一種衛星遙測參數趨勢異常的自動識別方法

王佳偉 秦巍 邵坤 劉超

(北京空間飛行器總體設計部,北京 100094)

目前,隨著衛星在軌高可靠運行要求的不斷提高,快速、準確發現衛星遙測參數數據異常變化趨勢顯得越發重要。衛星遙測參數是在軌了解衛星狀態最主要的手段,要及時、準確發現在軌衛星的異常情況,不僅需要監視遙測數據時間點變化情況,還需要監視遙測數據長期趨勢變化情況。衛星遙測分為數字量遙測和模擬量遙測,其中模擬量遙測具有長期趨勢變化特征。

在過去幾十年中,圍繞工程任務需求,國內外已經開展了針對衛星遙測數據趨勢監視的相關研究,提出了基于時間序列、基于頻域變化等分析方法。目前,國內針對具有長期穩定變化趨勢的遙測參數,主要采用人工趨勢判讀的方法進行監視,根據特定時段遙測參數時序變化曲線,結合歷史數據進行人工判讀。但人工判讀過程中,趨勢異常初期微小的變化很難發現,并且監視效率低,缺乏對遙測趨勢的持續性監測。因此如何解決監測成本高、持續性差和趨勢識別依賴人工等問題已經迫在眉睫。

本文將趨勢分析方法和深度學習相結合,提出基于頻域分析方法的趨勢異常自動判別方法。通過頻域變換提取趨勢變化特征值,并構建趨勢特征“條形碼”,利用多層前饋(BP)神經網絡[1]實現趨勢異常的學習和自動識別。最后通過Matlab軟件實現遙測參數異常變化趨勢的自動監測和發現,并通過在軌數據進行實際驗證。

1 頻域分析方法

衛星遙測數據是基于時間的連續變化序列,可將遙測數據看作信號。在信號處理領域常用頻域變化對信號進行處理分析,分析方法包括傅里葉變換、小波變換等。本文選取基于小波變換的頻域分析方法[2],對遙測信息的局部變化特征進行放大,定位異常變化發生點,在不同頻段對遙測信息進行識別、分析,使不易察覺的遙測異常趨勢變化信息在不同尺度空間顯露處理。通過小波變換發現遙測數據趨勢異常原理如圖1所示。

圖1 遙測變化趨勢頻域轉換Fig.1 Frequency-domain transformation telemetry trend

利用小波變換識別衛星遙測變化趨勢中異常值的過程是對遙測數據時間序列進行多尺度分析。當遙測趨勢出現突變時,其小波變換后的系數具有模極大值,通過對極大值點的檢測來確定奇異點,由此可發現遙測參數趨勢變化中的異常值。

假設給定一個基本函數ψ(t),尺度因子a 和位移因子b,那么基本函數ψ(t)先作移位再作伸縮以后可以得到ψa,b(t)＝,如果a 和b 不斷變化,可以得到函數ψa,b(t)[3]。假定a不隨t變化,此時給定衛星某遙測參數為時間序列函數x(t),則x(t)的小波變換為

式中:W 是小波變換,ψa,b(t)就是選用的小波基,Tx為時間函數。小波基具有尺度a、平移b 兩個參數,將函數在小波基下展開,就相當于將一個時間函數投影到二維的時間－尺度平面上。例如遙測參數F 在尺度空間和小波空間的投影即尺度系數和小波系數為

式中:φj,k(t),ψj,k(t)都是經尺度伸縮和平移得到的一個小波序列,ai為尺度函數;dj為平移函數,i,j,k 代表離散時間點,＜＞是對離散時間序列的卷積。遙測趨勢分解過程為

式中:h[x],g[x]是尺度濾波器和小波濾波器。由式(2)、(3)可知,遙測參數變化趨勢分解過程是先離散卷積的迭代運算,然后做因子為2的子采樣,后續層分解是利用前一層的尺度系數,重復之前的卷積后子采樣的過程,最終得到遙測數據從高頻到低頻的不同頻帶的趨勢信息,形成多分辨率分析,從而找到趨勢變化中的異常情況。

2 自動識別方法

2.1 自動識別流程

本文使用基于小波變換的頻域分析方法,將遙測數據時序變化轉換為頻域上的頻譜特征,通過特征向量深度學習,對趨勢異常變化進行自動化分析和識別。趨勢異常自動識別過程如圖2所示。

由圖2可知,遙測參數先經過頻域變換處理,然后根據特征向量構建方法構建參數對應的頻域特征向量,最后通過神經網絡進行自動學習識別:

圖2 趨勢異常自動識別過程Fig.2 Autonomous recognition process of trend anomaly

(1)頻域變換分析是通過頻域變換,將遙測參數時序變化曲線轉換為頻域變化曲線,形成趨勢“頻譜”特征;

(2)特征向量構建是對頻域特征進行標準化處理,構建遙測參數變化趨勢的頻域特征向量。將頻率f 按照經驗區間進行劃分4份,遙測轉換后的遙測參數TM 值進行等分處理,構建特征向量S1、S2、S3、S4,4個向量組合成特征矩陣S;

(3)自動學習識別是根據已構建的特征向量S和樣本集特征進行神經網絡學習,將當前遙測參數趨勢特征向量作為輸入,最終實現遙測參數趨勢異常的自動識別。

2.2 頻域特征構建

時序遙測數據經過頻域轉換得到數據在頻域的“頻譜”。為進行自動化學習識別,需要對頻域特征數據進行預處理,采用主成分分析方法構建具有顯著性和唯一性的頻域特征向量[4],以便神經網絡能以更高的效率進行訓練且擁有更高的識別率。

根據遙測數據在軌管理經驗,將頻譜特征劃分為網格形式。設置6 種頻譜狀態,每種信號采集500個樣本,6類波形共3000個樣本作為訓練集。再以不同于訓練集且不同時刻的這6類波形,每類波形200個樣本,作為測試集。本文設置神經網絡進行識別的頻譜狀態共有6種,每種頻譜狀態以10份不同的波形數據作為訓練樣本,每個樣本由其遙測幅值組成一個向量,則樣本的采樣點數量為xi的維數,采樣的頻點數為3600,可得訓練樣本集為{x1,x2,…,xm},構建趨勢變化頻域特征向量如圖3所示。

由圖3可知,通過對頻域特征進行網格劃分,可得到6個單位特征向量(f1～f6),同時根據單位特征向量之間的關聯關系,構建出關聯特征向量G。具體步驟如下:

圖3 頻域特征向量構建Fig.3 Frequency-domain eigenvector construction

(2)訓練集樣本去均值xnew＝xi－;

(4)計算協方差矩陣P 特征向量ui和對應的特征值λi,并將協方差矩陣的特征值按大到小排序。選擇其中最大的k 個,將其對應的k 個特征向量分別作為列向量組成特征向量矩陣Zk;

(5)將數據集xnew投影到選取的特征向量Zk

[5],得到已經降維的數據集P＝xnew×Zk。選取前k 個特征值λi,即維數從3600減少至k。k 最佳取值由在軌管理經驗值給出。這樣既保留了數據的主特征,又能大大提高神經網絡的訓練效率。

2.3 自動學習方法

根據頻域轉換獲得遙測數據的頻域特征后,根據特征構建方法構建每個遙測變化趨勢的頻譜特征向量,然后利用自動學習方法對趨勢變化進行自動識別。目前,搭建自動學習神經網絡的軟件平臺日趨成熟且專業化。由于基于頻譜數據的識別系統并不復雜,因此選用較為簡單的BP 神經網絡進行學習識別,能夠減少相應的計算復雜度。自動學習識別過程應用前文圖2方法。

本文選取線性神經元[6]作為神經網絡學習的基本單位,線性神經元結構如圖4所示。

圖4 神經元結構Fig.4 Neuron structure

由圖4可知,神經元根據輸入遙測數據進行學習,輸出學習結果,具體步驟如下。

(1)神經元i 的輸出與輸入關系為yi＝

(2)選用對數Q 形轉移函數作為隱含層神經元的激活函數,雙曲正切Q 形轉移函數作為輸出層神經元的激活函數。激活函數的公式為

本文設計的遙測趨勢自動學習神經網絡是由多個神經元連接而成的前饋神經網絡[7],它分為三層,即輸入層,隱含層和輸出層,神經網絡結構如圖5所示。

圖5 BP神經網絡結構圖Fig.5 BP neural network structure diagram

由圖5可知,神經網絡經過多層學習得到遙測參數趨勢的識別結果。

(1)第一層為輸入單元,第二層為隱含層,第三層為輸出層。由于輸入的數據是一個經過歸一化二維矩陣,所以輸入向量的最小值為－1,最大值為1。基于分類的要求,隱含層被設計為一層;輸出層的神經元數量和分類數量保持一致,為6個。

(2)自動識別算法設置初始訓練參數,訓練的最大迭代次數1000,初始訓練學習率lr為0.1,訓練性能學習目標為0.001。學習函數選用raingdx函數d x＝mc·d(x Ppref)＋lr·mc·,收斂閾值(mc)默認取值為0.9,d(x Ppref)是之前權值或偏差的變化量。對于每次迭代,如果性能指數ppref朝著目標減小,則學習率因子lr增加[8]。如果性能增加超過因子max Ppref＝1.04,則學習速率由因子調整,且不會增加性能。

3 在軌驗證

本文針對遙測數據時頻域變換方法及其在趨勢變化中的應用進行研究,選取衛星中具有代表性的遙測參數趨勢異常為例,進行頻域變換,利用已訓練的學習庫對趨勢結果進行自動識別,替代人工監視,自動發現趨勢變化中的異常遙測點。趨勢異常自動識別流程如圖6所示。

圖6 遙測趨勢自動識別流程Fig.6 Autonomous recognition process of trend anomaly

該方法已在某衛星在軌自動監視系統中進行應用,成功識別出紅外敏感器電流、太陽翼輸出電流趨勢異常變化。

紅外地球敏感器作為衛星主要姿態測量部件,是在軌管理日常監視的重點。其中電機電流遙測是表征紅外敏感器工作狀態的重要遙測。紅外敏感器正常工作時,電機電流非常穩定,變化很小。隨著工作時間的增長,當紅外敏感器內磨屑堆積到一定程度時,電機電流會異常波動,最終導致紅外敏感器發生堵轉,無法正常工作。在軌監測時,一般針對電機電流遙測設定一個監測閾值,當電流變大超過閾值時進行報警。但從紅外敏感器磨屑開始堆積時,電機電流趨勢已有異常變化,只是波動較小,未超出閾值,因此在異常變化初期很難發現,人工監視判讀成本高。

本文以某衛星紅外敏感器堵轉異常為例,分析自動識別方法在日常監視中的應用。某衛星紅外敏感器發生堵轉異常,紅外電機電流遙測TMK01異常增大,趨勢變化如圖7所示。

圖7 紅外敏感器電流趨勢異常變化Fig.7 Anomaly of infrared sensor current trend

紅外敏感器工作正常時,電機電流非常穩定,TMK01遙測變化很小,在軌時TMK01監測閾值設置為[0.8,1.2],如圖7方框1所示。當磨屑不斷堆積,TMK01遙測逐漸變大,如圖7方框2所示。但此時TMK01 異常波動很小,并未超過上限閾值1.2,因此很難發現。當TMK01遙測增大超過上限閾值1.2時,異常波動變大,很快發生堵轉,如圖7方框3所示。

通過小波頻域轉換方法,獲得遙測趨勢的頻域特征,構建頻域特征向量,作為自動學習識別的輸入。根據已學習的正常趨勢特征,通過識別算法進行自動識別,發現上圖方框2發現堵轉趨勢。自動識別過程如圖8所示。

圖8 紅外敏感器電流趨勢異常自動識別Fig.8 Autonomous identification of infrared sensor current trend anomaly

經過自動學習和識別可以看出:相比正常趨勢,經過頻域轉換后的信號震蕩明顯頻繁,細節信號可以看到增加了突變點,這些突變點和變化異常是由于磨屑堆積造成。經過頻域特征向量自動比對和識別,識別出早期趨勢變化異常,完全替代人工監視。

4 結束語

衛星日常在軌監測中,遙測數據微小的變化趨勢靠人為觀察難以發現,成本高,效率低。本文針對這個問題,研究基于頻域變換的遙測趨勢自動識別方法,實現對趨勢異常的自動化監視,主要研究內容和創新包括以下3個方面。

(1)分析了頻域變換方法在遙測數據趨勢分析中的優點,并與時域變換方法進行對比,對衛星遙測趨勢分析中使用頻域變換的可行性進行探討。

(2)研究遙測數據頻域特征向量構建過程,通過BP神經網絡進行趨勢特征學習,實現異常變化的自動化識別,替代人工監視方法。

(3)通過Matlab軟件實現遙測參數趨勢變化自動識別,并結合紅外敏感器電機電流、太陽電池陣電流兩個異常趨勢變換,驗證了該方法在具有遙測參數趨勢異常監視和預測中的有效性和準確性。