-
公开(公告)号：CN114897047B
公开(公告)日：2023-07-28
申请号：CN202210342799.7
申请日：2022-04-02
申请人： 西安交通大学 , 中国人民解放军63919部队
IPC分类号： G06F18/24 , G06F18/28 , G06F18/10 , G06F18/214
摘要： 本发明涉及一种基于深度字典的多传感器数据漂移检测方法，包括：数据预处理：采用滑动窗口方法将原始输入的多变量时间序列数据划分成多个子序列，每个子序列代表一个样本，将划分后的数据分为训练数据集和测试数据集；深度字典学习：包括稀疏编码和信号解码；异常检测：通过在训练集上学习到的字典计算待测试样本的稀疏编码，然后将字典和测试样本的稀疏编码进行相乘得到测试样本的重构数据，重构误差为异常得分，如果异常得分大于阈值，则判为异常，否则为正常。本发明不需要十分大量的标注数据。采用自动阈值的方法，根据样本的历史重构误差生成一个自动阈值，将自动阈值与当前测试样本的重构误差进行比较，具有较高的稳定性和泛化能力。
-
公开(公告)号：CN114881110A
公开(公告)日：2022-08-09
申请号：CN202210342896.6
申请日：2022-04-02
申请人： 西安交通大学 , 中国人民解放军63919部队
摘要： 本发明涉及一种在轨航天器舱内总压变化模式的实时检测方法，包括：通过数据预处理模块把数据转化为规范文件格式，针对在轨航天器时序数据存在野值、采样频率不固定、动态时序流的特点进行预处理，将时序数据转化为符合神经网络输入规范的形式；通过特征提取模块，采用多尺度的卷积核和池化窗口，在不同大小的感知野上提取在轨航天器数据特征，用于在同一模式下识别不同程度相位偏移的时序数据；通过判定识别模块，采用N×二分类的方法，将多分类任务拆解成一对其余式的二分类任务对在轨航天器舱内总压时序数据进行模式识别，并检测出未知模式数据。本发明使用一个模型同时解决了在轨航天器舱内总压数据的随机相位偏移问题和未知模式识别问题。
-
公开(公告)号：CN114897047A
公开(公告)日：2022-08-12
申请号：CN202210342799.7
申请日：2022-04-02
申请人： 西安交通大学 , 中国人民解放军63919部队
摘要： 本发明涉及一种基于深度字典的多传感器数据漂移检测方法，包括：数据预处理：采用滑动窗口方法将原始输入的多变量时间序列数据划分成多个子序列，每个子序列代表一个样本，将划分后的数据分为训练数据集和测试数据集；深度字典学习：包括稀疏编码和信号解码；异常检测：通过在训练集上学习到的字典计算待测试样本的稀疏编码，然后将字典和测试样本的稀疏编码进行相乘得到测试样本的重构数据，重构误差为异常得分，如果异常得分大于阈值，则判为异常，否则为正常。本发明不需要十分大量的标注数据。采用自动阈值的方法，根据样本的历史重构误差生成一个自动阈值，将自动阈值与当前测试样本的重构误差进行比较，具有较高的稳定性和泛化能力。
-
公开(公告)号：CN114881111B
公开(公告)日：2023-05-02
申请号：CN202210343661.9
申请日：2022-04-02
申请人： 西安交通大学 , 中国人民解放军63919部队
IPC分类号： G06F18/23213 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/088
摘要： 本发明涉及一种基于无监督深度学习的载人航天器在轨耗氧状态自动判别方法，包括：1)通过数据编码模块1‑1将原始数据送入编码器，得到相应的隐特征；2)通过数据解码模块1‑2将隐特征送入解码器，得到重构的数据；3)通过伪标签生成模块1‑3，利用K‑means算法对编码器输出的隐特征进行聚类，将聚类结果作为伪标签，用于自动判别载人航天器在轨耗氧状态；4)通过参数更新模块1‑4，利用最小化损失函数更新编码器和解码器的网络参数；其中损失函数包括相似性损失和重构损失。本发明通过无监督深度学习解决任意一对数据的二分类判定问题，从而实现载人航天器在轨耗氧状态自动判别。
-
公开(公告)号：CN114881111A
公开(公告)日：2022-08-09
申请号：CN202210343661.9
申请日：2022-04-02
申请人： 西安交通大学 , 中国人民解放军63919部队
摘要： 本发明涉及一种基于无监督深度学习的载人航天器在轨耗氧状态自动判别方法，包括：1)通过数据编码模块1‑1将原始数据送入编码器，得到相应的隐特征；2)通过数据解码模块1‑2将隐特征送入解码器，得到重构的数据；3)通过伪标签生成模块1‑3，利用K‑means算法对编码器输出的隐特征进行聚类，将聚类结果作为伪标签，用于自动判别载人航天器在轨耗氧状态；4)通过参数更新模块1‑4，利用最小化损失函数更新编码器和解码器的网络参数；其中损失函数包括相似性损失和重构损失。本发明通过无监督深度学习解决任意一对数据的二分类判定问题，从而实现载人航天器在轨耗氧状态自动判别。
-
公开(公告)号：CN114881110B
公开(公告)日：2023-07-21
申请号：CN202210342896.6
申请日：2022-04-02
申请人： 西安交通大学 , 中国人民解放军63919部队
IPC分类号： G06F18/2431 , G06F18/25 , G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/048 , G06F123/02
摘要： 本发明涉及一种在轨航天器舱内总压变化模式的实时检测方法，包括：通过数据预处理模块把数据转化为规范文件格式，针对在轨航天器时序数据存在野值、采样频率不固定、动态时序流的特点进行预处理，将时序数据转化为符合神经网络输入规范的形式；通过特征提取模块，采用多尺度的卷积核和池化窗口，在不同大小的感知野上提取在轨航天器数据特征，用于在同一模式下识别不同程度相位偏移的时序数据；通过判定识别模块，采用N×二分类的方法，将多分类任务拆解成一对其余式的二分类任务对在轨航天器舱内总压时序数据进行模式识别，并检测出未知模式数据。本发明使用一个模型同时解决了在轨航天器舱内总压数据的随机相位偏移问题和未知模式识别问题。
-
公开(公告)号：CN112949753B
公开(公告)日：2023-10-24
申请号：CN202110325281.8
申请日：2021-03-26
申请人： 西安交通大学 , 中国电子科技集团公司第五十四研究所
IPC分类号： G06F18/2433 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/084 , G06F16/215 , G06F16/22 , G06F16/2458
摘要： 本发明提供了一种基于二元关系的卫星遥测时序数据异常检测方法，适用于具有二元关系的卫星遥测时序数据的异常检测。本方法将参数的二元关系映射到图像上，可以直观反映出参数间二元关系的不同模式。针对不同模式的特征，本发明采用卷积神经网络的方法进行特征提取，捕捉正常状态和异常状态下的多种模式特征，挖掘不同的关联模式。最终通过全连接层神经元学习这些特征，做到对正常情况和不同异常情况的识别。本发明可以有效利用参数间的关联性对卫星遥测时序数据进行异常检测，并通过数据的关联模式辅助专家进行卫星故障诊断，为卫星健康运行提供技术保障。
-
公开(公告)号：CN111858680B
公开(公告)日：2022-10-25
申请号：CN202010764018.4
申请日：2020-08-01
申请人： 西安交通大学 , 中国西安卫星测控中心
IPC分类号： G06F16/2455 , G06F16/26 , G06K9/62
摘要： 本发明提供了一种快速实时检测卫星遥测时序数据异常的方法，适用于卫星部件参数的遥测时序数据。本发明方法利用滑动窗口对遥测数据流进行分段处理，每个窗口数据与前k个窗口比较，具有自适应性，无需人工设置固定的参数上下限。本发明方法从时域和频域多重角度分析数据，综合了四种实时异常检测技术，包括时域统计量异常检测、时域一阶导数异常检测、频域相似性异常检测、频域统计量异常检测。本发明方法可以将多种异常检测技术同时使用或者组合使用，从而降低了漏检率和误报率，能够有效利用遥测时序数据流快速实时检测卫星遥测时序数据异常，帮助专家实时监测卫星运行状态，确保卫星健康安全运行。
-
公开(公告)号：CN112949753A
公开(公告)日：2021-06-11
申请号：CN202110325281.8
申请日：2021-03-26
申请人： 西安交通大学 , 中国电子科技集团公司第五十四研究所
IPC分类号： G06K9/62 , G06N3/04 , G06N3/08 , G06F16/215 , G06F16/22 , G06F16/2458
摘要： 本发明提供了一种基于二元关系的卫星遥测时序数据异常检测方法，适用于具有二元关系的卫星遥测时序数据的异常检测。本方法将参数的二元关系映射到图像上，可以直观反映出参数间二元关系的不同模式。针对不同模式的特征，本发明采用卷积神经网络的方法进行特征提取，捕捉正常状态和异常状态下的多种模式特征，挖掘不同的关联模式。最终通过全连接层神经元学习这些特征，做到对正常情况和不同异常情况的识别。本发明可以有效利用参数间的关联性对卫星遥测时序数据进行异常检测，并通过数据的关联模式辅助专家进行卫星故障诊断，为卫星健康运行提供技术保障。
-
公开(公告)号：CN112101482A
公开(公告)日：2020-12-18
申请号：CN202011152977.7
申请日：2020-10-26
申请人： 西安交通大学 , 中国电子科技集团公司第五十四研究所
摘要： 一种对有缺失卫星数据进行参数异常模式检测的方法，包括：数据预处理，完成卫星时序数据的规范化和标准化处理；异常检测，基于人工神经网络模型，载入包含缺失的卫星时序数据，设置批处理参数，根据该参数值对卫星时序数据进行分组，之后对包含缺失的每组卫星时序数据进行异常检测；结果图形可视化，保存检测结果，并图形化显示异常检测结果。该方法利用一种全新的神经网络模型，结合卫星时序数据固有的时间依赖特性，实现在有大量缺失数据情况下对卫星异常模式进行准确检测的过程，保证了卫星故障诊断和健康管理系统的稳定性。
-
-
-
-
-
-
-
-
-
搜索结果
53 条记录 (耗时 0.036 秒)
