一种卫星遥测参数趋势异常的自动识别方法

王佳伟 秦巍 邵坤 刘超

(北京空间飞行器总体设计部,北京 100094)

目前,随着卫星在轨高可靠运行要求的不断提高,快速、准确发现卫星遥测参数数据异常变化趋势显得越发重要。卫星遥测参数是在轨了解卫星状态最主要的手段,要及时、准确发现在轨卫星的异常情况,不仅需要监视遥测数据时间点变化情况,还需要监视遥测数据长期趋势变化情况。卫星遥测分为数字量遥测和模拟量遥测,其中模拟量遥测具有长期趋势变化特征。

在过去几十年中,围绕工程任务需求,国内外已经开展了针对卫星遥测数据趋势监视的相关研究,提出了基于时间序列、基于频域变化等分析方法。目前,国内针对具有长期稳定变化趋势的遥测参数,主要采用人工趋势判读的方法进行监视,根据特定时段遥测参数时序变化曲线,结合历史数据进行人工判读。但人工判读过程中,趋势异常初期微小的变化很难发现,并且监视效率低,缺乏对遥测趋势的持续性监测。因此如何解决监测成本高、持续性差和趋势识别依赖人工等问题已经迫在眉睫。

本文将趋势分析方法和深度学习相结合,提出基于频域分析方法的趋势异常自动判别方法。通过频域变换提取趋势变化特征值,并构建趋势特征“条形码”,利用多层前馈(BP)神经网络[1]实现趋势异常的学习和自动识别。最后通过Matlab软件实现遥测参数异常变化趋势的自动监测和发现,并通过在轨数据进行实际验证。

1 频域分析方法

卫星遥测数据是基于时间的连续变化序列,可将遥测数据看作信号。在信号处理领域常用频域变化对信号进行处理分析,分析方法包括傅里叶变换、小波变换等。本文选取基于小波变换的频域分析方法[2],对遥测信息的局部变化特征进行放大,定位异常变化发生点,在不同频段对遥测信息进行识别、分析,使不易察觉的遥测异常趋势变化信息在不同尺度空间显露处理。通过小波变换发现遥测数据趋势异常原理如图1所示。

图1 遥测变化趋势频域转换Fig.1 Frequency-domain transformation telemetry trend

利用小波变换识别卫星遥测变化趋势中异常值的过程是对遥测数据时间序列进行多尺度分析。当遥测趋势出现突变时,其小波变换后的系数具有模极大值,通过对极大值点的检测来确定奇异点,由此可发现遥测参数趋势变化中的异常值。

假设给定一个基本函数ψ(t),尺度因子a 和位移因子b,那么基本函数ψ(t)先作移位再作伸缩以后可以得到ψa,b(t)＝,如果a 和b 不断变化,可以得到函数ψa,b(t)[3]。假定a不随t变化,此时给定卫星某遥测参数为时间序列函数x(t),则x(t)的小波变换为

式中:W 是小波变换,ψa,b(t)就是选用的小波基,Tx为时间函数。小波基具有尺度a、平移b 两个参数,将函数在小波基下展开,就相当于将一个时间函数投影到二维的时间－尺度平面上。例如遥测参数F 在尺度空间和小波空间的投影即尺度系数和小波系数为

式中:φj,k(t),ψj,k(t)都是经尺度伸缩和平移得到的一个小波序列,ai为尺度函数;dj为平移函数,i,j,k 代表离散时间点,＜＞是对离散时间序列的卷积。遥测趋势分解过程为

式中:h[x],g[x]是尺度滤波器和小波滤波器。由式(2)、(3)可知,遥测参数变化趋势分解过程是先离散卷积的迭代运算,然后做因子为2的子采样,后续层分解是利用前一层的尺度系数,重复之前的卷积后子采样的过程,最终得到遥测数据从高频到低频的不同频带的趋势信息,形成多分辨率分析,从而找到趋势变化中的异常情况。

2 自动识别方法

2.1 自动识别流程

本文使用基于小波变换的频域分析方法,将遥测数据时序变化转换为频域上的频谱特征,通过特征向量深度学习,对趋势异常变化进行自动化分析和识别。趋势异常自动识别过程如图2所示。

由图2可知,遥测参数先经过频域变换处理,然后根据特征向量构建方法构建参数对应的频域特征向量,最后通过神经网络进行自动学习识别:

图2 趋势异常自动识别过程Fig.2 Autonomous recognition process of trend anomaly

(1)频域变换分析是通过频域变换,将遥测参数时序变化曲线转换为频域变化曲线,形成趋势“频谱”特征;

(2)特征向量构建是对频域特征进行标准化处理,构建遥测参数变化趋势的频域特征向量。将频率f 按照经验区间进行划分4份,遥测转换后的遥测参数TM 值进行等分处理,构建特征向量S1、S2、S3、S4,4个向量组合成特征矩阵S;

(3)自动学习识别是根据已构建的特征向量S和样本集特征进行神经网络学习,将当前遥测参数趋势特征向量作为输入,最终实现遥测参数趋势异常的自动识别。

2.2 频域特征构建

时序遥测数据经过频域转换得到数据在频域的“频谱”。为进行自动化学习识别,需要对频域特征数据进行预处理,采用主成分分析方法构建具有显著性和唯一性的频域特征向量[4],以便神经网络能以更高的效率进行训练且拥有更高的识别率。

根据遥测数据在轨管理经验,将频谱特征划分为网格形式。设置6 种频谱状态,每种信号采集500个样本,6类波形共3000个样本作为训练集。再以不同于训练集且不同时刻的这6类波形,每类波形200个样本,作为测试集。本文设置神经网络进行识别的频谱状态共有6种,每种频谱状态以10份不同的波形数据作为训练样本,每个样本由其遥测幅值组成一个向量,则样本的采样点数量为xi的维数,采样的频点数为3600,可得训练样本集为{x1,x2,…,xm},构建趋势变化频域特征向量如图3所示。

由图3可知,通过对频域特征进行网格划分,可得到6个单位特征向量(f1～f6),同时根据单位特征向量之间的关联关系,构建出关联特征向量G。具体步骤如下:

图3 频域特征向量构建Fig.3 Frequency-domain eigenvector construction

(2)训练集样本去均值xnew＝xi－;

(4)计算协方差矩阵P 特征向量ui和对应的特征值λi,并将协方差矩阵的特征值按大到小排序。选择其中最大的k 个,将其对应的k 个特征向量分别作为列向量组成特征向量矩阵Zk;

(5)将数据集xnew投影到选取的特征向量Zk

[5],得到已经降维的数据集P＝xnew×Zk。选取前k 个特征值λi,即维数从3600减少至k。k 最佳取值由在轨管理经验值给出。这样既保留了数据的主特征,又能大大提高神经网络的训练效率。

2.3 自动学习方法

根据频域转换获得遥测数据的频域特征后,根据特征构建方法构建每个遥测变化趋势的频谱特征向量,然后利用自动学习方法对趋势变化进行自动识别。目前,搭建自动学习神经网络的软件平台日趋成熟且专业化。由于基于频谱数据的识别系统并不复杂,因此选用较为简单的BP 神经网络进行学习识别,能够减少相应的计算复杂度。自动学习识别过程应用前文图2方法。

本文选取线性神经元[6]作为神经网络学习的基本单位,线性神经元结构如图4所示。

图4 神经元结构Fig.4 Neuron structure

由图4可知,神经元根据输入遥测数据进行学习,输出学习结果,具体步骤如下。

(1)神经元i 的输出与输入关系为yi＝

(2)选用对数Q 形转移函数作为隐含层神经元的激活函数,双曲正切Q 形转移函数作为输出层神经元的激活函数。激活函数的公式为

本文设计的遥测趋势自动学习神经网络是由多个神经元连接而成的前馈神经网络[7],它分为三层,即输入层,隐含层和输出层,神经网络结构如图5所示。

图5 BP神经网络结构图Fig.5 BP neural network structure diagram

由图5可知,神经网络经过多层学习得到遥测参数趋势的识别结果。

(1)第一层为输入单元,第二层为隐含层,第三层为输出层。由于输入的数据是一个经过归一化二维矩阵,所以输入向量的最小值为－1,最大值为1。基于分类的要求,隐含层被设计为一层;输出层的神经元数量和分类数量保持一致,为6个。

(2)自动识别算法设置初始训练参数,训练的最大迭代次数1000,初始训练学习率lr为0.1,训练性能学习目标为0.001。学习函数选用raingdx函数d x＝mc·d(x Ppref)＋lr·mc·,收敛阈值(mc)默认取值为0.9,d(x Ppref)是之前权值或偏差的变化量。对于每次迭代,如果性能指数ppref朝着目标减小,则学习率因子lr增加[8]。如果性能增加超过因子max Ppref＝1.04,则学习速率由因子调整,且不会增加性能。

3 在轨验证

本文针对遥测数据时频域变换方法及其在趋势变化中的应用进行研究,选取卫星中具有代表性的遥测参数趋势异常为例,进行频域变换,利用已训练的学习库对趋势结果进行自动识别,替代人工监视,自动发现趋势变化中的异常遥测点。趋势异常自动识别流程如图6所示。

图6 遥测趋势自动识别流程Fig.6 Autonomous recognition process of trend anomaly

该方法已在某卫星在轨自动监视系统中进行应用,成功识别出红外敏感器电流、太阳翼输出电流趋势异常变化。

红外地球敏感器作为卫星主要姿态测量部件,是在轨管理日常监视的重点。其中电机电流遥测是表征红外敏感器工作状态的重要遥测。红外敏感器正常工作时,电机电流非常稳定,变化很小。随着工作时间的增长,当红外敏感器内磨屑堆积到一定程度时,电机电流会异常波动,最终导致红外敏感器发生堵转,无法正常工作。在轨监测时,一般针对电机电流遥测设定一个监测阈值,当电流变大超过阈值时进行报警。但从红外敏感器磨屑开始堆积时,电机电流趋势已有异常变化,只是波动较小,未超出阈值,因此在异常变化初期很难发现,人工监视判读成本高。

本文以某卫星红外敏感器堵转异常为例,分析自动识别方法在日常监视中的应用。某卫星红外敏感器发生堵转异常,红外电机电流遥测TMK01异常增大,趋势变化如图7所示。

图7 红外敏感器电流趋势异常变化Fig.7 Anomaly of infrared sensor current trend

红外敏感器工作正常时,电机电流非常稳定,TMK01遥测变化很小,在轨时TMK01监测阈值设置为[0.8,1.2],如图7方框1所示。当磨屑不断堆积,TMK01遥测逐渐变大,如图7方框2所示。但此时TMK01 异常波动很小,并未超过上限阈值1.2,因此很难发现。当TMK01遥测增大超过上限阈值1.2时,异常波动变大,很快发生堵转,如图7方框3所示。

通过小波频域转换方法,获得遥测趋势的频域特征,构建频域特征向量,作为自动学习识别的输入。根据已学习的正常趋势特征,通过识别算法进行自动识别,发现上图方框2发现堵转趋势。自动识别过程如图8所示。

图8 红外敏感器电流趋势异常自动识别Fig.8 Autonomous identification of infrared sensor current trend anomaly

经过自动学习和识别可以看出:相比正常趋势,经过频域转换后的信号震荡明显频繁,细节信号可以看到增加了突变点,这些突变点和变化异常是由于磨屑堆积造成。经过频域特征向量自动比对和识别,识别出早期趋势变化异常,完全替代人工监视。

4 结束语

卫星日常在轨监测中,遥测数据微小的变化趋势靠人为观察难以发现,成本高,效率低。本文针对这个问题,研究基于频域变换的遥测趋势自动识别方法,实现对趋势异常的自动化监视,主要研究内容和创新包括以下3个方面。

(1)分析了频域变换方法在遥测数据趋势分析中的优点,并与时域变换方法进行对比,对卫星遥测趋势分析中使用频域变换的可行性进行探讨。

(2)研究遥测数据频域特征向量构建过程,通过BP神经网络进行趋势特征学习,实现异常变化的自动化识别,替代人工监视方法。

(3)通过Matlab软件实现遥测参数趋势变化自动识别,并结合红外敏感器电机电流、太阳电池阵电流两个异常趋势变换,验证了该方法在具有遥测参数趋势异常监视和预测中的有效性和准确性。