本發(fā)明涉及衛(wèi)星遙測，具體涉及一種衛(wèi)星異常檢測系統(tǒng)及方法。

背景技術(shù)：

1、隨著商業(yè)航天的快速發(fā)展，衛(wèi)星數(shù)量和數(shù)據(jù)量急劇增加，尤其是低軌衛(wèi)星網(wǎng)絡(luò)的部署規(guī)模不斷擴(kuò)大。這一趨勢對衛(wèi)星的健康管理和故障診斷提出了更高的要求。

2、然而在低軌衛(wèi)星系統(tǒng)中，由于衛(wèi)星的計(jì)算能力受限，無法進(jìn)行復(fù)雜的實(shí)時分析，傳統(tǒng)的衛(wèi)星異常檢測方法通常依賴地面進(jìn)行數(shù)據(jù)處理和分析。在面對龐大且復(fù)雜的遙測數(shù)據(jù)時，難以滿足需求。衛(wèi)星的遙測數(shù)據(jù)需要從衛(wèi)星傳輸?shù)降孛嬲具M(jìn)行分析，再由地面站將分析結(jié)果反饋給衛(wèi)星，這一過程中不僅存在較長的數(shù)據(jù)傳輸時間，還受到衛(wèi)星與地面站之間通信帶寬的限制。由于這些延時，異常的發(fā)生無法及時被發(fā)現(xiàn)和處理，導(dǎo)致衛(wèi)星可能無法在第一時間得到必要的調(diào)整或修復(fù)指令，進(jìn)而可能引發(fā)更嚴(yán)重的系統(tǒng)故障，甚至影響整個衛(wèi)星的正常運(yùn)行。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種衛(wèi)星異常檢測系統(tǒng)及方法，旨在解決上述背景技術(shù)存在的問題。

2、為了解決上述技術(shù)問題，本發(fā)明是這樣實(shí)現(xiàn)的：

3、第一方面，本發(fā)明提供了一種衛(wèi)星異常檢測系統(tǒng)，所述系統(tǒng)包括數(shù)據(jù)降維模塊和異常檢測模塊，所述數(shù)據(jù)降維模塊和所述異常檢測模塊部署于衛(wèi)星的星載檢測器上；

4、所述數(shù)據(jù)降維模塊，用于獲取衛(wèi)星子系統(tǒng)的多個遙測參數(shù)，并從多個遙測參數(shù)中篩選出n個最優(yōu)特征參數(shù)，其中，所述n個最優(yōu)特征參數(shù)與預(yù)設(shè)異常類型參數(shù)之間的相關(guān)性最大，且所述n個最優(yōu)特征參數(shù)中任意兩個最優(yōu)特征參數(shù)之間的冗余性最小，n為大于或等于2的整數(shù)；

5、所述異常檢測模塊，用于通過所述星載檢測器本地部署的第一時序預(yù)測模型對所述n個最優(yōu)特征參數(shù)的參數(shù)值進(jìn)行預(yù)測，得到n個最優(yōu)特征參數(shù)各自的預(yù)測值，并基于所述預(yù)測值對所述衛(wèi)星進(jìn)行異常檢測，得到異常檢測結(jié)果。

6、可選地，所述異常檢測模塊，用于：

7、根據(jù)所述n個最優(yōu)特征參數(shù)各自的當(dāng)前實(shí)際值與預(yù)測值之差，確定出每個最優(yōu)特征參數(shù)的預(yù)測誤差；

8、基于預(yù)設(shè)的平滑系數(shù)，根據(jù)所述預(yù)測誤差和前一時刻的誤差閾值計(jì)算得到當(dāng)前誤差閾值；

9、在任一最優(yōu)特征參數(shù)的預(yù)測誤差超過所述當(dāng)前誤差閾值的情況下，確定所述衛(wèi)星異常，并輸出對應(yīng)的異常檢測結(jié)果。

10、可選地，所述異常檢測模塊，用于將所述n個最優(yōu)特征參數(shù)各自的當(dāng)前實(shí)際值及預(yù)設(shè)時間窗口內(nèi)的歷史實(shí)際值作為所述第一時序預(yù)測模型的輸入數(shù)據(jù)，并獲取所述第一時序預(yù)測模型根據(jù)所述輸入數(shù)據(jù)所輸出的所述n個最優(yōu)特征參數(shù)各自的預(yù)測值，所述第一時序預(yù)測模型為長短期記憶網(wǎng)絡(luò)；

11、通過所述長短期記憶網(wǎng)絡(luò)的遺忘門、輸入門和輸出門，基于所述n個最優(yōu)特征參數(shù)各自的當(dāng)前實(shí)際值及歷史實(shí)際值，輸出所述n個最優(yōu)特征參數(shù)各自的預(yù)測值；

12、所述系統(tǒng)還包括模型更新模塊，所述模型更新模塊部署于地面的計(jì)算平臺上；所述星載檢測器用于將所述異常檢測結(jié)果，以及，將所述衛(wèi)星的子系統(tǒng)的多個遙測參數(shù)各自的當(dāng)前實(shí)際值發(fā)送至所述計(jì)算平臺；

13、所述模型更新模塊，用于將所述多個遙測參數(shù)各自的當(dāng)前實(shí)際值以及所述異常檢測結(jié)果作為訓(xùn)練數(shù)據(jù)集，對所述計(jì)算平臺本地部署的第二時序預(yù)測模型進(jìn)行訓(xùn)練，直至達(dá)到預(yù)設(shè)的訓(xùn)練批次，其中，所述異常檢測結(jié)果作為所述訓(xùn)練數(shù)據(jù)集的標(biāo)簽；將訓(xùn)練至所述訓(xùn)練批次的第二時序預(yù)測模型的模型參數(shù)發(fā)送至所述衛(wèi)星；

14、所述異常檢測模塊，用于根據(jù)所述第二時序預(yù)測模型的模型參數(shù)，對應(yīng)更新所述第一時序預(yù)測模型的模型參數(shù)。

15、可選地，所述模型更新模塊，用于采用均方誤差作為損失函數(shù)，量化所述第二時序預(yù)測模型針對所述多個遙測參數(shù)各自的預(yù)測值與所述多個遙測參數(shù)各自的當(dāng)前實(shí)際值之間的偏差，并通過adam優(yōu)化算法調(diào)整所述第二時序預(yù)測模型的模型參數(shù)，以使所述損失函數(shù)最小化。

16、可選地，所述衛(wèi)星子系統(tǒng)包括姿態(tài)控制子系統(tǒng)，所述異常類型參數(shù)包括通信異常對應(yīng)的參數(shù)以及供電異常對應(yīng)的參數(shù)；

17、所述數(shù)據(jù)降維模塊，用于計(jì)算所述姿態(tài)控制系統(tǒng)各個組件的遙測參數(shù)之間的相關(guān)性，以及，計(jì)算所述姿態(tài)控制系統(tǒng)各個組件的遙測參數(shù)與除該遙測參數(shù)外的其他遙測參數(shù)之間的冗余性；將所述相關(guān)性最大且所述冗余性最小的n個遙測參數(shù)作為最優(yōu)特征參數(shù)。

18、可選地，所述系統(tǒng)還包括部署于所述衛(wèi)星上的星載計(jì)算機(jī)和控制模塊；

19、所述星載計(jì)算機(jī)，用于獲取所述異常檢測結(jié)果，并根據(jù)所述異常檢測結(jié)果生成對應(yīng)的控制指令，所述控制指令用于指示所述衛(wèi)星進(jìn)行異常處理；

20、所述控制模塊，用于執(zhí)行所述控制指令。

21、第二方面，本發(fā)明提供了一種衛(wèi)星異常檢測方法，應(yīng)用于如第一方面所述的衛(wèi)星異常檢測系統(tǒng)，所述方法包括：

22、獲取衛(wèi)星子系統(tǒng)的多個遙測參數(shù)，并從所述多個遙測參數(shù)中篩選出n個最優(yōu)特征參數(shù)，其中，所述n個最優(yōu)特征參數(shù)與預(yù)設(shè)異常類型參數(shù)之間的相關(guān)性最大，且所述n個最優(yōu)特征參數(shù)中任意兩個最優(yōu)特征參數(shù)之間的冗余性最小，n為大于或等于2的整數(shù)；

23、通過衛(wèi)星的星載檢測器本地部署的第一時序預(yù)測模型，對所述n個最優(yōu)特征參數(shù)的參數(shù)值進(jìn)行預(yù)測，得到所述n個最優(yōu)特征參數(shù)各自的預(yù)測值，并基于所述預(yù)測值對所述衛(wèi)星進(jìn)行異常檢測，得到異常檢測結(jié)果。

24、可選地，所述基于所述預(yù)測值對所述衛(wèi)星進(jìn)行異常檢測，包括：

25、根據(jù)所述n個最優(yōu)特征參數(shù)各自的當(dāng)前實(shí)際值與預(yù)測值之差，確定出每個最優(yōu)特征參數(shù)的預(yù)測誤差；

26、基于預(yù)設(shè)的平滑系數(shù)，根據(jù)所述預(yù)測誤差和前一時刻的誤差閾值計(jì)算得到當(dāng)前誤差閾值；

27、在任一最優(yōu)特征參數(shù)的預(yù)測誤差超過所述當(dāng)前誤差閾值的情況下，確定所述衛(wèi)星異常，并輸出對應(yīng)的異常檢測結(jié)果。

28、可選地，所述通過衛(wèi)星的星載檢測器本地部署的第一時序預(yù)測模型，對所述n個最優(yōu)特征參數(shù)的參數(shù)值進(jìn)行預(yù)測，包括：

29、將所述n個最優(yōu)特征參數(shù)各自的當(dāng)前實(shí)際值及預(yù)設(shè)時間窗口內(nèi)的歷史實(shí)際值作為所述第一時序預(yù)測模型的輸入數(shù)據(jù)，并獲取所述第一時序預(yù)測模型根據(jù)所述輸入數(shù)據(jù)所輸出的所述n個最優(yōu)特征參數(shù)各自的預(yù)測值，所述第一時序預(yù)測模型為長短期記憶網(wǎng)絡(luò)；

30、通過所述長短期記憶網(wǎng)絡(luò)的遺忘門、輸入門和輸出門，基于所述n個最優(yōu)特征參數(shù)各自的當(dāng)前實(shí)際值及歷史實(shí)際值，輸出所述n個最優(yōu)特征參數(shù)各自的預(yù)測值；

31、所述方法還包括：

32、將所述異常檢測結(jié)果，以及，將所述衛(wèi)星的子系統(tǒng)的多個遙測參數(shù)各自的當(dāng)前實(shí)際值發(fā)送至部署于地面的計(jì)算平臺；

33、將所述多個遙測參數(shù)各自的當(dāng)前實(shí)際值以及所述異常檢測結(jié)果作為訓(xùn)練數(shù)據(jù)集，對所述計(jì)算平臺本地部署的第二時序預(yù)測模型進(jìn)行訓(xùn)練，直至達(dá)到預(yù)設(shè)的訓(xùn)練批次，其中，所述異常檢測結(jié)果作為所述訓(xùn)練數(shù)據(jù)集的標(biāo)簽；將訓(xùn)練至所述訓(xùn)練批次的第二時序預(yù)測模型的模型參數(shù)發(fā)送至所述衛(wèi)星；

34、根據(jù)所述第二時序預(yù)測模型的模型參數(shù)，對應(yīng)更新所述第一時序預(yù)測模型的模型參數(shù)。

35、可選地，所述對所述計(jì)算平臺本地部署的第二時序預(yù)測模型進(jìn)行訓(xùn)練，包括：

36、采用均方誤差作為損失函數(shù)，量化所述第二時序預(yù)測模型針對所述多個遙測參數(shù)各自的預(yù)測值與所述多個遙測參數(shù)各自的當(dāng)前實(shí)際值之間的偏差，并通過adam優(yōu)化算法調(diào)整所述第二時序預(yù)測模型的模型參數(shù)，以使所述損失函數(shù)最小化。

37、本發(fā)明提供的技術(shù)方案至少帶來以下有益效果：

38、本發(fā)明基于相關(guān)性和冗余性對衛(wèi)星的遙測參數(shù)進(jìn)行降維處理，以使異常預(yù)測工作能夠在衛(wèi)星上開展和進(jìn)行，避免了數(shù)據(jù)傳輸至地面站的延遲問題，實(shí)現(xiàn)了衛(wèi)星本地的實(shí)時異常監(jiān)測和故障處理。通過篩選出與異常類型最相關(guān)的最優(yōu)特征參數(shù)，并最小化冗余性，優(yōu)化了計(jì)算資源的利用，減少了計(jì)算復(fù)雜度，提高了檢測效率。同時，能夠準(zhǔn)確預(yù)測衛(wèi)星關(guān)鍵參數(shù)的變化趨勢，提升了異常檢測的準(zhǔn)確性，減少虛警和漏警。整體來看，本發(fā)明通過本地化處理和智能化分析，大幅提升了衛(wèi)星異常檢測的精度、實(shí)時性和可靠性，有效保障衛(wèi)星的安全運(yùn)行。