CN111612050B - 遥测数据异常检测的方法 - Google Patents
遥测数据异常检测的方法 Download PDFInfo
- Publication number
- CN111612050B CN111612050B CN202010362540.XA CN202010362540A CN111612050B CN 111612050 B CN111612050 B CN 111612050B CN 202010362540 A CN202010362540 A CN 202010362540A CN 111612050 B CN111612050 B CN 111612050B
- Authority
- CN
- China
- Prior art keywords
- telemetry data
- target
- sequence
- target telemetry
- value
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Selective Calling Equipment (AREA)
Abstract
本公开提供一种遥测数据异常检测的方法,涉及航天器遥测数据的处理和分析,能够解决工程中对遥测数据中异常值的检测常采用固定的遥测参数上下限,检测门限不随时间变化,无法反应出遥测参数的动态趋势,难以捕捉遥测参数动态变化过程中的出现的异常的问题。具体技术方案为:对非等间隔时间序列数据进行时标对齐与矢量化拆分,获得了由输入向量与输出值组成的样本集,通过贝叶斯分类器模型,实现对输入向量的输出值的预测。基于拉格朗日插值算法建立了预测值的插值函数,利用插值结果与实际值的差异程度进行数据的动态化异常检测,从而建立了遥测数据动态门限的生成方法,实现了对遥测数据中异常值的诊断。本发明用于航天器遥测数据进行处理和分析。
Description
技术领域
本公开涉及无线电跟踪测量数据处理与应用领域,尤其涉及一种遥测数据异常检测的方法。
背景技术
航天器遥测数据是航天器运行状态的重要体现,及时检测发现异常变化的遥测数据,能够提高对航天器故障的主动检测与识别能力。航天器受工作环境和自身状态影响,遥测数据中不可避免的会出现异常值,异常值可能反映航天器相关***出现故障,也可能是受到干扰所产生的野值情况。对于出现的异常值,采用特定的检测方法准确定位、并及时实施处置干预,对于航天器安全管理具有重要意义。
工程中对遥测数据中异常值的检测常采用固定的遥测参数上下限,检测门限不随时间变化,无法反应出遥测参数的动态趋势,难以捕捉遥测参数动态变化过程中的出现的异常。
发明内容
本公开实施例提供一种遥测数据异常检测的方法,能够解决固定的遥测参数上下限,检测门限不随时间变化,无法反应出遥测参数的动态趋势,难以捕捉遥测参数动态变化过程中的出现的异常的问题。具体技术方案如下:
本公开实施例提供一种遥测数据异常检测的方法,该方法包括:
根据原始遥测数据时间间隔td,建立等间隔原始遥测数据序列x(t),根据所述原始遥测数据序列x(t)的时标,获取目标遥测数据经过处理生成等间隔目标遥测数据序列;
通过所述目标遥测数据选取间隔为定值,获得第m个输入向量Xm,第m个输出值Ym,得到目标遥测数据建模样本总数N,生成训练目标遥测数据集T;
所述训练目标遥测数据集T通过贝叶斯建模获得在t时刻生成所述目标遥测数据预测值序列
对所述目标遥测数据的预测值序列进行拉格朗日插值获得所述目标遥测数据预测值的连续函数
所述目标遥测数据预测值与所述原始遥测数据的偏差超过动态门限,所述目标遥测数据为异常。
在一个实施例中,根据所述原始遥测数据序列x(t)的时标,获取目标遥测数据经过处理生成等间隔目标遥测数据序列前,还包括,设定目标遥测数据序列起始时间ts,按时间间隔td,建立等间隔目标遥测数据序列,x(t)表示对应时刻t的所述目标遥测数据值,初始化时不赋值,P为样本序列长度,floor函数表示向下取整。
优选地,获取目标遥测数据经过处理生成等间隔目标遥测数据序列;是指根据所述原始遥测数据序列x(t)的时标,在原始时间序列s(t)记录中找到与目标遥测数据对应的时标最接近时刻t,提取所述时刻t的数据值作为目标遥测数据值,赋值后的获得所述目标遥测数据序列。
在一个实施例中,通过所述目标遥测数据选取间隔为定值,获得第m个输入向量Xm,第m个输出值Ym,得到目标遥测数据建模样本总数N,生成训练目标遥测数据集T;
其中,目标遥测数据选取间隔为定K值,其中,K≥1,依次类推,可获得第m个输入向量Xm第m个输出值Ym,得到所述目标遥测数据建模样本总数为N,建立训练样本集T,其中N=P-Lin。
优选地,Lin为设置输入向量长度即元素个数、输出节点个数为1,Lin应当小于P;则取
[x(ts),x(ts+td),...,x(ts+(Lin-1)·td)]T为第一个输入向量,记为X1;
x(ts+Lin·td)为第一个输出值,记为Y1。
在一个实施例中,训练目标遥测数据集T通过贝叶斯建模获得在t时刻生成所述目标遥测数据预测值序列
优选地,通过贝叶斯建模获得在t时刻获得所述目标遥测数据预测值;是指从目标遥测数据第i个遥测数据输入向量Xj,获得先验概率,根据先验概率取值,获得第i个目标遥测数据输入向量X序列中所有元素取值的后验概率,依次获得目标遥测数据t时刻输入向量的预测值。
优选地,目标遥测数据预测值通过建立模型评价函数得到预测误差的离散度即所述标准误差。
在一个实施例中,对目标遥测数据的预测值序列进行拉格朗日插值获得目标遥测数据预测值的连续函数
优选地,目标遥测数据预测值在所述的t时刻的插值多项式为为所述预测值的连续函数;目标遥测数据预测值的连续函数为所述目标遥测数据的预测序列。
在一个实施例中,标准误差在设定检测阈值为κ,κ>0,得到检测门限上限和下限称为动态门限,动态门限上限LU(t)和下限LB(t)分别设置为:
其中,RMSE为标准误差。
在一个实施例中,对于原始时间序列s(t)中任一点,判断目标遥测数据预测值与原始遥测数据的偏差超过动态门限,原始遥测数据出现异常。
本公开提供一种遥测数据异常检测的方法,对非等间隔时间序列数据进行时标对齐与矢量化拆分,通过贝叶斯分类器模型,实现对输入向量的输出值的预测。基于拉格朗日插值算法建立了预测值的插值函数,利用插值结果与实际值的差异程度进行数据的动态化异常检测,从而建立了遥测数据动态门限的生成方法,实现了对遥测数据中异常值的诊断。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开实施例提供的一种遥测数据异常检测的方法流程结构图;
图2是本公开实施例提供的一种遥测数据异常检测的方法生成的动态上限和下限门限示意图;
图3是本公开实施例提供的一种遥测数据异常检测示意图;
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
具体内容如图1包括如下步骤:
101根据原始遥测数据时间间隔td,建立等间隔原始遥测数据序列x(t),根据所述原始遥测数据序列x(t)的时标,获取目标遥测数据经过处理生成等间隔目标遥测数据序列;
在一个实施例中,根据所述原始遥测数据序列x(t)的时标,获取目标遥测数据经过处理生成等间隔目标遥测数据序列前,还包括,设定目标遥测数据序列起始时间ts,按时间间隔td,建立等间隔目标遥测数据序列,x(t)表示对应时刻t的所述目标遥测数据值,初始化时不赋值,P为样本序列长度,floor函数表示向下取整。
在一个实施例中获取目标遥测数据经过处理生成等间隔目标遥测数据序列;是指根据所述原始遥测数据序列x(t)的时标,在所述原始序列s(t)记录中找到与目标遥测数据对应的时标最接近时刻t,提取所述时刻t的数据值作为目标遥测数据值,赋值后的获得所述目标遥测数据序列。
102、通过所述目标遥测数据选取间隔为定值,获得第m个输入向量Xm,第m个输出值Ym,得到目标遥测数据建模样本总数N,生成训练目标遥测数据集T;
在一个实施例中,目标遥测数据选取间隔为定K值,其中,K≥1,依次类推,可获得第m个输入向量Xm第m个输出值Ym,得到所述目标遥测数据建模样本总数为N,建立训练样本集T,其中N=P-Lin。
其中,Lin为设置输入向量长度即元素个数、输出节点个数为1,Lin应当小于P;则取
[x(ts),x(ts+td),...,x(ts+(Lin-1)·td)]T为第一个输入向量,记为X1;
x(ts+Lin·td)为第一个输出值,记为Y1。
103、训练目标遥测数据集T通过贝叶斯建模获得在t时刻生成所述目标遥测数据预测值序列
在一个实施例中,通过贝叶斯建模获得在t时刻生成所述目标遥测数据预测值序列是指从所述目标遥测数据第i个遥测数据输入向量Xj,获得先验概率,根据所述先验概率取值,获得所述第i个目标遥测数据输入向量X序列中所有元素取值的后验概率,依次获得所述目标遥测数据t时刻输入向量的预测值。
其中,目标遥测数据预测值通过建立模型评价函数得到预测误差的离散度即所述标准误差。
104、对所述目标遥测数据的预测值序列进行拉格朗日插值获得目标遥测数据预测值的连续函数
其中,目标遥测数据预测值在所述的t时刻的插值多项式为为所述预测值的连续函数;目标遥测数据预测值的连续函数为所述目标遥测数据的预测序列。
105、目标遥测数据预测值与所述原始遥测数据的偏差超过动态门限,所述目标遥测数据为异常。
在一个实施例中,标准误差在设定检测阈值为κ,κ>0,得到检测门限上限和下限称为所述动态门限,所述动态门限上限LU(t)和下限LB(t)分别设置为:
其中,RMSE为标准误差。
在一个实施例中,对于原始时间序列s(t)中任一点,判断目标遥测数据预测值与原始遥测数据的偏差超过动态门限,原始遥测数据出现异常。
本公开提供一种遥测数据异常检测的方法,对非等间隔时间序列数据进行时标对齐与矢量化拆分,通过贝叶斯分类器模型,实现对输入向量的输出值的预测。基于拉格朗日插值算法建立了预测值的插值函数,利用插值结果与实际值的差异程度进行数据的动态化异常检测,从而建立了遥测数据动态门限的生成方法,实现了对遥测数据中异常值的诊断。
实施例一
在有一个实施例中,记目标遥测数据时间序列点为(t,s(t)),t表示时刻,t∈[ts,te],s(t)表示对应t时刻的目标遥测数据。如图1所示
101根据原始遥测数据时间间隔td,建立等间隔原始遥测数据序列x(t),根据原始遥测数据序列x(t)的时标,获取目标遥测数据经过处理生成等间隔目标遥测数据序列;
在一个实施例中,时标对齐与等间隔样本序列生成步骤如下;
步骤1.1给定样本序列起始时间ts,首先按一定时间间隔td,td<te-ts,建立等间隔样本序列{(t,x(t))|t=ts+p·td,p=0,1,2,…P-1},x(t)表示对应时刻的目标遥测数据,初始化时不赋值,P为目标遥测数据序列长度,floor函数表示向下取整。
步骤1.2,按照目标遥测数据序列x(t)的时标,在原始时间序列s(t)记录中逐步找到与样本时标最接近的时刻,提取该时刻的数据值作为目标遥测数据值,可得赋值后的目标遥测数据序列{x(ts+p·td)|p=0,1,2,…P-1}。
在一个实施例中按步骤1.1至1.2,选取某型卫星的70Ah蓄电池组电压参数在2018-07-01至2018-07-31期间的遥测数据,共得到10258组数据,数据格式为<时间,参数值>。
部分数据变化形态如图2中带点黑线所示。取时标间隔5分钟,根据步骤1中的时标对齐方法,建立目标遥测数据序列{x(t)},目标遥测数据序列长度为8928。
102、通过所述目标遥测数据选取间隔为定值,获得第m个输入向量Xm,第m个输出值Ym,得到目标遥测数据建模样本总数N,生成训练目标遥测数据集T;
在一个实施例中,需要建模样本准备,步骤如下;
步骤2.1:设置输入向量长度即元素个数为Lin、输出节点个数为1,Lin应当小于P。则取[x(ts),x(ts+td),...,x(ts+(Lin-1)·td)]T为第一个输入向量,记为X1;x(ts+Lin·td)为第一个输出值,记为Y1。
步骤2.2:样本选取间隔为1K,依次类推,可得第m个输入向量Xm为[x(ts+(m-1)·td),...,x(ts+(m+Lin-2)·td)]T,第m个输出值Ym为x(ts+(m+Lin-1)·td),m∈{1,2,…,P-Lin},记目标遥测数据建模样本总数为N,则N=P-Lin。
步骤2.3:建立训练样本集T={(X1,Y1,),(X2,Y2),...(XN,YN)},为贝叶斯建模做好数据准备。
按上述步骤2.1至2.3设置输入向量长度为100,样本选取间隔为1,按照步骤2中的方法建立样本集T,共得到8828组样本,这里的样本数据为目标遥测数据。
103、训练目标遥测数据集T通过贝叶斯建模获得在t时刻生成所述目标遥测数据预测值序列
在一个实施例中,贝叶斯建模步骤如下;
步骤3.1:记第i个样本输入向量xi (j)表示第i个输入向量的第j个元素,xi (j)∈{a1,a2,...,as,...aS},s=1,2,...,S,as的集合表示x(j)的可能取值,数量为S。输出值Y∈{c1,c2,...,ck,...,cK},ck的集合表示Y的可能(带有不确定的意思,因为Y每次取集合中的某一个值,可以将这句话删掉)取值,数量为K。
步骤3.2:计算输出值Y所有可能取值的先验概率
其中,I(Yi=ck)表示如果Yi等于ck则取1,否则为0。
步骤3.3:计算Y所有可能取值条件下,X序列中所有元素可能取值的后验概率,当Y=ck时对于X的第j个元素有后验概率:
步骤3.4:接下来依次计算输入向量的预测值,以第i个输入序列Xi为例,首先计算Y在不同取值条件下X=Xi的概率,后验概率即
之后,确定输入向量Xi的预测结果取概率最大化即结构风险最小化。
步骤3.5:预测结果代表t=ts+(i+Lin-1)·td时刻的预测值,按照上一步骤,可得时刻{t=ts+q·td|q=Lin,Lin+1,…,P-1}对应的预测值,记为/>由于算法的限制,无法对t<ts+Lin·td时的数值进行检测。
在一个实施例中,按步骤3.1至3.5首先计算不同输出值的取值概率,再计算不同数值条件下输入向量中每个元素取值的条件概率。在此基础上,可计算得到每个输入向量的预测值,形成预测值序列。
104、对所述目标遥测数据的预测值序列进行拉格朗日插值获得目标遥测数据预测值的连续函数
在一个实施例中,预测值的拉格朗日插值步骤如下;
步骤4.1:建立模型评价函数,均方根误差RMSE定义为
它代表了预测误差的离散程度,也叫标准误差。
步骤4.2:对预测序列进行拉格朗日插值,可得t∈[ts+Lin·td,ts+(P-1)·td)]时,关于t的插值多项式为/>
代表了预测值的连续函数。
在一个实施例中,按照步骤4.1至4.2,对预测值序列进行拉格朗日插值。计算预测结果的均方根误差RMSE,设置检测门限κ=2(根据经验值设定),按照步骤5生成检测上下门限。
105、标准误差在设定检测阈值为κ,κ>0,得到检测门限上限和下限称为所述动态门限,所述动态门限上限LU(t)和下限LB(t)分别设置为:
其中,RMSE为标准误差。
对于原始时间序列s(t)中任一点,判断目标遥测数据预测值与原始遥测数据的偏差超过动态门限,原始遥测数据出现异常。
在一个实施例中,动态门限生成步骤如下:
步骤5.1:生成动态门限。如果模型的标准误差为RMSE,设定检测阈值为κ,κ>0,则检测门限上限LU(t)和下限LB(t)分别设置为:
步骤5.2:进行异常点检测。对原始时间序列s(t)中对于任一点,t∈[ts+Lin·td,ts+(P-1)·td)],异常与否的判断条件为如果预测值与实际值(即原始数据)的偏差程度如果超过一定倍数的模型RMSE,则认为实际值出现异常,即
在一个实施例中,按照步骤5.1至5.2,按照公式(8)对原始遥测数据时间序列进行检测。部分时间区间的检测效果如图2中所示,最上面黄色和最下面紫色线所示为生成的动态上限和下限。可见,动态门限很好地反应出了实际值的变化,很好地包络了参数趋势。参数实际值呈现近似正弦函数的变化趋势,但从2018.7.06 21:00左右开始到22:00左右,带点黑色曲线即实际遥测数据值变为恒定,显然不符合参数变化规律。这段区域的数值被标记为了异常(红色点)。
又如图3所示,在2018.7.15 10:20左右到10:40左右,带点黑色曲线即实际遥测数据值为突变,显然也不符合目标遥测数据变化规律,这个时间段的遥测数值被标记为了异常数值(红色点)。
本公开提供一种遥测数据异常检测的方法,对非等间隔时间序列数据进行时标对齐与矢量化拆分,通过贝叶斯分类器模型,实现对输入向量的输出值的预测。基于拉格朗日插值算法建立了预测值的插值函数,利用插值结果与实际值的差异程度进行数据的动态化异常检测,从而建立了遥测数据动态门限的生成方法,实现了对遥测数据中异常值的诊断。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
Claims (9)
1.一种遥测数据异常检测的方法,其特征在于,所述方法包括:
根据原始遥测数据时间间隔td,建立等间隔原始遥测数据序列x(t),根据所述原始遥测数据序列x(t)的时标,获取目标遥测数据经过处理生成等间隔目标遥测数据序列;
通过所述目标遥测数据选取间隔为定值,获得第m个输入向量Xm,第m个输出值Ym,得到目标遥测数据建模样本总数N,生成训练目标遥测数据集T;
所述训练目标遥测数据集T通过贝叶斯建模获得在t时刻生成所述目标遥测数据预测值序列
对所述目标遥测数据的预测值序列进行拉格朗日插值获得所述目标遥测数据预测值的连续函数
所述目标遥测数据预测值与所述原始遥测数据的偏差超过动态门限,所述目标遥测数据为异常;
其中,根据所述原始遥测数据序列x(t)的时标,获取目标遥测数据经过处理生成等间隔目标遥测数据序列前,还包括,设定所述目标遥测数据序列起始时间ts,按时间间隔td,建立等间隔目标遥测数据序列,x(t)表示对应时刻t的所述目标遥测数据值,初始化时不赋值,P为样本序列长度,floor函数表示向下取整。
2.根据权利要求1所述的方法,其特征在于,所述获取目标遥测数据经过处理生成等间隔目标遥测数据序列;是指根据所述原始遥测数据序列x(t)的时标,在所述原始时间序列s(t)记录中找到与目标遥测数据对应的时标最接近时刻t,提取所述时刻t的数据值作为目标遥测数据值,赋值后的获得所述目标遥测数据序列。
3.根据权利要求2所述的方法,其特征在于,所述目标遥测数据选取间隔为定K值,其中,K≥1,依次类推,可获得第m个输入向量Xm第m个输出值Ym,得到所述目标遥测数据建模样本总数为N,建立训练样本集T,其中N=P-Lin。
4.根据权利要求3所述的方法,其特征在于,所述Lin为设置输入向量长度即元素个数、输出节点个数为1,Lin应当小于P;则取
[x(ts),x(ts+td),...,x(ts+(Lin-1)·td)]T为第一个输入向量,记为X1;
x(ts+Lin·td)为第一个输出值,记为Y1。
5.根据权利要求1所述的方法,其特征在于,所述训练目标遥测数据集T通过贝叶斯建模获得在t时刻生成所述目标遥测数据预测值序列是指从所述目标遥测数据第i个遥测数据输入向量Xj,获得先验概率,根据所述先验概率取值,获得所述第i个目标遥测数据输入向量X序列中所有元素取值的后验概率,依次获得所述目标遥测数据t时刻输入向量的预测值。
6.根据权利要求2所述的方法,其特征在于,所述目标遥测数据预测值通过建立模型评价函数得到预测误差的离散度即标准误差。
7.根据权利要求2所述的方法,其特征在于,所述目标遥测数据预测值在所述的t时刻的插值多项式为为所述预测值的连续函数;所述目标遥测数据预测值的连续函数为所述目标遥测数据的预测序列。
8.根据权利要求6所述的方法,其特征在于,所述的标准误差在设定检测阈值为κ,κ>0,得到检测门限上限和下限称为所述动态门限,所述动态门限上限LU(t)和下限LB(t)分别设置为:
其中,RMSE为标准误差。
9.根据权利要求1-8项任一项所述的方法,其特征在于,对于原始时间序列s(t)中任一点,判断所述目标遥测数据预测值与所述原始遥测数据的偏差超过动态门限,所述原始遥测数据出现异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362540.XA CN111612050B (zh) | 2020-04-30 | 2020-04-30 | 遥测数据异常检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362540.XA CN111612050B (zh) | 2020-04-30 | 2020-04-30 | 遥测数据异常检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612050A CN111612050A (zh) | 2020-09-01 |
CN111612050B true CN111612050B (zh) | 2023-09-15 |
Family
ID=72196553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010362540.XA Active CN111612050B (zh) | 2020-04-30 | 2020-04-30 | 遥测数据异常检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612050B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507455B (zh) * | 2020-12-03 | 2022-08-12 | 北京航空航天大学 | 一种卫星遥测参数长周期数据的趋势分析方法 |
CN112526558B (zh) * | 2020-12-03 | 2023-09-08 | 北京航空航天大学 | 一种局部数据缺失条件下的***运行工况识别与切割方法 |
CN112526559B (zh) * | 2020-12-03 | 2024-05-10 | 北京航空航天大学 | 一种多工况条件下的***关联性状态监测方法 |
CN113032905B (zh) * | 2021-03-22 | 2023-04-18 | 中国人民解放军63920部队 | 深空航天器的综合状态评估方法及装置 |
CN112948755B (zh) * | 2021-04-01 | 2023-06-23 | 中国空空导弹研究院 | 一种遥测正弦参数判读方法 |
CN117454212B (zh) * | 2023-12-25 | 2024-03-15 | 中国西安卫星测控中心 | 一种基于数据聚类的遥测数据互检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034191A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨工业大学 | 基于elm的单维遥测数据异常判读方法 |
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10929217B2 (en) * | 2018-03-22 | 2021-02-23 | Microsoft Technology Licensing, Llc | Multi-variant anomaly detection from application telemetry |
-
2020
- 2020-04-30 CN CN202010362540.XA patent/CN111612050B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034191A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨工业大学 | 基于elm的单维遥测数据异常判读方法 |
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
Non-Patent Citations (1)
Title |
---|
李维铮 ; 孟桥 ; .基于遥测数据动态特征的卫星异常检测方法.空间科学学报.2014,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111612050A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612050B (zh) | 遥测数据异常检测的方法 | |
US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN110909822B (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN110781592B (zh) | 一种设备剩余寿命的预测方法及*** | |
Losi et al. | Anomaly detection in gas turbine time series by means of Bayesian hierarchical models | |
CN111612048B (zh) | 无监督聚类异常检测的方法 | |
CN111680725B (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
CN111767183B (zh) | 设备异常检测方法及装置、电子设备、存储介质 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN113094702B (zh) | 基于lstm网络的虚假数据注入攻击检测方法及其装置 | |
US20220187772A1 (en) | Method and device for the probabilistic prediction of sensor data | |
Terbuch et al. | Hybrid machine learning for anomaly detection in industrial time-series measurement data | |
WO2020230422A1 (ja) | 異常診断装置及び方法 | |
CN116359773A (zh) | 一种锂离子电池剩余寿命预测方法及*** | |
Marushko et al. | Ensembles of neural networks for forecasting of time series of spacecraft telemetry | |
CN113569324A (zh) | 边坡形变监测异常数据分析与优化方法 | |
CN114401205A (zh) | 无标注多源网络流量数据漂移检测方法和装置 | |
CN113869373A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
CN117828314B (zh) | 充电枪绝缘电阻测试方法、装置、设备及存储介质 | |
CN113009888B (zh) | 一种产线设备状态预测识别装置 | |
CN114881110B (zh) | 一种在轨航天器舱内总压变化模式的实时检测方法 | |
CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 | |
CN112180893B (zh) | Cstr过程中故障相关分布式正交邻域保持嵌入模型的构建方法及其故障监控方法 | |
CN117668608A (zh) | 一种过程工业信息物理***异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |