一種基于離散時間段的測運控數據異常檢測方法

彭會湘，劉光輝，陳韜亦，譚振淮，翟 磊

(1.中國電子科技集團公司第五十四研究所，河北 石家莊 050081; 2.北京市遙感信息研究所，北京 100192)

0 引言

衛星遙測參數是了解衛星工作狀態、進行衛星故障診斷的重要依據[1]。因此對衛星遙測數據的分析以及數據挖掘工作，對衛星異常檢測、故障檢測以及壽命預測等研究具有重要意義[2]。

由于衛星在軌運行周期長、遙測參數類型多、數據量大、數據變化緩慢等特點為遙測參數的應用帶來一定的挑戰。每個衛星的遙測數據都包含電流、電壓、溫度等上萬個參數，這些參數的模擬量或數字量可以反映出衛星的工作狀態或空間環境狀態[3]，不同的衛星遙測參數類型不同，衛星遙測參數采樣頻率很高，平均每個參數每秒采樣1次，衛星正常工作壽命5～10年，按5年計算，每顆衛星產生的遙測數據量約15 768億個,按每個遙測參數值占用1個字節、時間戳占用4個字節計算，數據存儲空間約為8.0 TB。

眾多的高校、科研機構和衛星運行部門都開展了基于遙測大數據的衛星工作狀態監控、故障診斷和健康管理等技術研究工作，由于衛星運行時間長，各種設備器件老化、故障率升高是一個長期漸變的過程，短期內看不出效果，需要針對衛星連續運行幾年的數據進行分析才能發現規律，但是巨大的數據量又為數據處理與數據分析帶來極大的挑戰，需要占用大量的設備和時間，效率很低。

數據存儲容量大是衛星歷史數據管理面臨的主要困難之一，也是導致數據應用效率低的主要原因[4]。本文提出一種基于離散時間段的測運控數據分析方法，具備處理數據量小、效率高、能有效反映衛星工況變化趨勢的優點。

1 遙測參數檢測與分析方法

1.1 總體思路

針對衛星在軌運行周期長、遙測參數類型多、數據量大和數據變化緩慢等特點，選擇關心的專題進行檢測分析，首先確定與本專題相關的遙測參數類型，然后按固定長度時間間隔提取若干離散時間段的數據樣本，針對各離散時間段的樣本進行檢測，并對各離散時間段的檢測結果進行時間相關分析，如圖 1所示，既能反映較長時間跨度的變化趨勢，又能有效減小數據量，可顯著提高數據分析效率。

圖1 基于離散時間段的遙測數據統計分析方法Fig.1 Statistical analysis method of telemetry data based on discrete time period

1.2 遙測參數檢測方法

遙測參數的數據類型通常包括布爾型、枚舉型和數值型。布爾型用于表達2個相反的狀態，如開/關、通/斷等，通常用true/false或1/0表示;枚舉型表達多個確定的狀態，如紅燈/綠燈/黃燈，通常實現約定的整數表示，如1，2，3,…，每個數字代表一種狀態；數值型用于表達在一個范圍內連續變化的量，通常用浮點數表示。

遙測參數的具體取值與衛星工作狀態密切相關，當衛星處于不同工作狀態時，相關的遙測參數值也不同，因此遙測參數檢測通常需要結合衛星工作狀態進行。遙測數據檢測包括正常值變化趨勢檢測和異常值檢測。正常值變化趨勢檢測主要是針對衛星同一工作狀態，檢測遙測參數是否有隨著衛星運行時間增加而發生趨勢性變化的情況，遙測參數隨時間的趨勢性變化反映了衛星器件老化導致性能下降的問題，正常值變化趨勢檢測一般針對數值型的遙測參數進行。異常值檢測主要包括檢測布爾型/枚舉型遙測參數是否與衛星工作狀態規定的值不同，檢測數值型遙測參數是否超出了衛星工作狀態規定的取值范圍，數值型遙測參數檢測除了檢測其是否超出取值范圍外，還要檢測同一衛星工作狀態下異常值的變化趨勢。

1.3 檢測結果統計分析

偶然一次的遙測參數異常不能說明什么問題，但是偶然中存在著必然，通過對各種狀態下遙測參數異常值進行多種手段統計分析，有助于發現遙測參數的變化趨勢和規律，可以為衛星的工作狀態監控、故障診斷、健康預測與評估提供支持，本文擬結合不同衛星工作狀態、遙測參數變化情況，進行如下統計分析：

(1) 遙測參數變化趨勢分析。針對某一數值型遙測參數，統計其在某一工作狀態下每個離散時間段處于正常取值范圍內的最小值、最大值和平均值，將統計值按時間段排序，分析其變化趨勢。

(2) 遙測參數異常趨勢分析。針對某一數值型遙測參數，查詢其在某一工作狀態下的所有異常值，并計算每個異常值絕對超限量、相對超限量，然后按離散時間段對異常值進行聚類，制作異常參數的“時間-數值”分布統計圖，分析該參數異常值隨時間的變化趨勢，其中，超限量的計算方法為：

式中，val表示遙測參數值；LimitMin表示取值范圍下限；LimitMax表示取值范圍上限；deta表示絕對超限量；rate表示相對超限量。

“時間-數值”分布統計圖是一個二維散點圖，橫軸為時間軸，表示各離散時間段在時間軸上的分布，縱軸為數值軸，表示參數值的大小，將每次異常按時間、數值標在圖上，用于分析遙測參數異常值隨時間的變化趨勢。

(3) 遙測參數異常次數分析。分2種情況進行統計，第1種情況是針對某一遙測參數在某一工作狀態下，統計各離散時間段內出現異常的次數，然后按時間對各離散時間段內的異常次數進行排序，分析該參數異常次數的變化趨勢，反映衛星某一方面的狀態變化趨勢；第2種情況是分別統計各離散時間段內的所有異常次數，不區分遙測參數和衛星工作狀態，然后按時間對各離散時間段內的異常次數進行排序，分析異常次數的變化趨勢，反映衛星的綜合狀態變化趨勢。

(4) 遙測參數異常間隔分析。分2種情況進行統計，第1種情況是針對某一遙測參數在某一工作狀態下，計算各離散時間段內的每相鄰2次異常出現的時間間隔，分析不同離散時間段內異常間隔變化趨勢，反映衛星某一方面的狀態變化趨勢；第2種情況是分別計算各離散時間段內的所有相鄰異常的時間間隔，不區分遙測參數和衛星工作狀態，然后分析不同離散時間段內異常間隔變化趨勢，反映衛星的綜合狀態變化趨勢。

(5) 遙測參數異常相關性分析。包括自相關分析和關聯分析，自相關分析指針對某一遙測參數在某一工作狀態下的異常情況進行相關分析，包括時間相關性分析、衛星工作狀態相關性分析。時間相關性分析關注該異常是否集中在某時間段內連續出現，衛星工作狀態相關性分析關注該異常是否與衛星某個特定工作狀態相關；關聯分析關注多個參數是否同時發生異常、短時間內先后異常且先后順序固定。

2 系統設計與實現

2.1 遙測參數異常檢測樣本數據庫設計

由于遙測參數類型多、數據量大和高并發等特點，為了保證并發海量遙測數據的高效存儲，每一條記錄代表一個時刻產生的一個參數的數值及其相關信息[5]。衛星管控系統對所有衛星遙測參數存儲結構進行了統一設計，采用關系型數據庫對挑點后的遙測參數進行存儲，每顆衛星的所有遙測參數處理結果都存儲在一張數據表中，表結構如表 1所示。

表1 原始遙測參數表結構Tab.1 Table structure of original telemetry parameters

該表結構簡單，適用于遙測數據實時存儲，效率很高，但缺點是同一時刻存儲了約10 000個不同遙測參數的數值,SJSJ(數據采集時間)字段和CSBH(遙測參數編號)字段大量重復，無法建立高效索引，導致數據檢索效率極低，并且由于每行存儲一個遙測參數值，非常不利于多參數關聯分析，因此需要針對遙測參數關聯分析重新建立遙測參數樣本表。在該表中，將需要在一起關聯分析的遙測參數進行時間對齊，即每行為同一時刻的多個遙測參數值，針對采樣頻率不一致問題，將采樣頻率低的遙測參數按最高時間采樣頻率進行插值，由于分析的目的不同，進行關聯分析的遙測參數也不同，因此該表的列是動態的，需要根據分析專題進行動態生成，遙測參數樣本表結構如表 2所示。

衛星處于不同的工作狀態時，各遙測參數的值也不一樣，要判斷某個遙測參數值是否異常[6-7]，需要知道該遙測參數采集時刻衛星的工作狀態，以及衛星在此工作狀態時，該遙測參數正常的取值范圍。因此還需要建立遙測參數規則表和衛星工作計劃表，用于支持遙測參數異常檢測。

表2 遙測參數樣本表結構Tab.2 Sample table structure of telemetry parameters

遙測參數規則表主要用于規定不同的遙測參數在衛星不同的工作狀態時的取值范圍，表結構如表3所示。

表3 遙測參數規則表結構Tab.3 Rule table structure of telemetry parameters

衛星工作計劃表用于記錄衛星工作時的動作序列，主要包括動作名稱(DZMC,與遙測參數規則表中的衛星工作狀態STATE一致)、動作開始時間(KSSJ)和動作結束時間(JSSJ)，表結構如表 4所示。

表4 衛星工作計劃表結構Tab.4 Working schedule table structure of satellite

2.2 遙測參數異常檢測軟件設計

遙測參數異常檢測軟件的主要功能包括樣本數據導入、異常參數檢測、變化趨勢分析、異常趨勢分析、異常次數分析、異常間隔分析和異常相關分析7個模塊，軟件功能模塊組成及關系如圖 2所示。

圖2 遙測參數異常檢測軟件功能組成Fig.2 Function composition of abnormal detection software of telemetry parameters

軟件運行界面如圖 3所示。

圖3 遙測參數異常檢測軟件界面Fig.3 Software UI of abnormal detection of telemetry parameters

在該界面中首先從【參數列表】中選擇要分析的參數，然后從【工作狀態】下拉列表中選擇要針對分析的工作狀態，從【統計類型】下拉列表中選擇要執行的分析類型，點擊【統計分析】按鈕，即可根據設置的條件從數據庫中查詢相應的數據，進行計算、統計，最后生成統計分析數據結果和圖表。

2.2.1 樣本數據導入

樣本數據導入之前首先要確定檢測專題(如：姿態控制、載荷控制、數傳控制)及該專題涉及的遙測參數和衛星動作，然后創建相應的數據庫表，包括與檢測專題相關的遙測參數樣本表(結構如表 2所示)、遙測參數規則表(結構如表 3所示)和衛星工作計劃表(結構如表 4所示)。

3張數據表建立完成后，分別從衛星業務運行系統中衛星載荷工作計劃表中提取檢測專題的衛星動作數據到衛星工作計劃表，從原始遙測參數表提取相關遙測參數數據到遙測參數表，從衛星使用約束表中提取衛星使用約束到遙測參數規則表。

在原始遙測參數表中，同一時間的相關遙測參數存儲于不同的行[8]，而在本系統中，同一時間的相關遙測參數要存儲到一行中，遙測參數提取的處理流程如圖 4所示。

圖4 遙測參數預處理流程Fig.4 Pretreatment process of telemetry parameters

具體如下：

(1) 插入時間字段：向本系統遙測參數表的SJSJ字段插入要提取遙測參數的時間，每秒一條記錄，執行完此步驟后，遙測參數表中只有SJSJ字段有數據，其余字段均為空；

(2) 初始化工作狀態字段：將遙測參數表所有記錄的衛星工作狀態字段(GZZT)全部更新為“空閑”；

(3) 從原始遙測參數表中提取遙測參數：根據要提取遙測參數的時間，從原始遙測參數表中提取相關遙測參數，提取的內容包括數據采集時間、遙測參數名稱、遙測參數值，提取結果保存到臨時數據鏈表中；

(4) 填充遙測參數：遍歷上述步驟的臨時數據鏈表，根據數據采集時間、遙測參數值更新遙測參數表中相應遙測參數名稱對應的字段，執行完此步驟后，同一采集時間的相關遙測參數被保存到遙測參數表的同一行中，完成了遙測參數的時間對齊；

(5) 更新工作狀態：遍歷衛星工作計劃表，針對該表中每個動作的名稱、開始時間和結束時間，更新遙測參數表中的衛星GZZT字段，凡是數據采集時間處于動作開始時間和結束時間之間的記錄，將其衛星GZZT字段更新為該動作名稱，執行完此步驟后，則完成了所有遙測參數與衛星工作狀態的匹配。

2.2.2 異常參數檢測

異常參數檢測功能為根據遙測參數規則表判斷遙測參數表中每個遙測參數值是否超出范圍[9-11]，超出范圍即認為數據異常，此功能的處理流程如圖 5所示。

圖5 異常參數檢測處理流程Fig.5 Detection and processing process of abnormal parameters

具體如下：

(1) 遍歷遙測參數規則表，提取出每條記錄的遙測參數名稱、衛星工作狀態、此工作狀態遙測參數的取值范圍；

(2) 針對每條遙測參數規則，查詢遙測參數表，查詢出與該條規則相匹配的記錄，主要包括記錄唯一標識(ID)和相應的遙測參數值，將查詢結果保存到臨時數據鏈表；

(3) 遍歷臨時數據鏈表中的每條記錄，判斷遙測參數值是否超出了規則中規定的遙測參數范圍，如果超出則判斷參數異常，根據記錄唯一標識(ID)更新遙測參數表中該記錄的超限參數字段(CXCS)，將遙測參數名稱追加至該字段。

2.2.3 檢測結果統計分析

(1) 變化趨勢分析

該功能用于分析遙測參數是否會隨衛星運行時間的增加發生趨勢性的變化。由于衛星在軌運行時間很長，遙測參數變化的趨勢很緩慢，在較短的時間內無法察覺，對長達幾年的數據進行統計，由于數據量過大導致統計時間過長，通過對多個較長時間間隔的離散時間段的遙測參數平均值進行對比分析,既可以發現遙測參數的趨勢變化，又不至于由于統計的數據量過大導致程序停止響應。

(2) 異常趨勢分析

通過對不同離散時間段內的異常數值進行查詢統計，用于發現遙測參數異常值分布區間變化趨勢，由于不同離散時間段間隔時間較長，如果異常值有趨勢性變化時，不同離散時間段的異常值的差異將十分明顯。

(3) 異常次數分析

此功能是統計遙測參數在不同離散時間段出現的異常次數，將異常次數按時間排序，用于分析異常次數隨時間的變化趨勢，用數據表和統計圖的方式表達統計結果，統計時可以將遙測參數與衛星工作狀態任意組合。具體包括：單一遙測參數針對單一工作狀態下的異常次數；單一遙測參數針對多個工作狀態下的異常次數；多個遙測參數針對單一工作狀態下的異常次數；多個遙測參數針對多個工作狀態下的異常次數。

(4) 異常間隔分析

此功能是統計在同一離散時間段內，相鄰2次遙測參數異常的時間間隔，用于分析遙測異常發生頻率隨時間的變化趨勢，用數據表和統計圖的方式表達統計結果，統計時可以將遙測參數與衛星工作狀態任意組合。具體包括：單一遙測參數針對單一工作狀態下的異常間隔；單一遙測參數針對多個工作狀態下的異常間隔；多個遙測參數針對單一工作狀態下的異常間隔；多個遙測參數針對多個工作狀態下的異常間隔。

(5) 異常關聯分析

執行此功能后，自動查詢每個離散時間段內的所有異常，并計算前后相鄰異常的時間間隔，基于時間間隔進行時間相關分析，篩選出在短時間(可設置)內集中連續出現異常的同一參數；篩選出多次出現的多個相同參數同時異常、短時間(可設置)內先后異常且先后順序固定情況；將參數異常與衛星工作狀態匹配，篩選出多次出現的“參數異常-衛星工作狀態”匹配結果。

3 試驗結果

3.1 試驗數據準備

以業務運行系統中某衛星相機載荷為研究對象，采用仿真的方法生成模擬數據，對檢測方法的有效性和時效性進行驗證。

為了使模擬數據具有一定的代表性，參考中的衛星工作特點、不同工作狀態下相關遙測參數不同年份的統計結果，模擬產生2015-2019年每年10月份的數據，包括遙測參數檢測規則數據、衛星的工作計劃數據、遙測參數樣本數據，建立遙測參數檢測樣本庫。

3.1.1 遙測參數檢測規則數據仿真

該衛星載荷工作序列包括加電準備、載荷開機、載荷關機、斷電復位4個動作，與該載荷工作狀態相關的遙測參數有5個：YC001，YC002，YC003，YC004，YC005,參考業務運行系統，制定該載荷工作時的動作順序、時間約束和相應遙測參數取值范圍，如表 5所示。

表5 載荷工作序列及遙測參數說明Tab.5 Description of payload working sequence and telemetry parameters

再根據表 5的說明建立遙測參數檢測規則，如圖 6所示。

圖6 遙測參數檢測規則Fig.6 Detection rule table of telemetry parameters

3.1.2 衛星工作計劃數據仿真

利用STK軟件生成衛星工作計劃數據，根據衛星軌道特性和相機載荷特性，向STK場景中添加該衛星的軌道模型和載荷模型，在地面隨機設置若干拍攝目標點，利用STK的訪問分析功能，計算該衛星載荷對地面目標的成像時刻，然后根據表 5所示載荷動作序列，補全每次成像的相關動作及時間段，生成如圖 7所示的衛星載荷工作計劃，主要包括DZMC、KSSJ和JSSJ三個字段。

圖7 衛星載荷工作計劃Fig.7 Satellite payload schedule

3.1.3 原始遙測參數仿真

遙測參數仿真應參考業務運行系統中該衛星載荷相關遙測參數的統計規律[12]，主要包括各參數在2015-2019年每年10月份的空閑狀態正常值范圍、空閑狀態異常值范圍、工作狀態正常值范圍、工作狀態異常值范圍、空閑狀態異常次數、工作狀態異常次數。

根據上述統計結果，設計仿真參數規則如表 6和表 7所示。

原始遙測參數仿真過程如下：

(1) 數據初始化：首先建立如表 1所示的原始遙測參數表，然后向該表中初始化插入2015-2019年每年10月份的遙測參數，5個遙測參數均按表 6衛星空閑狀態正常值范圍之間的隨機數插入，每個參數每秒插入一條記錄，數據初始化完成后，共產生53 568 000條記錄，如圖 8所示。

表6 各遙測參數正常值范圍Tab.6 Normal range of telemetry parameters

表7 各遙測參數異常值范圍及次數Tab.7 Range and times of abnormal values of telemetry parameters

圖8 原始遙測參數Fig.8 Original telemetry parameter

(2) 插入空閑狀態異常參數：根據表 7所示每年的衛星空閑狀態異常次數范圍設置異常次數隨機數count，根據每年數據記錄的ID范圍，隨機抽取count條記錄的ID，根據每個ID對應的遙測參數異常值范圍取隨機數，更新被抽取的count條記錄的遙測參數值。

(3) 插入工作狀態正常參數：根據圖 7所示的衛星載荷工作計劃、表 6所示的各遙測參數正常值范圍，更新衛星載荷工作時各遙測參數的數值。

(4) 插入工作狀態異常參數：根據表 7所示每年的衛星工作狀態異常次數范圍設置異常次數隨機數count，在圖 7所示的衛星載荷工作計劃表中隨機抽取count條記錄的ID，再隨機抽取異常遙測參數，根據該遙測參數異常值范圍取隨機數，更新原始遙測參數表中相應遙測參數值。

3.1.4 導入遙測參數樣本表

遙測參數樣本表主要包括：SJSJ、GZZT、參數YC001、參數YC002、參數YC003、參數YC004、參數YC005、CXCS等字段，表結構如表 8所示。

表8 遙測參數表結構Tab.8 Structure of telemetry parameter table

因為不同離散時間段的數據在時間上不連續，為了提高數據檢索的效率，分別建立4個遙測樣本表，分別為CAM2016、CAM2017、CAM2018、CAM2019，表中每行存儲1 s的數據，每個表存儲行數據，從圖 8所示原始遙測參數表中提取相關參數，然后根據如圖 7所示載荷工作計劃表中各動作的起止時間更新遙測參數表中的GZZT字段，完成后的遙測參數樣本數據如圖 9所示。

最后根據遙測參數檢測規則表對遙測參數表中的所有記錄進行異常檢測判斷，將出現參數超限的記錄進行標記，將超限參數名稱填寫到CXCS字段中。

圖9 遙測參數樣本Fig.9 Sample table of telemetry parameters

3.2 遙測參數統計分析

3.2.1 遙測參數變化趨勢分析

一般情況下，隨著設備運行時間增加，器件會逐漸老化，反映其工作狀態的參數會朝著某個方向發生變化，為了驗證這一猜想，對YC002,YC003,YC004三個遙測參數每年10月份的“空閑/工作”2個狀態正常值的平均值進行統計，結果如圖 10所示。從統計圖可以看出，處于正常范圍內的3個參數隨著衛星運行時間的增加，空閑狀態平均值有增大趨勢，而工作狀態下平均值有減小趨勢，表明3個參數的動態范圍有縮小趨勢。

(a) 衛星空閑狀態下3個參數的平均值逐年變化情況

3.2.2 遙測參數異常趨勢分析

由表 5遙測參數說明可以看出，衛星工作狀態不同時，數值型遙測參數的取值區間也不同，以YC003為例，當載荷空閑時，該參數處于一個低值區間(0～0.3)；載荷工作時，參數處于一個高值區間(4.1～4.7)。查詢YC003所有狀態下的異常值，并計算其超限的絕對量和相對量，如表 9所示。從表中可以看出，該參數在“載荷關機”工作狀態出現2次異常，參數值均低于正常最小值，其余異常均為空閑狀態出現異常，參數值均高于正常值最大值。

根據表 9的數據生成的異常值分布圖，如圖 11所示。

由圖11(a)可以看出，該參數在空閑狀態的異常值有逐年增大趨勢，而在工作狀態的異常值有減小趨勢，與圖 10比較發現，處于不同衛星工作狀態下,異常值的變化趨勢與正常值的變化趨勢相一致，也表明該參數的動態范圍在縮小。

表9 遙測參數YC003異常數據Tab.9 Telemetry parameter YC003 abnormal data

(a) 空閑狀態異常值分布

3.2.3 遙測參數異常次數分析

選擇YC001,YC002,YC003,YC004,YC005五個參數，分別統計其在每年10月份出現的異常次數,如表10所示。異常次數增長趨勢如圖 12所示。可以發現，隨著衛星運行時間的推移，除YC001沒有出現異常外，其余4個參數出現異常次數快速增加，表明衛星載荷控制電路綜合情況在逐漸變差。

表10 各年份遙測參數異常次數統計Tab.10 Statistics of abnormal times of telemetry parameters in each year

圖12 遙測參數異常次數增長趨勢Fig.12 The increasing trend of abnormal times of telemetry parameters

3.2.4 遙測參數異常間隔分析

不區分衛星工作狀態，查詢每年10月所有參數異常發生時間，對每年10月份參數異常按時間進行排序，計算前后2次異常的時間間隔，統計每年10月份異常最短間隔、最長間隔以及平均間隔，結果如表 11所示，各年10月份出現遙測參數異常在當月的分布如圖 13所示。可以看出，隨著衛星運行時間增加，遙測參數發生異常的頻率快速增加，與遙測參數異常次數的變化趨勢一致。

表11 各年份異常間隔統計結果Tab.11 Statistical results of abnormal interval in each year 單位：天

圖13 各年10月份異常分布Fig.13 Anomaly distribution in October of each year

3.2.5 遙測參數異常相關分析

首先對各參數異常進行自相關分析，對2015-2019年每年10月份各參數出現異常總次數、間隔時間小于1天的次數進行統計，結果如表 12所示，從表中可以看出，每個參數異常次數相當，YC002和YC005短期內連續異常的概率略大。

表12 遙測參數異常時間相關性分析Tab.12 Time correlation analysis of abnormal telemetry parameters

對參數異常與衛星工作狀態進行相關性統計分析，結果如表 13所示。由于衛星載荷大部分時間處于空閑狀態，各參數在空閑狀態出現異常的次數占比最大。除此之外還可以看出，YC004異常與“加電準備”狀態相關性較大，YC005異常與“載荷開機”相關性較大。

表13 遙測參數異常與工作狀態相關性分析Tab.13 Correlation analysis between abnormal telemetry parameters and working state

將所有參數異常按時間排序，計算前后2次異常時間間隔，未發現不同參數異常的相關性。

需要說明的是，每個遙測參數采樣個數是2 678 400,發生的異常約20次，是一個非常小的概率，并且還只是針對2015-2019年每年10月份的數據進行的統計分析，統計結果帶有很大的偶然性，要準確分析參數之間、參數異常與衛星工作狀態的相關性，還需要對更多的數據進行分析。

3.3 時效性指標統計

由于各種數據處理和統計都是針對不同時間段進行的，因此可以針對不同離散時間段采用不同的線程并行處理，可大幅縮短數據處理與統計的時間，經程序運行試驗，各功能耗時如表 14所示。

表14 各功能耗時列表Tab.14 Time consuming list of each function

由表14可以看出，海量數據是衛星遙測數據應用面臨的主要困難，原始遙測參數表結構通用，每行存儲一個參數，適用于海量數據并發存儲，但不利于數據分析，遙測參數樣本表將同一時間的多個遙測參數放在一行，便于關聯分析。數據導入的過程是一個多行數據轉換為一行數據的過程，需要逐個參數轉換，如圖 14所示，當數據量很大時就會占用較長時間。

數據導入的時間分為2部分：從原始遙測參數表中讀取數據的時間和向遙測參數樣本表寫入數據的時間。在本次試驗中，原始遙測參數表中的數據全部是針對本次試驗仿真的模擬數據，沒有多余的數據，執行導入時不需要按照數據時間和參數名稱檢索，因此讀取原始遙測參數表的效率很高，時間占比很小，而向遙測參數樣本表寫入數據時需要按時間和參數名稱對寫入位置進行定位(執行SQL語句中的update語句)，因此時間占比很大。

實際業務運行系統中，原始遙測參數表中存儲的是某衛星所有的遙測參數，并且由于該表的SJSJ和參數名稱(CSMC)字段大量重復，無法建立高效索引，讀取原始遙測參數表時，需要按照SJSJ和CSMC對遙測參數進行檢索，花費的時間將會大幅增加，從而導致整個導入過程的時間會成倍增加。

圖14 數據存儲方式轉換Fig.14 Data storage mode conversion

4 結束語

針對遙測數據時間跨度長、數據量大、異常檢測效率低、難度大的問題，提出了一種基于若干離散時間段的遙測數據異常檢測方法，該方法能夠高效地統計分析遙測參數在大時間跨度下的變化趨勢，為測運控數據快速異常檢測提供了一個解決思路。為了進一步驗證該方法的有效性并持續改進該算法，需要針對業務運行系統中的多顆衛星遙測參數進行試驗，并提高軟件的自動化程度與可靠性，投入工程化應用，為后續衛星故障診斷、健康管理與預測評估等工作提供數據和技術支持。