文档介绍：基于最小二乘支持向量机的航天器异常检测
摘要:异常检测就是识别一个系统反常的运行状况。它在故障预测和系统健康管理(PHM)领域有着重要的作用,可用于监控航天器的性能、检测故障、识别故障的根本起因,也可用于预测剩余使用寿命(RUL)以提高在轨航天器的安全性并减少其故障时间。
本文基于最小二乘支持向量机(LS-SVM),提出了一个方法可用于检测在轨航天器的异常状态,这种方法有着优越的学习、分类和概括能力。具体过程分为以下几步:(1)数据采集和预处理。采集在轨航天器的数据,例如电流、电压、温度和振动等等,在这些数据被送往地面远程测量和控制中心之前进行预处理,包括滤除噪声和去除非切削信号。(2)特征提取。包含结合任何数值和分类值的特征被提取出来,使用统计学方法对传感器的信号进行识别。(3)特征选择。使用主成分分析法(PCA)选取一个特征子集,对数据中所包含的的信息提供一个更加信息化的、强有力的表征,这是因为PCA对于维度减少和数据压缩通常是很有效的。(4)异常检测。LS-SVM被用来鉴别在轨航天器的反常运行状况。与此同时,记录异常状态首次被发现的时间,判决从子系统到系统层面异常状态的诱因。
最后,来自于在轨航天器的实验数据被用来测试算法的性能,结果显示,所提出的方法对在轨航天器的异常检测取得了完美的准确性和有效性。
关键字: 异常检测;LS-SVM;在轨航天器
介绍
由于多种因素,例如直接辐射、大幅温差等,导致在轨航天器出现反常的运行状况,这将造成一些灾难性的情形,例如失控等等。因此,故障预测和系统健康管理(PHM)被应用于监控航天器的性能、检测故障、识别故障的根本起因和估计剩余使用寿命(RUL)是有必要的,同时也能提高在轨航天器的安全性并减少其故障时间。在航天器的PHM发展中,异常检测是一个核心问题,它旨在检测预先没有观察到的模式。
通常情况下,有三种反常的运行状况【1】出现在航天器中,如下所示。
点异常
如果个别的数据点不同于剩余正常的数据点,并且在航天器的遥测数据中认为是异常的,那么这个点被称做点异常。
例如,在图1中,点p1位于正常区域边界(红色线)的外部,由于和剩余正常数据点不同,因此是点异常。
图1 点异常举例
关联异常
如果一个点在特定环境的地方异常,那么它就被称做关联异常。
例如,在图2中,t1时刻的电压与t2时刻的电压相同,但是出现在不同的环境中,因此被认为是异常状态。
图2 在一个电压时间序列中的关联异常t1
1)集体异常
如果个别的数据点存在一个数据点集中,它们本身不能被称作是异常的,但是如果它们一起出现的点集被认为是异常的,那么这些关联的数据点的集合被称作集体异常。图3举例说明了集体异常。
图3 集体异常举例。蓝色点是正常的,红色点是异常的虽然它们在预定义的上下界限内
在本文中,我们所关注的是关联异常和集体异常,基于LS-SVM提出了一个对在轨航天器异常检测的方法,它有着优越的学习、分类和概括能力。这篇文章的贡献如下所示:(1)本文中提出了一个基于LS-SVM的异常检测算法。(2)算法对一个在轨航天器进行测试,结果显示,所提出的方法对在轨航天器的异常检测取得了完美的准确性和有效性。
论文的其他组成部分如下。在第2节中,对空间系统中异常检测问题的相关工作进行一个简单回顾。至于所提出方法的细节,包括数据采集和预处理,特征提取,特征选择,异常检测,这些将在第3节中阐述。在第4节中,将显示实验的结果。最后,结论和对未来相关工作的讨论将会在第5节中阐述。
相关工作
在过去的几十年里,异常检测领域出现了大量的方法,例如,一些研究员采用一个已定义的阀值对在航天器中进行检测异常。如果每个传感器的值都在预定义上下界限内,那么航天器的模块将会识别为正常的;如果某个传感器的值超出了预定义的阀值,那么航天器的模块将会识别为异常的,并且异常首次被发现的时间也将确定。虽然因为其简结性在航天器中应用这种方法检测异常很简单,但仍存在一定的局限性。首先,阀值很难被预定义;其次,在一些情况下,所有传感器的值都在预定义的阀值内,但在航天器中却可能存在关联异常和集体异常。
因此,一些研究员采用一种自适应的方法来解决这些问题。例如,【2】提出了一种方法,在航天器系统的异常检测中自适应地改变极限值。另一些研究员使用基于模型的方法对在航天器中进行异常检测,如果一个精确的、完备的模型和无限的计算能力是可行的话,那么这种方法将提供一个理想的性能。例如,【3】明智地采用贝叶斯网络估计了每个传感器信息的重要性,然后当其在监控器上显示时给更重要的传感器提供更高的优先级。然而,在实践中,精确的、完备的模型和无限的计算能力都是不可行的。所以这种方法的应用存在