CN112487362B - 一种基于K-Means++算法的卫星阶跃遥参稳定性监测的方法及*** - Google Patents
一种基于K-Means++算法的卫星阶跃遥参稳定性监测的方法及*** Download PDFInfo
- Publication number
- CN112487362B CN112487362B CN202011394595.5A CN202011394595A CN112487362B CN 112487362 B CN112487362 B CN 112487362B CN 202011394595 A CN202011394595 A CN 202011394595A CN 112487362 B CN112487362 B CN 112487362B
- Authority
- CN
- China
- Prior art keywords
- module
- telemetry
- signal space
- data
- data set
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radio Relay Systems (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明提供了一种基于K‑Means++算法的卫星阶跃遥参稳定性监测的方法及***,包括:步骤1:以自然天为单位将卫星阶跃变化型遥测信号进行切割分段处理,得到遥测数据集;步骤2:根据遥测数据集,识别信号阶跃尺度,建立标准信号空间;步骤3:度量待监测数据与标准信号空间的匹配程度;步骤4:根据匹配程度进行稳定性判定。本发明使用使用数据驱动的自识别方法,解决了传统稳定性监测方法对专家知识及人工的依赖问题;同时方法扩展性强,可用于各类多尺度阶跃型遥测。
Description
技术领域
本发明涉及卫星遥测技术领域,具体地,涉及一种基于K-Means++算法的卫星阶跃遥参稳定性监测的方法及***。
背景技术
卫星在轨运行期间,其内部的运行状态监测***获得的传感器参量信息编码后,通过遥测***传输至地面,此遥测数据是地面卫星运管人员了解航天器在轨运行状态的唯一依据。遥测数据量大、维度高、关系复杂、相关性及专业强属于工业大数据的典型应用领域,其反映卫星所处的轨道信息、性能变化、工作模式切换以及是否出现故障等,对遥测数据的有效分析和智能计算将为地面运管人员判断卫星的性能,开展各种运行和维护管理工作提供有效依据。
卫星阶跃变化型遥测数据具有随机阶跃的特点,其参数异常点很难通过简单的阈值规则进行判读。卫星遥测参数稳定性是反映卫星运行状态的重要指标,通过数据波形特点判定卫星在一定时期内是否存在异常状态。
专利文献CN101718864A(申请号:CN200910237621.0)基于给定的参数有效值区间、长短期变化范围进行参数异常的判定;
专利文献CN103646167A(申请号:CN201310596516.2)基于待测遥测参数和历史遥测参数对应极值点之间的相对误差与极值点阈值区间进行比较,实现参数的异常判定。
这些方法存在以下问题:
(1)针对卫星阶跃变化型遥测的随机阶跃特点,仅基于各类固定的阈值区间进行遥测参数的异常判定无法适应随机变化性遥测特点,极易造成误判。
(2)人工监测结合阈值的方法面临人力成本巨大、可拓展性较差等问题,当卫星型号更换时,阈值就需要重新设定,不具备普遍适应性。
(3)基于专家***的方法,很难建立准确且完备的判读规则,不能处理阶跃变化型遥测中的未知的异常。
由于传统的方法存在以上种种问题,因此,需要一种高效的卫星遥测参数稳定性检测方法,提高判读准确性,减少人力成本的投入。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于K-Means++算法的卫星阶跃遥参稳定性监测的方法及***。
根据本发明提供的基于K-Means++算法的卫星阶跃遥参稳定性监测的方法,包括:
步骤1:以自然天为单位将卫星阶跃变化型遥测信号进行切割分段处理,得到遥测数据集;
步骤2:根据遥测数据集,识别信号阶跃尺度,建立标准信号空间;
步骤3:度量待监测数据与标准信号空间的匹配程度;
步骤4:根据匹配程度进行稳定性判定。
优选的,所述步骤2包括:
步骤2.1:输入以自然天为单位的遥测数据集;
步骤2.2:在遥测数据集中选择符合预设条件的质心;
步骤2.3:根据质心建立标准信号空间。
优选的,所述步骤2.2包括:
从遥测数据集中随机选取一个样本作为初始聚类中心,计算每个样本与初始聚类中心之间的最短距离,并计算每个样本被选为质心的概率;
以轮盘方式选择出K个质心,其中K根据遥测数据的实际阶跃情况进行设置,将这K个质心作为初始化质心运行K均值聚类算法。
优选的,所述步骤2.3包括:
步骤2.3.1:计算遥测数据集中的每个特征向量到K个质心的欧式距离,并将其分到距离最小的质心所对应的信号空间中;
步骤2.3.2:重新计算每个信号空间的质心;
步骤2.3.3:重复执行步骤2.3.1~步骤2.3.2,直到质心不再发生变化,输出K个质心及其对应的信号空间。
优选的,所述步骤3包括:根据统计法统计待监测数据中落在信号空间内样本点的比率,以此度量待监测数据与标准信号空间的匹配程度。
优选的,若待监测数据中落在信号空间内样本点的比率大于等于预设值时,则判定该遥测数据段稳定,否则判定为异常数据段。
根据本发明提供的基于K-Means++算法的卫星阶跃遥参稳定性监测的***,包括:
模块M1:以自然天为单位将卫星阶跃变化型遥测信号进行切割分段处理,得到遥测数据集;
模块M2:根据遥测数据集,识别信号阶跃尺度,建立标准信号空间;
模块M3:度量待监测数据与标准信号空间的匹配程度;
模块M4:根据匹配程度进行稳定性判定。
优选的,所述模块M2包括:
模块M2.1:输入以自然天为单位的遥测数据集;
模块M2.2:在遥测数据集中选择符合预设条件的质心;
模块M2.3:根据质心建立标准信号空间;
所述模块M2.2包括:
从遥测数据集中随机选取一个样本作为初始聚类中心,计算每个样本与初始聚类中心之间的最短距离,并计算每个样本被选为质心的概率;
以轮盘方式选择出K个质心,其中K根据遥测数据的实际阶跃情况进行设置,将这K个质心作为初始化质心运行K均值聚类算法;
所述模块M2.3包括:
模块M2.3.1:计算遥测数据集中的每个特征向量到K个质心的欧式距离,并将其分到距离最小的质心所对应的信号空间中;
模块M2.3.2:重新计算每个信号空间的质心;
模块M2.3.3:重复执行模块M2.3.1~模块M2.3.2,直到质心不再发生变化,输出K个质心及其对应的信号空间。
优选的,所述模块M3包括:根据统计法统计待监测数据中落在信号空间内样本点的比率,以此度量待监测数据与标准信号空间的匹配程度。
优选的,若待监测数据中落在信号空间内样本点的比率大于等于预设值时,则判定该遥测数据段稳定,否则判定为异常数据段。
与现有技术相比,本发明具有如下的有益效果:本基于K-Means++方法的卫星阶跃变化型遥测稳定性监测方法无需提前获知专家经验,能够利用正常数据计算生成自适应的正常信号空间,极大的节省了人力成本;同时本方法扩展性强,可同时用于各类多尺度阶跃型遥测,并且使用数据驱动的方法在提升效率的同时可显著降低***工作负担。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本申请的一种基于K-Means++方法的卫星阶跃变化型遥测稳定性监测方法的流程框图;
图2为应答机电平TMC0002遥测波道的稳定数据段;
图3为应答机电平TMC0005遥测波道的稳定数据段;
图4为应答机电平TMC0002遥测波道的异常数据段;
图5为应答机电平TMC0005遥测波道的异常数据段。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例:
如图1,本实例采取某卫星的阶跃变化型遥测信号进行验证。为了测试本发明在实际应用的作用,具体使用该星应答机电平TMC0002、TMC0005两个波道,使用两组阶跃信号对本发明基于K-Means++方法的卫星阶跃变化型遥测稳定性监测方法进行检测验证,具体步骤如下:
步骤一:以自然天为单位将收集到的卫星阶跃变化型遥测进行分段处理,设置判断条件,将无数据自然天剔除。遥测TMC0002、TMC0005共计分段数均为334。
步骤二:输入30天正常遥测数据,利用K-Means++方法对不同尺度阶跃信号进行识别和分类,建立不同尺度的信号空间。
其中所用的K-Means++方法实现不同尺度阶跃信号的识别和分类,并建立正常信号空间的步骤如下:
1)输入以自然天为单位的正常遥测数据集,T={(x1,y1),(x2,y2),...,(xN,yN)},其中为遥测数据的特征向量,yi∈Y={c1,c2,...,cK}为不同尺度的阶跃信号的类别,此处类别包括高电平、低电平。
2)初始质心的优化选择:
a.从数据集中随机选取一个样本作为初始聚类中心ci。
d.按照轮盘法选择出下一个质心,直到选择出共K个质心,其中K根据正常遥测数据的实际阶跃情况进行设置,此处k=2。利用这k个质心来作为初始化质心去运行标准的K-Means算法
3)标准的K-Means计算方法:
a.针对数据集T中的每个特征向量xi,计算它到K个质心的欧式距离,并将其分到距离最小的质心所对应的信号空间Vi中。
c.重复迭代直到质心不在发生变化,输出K个质心c1,c2,...,cK及其对应的信号空间Vi={D(xi)<D(xi)max}。
本例中利用K-Means++方法得到的质心及不同尺度的正常信号空间如下表所示。
表1遥测TMC0002质心及信号空间
质心 | 对应的正常信号空间 |
C<sub>1</sub>=-80 | v<sub>1</sub>={D(x<sub>i</sub>)<20} |
C<sub>2</sub>=-130 | v<sub>2</sub>={D(x<sub>i</sub>)<10} |
表2遥测TMC0005质心及信号空间
质心 | 对应的正常信号空间 |
C<sub>1</sub>=4.75 | v<sub>1</sub>={D(x<sub>i</sub>)<0.25} |
C<sub>2</sub>=0.5 | v<sub>2</sub>={D(x<sub>i</sub>)<0.5} |
用K-Means++方法得到的不同尺度的信号空间分别为V1,V2,...Vi,标准信号全空间表示为S,则S=V1∪V2∪...∪Vi。
步骤三:利用统计方法计算待监测数据段中处于正常信号空间的比率,从而对遥测稳定性进行判定。
本示例中当监测数据中落在正常信号空间S内样本点的比率大于99.5%时,认为该遥测数据段稳定,稳定数据如附图2、图3,否则判定为异常数据段,如附图4、图5。
根据本发明提供的卫星阶跃变化型遥测稳定性监测***,包括:
模块M1:以自然天为单位将卫星阶跃变化型遥测信号进行切割分段处理,得到遥测数据集;
模块M2:根据遥测数据集,识别信号阶跃尺度,建立标准信号空间;
模块M3:度量待监测数据与标准信号空间的匹配程度;
模块M4:根据匹配程度进行稳定性判定。
优选的,所述模块M2包括:
模块M2.1:输入以自然天为单位的遥测数据集;
模块M2.2:在遥测数据集中选择符合预设条件的质心;
模块M2.3:根据质心建立标准信号空间;
所述模块M2.2包括:
从遥测数据集中随机选取一个样本作为初始聚类中心,计算每个样本与初始聚类中心之间的最短距离,并计算每个样本被选为质心的概率;
以轮盘方式选择出K个质心,其中K根据遥测数据的实际阶跃情况进行设置,将这K个质心作为初始化质心运行K均值聚类算法;
所述模块M2.3包括:
模块M2.3.1:计算遥测数据集中的每个特征向量到K个质心的欧式距离,并将其分到距离最小的质心所对应的信号空间中;
模块M2.3.2:重新计算每个信号空间的质心;
模块M2.3.3:重复执行模块M2.3.1~模块M2.3.2,直到质心不再发生变化,输出K个质心及其对应的信号空间。
优选的,所述模块M3包括:根据统计法统计待监测数据中落在信号空间内样本点的比率,以此度量待监测数据与标准信号空间的匹配程度。
优选的,若待监测数据中落在信号空间内样本点的比率大于等于预设值时,则判定该遥测数据段稳定,否则判定为异常数据段。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (6)
1.一种基于K-Means++算法的卫星阶跃遥参稳定性监测的方法,其特征在于,包括:
步骤1:以自然天为单位将卫星阶跃变化型遥测信号进行切割分段处理,得到遥测数据集;
步骤2:根据遥测数据集,识别信号阶跃尺度,建立标准信号空间;
步骤3:度量待监测数据与标准信号空间的匹配程度;
步骤4:根据匹配程度进行稳定性判定;
所述步骤2包括:
步骤2.1:输入以自然天为单位的遥测数据集;
步骤2.2:在遥测数据集中选择符合预设条件的质心;
步骤2.3:根据质心建立标准信号空间;
所述步骤2.2包括:
从遥测数据集中随机选取一个样本作为初始聚类中心,计算每个样本与初始聚类中心之间的最短距离,并计算每个样本被选为质心的概率;
以轮盘方式选择出K个质心,其中K根据遥测数据的实际阶跃情况进行设置,将这K个质心作为初始化质心运行K均值聚类算法;
所述步骤2.3包括:
步骤2.3.1:计算遥测数据集中的每个特征向量到K个质心的欧式距离,并将其分到距离最小的质心所对应的信号空间中;
步骤2.3.2:重新计算每个信号空间的质心;
步骤2.3.3:重复执行步骤2.3.1~步骤2.3.2,直到质心不再发生变化,输出K个质心及其对应的信号空间。
2.根据权利要求1所述的基于K-Means++算法的卫星阶跃遥参稳定性监测的方法,其特征在于,所述步骤3包括:根据统计法统计待监测数据中落在信号空间内样本点的比率,以此度量待监测数据与标准信号空间的匹配程度。
3.根据权利要求1所述的基于K-Means++算法的卫星阶跃遥参稳定性监测的方法,其特征在于,若待监测数据中落在信号空间内样本点的比率大于等于预设值时,则判定该遥测数据段稳定,否则判定为异常数据段。
4.一种基于K-Means++算法的卫星阶跃遥参稳定性监测的***,其特征在于,包括:
模块M1:以自然天为单位将卫星阶跃变化型遥测信号进行切割分段处理,得到遥测数据集;
模块M2:根据遥测数据集,识别信号阶跃尺度,建立标准信号空间;
模块M3:度量待监测数据与标准信号空间的匹配程度;
模块M4:根据匹配程度进行稳定性判定;
所述模块M2包括:
模块M2.1:输入以自然天为单位的遥测数据集;
模块M2.2:在遥测数据集中选择符合预设条件的质心;
模块M2.3:根据质心建立标准信号空间;
所述模块M2.2包括:
从遥测数据集中随机选取一个样本作为初始聚类中心,计算每个样本与初始聚类中心之间的最短距离,并计算每个样本被选为质心的概率;
以轮盘方式选择出K个质心,其中K根据遥测数据的实际阶跃情况进行设置,将这K个质心作为初始化质心运行K均值聚类算法;
所述模块M2.3包括:
模块M2.3.1:计算遥测数据集中的每个特征向量到K个质心的欧式距离,并将其分到距离最小的质心所对应的信号空间中;
模块M2.3.2:重新计算每个信号空间的质心;
模块M2.3.3:重复执行模块M2.3.1~模块M2.3.2,直到质心不再发生变化,输出K个质心及其对应的信号空间。
5.根据权利要求4所述的基于K-Means++算法的卫星阶跃遥参稳定性监测的***,其特征在于,所述模块M3包括:根据统计法统计待监测数据中落在信号空间内样本点的比率,以此度量待监测数据与标准信号空间的匹配程度。
6.根据权利要求4所述的基于K-Means++算法的卫星阶跃遥参稳定性监测的***,其特征在于,若待监测数据中落在信号空间内样本点的比率大于等于预设值时,则判定该遥测数据段稳定,否则判定为异常数据段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394595.5A CN112487362B (zh) | 2020-12-03 | 2020-12-03 | 一种基于K-Means++算法的卫星阶跃遥参稳定性监测的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394595.5A CN112487362B (zh) | 2020-12-03 | 2020-12-03 | 一种基于K-Means++算法的卫星阶跃遥参稳定性监测的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112487362A CN112487362A (zh) | 2021-03-12 |
CN112487362B true CN112487362B (zh) | 2022-12-23 |
Family
ID=74939506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011394595.5A Active CN112487362B (zh) | 2020-12-03 | 2020-12-03 | 一种基于K-Means++算法的卫星阶跃遥参稳定性监测的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487362B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569694A (zh) * | 2015-01-28 | 2015-04-29 | 北京空间飞行器总体设计部 | 一种面向航天器飞行过程的电信号特征提取和识别*** |
CN106354889A (zh) * | 2016-11-07 | 2017-01-25 | 北京化工大学 | 一种基于lwpt‑dtw的间歇过程不等长时段同步化的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101798873B1 (ko) * | 2013-12-06 | 2017-12-12 | 엘지전자 주식회사 | 방송 신호 송수신 장치 및 방법 |
-
2020
- 2020-12-03 CN CN202011394595.5A patent/CN112487362B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569694A (zh) * | 2015-01-28 | 2015-04-29 | 北京空间飞行器总体设计部 | 一种面向航天器飞行过程的电信号特征提取和识别*** |
CN106354889A (zh) * | 2016-11-07 | 2017-01-25 | 北京化工大学 | 一种基于lwpt‑dtw的间歇过程不等长时段同步化的方法 |
Non-Patent Citations (1)
Title |
---|
An Improved Scene Learning Method for Cloud Detection Based on NormalizedLinear Detector;Zhenyu An;《2019 IEEE 4th International Conference on Image, Vision and Computing (ICIVC)》;20200206;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112487362A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255795B (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
Li et al. | A data-driven strategy for detection and diagnosis of building chiller faults using linear discriminant analysis | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
CN112910859B (zh) | 基于c5.0决策树和时序分析的物联网设备监测预警方法 | |
EP3364157A1 (en) | Method and system of outlier detection in energy metering data | |
CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN104317681A (zh) | 针对计算机***的行为异常自动检测方法及检测*** | |
CN105675038A (zh) | 一种仪表的故障预测装置 | |
CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
CN111157850B (zh) | 一种基于均值聚类的电网线路故障识别方法 | |
CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
CN111126820A (zh) | 反窃电方法及*** | |
Chen et al. | A whole building fault detection using weather based pattern matching and feature based PCA method | |
CN112418065A (zh) | 设备运行状态识别方法、装置、设备及存储介质 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
CN112911627A (zh) | 无线网络性能检测方法、装置以及存储介质 | |
CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、***和装置 | |
CN111932146A (zh) | 污染成因的分析方法、装置、计算机设备和可读存储介质 | |
CN115617784A (zh) | 一种信息化配电的数据处理***及其处理方法 | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及*** | |
CN112487362B (zh) | 一种基于K-Means++算法的卫星阶跃遥参稳定性监测的方法及*** | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
CN114167837B (zh) | 一种铁路信号***的智能故障诊断方法及*** |
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 |