航天器的异常确定方法及装置

技术领域

本发明涉及航天测控及航天器健康状态管理技术领域，具体而言，涉及一种航天器的异常确定方法及装置。

背景技术

航天器遥测数据是航天器飞行控制中判断其在轨运行状态的唯一依据，其异常检测成为增强航天器在轨可靠性和安全可靠运行的重要依据。

在航天器飞行控制中异常检测目前普遍采样基于人工结合阈值检测和基于专家系统两种方法。基于人工结合阈值检测的方法是航天器在轨运行过程中，飞控人员对遥测参数近乎实时的观测，并辅以信号阈值以监测信号是否超出预设的范围。基于专家系统的方法，通过将专家知识以“if-then”的规则形式表达，并在轨实时接收航天器遥测数据，对航天器的状态进行自动监视和异常判断。两种方法中阈值和判断规则的设置均需领域专家确定，阈值和规则的设置不确定性较大，可扩展性差且无法处理未知的异常。后续航天活动日益频繁，在轨航天器逐步增多，且随着航天器系统自动化和智能化程度不断提高，系统复杂度不断增加，采用人工对系统进行阈值或规则设定的方法越发无能为力，基于人工结合阈值检测和基于专家系统两种方法效用有限，已无法满足后续任务需求。

除上述两种方法外，异常检测目前还有基于模型的方法(Model Based)和基于数据驱动的方法(Data-Driven Based)等两种方法。基于模型的方法需要研究人员对系统进行精确的物理或数学建模，也需要专家参与，此外建立这些模型是非常费时的，因此不可能针对大型复杂系统建立其各部分的模型，更不可能对每种可能的异常模式进行建模。基于数据驱动的方法通过采用机器学习理论或其它理论方法，不依赖专家，自动的从表征系统状态的大量数据中挖掘内在机理、总结规律、形成知识，在对复杂系统进行建模方式具有明显的优势。

基于数据驱动的方法进一步可以分为两类种：基于向量空间的方法和基于图的方法。基于向量空间的方法将研究对象建模为向量空间中的向量，多采用机器学习算法(如聚类)从历史数据或高保真的模拟数据中自动归纳出被测系统正常情形下的系统参数间的关联性和相互作用，以推理、预测系统的行为是否发生异常。基于图的方法更加考虑遥测数据彼此之间的关联，将遥测参数建模为图中的点，参数之间的关系则建模为边，使用图工具从挖掘被测系统不同部分间的关联性和相互作用，以推理、预测系统的行为是否发生异常。基于图的方法可以同时兼顾遥测数据的空间关系和时域相关性，与基于向量空间的方法相比，建模原理更符合客观系统、具有强大的展示效果、且方法更具有鲁棒性。但遥测参数较多时，图中边的数量会很大，增加了计算复杂度。

针对上述相关技术中基于图的用于对航天器的状态进行异常检测的方式计算量较大、计算复杂度较高的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种航天器的异常确定方法及装置，以至少解决相关技术中基于图的用于对航天器的状态进行异常检测的方式计算量较大、计算复杂度较高的技术问题。

根据本发明实施例的一个方面，提供了一种航天器的异常确定方法，包括：对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据；利用遥测参数阵列图确定所述预处理后的在线遥测数据的异常度，其中，所述遥测参数阵列图是使用训练数据通过预定方式训练得到的，所述训练数据包括以下至少之一：历史遥测数据、仿真遥测数据；根据所述异常度确定所述航天器是否处于异常状态。

可选地，对航天器的在线遥测数据进行预处理，包括以下至少之一：在确定所述在线遥测数据存在缺陷缺失值时，对所述在线遥测数据进行缺失值处理；在确定所述在线遥测数据存在离散型数据时，对所述在线遥测数据中的离散型数据进行数据连续化处理；对所述在线遥测数据进行数据规范化处理。

可选地，对所述在线遥测数据进行数据规范化处理，包括：确定所述在线遥测数据的特征值，其中，所述特征值包括：所述在线遥测数据的平均值、所述在线遥测数据的方差；使用所述特征值通过第一公式对所述在线遥测数据进行数据规范化处理，其中，所述第一公式为：

可选地，利用遥测参数阵列图确定所述预处理后的在线遥测数据的异常度，包括：对所述预处理后的在线遥测数据对应的遥测参数取值进行离散化处理，得到离散化处理结果；确定异常度计算所需的邻域系统，其中，所述邻域系统用于表示所述在线遥测数据中每个数据的邻居集合；根据所述离散化处理结果以及所述邻域系统确定所述预处理后的在线遥测数据的异常度。

可选地，在确定异常度计算所需的邻域系统之前，该航天器的异常确定方法还包括：确定所述邻域系统的阶数、温度常数。

可选地，根据所述异常度确定所述航天器是否处于异常状态，包括：确定所述异常度符合高斯分布；利用异常度显著性指标对所述异常度进行评估，得到显著性值；在所述显著性值超过预定阈值时，则判定所述航天器处于异常状态；在所述显著性值不超过预定阈值时，则判定所述航天器未处于异常状态。

可选地，在判定所述航天器处于异常状态之后，该航天器的异常确定方法还包括：获取导致所述航天器异常的遥测参数集合。

可选地，在判定所述航天器未处于异常状态之后，该航天器的异常确定方法还包括：存储所述在线遥测数据，并在所述在线遥测数据的数量达到预定数量时，利用所述预定数量的在线遥测数据进行学习，更新知识库，其中，所述知识库用于对所述航天器进行在线监测使用。

可选地，在对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据之前，该航天器的异常确定方法还包括：生成所述知识库；其中，生成所述知识库，包括：获取所述航天器的历史遥测数据或仿真遥测数据，并对历史遥测数据或仿真遥测数据进行预处理；利用预处理后的历史遥测数据或仿真遥测数据生成所述遥测参数阵列图；利用所述遥测参数阵列图以及马尔科夫随机场模型计算所述预处理后的历史遥测数据或仿真遥测数据的异常度；将所述异常度以及历史遥测数据或仿真遥测数据进行保存，得到所述知识库。

可选地，利用预处理后的历史遥测数据或仿真遥测数据生成所述遥测参数阵列图，包括：利用面向生物分子时序数据的数据分析和可视化软件平台GATE通过皮尔森相关系数计算预处理后的历史遥测数据或仿真遥测数据之间的相关性；利用所述GATE软件初始化得到阵列图布局，并利用随机优化算法以及所述相关性对所述阵列图布局进行调整，得到所述遥测参数阵列图。

可选地，所述遥测参数阵列图为蜂窝拓扑结构二维六边形阵列图。

根据本发明实施例的另外一个方面，还提供了一种航天器的异常确定装置，包括：第一获取单元，用于对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据；第一确定单元，用于利用遥测参数阵列图确定所述预处理后的在线遥测数据的异常度，其中，所述遥测参数阵列图是使用训练数据通过预定方式训练得到的，所述训练数据包括以下至少之一：历史遥测数据、仿真遥测数据；第二确定单元，用于根据所述异常度确定所述航天器是否处于异常状态。

可选地，所述第一获取单元，包括以下至少之一：缺失值处理模块，用于在确定所述在线遥测数据存在缺陷缺失值时，对所述在线遥测数据进行缺失值处理；数据连续化处理模块，用于在确定所述在线遥测数据存在离散型数据时，对所述在线遥测数据中的离散型数据进行数据连续化处理；数据规范化处理模块，用于对所述在线遥测数据进行数据规范化处理。

可选地，所述数据规范化处理模块，包括：确定子模块，用于确定所述在线遥测数据的特征值，其中，所述特征值包括：所述在线遥测数据的平均值、所述在线遥测数据的方差；数据规范化处理子模块，用于使用所述特征值通过第一公式对所述在线遥测数据进行数据规范化处理，其中，所述第一公式为：

可选地，所述第一确定单元，包括：离散化处理模块，用于对所述预处理后的在线遥测数据对应的遥测参数取值进行离散化处理，得到离散化处理结果；第一确定模块，用于确定异常度计算所需的邻域系统，其中，所述邻域系统用于表示所述在线遥测数据中每个数据的邻居集合；第二确定模块，用于根据所述离散化处理结果以及所述邻域系统确定所述预处理后的在线遥测数据的异常度。

可选地，该航天器的异常确定装置还包括：第三确定模块，用于在确定异常度计算所需的邻域系统之前，确定所述邻域系统的阶数、温度常数。

可选地，所述第二确定单元，包括：第四确定模块，用于确定所述异常度符合高斯分布；评估模块，用于利用异常度显著性指标对所述异常度进行评估，得到显著性值；第一判定模块，用于在所述显著性值超过预定阈值时，则判定所述航天器处于异常状态；第二判定模块，用于在所述显著性值不超过预定阈值时，则判定所述航天器未处于异常状态。

可选地，该航天器的异常确定装置还包括：第一获取模块，用于在判定所述航天器处于异常状态之后，获取导致所述航天器异常的遥测参数集合。

可选地，该航天器的异常确定装置还包括：存储模块，用于在判定所述航天器未处于异常状态之后，存储所述在线遥测数据，并在所述在线遥测数据的数量达到预定数量时，利用所述预定数量的在线遥测数据进行学习，更新知识库，其中，所述知识库用于对所述航天器进行在线监测使用。

可选地，该航天器的异常确定装置还包括：生成单元，用于在对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据之前，生成所述知识库；其中，所述生成单元，包括：第二获取模块，用于获取所述航天器的历史遥测数据或仿真遥测数据，并对历史遥测数据或仿真遥测数据进行预处理；生成模块，用于利用预处理后的历史遥测数据或仿真遥测数据生成所述遥测参数阵列图；计算模块，用于利用所述遥测参数阵列图以及马尔科夫随机场模型计算所述预处理后的历史遥测数据或仿真遥测数据的异常度；保存模块，用于将所述异常度以及历史遥测数据或仿真遥测数据进行保存，得到所述知识库。

可选地，所述生成模块，包括：计算子模块，用于利用面向生物分子时序数据的数据分析和可视化软件平台GATE通过皮尔森相关系数计算预处理后的历史遥测数据或仿真遥测数据之间的相关性；调整子模块，用于利用所述GATE软件初始化得到阵列图布局，并利用随机优化算法以及所述相关性对所述阵列图布局进行调整，得到所述遥测参数阵列图。

可选地，所述遥测参数阵列图为蜂窝拓扑结构二维六边形阵列图。

根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行上述中任意一项所述的航天器的异常确定方法。

根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的航天器的异常确定方法。

在本发明实施例中，采用对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据；利用遥测参数阵列图确定预处理后的在线遥测数据的异常度，其中，遥测参数阵列图是使用训练数据通过预定方式训练得到的，训练数据包括以下至少之一：历史遥测数据、仿真遥测数据；根据异常度确定航天器是否处于异常状态。通过本发明实施例提供的航天器的异常确定方法，实现了通过遥测参数阵列图来获取在线遥测数据的异常度，以对航天器进行异常检测的目的，达到了降低对航天器进行异常检测时的复杂度，进而解决了相关技术中基于图的用于对航天器的状态进行异常检测的方式计算量较大、计算复杂度较高的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的航天器的异常确定方法的流程图；

图2是根据本发明实施例的可选的航天器的异常确定方法的流程图；

图3是根据本发明实施例的蜂窝拓扑结构二维六边形阵列图；

图4是根据本发明实施例的二维六边形阵列图生成流程图；

图5是根据本发明实施例的基于MRF计算异常度流程图；

图6是根据本发明实施例的遥测参数的一阶和二阶邻域范围示意图；

图7(a)是根据本发明实施例的学习训练阶段的示意图；

图7(b)是根据本发明实施例的在线监测阶段的示意图；

图8是根据本发明实施例的航天器的异常确定装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

针对上述问题，在本发明实施例中，面向航天器飞行控制中异常检测任务需求，提出了一种基于图的航天器异常检测方法，该方法通过遥测历史时序数据计算遥测参数间的相关性，将所有遥测参数建模为表征时空关系的蜂窝拓扑结构二维六边形阵列图，并使用马尔科夫随机场模型定量计算异常度，能够在有效降低计算复杂度的同时实现对航天器的状态进行异常检测。通过在学习训练阶段，基于正常状态历史遥测数据进行学习训练，获得表征参数间时空关系的二维六边形阵列图，并建立异常度知识库；具体地，可以对正常状态历史遥测时序数据预处理，并生成遥测参数阵列图，接着计算历史遥测数据的异常度，并根据异常度计算生成知识库。

在在线监测阶段，可基于学习训练得到的遥测阵列图和知识库进行实施异常状态检测，具体地，对实时遥测数据进行预处理，计算实时遥测数据的异常度，并根据异常度计算结果评估航天器的状态。

下面结合具体实施例对本发明实施例中的航天器的异常确定方法及装置进行描述。

实施例1

根据本发明实施例，提供了一种航天器的异常确定方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的航天器的异常确定方法的流程图，如图1所示，该航天器的异常确定方法包括如下步骤：

步骤S102，对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据。

由于遥测数据在具体使用过程中，存在着以下问题：1)针对航天器，遥测数据往往是波道复用，即数据下传链路按照不同的周期改变下传内容。参数下传周期不同会导致采样时刻x：j中部分数据无法采集；2)遥测参数的量纲和取值范围不同，如压力数据的取值远远大于温度数据的取值，而温度的取值远远大于其他两个参数的取值，同样是数据变化10，温度数据会表现出较大强度的变化，但针对压力数据却不敏感；3)航天器的参数一般有连续型和离散型两种，这两类数据的预处理方法一般是不一致的。

因此，需要对遥测数据进行预处理。可选地，对航天器的在线遥测数据进行预处理，包括以下至少之一：在确定在线遥测数据存在缺陷缺失值时，对在线遥测数据进行缺失值处理；在确定在线遥测数据存在离散型数据时，对在线遥测数据中的离散型数据进行数据连续化处理；对在线遥测数据进行数据规范化处理。

其中，对在线遥测数据进行缺失值处理，可以采用“sample-and-hold”方法，即保留参数最后一次更新值并直至下一次更新，若参数取值时发现缺失，则使用最新一次更新值。

其次，对在线遥测数据中的离散型数据进行数据连续化处理，可以先对数据进行编码，此后可以使用最长共同子序列模型对离散数据连续化。

另外，对在线遥测数据进行数据规范化处理，包括：确定在线遥测数据的特征值，其中，特征值包括：在线遥测数据的平均值、在线遥测数据的方差；使用特征值通过第一公式对在线遥测数据进行数据规范化处理，其中，第一公式为：

在上述实施例中，对在线遥测数据进行数据规范化处理可以采用Z-Score方法，该方法计算公式如上。需要说明的是，为表达方便，后续将规划化后的数据仍写为x

步骤S104，利用遥测参数阵列图确定预处理后的在线遥测数据的异常度，其中，遥测参数阵列图是使用训练数据通过预定方式训练得到的，训练数据包括以下至少之一：历史遥测数据、仿真遥测数据。

在该实施例中，使用学习训练阶段获得的遥测参数阵列图进行异常度计算方式与学习训练阶段相同。此外，为了方便后续系统状态评估，还需要临时保留每个点格代表的遥测与其邻居V值之和，即：V

可选地，利用遥测参数阵列图确定预处理后的在线遥测数据的异常度，包括：对预处理后的在线遥测数据对应的遥测参数取值进行离散化处理，得到离散化处理结果；确定异常度计算所需的邻域系统，其中，邻域系统用于表示在线遥测数据中每个数据的邻居集合；根据离散化处理结果以及邻域系统确定预处理后的在线遥测数据的异常度。

在本发明实施例中，对遥测数据预处理方式与上述方式一样，再次不再赘述。

步骤S106，根据异常度确定航天器是否处于异常状态。

由上可知，在本发明实施例中，可以对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据；利用遥测参数阵列图确定预处理后的在线遥测数据的异常度，其中，遥测参数阵列图是使用训练数据通过预定方式训练得到的，训练数据包括以下至少之一：历史遥测数据、仿真遥测数据；根据异常度确定航天器是否处于异常状态，实现了通过遥测参数阵列图来获取在线遥测数据的异常度，以对航天器进行异常检测的目的，达到了降低对航天器进行异常检测时的复杂度。

因此，通过本发明实施例提供的航天器的异常确定方法，解决了相关技术中基于图的用于对航天器的状态进行异常检测的方式计算量较大、计算复杂度较高的技术问题。

在一种可选的实施例中，在确定异常度计算所需的邻域系统之前，该航天器的异常确定方法还包括：确定邻域系统的阶数、温度常数。

可选地，在上述步骤S106中，根据异常度确定航天器是否处于异常状态，包括：确定异常度符合高斯分布；利用异常度显著性指标对异常度进行评估，得到显著性值；在显著性值超过预定阈值时，则判定航天器处于异常状态；在显著性值不超过预定阈值时，则判定航天器未处于异常状态。

即，在获得实时在线遥测数据的异常度之后，需要对异常度进行评估是否为异常状态；其中，在进行异常评估时，假设正常样本中异常度服从高斯分布，则可以利用异常度显著性指标进行评估异常，异常度显著性定义如下：

可选地，在判定航天器处于异常状态之后，该航天器的异常确定方法还包括：获取导致航天器异常的遥测参数集合。

也即是，在判断出航天器处于异常状态时，需要提供导致异常发生的遥测参数集合，以用于进一步诊断异常；具体地，可以对异常度计算中针对每个遥测保存的V

反之，若判断出航天器处于正常状态时，则可以将样本(即，遥测数据)保存起来，供后续再学习使用。

可选地，在判定航天器未处于异常状态之后，该航天器的异常确定方法还包括：存储在线遥测数据，并在在线遥测数据的数量达到预定数量时，利用预定数量的在线遥测数据进行学习，更新知识库，其中，知识库用于对航天器进行在线监测使用。

图2是根据本发明实施例的可选的航天器的异常确定方法的流程图，如图2所示，首先获取航天器的当前模式，并对航天器的当前模式进行查询，以获取航天器在当前模式下的相关数据，基于查询到的相关数据对航天器进行异常度评估，基于评估结果判断航天器当前是否处于异常状态，若是，则报告异常并提供异常线索，继续进行检测；反之，则存储航天器在正常状态下的样本信息，当样本达到一定程度时进行重新学习，以更新知识库，并继续进行监测。

可选地，在对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据之前，该航天器的异常确定方法还包括：生成知识库；其中，生成知识库，包括：获取航天器的历史遥测数据或仿真遥测数据，并对历史遥测数据或仿真遥测数据进行预处理；利用预处理后的历史遥测数据或仿真遥测数据生成遥测参数阵列图；利用遥测参数阵列图以及马尔科夫随机场模型计算预处理后的历史遥测数据或仿真遥测数据的异常度；将异常度以及历史遥测数据或仿真遥测数据进行保存，得到知识库。

在该实施例中，在进行后续计算之前需要对历史遥测数据(即，历史遥测时序数据)进行预处理；需要说明的是，在没有历史遥测数据的情况下，可以使用地面测试数据或者高保真飞控模拟器数据，即，仿真遥测数据。这里遥测时序数据格式可以为：

需要说明的是，由于遥测数据在具体使用过程中，存在着三个主要的问题：问题1)针对航天器，遥测数据往往是波道复用，即数据下传链路按照不同的周期改变下传内容。参数下传周期不同会导致采样时刻x

可选地，利用预处理后的历史遥测数据或仿真遥测数据生成遥测参数阵列图，包括：利用面向生物分子时序数据的数据分析和可视化软件平台GATE通过皮尔森相关系数计算预处理后的历史遥测数据或仿真遥测数据之间的相关性；利用GATE软件初始化得到阵列图布局，并利用随机优化算法以及相关性对阵列图布局进行调整，得到遥测参数阵列图。

在该实施例中，遥测参数阵列图可以使用GATE(Grid Analysis of Time-seriesExpression)软件生成。GATE是一个面向生物分子时序数据的数据分析和可视化软件平台。GATE使用一种基于相关性的聚类算法将分子时序数据重整为一个蜂窝拓扑结构的二维六边形阵列(其中每个六边形代表一个分子)，而且二维阵列可以通过颜色的显示变化来表现数据随着时间的演变过程。

另外，遥测参数阵列图示例如附图3(图3是根据本发明实施例的蜂窝拓扑结构二维六边形阵列图)所示，图中每个6边形表示一个遥测参数。其计算生成流程如附图4(图4是根据本发明实施例的二维六边形阵列图生成流程图)所示，GATE使用皮尔森相关系数计算不同遥测参数之间的相关性，如下式所示：

需要说明的是，也可以不使用GATE软件构建遥测参数阵列图，这样可以重新定义参数之间的关系(比如可以利用互信息等)、适应度函数和优化算法(比如遗传算法等)。此外，由于遥测参数阵列图结构性特性和规律性明显，非常适合进行并行计算实施，因此，若针对超大量的遥测参数集进行学习训练，可通过并行方法进行计算优化。

由上可知，遥测参数阵列图为蜂窝拓扑结构二维六边形阵列图。

此处需要说明的是，遥测参数阵列图是根据时序数据构件的，而图中相邻节点之间一般具有较强的相关性(如果使用互信息则为依赖性)，因此，遥测参数阵列图可以同时兼顾数据的空间关系以及时域相关性。在正常情况下，其图结构会具有一定的保持结构，异常发生时图的结构会破坏，以此来进行异常检测。

为充分利用遥测参数阵列图的时空特性，在本发明实施例中，可采用马尔科夫随机场模型(MRF)构建异常度计算方法。MRF是一种概率图模型，最初被用于图像处理领域，用以描述图像像素具有的一些空间相关的特性，非常适合处理遥测阵列图。

基于MRF进行异常度计算流程如附图5(图5是根据本发明实施例的基于MRF计算异常度流程图)所示，为了使用MRF，首先需要对阵列图中各格子代表的遥测参数取值进行离散化处理，比如处理成二值系统(取值为0或者1，对应黑白图像)或多值系统。

其中，连续值属性数据离散化算法很多，典型的离散算法包括：基于信息熵理论的自顶向下有监督离散算法Ent-MDLP；基于类属性相互依赖的CACC；基于统计学理论的Chi2-based相关算法，如ChiMerge、Extended Chi2等。目前应用最为广泛的离散化算法是等宽(EQW)和等频(EQF)算法，该类算法需预先设定离散区间个数。

在本发明实施例中，首先将x

另外，在本发明实施例中，使用MRF对所有正常状态下历史遥测数据进行计算获取异常度，将所有的异常度及其统计和挖掘数据进行保存，用于实时在线监测使用。统计和挖掘数据与后续系统状态评估算法相关，典型的信息包括均值、方差、极值等数字特性。航天器实际在轨时，会有不同的工作模式，而不同的工作模式其异常度会有明显差异，历史数据的异常度可根据模式进行分类保存。此外，还需对数据预处理过程中相关参数进行保存，比如数据规范化参数、数据离散化参数等。

由上可知，在本发明实施例中，将航天器的异常确定方法分为学习训练和在线监测两个阶段；其中，图7(a)是根据本发明实施例的学习训练阶段的示意图，如图7(a)所示，学习训练阶段，基于正常状态历史遥测数据进行学习训练，获得表征参数间时空关系的二维六边形阵列图，并建立异常度知识库；具体地，第一步，对正常状态历史遥测时序数据预处理，例如，数据缺失值处理、数据规范化处理；第二步，遥测参数阵列图生成；第三步，遥测历史数据的异常度计算；第四步，根据异常度计算结果生成知识库。另外，图7(b)是根据本发明实施例的在线监测阶段的示意图，如图7(b)所示，在线监测阶段，基于学习训练得到的遥测阵列图和知识库进行实时异常状态检测，具体地，第一步，对实时遥测数据预处理，例如，缺失值处理、数据规范化处理、离散型数据编码；第二步，计算实时遥测数据异常度；第三步，根据异常度计算结果评估系统状态。

即，学习训练阶段：(1)正常状态历史遥测时序数据预处理，主要完成缺失值处理、数据规范化和离散型数据编码等处理工作；(2)遥测参数阵列图生成，通过正常状态下遥测历史时序数据计算遥测参数之间的相关性，根据相关性生成表征参数间时空关系的二维六边形阵列图；(3)遥测历史数据的异常度计算，基于阵列图生成结果，采用马尔科夫随机场模型计算历史数据的异常度；(4)根据异常度计算结果生成知识库，用于后续在线监测使用。在线监测阶段：(1)实时遥测时序数据预处理，同学习阶段；(2)实时遥测数据异常度计算，基于阵列图生成结果，采用马尔科夫随机场模型计算数据的异常度；(3)根据异常度计算结果评估系统状态，若判断存在异常，则进一步提供导致异常发生的遥测参数。

本发明实施例提供的航天器的异常确定的主要特征是通过分析遥测历史时序数据将所有遥测参数建模为表征时空关系的蜂窝拓扑结构二维六边形阵列图，并使用马尔科夫随机场模型定量计算系统异常度，整个过程可以不依赖于领域专家，生成的图模型计算复杂度较小，对于航天器在轨运行管理具有较高的工程应用价值。

综上所述，通过本发明实施例提供的航天器的异常确定方法，使用一种蜂窝拓扑结构的二维六边形阵列图实现基于图的异常检测，通过遥测历史时序数据计算遥测参数间的相关性，将所有遥测参数建模为蜂窝拓扑结构二维六边形阵列图，可以同时兼顾数据的空间关系以及时域相关性；二维六边形阵列图形具有较强的结构化与规律化特征，有利于在阵列图构建和异常检测过程中进行并行计算，降低遥测参数数量巨大时的计算复杂度。另外，将遥测参数建模为表征时空关系的阵列图形结构后，基于马尔科夫随机场模型建立异常度计算方法，实现对航天器的状态进行异常检测，并进一步提供可能导致异常发生的遥测参数，为进一步诊断异常提供了数据支持。而且解决了传统异常检测方法中过度依赖专家的问题，另一方面解决了传统基于图的方法计算量较大的问题，能够实现对航天器的状态进行异常检测。

实施例2

根据本发明实施例的另外一个方面，还提供了一种航天器的异常确定装置，图8是根据本发明实施例的航天器的异常确定装置的示意图，如图8所示，该航天器的异常确定装置可以包括：第一获取单元81、第一确定单元83以及第二确定单元85。下面对该航天器的异常确定装置进行说明。

第一获取单元81，用于对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据。

第一确定单元83，用于利用遥测参数阵列图确定预处理后的在线遥测数据的异常度，其中，遥测参数阵列图是使用训练数据通过预定方式训练得到的，训练数据包括以下至少之一：历史遥测数据、仿真遥测数据。

第二确定单元85，用于根据异常度确定航天器是否处于异常状态。

此处需要说明的是，上述第一获取单元81、第一确定单元83以及第二确定单元85对应于实施例1中的步骤S102至S106，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

由上可知，在本发明实施例中，可以通过第一获取单元对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据；然后利用第一确定单元利用遥测参数阵列图确定预处理后的在线遥测数据的异常度，其中，遥测参数阵列图是使用训练数据通过预定方式训练得到的，训练数据包括以下至少之一：历史遥测数据、仿真遥测数据；并通过第二确定单元根据异常度确定航天器是否处于异常状态。通过本发明实施例提供的航天器的异常确定装置，实现了通过遥测参数阵列图来获取在线遥测数据的异常度，以对航天器进行异常检测的目的，达到了降低对航天器进行异常检测时的复杂度，解决了相关技术中基于图的用于对航天器的状态进行异常检测的方式计算量较大、计算复杂度较高的技术问题。

在一种可选的实施例中，第一获取单元，包括以下至少之一：缺失值处理模块，用于在确定在线遥测数据存在缺陷缺失值时，对在线遥测数据进行缺失值处理；数据连续化处理模块，用于在确定在线遥测数据存在离散型数据时，对在线遥测数据中的离散型数据进行数据连续化处理；数据规范化处理模块，用于对在线遥测数据进行数据规范化处理。

在一种可选的实施例中，数据规范化处理模块，包括：确定子模块，用于确定在线遥测数据的特征值，其中，特征值包括：在线遥测数据的平均值、在线遥测数据的方差；数据规范化处理子模块，用于使用特征值通过第一公式对在线遥测数据进行数据规范化处理，其中，第一公式为：

在一种可选的实施例中，第一确定单元，包括：离散化处理模块，用于对预处理后的在线遥测数据对应的遥测参数取值进行离散化处理，得到离散化处理结果；第一确定模块，用于确定异常度计算所需的邻域系统，其中，邻域系统用于表示在线遥测数据中每个数据的邻居集合；第二确定模块，用于根据离散化处理结果以及邻域系统确定预处理后的在线遥测数据的异常度。

在一种可选的实施例中，该航天器的异常确定装置还包括：第三确定模块，用于在确定异常度计算所需的邻域系统之前，确定邻域系统的阶数、温度常数。

在一种可选的实施例中，第二确定单元，包括：第四确定模块，用于确定异常度符合高斯分布；评估模块，用于利用异常度显著性指标对异常度进行评估，得到显著性值；第一判定模块，用于在显著性值超过预定阈值时，则判定航天器处于异常状态；第二判定模块，用于在显著性值不超过预定阈值时，则判定航天器未处于异常状态。

在一种可选的实施例中，该航天器的异常确定装置还包括：第一获取模块，用于在判定航天器处于异常状态之后，获取导致航天器异常的遥测参数集合。

在一种可选的实施例中，该航天器的异常确定装置还包括：存储模块，用于在判定航天器未处于异常状态之后，存储在线遥测数据，并在在线遥测数据的数量达到预定数量时，利用预定数量的在线遥测数据进行学习，更新知识库，其中，知识库用于对航天器进行在线监测使用。

在一种可选的实施例中，该航天器的异常确定装置还包括：生成单元，用于在对航天器的在线遥测数据进行预处理，得到预处理后的在线遥测数据之前，生成知识库；其中，生成单元，包括：第二获取模块，用于获取航天器的历史遥测数据或仿真遥测数据，并对历史遥测数据或仿真遥测数据进行预处理；生成模块，用于利用预处理后的历史遥测数据或仿真遥测数据生成遥测参数阵列图；计算模块，用于利用遥测参数阵列图以及马尔科夫随机场模型计算预处理后的历史遥测数据或仿真遥测数据的异常度；保存模块，用于将异常度以及历史遥测数据或仿真遥测数据进行保存，得到知识库。

在一种可选的实施例中，生成模块，包括：计算子模块，用于利用面向生物分子时序数据的数据分析和可视化软件平台GATE通过皮尔森相关系数计算预处理后的历史遥测数据或仿真遥测数据之间的相关性；调整子模块，用于利用GATE软件初始化得到阵列图布局，并利用随机优化算法以及相关性对阵列图布局进行调整，得到遥测参数阵列图。

在一种可选的实施例中，遥测参数阵列图为蜂窝拓扑结构二维六边形阵列图。

实施例3

根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，程序执行上述中任意一项的航天器的异常确定方法。

实施例4

根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的航天器的异常确定方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。