本发明涉及一种航天器在轨状态异常检测方法，包括以下步骤：步骤一、对采集到的航天器遥测信号进行预处理；步骤二、对经过预处理的信号数据进行时域统计特征分析，并进行健康状态评价；步骤三、对统计特征表现正常的遥测数据，进行异变点检测分析，通过采用基于小波变换的方法对遥测信号局部时频变化进行分解分析得到航天器状态异变检测结果。本发明通过对实际遥测数据进行预处理、时域统计特征提取、小波变换等操作，实现航天器状态异变检测，解决了实际工程中航天器部件或系统的物理模型难以构建、现有检测方法对突变异常不敏感等问题，提高了航天器在轨状态异常检测的准确率。
1.一种航天器在轨状态异常检测方法，其特征在于，包括以下步骤：步骤一、采集到航天器遥测信号，并进行预处理：预处理包括剔除野值点和填补缺失数据项；
步骤二、对经过预处理的信号数据进行时域统计特性分析，并进行健康状态评价：对经过预处理的航天器遥测数据进行时域统计特性提取，并基于数据特性和分布特性初步判断遥测数据是否存在异常状态，时域统计特性包括遥测数据的位置特性、分散性、分布形态，并基于上述统计特性值对航天器健康状态进行初步评估；
步骤三、对上述步骤中统计特性表现正常的遥测数据，进行异变点检测分析，采用基于小波变换的方法对遥测信号局部时频变化进行分解分析，最后得到航天器状态异变检测结果：对经过初步检测结果为正常的遥测数据进行基于小波分析的异变点检测，首先对输入数据按时间进行重排序，根据特性值转化需求对部分特征进行基于包络线和回归分析的转化，然后进行小波分解，计算小波模极大值，寻找各层系数阈值内均为模极大值点的{P}作为异变点，并输出异变点。
2.根据权利要求1所述的航天器在轨状态异常检测方法，其特征在于，步骤一中，采用目测法、均方值或莱特准则剔除野值，具体方法分别如下：设一列遥测信号为x＝{x1，x2，…，xi，…，xn}，i＝1，2，…，n；
利用目测法剔除野值时，通过绘制遥测数据时域波形图，通过目测可以判断信号中存在明显超出正常值范围4倍以上的数据，当做野值点直接剔除；
利用均方值剔除野值时，通过计算一段遥测信号的均方值E[x ]，进一步计算信号中各数据点的方差 和偏差ei，设定 和ei的阈值，超出阈值范围的数据点直接剔除，其中均方值、方差、偏差计算方法如下式ei＝xi‑mx
利用莱特准则剔除野值时，对于采集几个数据的测量列x，先求算术平均值，mx为样本的期望， 及剩余误差 然后再根据贝塞尔法求得均方根偏差判别依据如下：
3.根据权利要求2所述的航天器在轨状态异常检测方法，其特征在于，步骤一中，所述填补缺失数据项，具体方法如下：按简单随机抽样的方法从总体中抽取大小为n的样本s，样本目标值记为y1,y2,…,yn，回答集用sr表示，回答的个数为r个，缺失集用sn‑r表示，缺失的个数为n‑r个，s＝sr∪sn‑r，则样本的构成可设为前r个为回答数据，后n‑r个为缺失数据：y1,y2,…,yr,yr+1,…,yn；缺失数据 用回答数据的均值 插补，其中
4.根据权利要求2所述的航天器在轨状态异常检测方法，其特征在于，步骤二中，遥测数据位置特性提取，具体方法如下：表示位置的特性有均值 中位数M、分位数等Mp，具体公式如下：n为xi的个数；
其中Mp是对0≤p＜1数据的p分位数；x(i)是将数据从小到大排列后的第i个值；[np]为np的整数部分；
表示数据分散性的参数有：方差σ、标准差σ、极差R等，具体定义形式如下：R＝x(n)‑x(1)
其中：x(1),x(2),…,x(n)为把数据x1,x2,…,xn由小到大排列得到的新数据；
刻画数据分布形状的指标有：偏度g1、峰度g2等，计算公式如下：偏度刻画数据分布对称性，若g1≈0则认为数据分布是近似对称的；若g1＞0称为右偏态，此时在均值右边的数据更为分散；反之称为左偏态，此时在均值左边的数据更加分散；
峰度是以正态分布为指标，当数据总体分布为正态分布时，峰度g2≈0；若g2＞0表示数据中有较多远离均值的极端数据；若g2＜0表示均值两侧的极端数据较少；
时域统计特性提取，主要计算遥测信号峰值、峰峰值、绝对均值、均方值等有量纲幅域参数：峰值 反映信号的强度，峰‑峰值 与信号峰值类似，但是排除了信号中直流成分的影响，绝对均值 均方值
5.根据权利要求1所述的航天器在轨状态异常检测方法，其特征在于，步骤二中，基于时域统计特性值对航天器健康状态进行初步评估，具体方法如下：对航天器遥测数据进行数据切片处理，对每一段数据计算特性值形成数据切片特性值序列，再根据莱特准则计算各时域统计特性值序列的算术平均值、剩余误差以及均方根偏差，根据3σ准则判断数据是否超出正常范围；
航天器遥测数据切片处理的具体步骤为：设置切片滑动窗长度为length，滑动步长为step，以该滑动窗将遥测数据进行连续等间隔等长度切片，构成遥测数据切片集合；
对航天器遥测数据切片集进行初步状态检测的具体步骤为：分别计算切片集中各片段的时域统计特性值，并形成时域统计特性值序列，分别计算各统计参量的算术平均值、剩余误差以及均方根偏差，根据莱特准则初步判断遥测数据的健康状态。
6.根据权利要求1所述的航天器在轨状态异常检测方法，其特征在于，步骤三中，对经过初步检测结果为正常的遥测数据进行基于小波分析的异常点检测，首先对输入数据按时间进行重排序，根据特性值转化需求对部分特性进行基于包络线和回归分析的转化，然后进行小波分解，计算小波模极大值，寻找各层系数阈值内均为模极大值点的{P}作为异变点，并输出异变点；
判断特性值是否需要转化，具体方法如下：根据异变在遥测量中的表现将其变化特性通过计算包络线等方式转化为阶跃型异变；小波分解，具体方法如下：对于连续的情况，定义小波函数：
其中，a为伸缩因子：b为平移因子；则对信号x(t)的连续小波变换(CWT)定义为：其逆变换(恢复信号或重构信号)为：
7.根据权利要求2所述的航天器在轨状态异常检测方法，其特征在于，步骤三中，基于小波分析的异变点检测中，具体如下：第一步：设待检信号为x(t)，选择小波基函数ψ1(t)，使得|ψ1(t)|在t＝0取得最大值，利用ψ1(t)检测信号x(t)的脉冲奇异点；
第二步：根据第一步的检测结果构造新信号x*(t)，使得新信号x*(t)在x(t)的脉冲奇异点处连续；
第三步：选择小波基函数ψ2(t)，使其原函数为θ2(t)满足|θ2(t)|在t＝0取得最大值；利用ψ2(t)检测信号x*(t)的阶跃奇异点，即x(t)的阶跃奇异点；
模极大值定义：在尺度s0下，若 则称点(s0,x0)是小波变换模极大值点；若对属于x0的某一邻域内的任意点x，有|Wf(s,x)|≤|Wf(s0,x0)|，则尺度空间(s0,x0)中所有模极大值点的连线称为模极大值线；
基于小波变换模极大值法的奇异性检测方法具体步骤如下：输入：待分析序列f(n),n＝1,2,3,…k，输出：奇异点位置和种类；
Step1:选择适当的小波W，分解层次J和阈值TStep2:对f(n)进行二进制小波变换，得到各层的小波系数：W1f(k)，W2f(k)，……WJf(k)；
Step3:对WJf(n),n＝1,2,3,…k进行阈值处理，对于小波系数低于阈值T的令其等于0；
Step4:检测各层小波系数Wjf(n),j＝1,2,…J的模极大值点，即如果k＝m是极大值点，则满足下面两个条件：Wjf(m)≥T
|Wjf(m)|≥|Wjf(m‑1)|且|Wjf(m)|≥|Wjf(m+1)|由此可得到各层的模极大值点tj,m；
Step5:对第四步获得的各层的模极大值点，逐一检测各尺度上的极大值点为同样的时间点；即若某一点为奇异点，则该点的各尺度的小波系数均为模极大值点；
Step6:根据所选择的小波是反对称的还是对称的，确定得到的点是阶跃边缘点还是局部极值点；
一种航天器在轨状态异常检测方法及系统
技术领域
[0001] 本发明涉及航天器技术领域，具体涉及一种航天器在轨状态异常检测方法及系统。
背景技术
[0002] 目前关于航天器状态异常检测方法的研究大多停留在针对航天器分系统或关键部件物理建模与仿真的基础上，并基于模型仿真数据对方法进行验证，但工程实践中，物理模型往往难以获得，因此仿真数据与实际遥测数据之间，无论是在采样频率、数据形态还是数据特征表现上均存在很大差异，例如实际遥测数据存在野值、数据丢包等问题，且遥测数据不同时间段采样频率不一致。此外，现有的一些数据分析技术直接应用于航天器在轨状态异常检测问题中时仍存在一些问题，例如：在轨运行期间基于神经网络的异常检测技术耗时长且训练数据的数量和丰富程度难以达到算法要求；针对遥测数据这类甚低频数据，基于时频域分析的异常检测技术难以奏效；航天器在轨运行期间大部分故障或异常表现为突变或跳变异常，基于统计分析或概率模型的诊断方法往往对这类异常不敏感。
发明内容
[0003] 本发明是要解决实际工程中航天器部件或系统的物理模型难以构建、现有检测方法对突变异常不敏感等问题，进而提供了一种航天器在轨状态异常检测方法及系统。
[0004] 本发明的航天器在轨状态异常检测方法，包括以下步骤：
[0005] 步骤一、对采集到的航天器遥测信号进行预处理；
[0006] 步骤二、对经过预处理的信号数据进行时域统计特征分析，并进行健康状态评价；
[0007] 步骤三、对统计特征表现正常的遥测数据，进行异变点检测分析，通过采用基于小波变换的方法对遥测信号局部时频变化进行分解分析得到航天器状态异变检测结果。
[0008] 本发明还涉及一种航天器在轨状态异常检测系统。
[0009] 有益效果
[0010] 本发明的航天器状态异常检测对保障航天器在轨正常运行、在轨任务顺利执行与指导航天器地面设计均具有重要意义。通过对实际遥测数据进行预处理、时域统计特征提取、小波变换等操作，实现航天器状态异变检测，解决了实际工程中航天器部件或系统的物理模型难以构建、现有检测方法对突变异常不敏感等问题，提高了航天器在轨状态异常检测的准确率。
附图说明
[0011] 图1为本发明的航天器在轨状态异常检测方法实施流程图；
[0012] 图2为本发明航天器在轨状态异常检测中莱特准则的实施流程图；
[0013] 图3为本发明中基于小波变换的航天器遥测数据异变点检测流程图。
具体实施方式
[0014] 以下以具体实施方法对本发明进一步说明。
[0015] 如图1至3所示，本发明的航天器在轨状态异常检测方法，包括如下步骤：
[0016] 步骤一、对采集到的航天器遥测信号进行预处理；预处理包括剔除野值点和填补缺失数据项：
[0017] 剔除野值点，具体可采用目测法、均方值或莱特准则剔除野值，具体方法分别如下：
[0018] 设一列遥测信号为x＝{x1，x2，…，xi，…，xn}，i＝1，2，…，n；
[0019] 利用目测法剔除野值时，通过绘制遥测数据时域波形图，通过目测可以判断信号中存在明显超出正常值范围4倍以上的数据，可以当做野值点直接剔除；
[0020] 利用均方值剔除野值时，通过计算一段遥测信号的均方值E[x2]，进一步计算信号中各数据点的方差 和偏差ei，设定 和ei的阈值，超出阈值范围的数据点可以直接剔除，其中均方值、方差、偏差计算方法如下式
[0021]
[0022]
[0023] ei＝xi‑mx
[0024] 利用莱特准则剔除野值时，对于采集几个数据的测量列x，先求算术平均值及剩余误差 然后再根据贝塞尔法求得均方根偏差判别依据如下(假设vi服从正态分布，即测量列也服从正态分布)：
[0025] 若 则xi为粗大误差，应予以舍弃；
[0026] 若 则xi为正常数据，应予以保留。
[0027] 填补缺失数据项，具体方法如下：
[0028] 按简单随机抽样的方法从总体中抽取大小为n的样本s，样本目标值记为y1,y2,…,yn，回答集用sr表示，回答的个数为r个，缺失集用sn‑r表示，缺失的个数为n‑r个，s＝sr∪sn‑r，则样本的构成可设为前r个为回答数据，后n‑r个为缺失数据：y1,y2,…,yr,yr+1,…,yn。缺失数据 用回答数据的均值 插补，其中
[0029] 步骤二、对经过预处理的信号数据进行时域统计特征分析，并进行健康状态评价；
[0030] 对经过预处理的航天器遥测数据进行时域统计特征提取，并基于数据特征和分布特征初步判断遥测数据是否存在异常状态，包括遥测数据的位置特性、分散性、分布形态以及时域统计特性，并基于上述统计特征值对航天器健康状态进行初步评估。
[0031] 遥测数据位置特征提取，具体方法如下：
[0032] 表示位置的数字特征有均值 中位数M、分位数等Mp，它们的具体公式如下：
[0033]
[0034]
[0035]
[0036] 其中Mp是对0≤p＜1数据的p分位数；x(i)是将数据从小到大排列后的第i个值；[np]为np的整数部分；
[0037] 遥测数据分散性特征提取，具体方法如下：
[0038] 表示数据分散性的参数有：方差σ2、标准差σ、极差R等，它们的具体定义形式见下式：
[0039]
[0040]
[0041] R＝x(n)‑x(1)
[0042] 其中：x(1),x(2),…,x(n)为把数据x1,x2,…,xn由小到大排列得到的新数据；
[0043] 遥测数据分布形态的特征提取，具体方法如下：
[0044] 刻画数据分布形状的指标有：偏度g1、峰度g2等，它们的具体计算公式如下：
[0045]
[0046]
[0047] 偏度刻画数据分布对称性，若g1≈0则认为数据分布是近似对称的；若g1＞0称为右偏态，此时在均值右边的数据更为分散；反之称为左偏态，此时在均值左边的数据更加分散。峰度是以正态分布为指标，当数据总体分布为正态分布时，峰度g2≈0；若g2＞0表示数据中有较多远离均值的极端数据；若g2＜0表示均值两侧的极端数据较少；
[0048] 时域统计特征提取，具体方法如下：
[0049] 时域统计特征提取，主要计算遥测信号峰值、峰峰值、绝对均值、均方值等有量纲幅域参数：峰值 反映信号的强度，峰‑峰值 与信号峰值类似，但是排除了信号中直流成分的影响，绝对均值 均方值
[0050] 基于时域统计特征值对航天器健康状态进行初步评估，具体方法如下：
[0051] 对航天器遥测数据进行数据切片处理，对每一段数据计算特征值形成数据切片特征值序列，再根据莱特准则计算各时域统计特征值序列的算术平均值、剩余误差以及均方根偏差，根据3σ准则判断数据是否超出正常范围；
[0052] 航天器遥测数据切片处理的具体步骤为：设置切片滑动窗长度为length，滑动步长为step，以该滑动窗将遥测数据进行连续等间隔等长度切片，构成遥测数据切片集合；
[0053] 对航天器遥测数据切片集进行初步状态检测的具体步骤为：分别计算切片集中各片段的时域统计特征值，并形成时域统计特征值序列，分别计算各统计参量的算术平均值、剩余误差以及均方根偏差，根据莱特准则初步判断遥测数据的健康状态。
[0054] 步骤三、对统计特征表现正常的遥测数据，进行异变点检测分析，通过采用基于小波变换的方法对遥测信号局部时频变化进行分解分析得到航天器状态异变检测结果。
[0055] 对经过初步检测结果为正常的遥测数据进行基于小波分析的异常点检测，首先对输入数据按时间进行重排序，根据特征值转化需求对部分特征进行基于包络线和回归分析的转化，然后进行小波分解，计算小波模极大值，寻找各层系数阈值内均为模极大值点的{P}作为异变点，并输出异变点。
[0056] 判断特征值是否需要转化，具体方法如下：根据异变在遥测量中的表现将其变化特征通过计算包络线等方式转化为阶跃型异变；小波分解，具体方法如下：
[0057] 对于连续的情况，定义小波函数：
[0058]
[0059] 其中，a为伸缩因子：b为平移因子。则对信号x(t)的连续小波变换(CWT)定义为：
[0060]
[0061] 其逆变换(恢复信号或重构信号)为：
[0062]
[0063] 其中， 是ψ(k)的傅里叶变换。
[0064] 对于离散的情况，定义小波函数(这里指二进小波)：
[0065]
[0066] 对信号x(t)的离散小波变换(DWT)定义为：
[0067]
[0068] 其逆变换(恢复信号或重构信号)为：
[0069]
[0070] 其中，C是与信号无关的常数；
[0071] 基于小波分解的信号奇异点分步检测法具体方法如下：
[0072] 第一步：设待检信号为x(t)，选择小波基函数ψ1(t)，使得|ψ1(t)|在t＝0取得最大值，利用ψ1(t)检测信号x(t)的脉冲奇异点；
[0073] 第二步：根据第一步的检测结果构造新信号x*(t)，使得新信号x*(t)在x(t)的脉冲奇异点处连续；
[0074] 第三步：选择小波基函数ψ2(t)，使其原函数为θ2(t)满足|θ2(t)|在t＝0取得最大值。利用ψ2(t)检测信号x*(t)的阶跃奇异点，即x(t)的阶跃奇异点；
[0075] 小波变换模极大值求解具体方法如下：
[0076] 模极大值定义：在尺度s0下，若 则称点(s0,x0)是小波变换模极大值点。若对属于x0的某一邻域内的任意点x，有|Wf(s,x)|≤|Wf(s0,x0)|，则尺度空间(s0,x0)中所有模极大值点的连线称为模极大值线。在实际应用中，可用非对称小波检测阶跃奇异点，用对称小波检测局部极值点。而且仅在一个尺度下检测突变点常常还很难确定真正的突变点的位置和类型，因此需要多尺度检测。只有在多个尺度上都是极值点的位置才是真正的突变点所在位置；
[0077] 基于小波变换模极大值法的奇异性检测方法具体步骤如下：
[0078] 输入：待分析序列f(n),n＝1,2,3,…k，
[0079] 输出：奇异点位置和种类；
[0080] Step1:选择适当的小波W，分解层次J和阈值T
[0081] Step2:对f(n)进行二进制小波变换，得到各层的小波系数：W1 f(k)，W2 f(k)，……WJ f(k)；
[0082] Step3:对WJf(n),n＝1,2,3,…k进行阈值处理，对于小波系数低于阈值T的令其等于0。
[0083] Step4:检测各层小波系数Wjf(n),j＝1,2,…J的模极大值点，即如果k＝m是极大值点，则满足下面两个条件：
[0084] Wjf(m)≥T
[0085] |Wjf(m)|≥|Wjf(m‑1)|且|Wjf(m)|≥|Wjf(m+1)|
[0086] 由此可得到各层的模极大值点tj,m；
[0087] Step5:对第四步获得的各层的模极大值点，逐一检测各尺度上的极大值点为同样的时间点。即若某一点为奇异点，则该点的各尺度的小波系数均为模极大值点；
[0088] Step6:根据所选择的小波是反对称的还是对称的，确定得到的点是阶跃边缘点还是局部极值点；
[0089] Step7:输出奇异点位置和类型。
[0090] 本发明还包括根据上述航天器在轨状态异常检测方法设计的系统。
[0091] 上述内容仅为本发明的较佳实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。
