故障分析、定位和处置，从而提高gnss弱信号导航接收机可靠性及自主性。

3、为实现gnss接收机自主健康管理功能，减小因提供错误服务数据而对下游用户使用带来的不利影响，故障诊断可自动检测故障并提出处理方法，快速解决故障并恢复产品至正常状态，解决故障定位和自主处置的问题。当前空间有效载荷故障诊断方法以人工判据、阈值自动判据、专家系统为主，通常只能检测预设异常，而无法检测未知和阈值范围内的异常，以及超出专家认知能力的耦合故障或新故障。此外，由于测控通道资源有限、天地网络带宽压力等问题，飞控人员地面处置的方式难以满足异常处置的实时性要求。也就是说，当前gnss接收机故障诊断存在以下问题：(1)针对传统gnss接收机地面测控站-航天器“大回路的健康管理”模式存在专家系统知识获取的“瓶颈”问题，以及在轨故障诊断、预测的实时性问题；(2)针对传统深度学习的智能故障诊断方法因算力和可解释性原因，不适用于gnss接收机在轨健康管理的问题；(3)针对面向智能诊断的深度森林存在的计算消耗大与特征淹没问题。

技术实现思路

1、本发明的目的在于提供一种基于gcforest特征重构的gnss接收机智能故障诊断方法，从而解决现有技术中存在的前述问题。

2、为了实现上述目的，本发明采用的技术方案如下：

3、一种基于gcforest特征重构的gnss接收机智能故障诊断方法，包括以下步骤：

4、s100、采集监测信号，并将所述监测信号通过多粒度扫描模型扫描、随机森林特征变换、拼接，获得高维度的变换特征向量；

5、s200、将所述多粒度扫描模型输出的高维度变换特征向量进行数据归一化后输入级联森林，根据t-sne进行属性降维，获取降维后的变换特征向量；

6、s300、将所述t-sne提取的特征与原始变换特征向量拼接输入所述级联森林的第一级进行决策，之后所述级联森林的每一级的输出结果将与经过所述t-sne特征提取的各粒度变换特征向量拼接输入下一级的所述级联森林，依此类推；

7、s400、根据k折交叉验证对所述级联森林每一级诊断性能进行测试、判断，输出诊断结果。

8、优选的，所述s100的具体方法为:

9、s110、首先采集监测信号，获得故障特征维数为n维的故障数据集，并分解获得包含训练数据和测试数据的数据集；

10、s120、其次再将所述训练数据输入所述多粒度扫描模型；

11、s130、根据所述多粒度模型的扫描部分对所述训练数据具有维故障特征的原始时间序列进行多窗口的扫描，并通过所述随机森林进行特征变换。在此基础上，增加一个平均池化层，用以凝练特征信息，去除冗余数据；

12、s140、最后对变换特征向量进行拼接，获得高维度的变换特征向量。

13、优选的，所述s400的具体方法为:

14、所述级联森林每生长一级都要使用所述k折交叉验证对其诊断性能进行测试，若性能不收敛则回到步骤s200开始进行新一级级联森林的生长，直到诊断性能收敛，所述级联森林停止生长，再将测试数据输入训练好的模型中，进行分类预测并输出诊断结果。

15、优选的，所述多粒度扫描模型的扫描通常使用多个不同的窗口对样本进行多尺度采样，生成尺度不一的特征向量，从而获得更多的样本信息。

16、优选的，所述级联森林的每一层级都由若干个随机森林组成，每个所述级联森林都包含若干个决策树，每个所述决策树都输出一个以类向量为形式的结果，然后对每个所述决策树的输出类向量结果取均值。

17、优选的，所述t-sne是通过仿射变换将数据点映射到概率分布上，具体包括：

18、计算高维空间中数据点之间的相似度；在低维空间中为每个数据点找到一个新的位置，并计算低维空间中数据点之间的相似度；最小化高维空间和低维空间中概率分布之间的差异。

19、本发明的有益效果是：本发明改进的gcforest通过将t-sne模型与级联森林的每一级进行集成，在gcforest生长的过程中，对每一级输入的原始变换特征向量进行特征提取，可以有效地解决原始gcforest因为每一级级联森林都输入高维变换特征向量而造成的特征掩盖和特征冗余问题，从而提高gcforest的诊断精度。并且t-sne通过对高维变换特征向量进行特征提取，可以有效的解决原始故障特征的多重共线性对随机森林带来的影响，在对gcforest模型本身进行改善的情况下，减轻原始故障特征因为多重共线性对故障诊断带来的影响，从而提高故障诊断的精度。

技术特征：

1.一种基于gcforest特征重构的gnss接收机智能故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于gcforest特征重构的gnss接收机智能故障诊断方法，其特征在于，

3.根据权利要求1所述的基于gcforest特征重构的gnss接收机智能故障诊断方法，其特征在于，

4.根据权利要求1所述的基于gcforest特征重构的gnss接收机智能故障诊断方法，其特征在于，

5.根据权利要求1所述的基于gcforest特征重构的gnss接收机智能故障诊断方法，其特征在于，

6.根据权利要求1所述的基于gcforest特征重构的gnss接收机智能故障诊断方法，其特征在于，

技术总结
本发明公开了一种基于gcForest特征重构的GNSS接收机智能故障诊断方法，包括以下步骤采集的监测信号根据多粒度扫描模型扫描、随机森林特征变换、拼接，获得高维度的变换特征向量；将多粒度扫描模型输出的高维度变换特征向量进行数据归一化后输入级联森林，获取降维后的变换特征向量；将t‑SNE提取的特征与原始变换特征向量拼接输入级联森林的第一级进行决策；根据k折交叉验证对级联森林每一级诊断性能进行测试判断输出诊断结果。本发明改进的gcForest通过将t‑SNE模型与级联森林的每一级进行集成，对每一级输入的原始变换特征向量进行特征提取，可以有效地解决原始gcForest因为每一级级联森林都输入高维变换特征向量而造成的特征掩盖和特征冗余问题，从而提高gcForest的诊断精度。

技术研发人员：李鹏,陈嘉宇,党炜,敖亮,王冲,陈小鱼
受保护的技术使用者：中国科学院空间应用工程与技术中心
技术研发日：
技术公布日：2024/3/17