CN104915568A - 基于dtw的卫星遥测数据异常检测方法 - Google Patents
基于dtw的卫星遥测数据异常检测方法 Download PDFInfo
- Publication number
- CN104915568A CN104915568A CN201510351199.7A CN201510351199A CN104915568A CN 104915568 A CN104915568 A CN 104915568A CN 201510351199 A CN201510351199 A CN 201510351199A CN 104915568 A CN104915568 A CN 104915568A
- Authority
- CN
- China
- Prior art keywords
- time series
- dtw
- detected
- satellite
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
基于DTW的卫星遥测数据异常检测方法,涉及卫星遥测数据异常检领域。本发明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。本发明以幅角突变点为标识对卫星遥测数据进行分段,然后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,并获取待进行异常检测的时间序列x';计算x'与含有类别标签的时间序列X之间的DTW距离,确定x'与准所属类别l'之间的最小DTW距离dmin,根据dmin与之间的大小关系从而确定x'是否为异常序列。本发明适用卫星遥测数据异常检测。
Description
技术领域
本发明涉及卫星遥测数据异常检领域。
背景技术
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;
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。
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。
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。
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
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。
基于DTW的卫星遥测数据异常检测方法,包括下述步骤:
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={x1,x2,…,xn},对应类别标签L={l1,l2,…,ln};其中n为含有类别标签的时间序列数目,l=1,2,…,c;c为类别数目;
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 其中的计算方式如下:
其中,表示第l类的类内距离均值,ml表示第l类的成员数目,表示第l类的所有成员,DTW(xli,xlj)表示计算xli与xlj之间的DTW距离,i=1,2,…,ml-1,j=i+1,i+2,…,ml;
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';
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={d1,d2,…,dn},其中di'的计算方式如下:
di'=DTW(x',xi')
其中,di'表示D的第i'个元素,xi'表示X的第i'个序列,i'=1,2,…,n;
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l',其中K=1,2,…,n;准所属类别l'为1,2,…,c中确定的某个数;
步骤六:确定待检测的时间序列x'与准所属类别l'之间的最小DTW距离dmin;
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。
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。
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。
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。
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
图1为本发明的卫星遥测数据异常检测实现流程图;
图2为偏航姿态角测试序列示例图;
图3为偏航姿态角测试序列前450点示例图;
图4为偏航姿态角测试序列固定点分段叠加绘图结果图;
图5为偏航姿态角测试序列以幅角分段叠加绘图结果图;
图6(a)为训练样本正常模式1示例图;
图6(b)为训练样本正常模式2示例图;
图6(c)为训练样本正常模式3示例图;
图7为未注入异常的测试样本示例图;
图8为注入脉冲型异常后的样本示例图;
图9为注入阶跃型异常后的样本示例图;
图10为注入渐变型异常后的样本示例图;
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:
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={x1,x2,…,xn},对应类别标签L={l1,l2,…,ln};其中n为含有类别标签的时间序列数目,l=1,2,…,c;c为类别数目;
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 其中的计算方式如下:
其中,表示第l类的类内距离均值,ml表示第l类的成员数目,表示第l类的所有成员,DTW(xli,xlj)表示计算xli与xlj之间的DTW距离,i=1,2,…,ml-1,j=i+1,i+2,…,ml;
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';
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={d1,d2,…,dn},其中di'的计算方式如下:
di'=DTW(x',xi')
其中,di'表示D的第i'个元素,xi'表示X的第i'个序列,i'=1,2,…,n;
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l',其中K=1,2,…,n;准所属类别l'为1,2,…,c中确定的某个数;
步骤六:确定待检测的时间序列x'与准所属类别l'之间的最小DTW距离dmin;
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。
具体实施方式二:本实施方式所述的步骤一的具体实现步骤如下:
步骤1.1:将卫星正常运行状态下的历史卫星遥测数据以幅角突变点为标识进行分段,得到正常时间序列X={x1,x2,…,xn};幅角为卫星遥测数据中的测试参量之一,其变化规律为从0~360依次递增,当达到360后,则变为0重新开始递增,其中从360变为0这个点为幅角突变点;以幅角突变点为标识进行分段,即:记录幅角突变点的对应时间,将其他测试参量根据幅角突变点对应的时间进行提取,提取方法为相邻两个幅角突变点对应时间之内的测试数据提取为一条时间序列;
步骤1.2:将分段后所得到的正常时间序列X={x1,x2,…,xn},通过层次聚类方法对序列进行聚类操作,从而获得正常时间序列的类别标签L={l1,l2,…,ln},完成类别指定。此处类别指定工作,其方法并不固定,能够实现类别指定任何现有方法都可以,层次聚类方法是能够实现类别指定的方法之一。
其它步骤和参数与具体实施方式一相同。
具体实施方式三:本实施方式所述的步骤五的具体实现步骤如下:
步骤5.1:确定与待检测的时间序列x'的DTW距离最近的K个含有类别标签的时间序列,即在D={d1,d2,…,dn}中,取出K个最小的数值,确定这K个最小的数值对应的含有类别标签的时间序列;对应的类别标签为
步骤5.2:统计类别标签中出现频率最高的类别,即准所属类别为l'。
其它步骤和参数与具体实施方式二相同。
具体实施方式四:本实施方式所述步骤六的具体实现步骤如下:
步骤6.1:求取待检测的时间序列x'与准所属类别l'中所有成员序列之间的DTW距离序列其中dl'i”的计算方式如下
dl'i=DTW(x',xl'i”)
其中,xl'i”表示含类别标签的时间序列X的第l'类的第i”个时间序列;ml'表示第l'类的成员数目;此时的i”=1,2,…,ml';
步骤6.2:求取DTW距离序列Dl'中的的最小值,即为待检测的时间序列x'与准所属类别l'之间的最小DTW距离dmin。
其它步骤和参数与具体实施方式三相同。
实施例
针对卫星遥测数据开展基于不同时间序列相似性度量方法的异常检测实验,其中训练样本数为50,样本为偏航姿态角数据,训练样本正常模式下各类别数据如图6所示,测试样本为25,其数据如图7所示,所有时间序列经与数据提供单位确认已无异常,故采用异常准入的方式对其中一个时间序列注入异常,然后进行异常检测。卫星遥测数据的异常情况总共分为四种:脉冲型、阶跃型、渐变型、周期型。不同类型的异常模型,根据其参数的不同又有不同的表现形式,因此,验证实验针对不同表现形式的异常进行异常检测实验,并统计出漏检率和误检率。
设△Y为偏航姿态角的最大值减去最小值,T为时间序列长度。针对脉冲型分别取脉冲幅值为△Y、0.5△Y、0.25△Y、-△Y、-0.5△Y、-0.25△Y,分别注入到时间序列的0.25T位置、0.5T位置、0.75T位置,共18种异常形式,图8为注入脉冲型异常后的测试样本示例;针对阶跃型异常分别取阶跃幅值为△Y、0.5△Y、0.25△Y、-△Y、-0.5△Y、-0.25△Y,分别从时间序列的0.25位置、0.5位置、0.75位置开始注入,共18种异常形式,图9为注入阶跃型异常后的测试样本示例;针对渐变型异常分别取渐变系数为△Y/T、0.5△Y/T、0.25△Y/T、-△Y/T、-0.5△Y/T、-0.25△Y/T,分别从时间序列的0位置、0.5T位置开始注入,共12种异常形式,图10为注入渐变型异常后的测试样本示例;针对周期型异常分别取震动幅值为△Y、0.5△Y、0.25△Y、-△Y、-0.5△Y、-0.25△Y,周期长度为0.5T、T、2T,从时间序列起始位置注入,共18种异常形式,图11为注入周期型异常后的测试样本示例。
设定异常检测敏感系数P为1,实验结果如下表所示。
表1针对不同异常表现形式采用不同相似性度量方法的异常检测结果
通过实验结果可以发现,应用马氏距离的异常检测结果漏检率全为零,但是误检率达到1500%,因此其度量效果最差。而应用欧式距离和DTW距离的异常检测结果中,误检率都为零,其中针对脉冲型和周期型异常DTW距离体现出了明显的优势,其漏检率分别针对脉冲型和周期型降低了16.67%和5.55%,综合分析可得,采用DTW距离的异常检测度量效果最佳。
Claims (4)
1.基于DTW的卫星遥测数据异常检测方法,其特征在于它包括下述步骤:
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={x1,x2,…,xn},对应类别标签L={l1,l2,…,ln};其中n为含有类别标签的时间序列数目,l=1,2,…,c;c为类别数目;
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 其中的计算方式如下:
其中,表示第l类的类内距离均值,ml表示第l类的成员数目,表示第l类的所有成员,DTW(xli,xlj)表示计算xli与xlj之间的DTW距离,i=1,2,…,ml-1,j=i+1,i+2,…,ml;
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';
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={d1,d2,…,dn},其中di'的计算方式如下:
di'=DTW(x',xi')
其中,di'表示D的第i'个元素,xi'表示X的第i'个序列,i'=1,2,…,n;
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l',其中K=1,2,…,n;
步骤六:确定待检测的时间序列x'与准所属类别l'之间的最小DTW距离dmin;
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。
2.根据权利要求1所述基于DTW的卫星遥测数据异常检测方法,其特征在于:步骤一的具体实现步骤如下:
步骤1.1:将卫星正常运行状态下的历史卫星遥测数据以幅角突变点为标识进行分段,得到正常时间序列X={x1,x2,…,xn};
步骤1.2:将分段后所得到的正常时间序列X={x1,x2,…,xn},通过层次聚类方法对序列进行聚类操作,从而获得正常时间序列的类别标签L={l1,l2,…,ln},完成类别指定。
3.根据权利要求1所述基于DTW的卫星遥测数据异常检测方法,其特征在于:步骤五的具体实现步骤如下:
步骤5.1:确定与待检测的时间序列x'的DTW距离最近的K个含有类别标签的时间序列,即在D={d1,d2,…,dn}中,取出K个最小的数值,确定这K个最小的数值对应的含有类别标签的时间序列;对应的类别标签为
步骤5.2:统计类别标签中出现频率最高的类别,即准所属类别为l'。
4.根据权利要求1所述基于DTW的卫星遥测数据异常检测方法,其特征在于:步骤六的具体实现步骤如下:
步骤6.1:求取待检测的时间序列x'与准所属类别l'中所有成员序列之间的DTW距离序列其中dl'i”的计算方式如下
dl'i=DTW(x',xl'i”)
其中,xl'i”表示含类别标签的时间序列X的第l'类的第i”个时间序列;ml'表示第l'类的成员数目;此时的i”=1,2,…,ml';
步骤6.2:求取DTW距离序列Dl'中的的最小值,即为待检测的时间序列x'与准所属类别l'之间的最小DTW距离dmin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510351199.7A CN104915568B (zh) | 2015-06-24 | 2015-06-24 | 基于dtw的卫星遥测数据异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510351199.7A CN104915568B (zh) | 2015-06-24 | 2015-06-24 | 基于dtw的卫星遥测数据异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915568A true CN104915568A (zh) | 2015-09-16 |
CN104915568B CN104915568B (zh) | 2017-09-29 |
Family
ID=54084629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510351199.7A Active CN104915568B (zh) | 2015-06-24 | 2015-06-24 | 基于dtw的卫星遥测数据异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915568B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055885A (zh) * | 2016-05-26 | 2016-10-26 | 哈尔滨工业大学 | 基于过采样投影近似基追踪无人机飞行数据异常检测方法 |
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN106228002A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 一种基于二次筛选的高效率异常时序数据提取方法 |
CN106650297A (zh) * | 2017-01-06 | 2017-05-10 | 南京航空航天大学 | 一种无领域知识的卫星分***异常检测方法 |
CN106709509A (zh) * | 2016-11-30 | 2017-05-24 | 哈尔滨工业大学 | 一种基于时间序列特殊点的卫星遥测数据聚类方法 |
CN106778053A (zh) * | 2017-03-31 | 2017-05-31 | 国网山东省电力公司电力科学研究院 | 一种基于相关性的报警关联变量检测方法及*** |
CN107391443A (zh) * | 2017-06-28 | 2017-11-24 | 北京航空航天大学 | 一种稀疏数据异常检测方法及装置 |
CN107423758A (zh) * | 2017-07-15 | 2017-12-01 | 西安电子科技大学 | 从趋势点中提取序列重要点的驾培作弊学时识别方法 |
CN107784314A (zh) * | 2016-08-26 | 2018-03-09 | 北京协同创新智能电网技术有限公司 | 一种多变量报警***的正常异常数据划分方法及*** |
CN108809463A (zh) * | 2017-04-28 | 2018-11-13 | 工业和信息化部电信研究院 | 一种多基准时钟加权合成方法 |
CN109241077A (zh) * | 2018-08-30 | 2019-01-18 | 东北大学 | 基于相似性的生产指标变化趋势可视化查询***及方法 |
CN111680399A (zh) * | 2020-05-06 | 2020-09-18 | 北京航空航天大学 | 基于恒星年时序匹配的太阳同步轨道卫星一致性分析方法 |
CN111881978A (zh) * | 2020-07-24 | 2020-11-03 | 国家海洋技术中心 | 海洋定点浮标设备故障诊断方法、装置及电子设备 |
CN112380992A (zh) * | 2020-11-13 | 2021-02-19 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
CN112487363A (zh) * | 2020-12-03 | 2021-03-12 | 上海卫星工程研究所 | 一种基于mmd分析的卫星遥测一致性检测方法及*** |
CN112819386A (zh) * | 2021-03-05 | 2021-05-18 | 中国人民解放军国防科技大学 | 带有异常的时间序列数据生成方法、***及存储介质 |
CN113204914A (zh) * | 2021-04-12 | 2021-08-03 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
CN114881160A (zh) * | 2022-05-18 | 2022-08-09 | 中国西安卫星测控中心 | 基于改进dtw距离的航天器异常子模式检测方法及装置 |
CN115718902A (zh) * | 2022-11-28 | 2023-02-28 | 中国科学院国家空间科学中心 | 卫星状态异常检测方法、***、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1486882A2 (en) * | 2003-06-13 | 2004-12-15 | Nec Corporation | Change-point detection |
CN102129571A (zh) * | 2011-01-31 | 2011-07-20 | 重庆大学 | 基于半监督流形学习的多光谱遥感数据土地利用分类方法 |
CN102509001A (zh) * | 2011-10-18 | 2012-06-20 | 西安交通大学 | 一种自动去除时序数据野值点的方法 |
CN104239884A (zh) * | 2014-08-29 | 2014-12-24 | 中国科学院遥感与数字地球研究所 | 一种基于遥感植被指数时间序列的异常淹没区域检测方法 |
-
2015
- 2015-06-24 CN CN201510351199.7A patent/CN104915568B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1486882A2 (en) * | 2003-06-13 | 2004-12-15 | Nec Corporation | Change-point detection |
CN102129571A (zh) * | 2011-01-31 | 2011-07-20 | 重庆大学 | 基于半监督流形学习的多光谱遥感数据土地利用分类方法 |
CN102509001A (zh) * | 2011-10-18 | 2012-06-20 | 西安交通大学 | 一种自动去除时序数据野值点的方法 |
CN104239884A (zh) * | 2014-08-29 | 2014-12-24 | 中国科学院遥感与数字地球研究所 | 一种基于遥感植被指数时间序列的异常淹没区域检测方法 |
Non-Patent Citations (2)
Title |
---|
彭宇等: "数据驱动故障预测和健康管理综述", 《仪器仪表学报》 * |
肖辉: "时间序列的相似性查询与异常检测", 《中国博士学位论文全文数据库》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055885A (zh) * | 2016-05-26 | 2016-10-26 | 哈尔滨工业大学 | 基于过采样投影近似基追踪无人机飞行数据异常检测方法 |
CN106055885B (zh) * | 2016-05-26 | 2018-12-11 | 哈尔滨工业大学 | 基于过采样投影近似基追踪无人机飞行数据异常检测方法 |
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN106197424B (zh) * | 2016-06-28 | 2019-03-22 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN106228002A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 一种基于二次筛选的高效率异常时序数据提取方法 |
CN106228002B (zh) * | 2016-07-19 | 2021-11-26 | 北京工业大学 | 一种基于二次筛选的高效率异常时序数据提取方法 |
CN107784314A (zh) * | 2016-08-26 | 2018-03-09 | 北京协同创新智能电网技术有限公司 | 一种多变量报警***的正常异常数据划分方法及*** |
CN106709509A (zh) * | 2016-11-30 | 2017-05-24 | 哈尔滨工业大学 | 一种基于时间序列特殊点的卫星遥测数据聚类方法 |
CN106709509B (zh) * | 2016-11-30 | 2021-05-28 | 哈尔滨工业大学 | 一种基于时间序列特殊点的卫星遥测数据聚类方法 |
CN106650297A (zh) * | 2017-01-06 | 2017-05-10 | 南京航空航天大学 | 一种无领域知识的卫星分***异常检测方法 |
CN106650297B (zh) * | 2017-01-06 | 2019-04-19 | 南京航空航天大学 | 一种无领域知识的卫星分***异常检测方法 |
CN106778053A (zh) * | 2017-03-31 | 2017-05-31 | 国网山东省电力公司电力科学研究院 | 一种基于相关性的报警关联变量检测方法及*** |
CN106778053B (zh) * | 2017-03-31 | 2019-04-09 | 国网山东省电力公司电力科学研究院 | 一种基于相关性的报警关联变量检测方法及*** |
CN108809463A (zh) * | 2017-04-28 | 2018-11-13 | 工业和信息化部电信研究院 | 一种多基准时钟加权合成方法 |
CN108809463B (zh) * | 2017-04-28 | 2019-12-27 | 工业和信息化部电信研究院 | 一种多基准时钟加权合成方法 |
CN107391443A (zh) * | 2017-06-28 | 2017-11-24 | 北京航空航天大学 | 一种稀疏数据异常检测方法及装置 |
CN107391443B (zh) * | 2017-06-28 | 2020-12-25 | 北京航空航天大学 | 一种稀疏数据异常检测方法及装置 |
CN107423758A (zh) * | 2017-07-15 | 2017-12-01 | 西安电子科技大学 | 从趋势点中提取序列重要点的驾培作弊学时识别方法 |
CN109241077A (zh) * | 2018-08-30 | 2019-01-18 | 东北大学 | 基于相似性的生产指标变化趋势可视化查询***及方法 |
CN111680399A (zh) * | 2020-05-06 | 2020-09-18 | 北京航空航天大学 | 基于恒星年时序匹配的太阳同步轨道卫星一致性分析方法 |
CN111881978A (zh) * | 2020-07-24 | 2020-11-03 | 国家海洋技术中心 | 海洋定点浮标设备故障诊断方法、装置及电子设备 |
CN111881978B (zh) * | 2020-07-24 | 2021-05-11 | 国家海洋技术中心 | 海洋定点浮标设备故障诊断方法、装置及电子设备 |
CN112380992B (zh) * | 2020-11-13 | 2022-12-20 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
CN112380992A (zh) * | 2020-11-13 | 2021-02-19 | 上海交通大学 | 一种加工过程监控数据准确性评估与优化方法及装置 |
CN112487363A (zh) * | 2020-12-03 | 2021-03-12 | 上海卫星工程研究所 | 一种基于mmd分析的卫星遥测一致性检测方法及*** |
CN112819386A (zh) * | 2021-03-05 | 2021-05-18 | 中国人民解放军国防科技大学 | 带有异常的时间序列数据生成方法、***及存储介质 |
CN113204914A (zh) * | 2021-04-12 | 2021-08-03 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
CN114881160A (zh) * | 2022-05-18 | 2022-08-09 | 中国西安卫星测控中心 | 基于改进dtw距离的航天器异常子模式检测方法及装置 |
CN114881160B (zh) * | 2022-05-18 | 2024-03-22 | 中国西安卫星测控中心 | 基于改进dtw距离的航天器异常子模式检测方法及装置 |
CN115718902A (zh) * | 2022-11-28 | 2023-02-28 | 中国科学院国家空间科学中心 | 卫星状态异常检测方法、***、计算机设备及存储介质 |
CN115718902B (zh) * | 2022-11-28 | 2023-07-14 | 中国科学院国家空间科学中心 | 卫星状态异常检测方法、***、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104915568B (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915568A (zh) | 基于dtw的卫星遥测数据异常检测方法 | |
Wang et al. | A two-stage data-driven-based prognostic approach for bearing degradation problem | |
WO2020134032A1 (zh) | 用于检测业务***异常的方法及其装置 | |
EP2732371B1 (en) | Valve actuator fault analysis system | |
CN109716303A (zh) | 使用k最近邻及逻辑回归方法的时间序列故障检测、故障分类及转变分析 | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
CN108369416B (zh) | 异常诊断*** | |
CN105043776A (zh) | 一种飞机发动机性能监控与故障诊断方法 | |
Alippi et al. | An HMM-based change detection method for intelligent embedded sensors | |
CN111417970A (zh) | 利用实时数据的湿井预测 | |
CN106096634B (zh) | 基于自适应滑动窗口算法与区间折半算法的故障检测方法 | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
Geramifard et al. | Continuous health assessment using a single hidden Markov model | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及*** | |
Lorenti et al. | Cuad-mo: Continuos unsupervised anomaly detection on machining operations | |
Chen et al. | Early fault detection of rolling elememt bearings based on visibility graph modeling of vibration signals | |
US20220138624A1 (en) | Time-series data processing method | |
CN103246277A (zh) | 基于相对化变换的信息增量矩阵的工业过程监控方法 | |
Kellermann et al. | Fault Detection in Multi-stage Manufacturing to Improve Process Quality | |
Perez-Ramirez et al. | Homogeneity-based approach for bearing fault detection in induction motors by means of vibrations | |
Yongjiao et al. | Early diagnosis of processing faults based on machine online monitoring | |
Al Iqbal et al. | Automated diagnosis of anomalies via sensor-step data outlier detection: An application in semiconductors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |