申请/专利权人：中国运载火箭技术研究院

申请日：2021-11-02

公开（公告）日：2024-04-12

公开（公告）号：CN114118224B

主分类号：G06F18/2433

分类号：G06F18/2433;G06N3/045;G06N3/0442;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.03.18#实质审查的生效;2022.03.01#公开

摘要：一种基于神经网络的全系统遥测参数异常检测系统，集试验数据管理、试验数据处理、试验数据挖掘分析等功能于一体，充分利用航天器试验数据。无需具体学习每个遥测参数的判读规则和阈值，直接通过所有参数的遥测历史数据作为输入，进行全系统参数的训练学习，建立用于全系统参数的异常检测知识网络模型，对事后试验数据进行快速判读，对实时试验数据在异常发生之前提前预警，同时系统还能够在数据挖掘算法层面进行扩展，基于海量的试验数据库，支持通过多种算法进行学习处理，解决不同问题，发现潜在知识。

主权项：1.一种基于神经网络的全系统遥测参数异常检测系统，其特征在于：包括数据结构管理模块、数据接收导入模块、数据查询模块、数据挖掘模块、异常检测模块、结果显示模块、数据存储模块，其中：数据结构管理模块：对项目系统层级目录结构树进行管理，支持结构目录节点灵活层级的创建，支持通过新建试验项目自动创建目录层级节点功能；数据接收导入模块：解析接收外部测发控系统发送的解析后数据帧，进行参数数据的解析获取，并将参数数据存储实时存储至试验数据库中，同时将接收到的解析后数据帧进行解析操作，对数据帧帧头进行判断，获取参数个数标识，并计算各参数的具体波道位置，根据各参数数据信息写入任务并提交至数据缓存池中，当缓存池接收的数据任务达到指定条数后再进行一次数据库的批量写入数据操作；于用户试验结束后，批量上传试验数据，对数据压缩包进行解析，根据压缩包层级结构自动创建系统结构树层级节点；数据查询模块：对试验数据进行表格化浏览，针对选中结构树中的任意节点，通过表方式查看该节点下的数据信息条目，对挑选的参数试验数据进行比对，并对要开展数据挖掘学习任务的训练数据以及异常检测的输入试验数据进行管理操作，同时可通过选择试验数据的属性及对应属性的关键字或范围进行多条件查找，进行数据文件下载及数据导出；数据挖掘模块：对数据池中的试验数据进行预处理操作，对时序遥测数据采取数据清洗、周期性分析、特征提取的预处理操作，并对数据池中的试验数据进行训练学习，应用不同的算法获得不同的学习结果知识，其中，在训练学习阶段，输入航天器全系统预处理后的遥测时序数据，数据均为航天器正常状态的遥测数据，针对各参数分别进行BiLSTM模型的训练，获取各时间点的预测值，损失函数采用MSE损失函数，用预测值与实际值之间的偏差进行梯度传播，并于训练结束后将输出模型进行保存；对数据挖掘学习后的知识进行存储以供调用；异常检测模块：选择异常检测算法，加载数据训练学习模块产生的知识，对数据进行异常检测；通过读取数据库中某次全系统试验数据，选择算法和知识模型进行异常检测，并给出异常检测结果；建立数据通信的网络连接，实时接收测发控解析好的数据帧，将全系统参数数据挑出，调用学习训练阶段保存的知识模型，针对各参数进行BiLSTM预测当前时间点的值，预测值采用ewma算法进行平滑处理，然后分别采三倍方差准则判断单个参数的异常概率；并对所有参数的异常概率进行加权求和，获取整体异常概率，输出各时间点的异常概率，根据预设阈值进行判别，产出阈值则视为出现异常；结果显示模块：对实时试验数据发生异常前存在不正常趋势的提前告警，通过获取实时异常检测结果，在界面上进行黄灯闪烁提醒，若获得异常检测结果中已发生异常，在界面上进行红灯闪烁，并提示异常参数和发生时刻；对事后试验数据的异常检测结果给出统计结果，检测数据量、发生异常个数、发生异常时刻、异常参数信息，将参数的异常时刻前后数据以曲线方式进行显示；并对外部用户所需的参数进行拖拽显示，绘制的数据曲线中可构建辅助线、隐藏、放缩、切换类型操作，选择加载异常检测结果，在数据曲线上标记异常发生时与正常值区间；数据存储模块：为各模块的输入、输出数据提供数据支撑；所述数据挖掘模块包括数据预处理模块、数据训练学习模块、数据模型存储模块，其中：数据预处理模块：对数据池中的试验数据进行预处理操作，对航天器时序遥测数据采取数据清洗、周期性分析、特征提取的预处理操作，所述数据清洗包括空缺值填充、归一化、去噪，对遥测数据中空缺值进行填充，采用上一时间点的数据对当前时间点进行填充，并通过归一化对遥测参数进行无量纲处理，在时间序列数据预处理时采取采用非线性阈值处理法以避免噪声及异常情况；数据训练学习模块：对数据池中的试验数据进行训练学习，应用不同的算法获得不同的学习结果知识，训练学习阶段，输入航天器全系统预处理后的遥测时序数据，包括m个参数，n个时间步，且数据均为航天器正常状态的遥测数据，对各参数分别进行BiLSTM模型的训练，获取各时间点预测值，损失函数采用MSE损失函数，用预测值和实际值之间的偏差进行梯度传播，并于训练结束后将输出模型进行保存；数据模型存储模块：对数据挖掘学习后的知识进行存储，根据知识模型结构，通过系统自定义数据模型，将知识进行存储以供异常检测模块调用；所述异常检测模块包括算法选择模块、事后异常检测模块、实时异常检测模块，其中：算法选择模块：选择异常检测算法，加载数据训练学习模块产生的知识，对数据进行异常检测；事后异常检测模块：通过读取数据库中某次全系统试验数据，选择算法和知识模型进行异常检测，并给出异常检测结果；实时异常检测模块：建立数据通信的网络连接，实时接收测发控解析好的数据帧，将全系统参数数据挑出，设置m个参数，n个时间步，调用学习训练阶段保存的知识模型，针对各参数进行BiLSTM预测当前时间点的值，预测值采用ewma算法进行平滑处理，分别采三倍方差准则判断单个参数的异常概率，具体为：pi＝di-3*sigmai3*sigmai若pi1则取pi＝1，i表示第i个参数，di表示预测值和实际值之间的偏差，sigma表示历史的实际参数值的方差，对m个参数的异常概率进行加权求和，得到系统的异常高率p，权重预先设定为该参数对子系统的重要程度，输出各时间点的异常概率p属于0至1间，超过阈值则判为异常。

全文数据：

权利要求：

百度查询： 中国运载火箭技术研究院 一种基于神经网络的全系统遥测参数异常检测系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD