一種基于離散時間段的測運控數(shù)據(jù)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(wèi)星遙測參數(shù)是了解衛(wèi)星工作狀態(tài)、進行衛(wèi)星故障診斷的重要依據(jù)[1]。因此對衛(wèi)星遙測數(shù)據(jù)的分析以及數(shù)據(jù)挖掘工作，對衛(wèi)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(wèi)星在軌運行周期長、遙測參數(shù)類型多、數(shù)據(jù)量大、數(shù)據(jù)變化緩慢等特點為遙測參數(shù)的應用帶來一定的挑戰(zhàn)。每個衛(wèi)星的遙測數(shù)據(jù)都包含電流、電壓、溫度等上萬個參數(shù)，這些參數(shù)的模擬量或數(shù)字量可以反映出衛(wèi)星的工作狀態(tài)或空間環(huán)境狀態(tài)[3]，不同的衛(wèi)星遙測參數(shù)類型不同，衛(wèi)星遙測參數(shù)采樣頻率很高，平均每個參數(shù)每秒采樣1次，衛(wèi)星正常工作壽命5～10年，按5年計算，每顆衛(wèi)星產(chǎn)生的遙測數(shù)據(jù)量約15 768億個,按每個遙測參數(shù)值占用1個字節(jié)、時間戳占用4個字節(jié)計算，數(shù)據(jù)存儲空間約為8.0 TB。

眾多的高校、科研機構和衛(wèi)星運行部門都開展了基于遙測大數(shù)據(jù)的衛(wèi)星工作狀態(tài)監(jiān)控、故障診斷和健康管理等技術研究工作，由于衛(wèi)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(nèi)看不出效果，需要針對衛(wèi)星連續(xù)運行幾年的數(shù)據(jù)進行分析才能發(fā)現(xiàn)規(guī)律，但是巨大的數(shù)據(jù)量又為數(shù)據(jù)處理與數(shù)據(jù)分析帶來極大的挑戰(zhàn)，需要占用大量的設備和時間，效率很低。

數(shù)據(jù)存儲容量大是衛(wèi)星歷史數(shù)據(jù)管理面臨的主要困難之一，也是導致數(shù)據(jù)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(shù)據(jù)分析方法，具備處理數(shù)據(jù)量小、效率高、能有效反映衛(wèi)星工況變化趨勢的優(yōu)點。

1 遙測參數(shù)檢測與分析方法

1.1 總體思路

針對衛(wèi)星在軌運行周期長、遙測參數(shù)類型多、數(shù)據(jù)量大和數(shù)據(jù)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(shù)類型，然后按固定長度時間間隔提取若干離散時間段的數(shù)據(jù)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(jié)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(shù)據(jù)量，可顯著提高數(shù)據(jù)分析效率。

圖1 基于離散時間段的遙測數(shù)據(jù)統(tǒng)計分析方法Fig.1 Statistical analysis method of telemetry data based on discrete time period

1.2 遙測參數(shù)檢測方法

遙測參數(shù)的數(shù)據(jù)類型通常包括布爾型、枚舉型和數(shù)值型。布爾型用于表達2個相反的狀態(tài)，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(tài)，如紅燈/綠燈/黃燈，通常實現(xiàn)約定的整數(shù)表示，如1，2，3,…，每個數(shù)字代表一種狀態(tài)；數(shù)值型用于表達在一個范圍內(nèi)連續(xù)變化的量，通常用浮點數(shù)表示。

遙測參數(shù)的具體取值與衛(wèi)星工作狀態(tài)密切相關，當衛(wèi)星處于不同工作狀態(tài)時，相關的遙測參數(shù)值也不同，因此遙測參數(shù)檢測通常需要結(jié)合衛(wèi)星工作狀態(tài)進行。遙測數(shù)據(jù)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(wèi)星同一工作狀態(tài)，檢測遙測參數(shù)是否有隨著衛(wèi)星運行時間增加而發(fā)生趨勢性變化的情況，遙測參數(shù)隨時間的趨勢性變化反映了衛(wèi)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(shù)值型的遙測參數(shù)進行。異常值檢測主要包括檢測布爾型/枚舉型遙測參數(shù)是否與衛(wèi)星工作狀態(tài)規(guī)定的值不同，檢測數(shù)值型遙測參數(shù)是否超出了衛(wèi)星工作狀態(tài)規(guī)定的取值范圍，數(shù)值型遙測參數(shù)檢測除了檢測其是否超出取值范圍外，還要檢測同一衛(wèi)星工作狀態(tài)下異常值的變化趨勢。

1.3 檢測結(jié)果統(tǒng)計分析

偶然一次的遙測參數(shù)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(tài)下遙測參數(shù)異常值進行多種手段統(tǒng)計分析，有助于發(fā)現(xiàn)遙測參數(shù)的變化趨勢和規(guī)律，可以為衛(wèi)星的工作狀態(tài)監(jiān)控、故障診斷、健康預測與評估提供支持，本文擬結(jié)合不同衛(wèi)星工作狀態(tài)、遙測參數(shù)變化情況，進行如下統(tǒng)計分析：

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

(2) 遙測參數(shù)異常趨勢分析。針對某一數(shù)值型遙測參數(shù)，查詢其在某一工作狀態(tài)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(shù)的“時間-數(shù)值”分布統(tǒng)計圖，分析該參數(shù)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(shù)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(shù)值”分布統(tǒng)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(shù)值軸，表示參數(shù)值的大小，將每次異常按時間、數(shù)值標在圖上，用于分析遙測參數(shù)異常值隨時間的變化趨勢。

(3) 遙測參數(shù)異常次數(shù)分析。分2種情況進行統(tǒng)計，第1種情況是針對某一遙測參數(shù)在某一工作狀態(tài)下，統(tǒng)計各離散時間段內(nèi)出現(xiàn)異常的次數(shù)，然后按時間對各離散時間段內(nèi)的異常次數(shù)進行排序，分析該參數(shù)異常次數(shù)的變化趨勢，反映衛(wèi)星某一方面的狀態(tài)變化趨勢；第2種情況是分別統(tǒng)計各離散時間段內(nèi)的所有異常次數(shù)，不區(qū)分遙測參數(shù)和衛(wèi)星工作狀態(tài)，然后按時間對各離散時間段內(nèi)的異常次數(shù)進行排序，分析異常次數(shù)的變化趨勢，反映衛(wèi)星的綜合狀態(tài)變化趨勢。

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

(5) 遙測參數(shù)異常相關性分析。包括自相關分析和關聯(lián)分析，自相關分析指針對某一遙測參數(shù)在某一工作狀態(tài)下的異常情況進行相關分析，包括時間相關性分析、衛(wèi)星工作狀態(tài)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(nèi)連續(xù)出現(xiàn)，衛(wèi)星工作狀態(tài)相關性分析關注該異常是否與衛(wèi)星某個特定工作狀態(tài)相關；關聯(lián)分析關注多個參數(shù)是否同時發(fā)生異常、短時間內(nèi)先后異常且先后順序固定。

2 系統(tǒng)設計與實現(xiàn)

2.1 遙測參數(shù)異常檢測樣本數(shù)據(jù)庫設計

由于遙測參數(shù)類型多、數(shù)據(jù)量大和高并發(fā)等特點，為了保證并發(fā)海量遙測數(shù)據(jù)的高效存儲，每一條記錄代表一個時刻產(chǎn)生的一個參數(shù)的數(shù)值及其相關信息[5]。衛(wèi)星管控系統(tǒng)對所有衛(wèi)星遙測參數(shù)存儲結(jié)構進行了統(tǒng)一設計，采用關系型數(shù)據(jù)庫對挑點后的遙測參數(shù)進行存儲，每顆衛(wèi)星的所有遙測參數(shù)處理結(jié)果都存儲在一張數(shù)據(jù)表中，表結(jié)構如表 1所示。

表1 原始遙測參數(shù)表結(jié)構Tab.1 Table structure of original telemetry parameters

該表結(jié)構簡單，適用于遙測數(shù)據(jù)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(shù)的數(shù)值,SJSJ(數(shù)據(jù)采集時間)字段和CSBH(遙測參數(shù)編號)字段大量重復，無法建立高效索引，導致數(shù)據(jù)檢索效率極低，并且由于每行存儲一個遙測參數(shù)值，非常不利于多參數(shù)關聯(lián)分析，因此需要針對遙測參數(shù)關聯(lián)分析重新建立遙測參數(shù)樣本表。在該表中，將需要在一起關聯(lián)分析的遙測參數(shù)進行時間對齊，即每行為同一時刻的多個遙測參數(shù)值，針對采樣頻率不一致問題，將采樣頻率低的遙測參數(shù)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(lián)分析的遙測參數(shù)也不同，因此該表的列是動態(tài)的，需要根據(jù)分析專題進行動態(tài)生成，遙測參數(shù)樣本表結(jié)構如表 2所示。

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

表2 遙測參數(shù)樣本表結(jié)構Tab.2 Sample table structure of telemetry parameters

遙測參數(shù)規(guī)則表主要用于規(guī)定不同的遙測參數(shù)在衛(wèi)星不同的工作狀態(tài)時的取值范圍，表結(jié)構如表3所示。

表3 遙測參數(shù)規(guī)則表結(jié)構Tab.3 Rule table structure of telemetry parameters

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

表4 衛(wèi)星工作計劃表結(jié)構Tab.4 Working schedule table structure of satellite

2.2 遙測參數(shù)異常檢測軟件設計

遙測參數(shù)異常檢測軟件的主要功能包括樣本數(shù)據(jù)導入、異常參數(shù)檢測、變化趨勢分析、異常趨勢分析、異常次數(shù)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(shù)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(shù)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(shù)列表】中選擇要分析的參數(shù)，然后從【工作狀態(tài)】下拉列表中選擇要針對分析的工作狀態(tài)，從【統(tǒng)計類型】下拉列表中選擇要執(zhí)行的分析類型，點擊【統(tǒng)計分析】按鈕，即可根據(jù)設置的條件從數(shù)據(jù)庫中查詢相應的數(shù)據(jù)，進行計算、統(tǒng)計，最后生成統(tǒng)計分析數(shù)據(jù)結(jié)果和圖表。

2.2.1 樣本數(shù)據(jù)導入

樣本數(shù)據(jù)導入之前首先要確定檢測專題(如：姿態(tài)控制、載荷控制、數(shù)傳控制)及該專題涉及的遙測參數(shù)和衛(wèi)星動作，然后創(chuàng)建相應的數(shù)據(jù)庫表，包括與檢測專題相關的遙測參數(shù)樣本表(結(jié)構如表 2所示)、遙測參數(shù)規(guī)則表(結(jié)構如表 3所示)和衛(wèi)星工作計劃表(結(jié)構如表 4所示)。

3張數(shù)據(jù)表建立完成后，分別從衛(wèi)星業(yè)務運行系統(tǒng)中衛(wèi)星載荷工作計劃表中提取檢測專題的衛(wèi)星動作數(shù)據(jù)到衛(wèi)星工作計劃表，從原始遙測參數(shù)表提取相關遙測參數(shù)數(shù)據(jù)到遙測參數(shù)表，從衛(wèi)星使用約束表中提取衛(wèi)星使用約束到遙測參數(shù)規(guī)則表。

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

圖4 遙測參數(shù)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(tǒng)遙測參數(shù)表的SJSJ字段插入要提取遙測參數(shù)的時間，每秒一條記錄，執(zhí)行完此步驟后，遙測參數(shù)表中只有SJSJ字段有數(shù)據(jù)，其余字段均為空；

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

(3) 從原始遙測參數(shù)表中提取遙測參數(shù)：根據(jù)要提取遙測參數(shù)的時間，從原始遙測參數(shù)表中提取相關遙測參數(shù)，提取的內(nèi)容包括數(shù)據(jù)采集時間、遙測參數(shù)名稱、遙測參數(shù)值，提取結(jié)果保存到臨時數(shù)據(jù)鏈表中；

(4) 填充遙測參數(shù)：遍歷上述步驟的臨時數(shù)據(jù)鏈表，根據(jù)數(shù)據(jù)采集時間、遙測參數(shù)值更新遙測參數(shù)表中相應遙測參數(shù)名稱對應的字段，執(zhí)行完此步驟后，同一采集時間的相關遙測參數(shù)被保存到遙測參數(shù)表的同一行中，完成了遙測參數(shù)的時間對齊；

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

2.2.2 異常參數(shù)檢測

異常參數(shù)檢測功能為根據(jù)遙測參數(shù)規(guī)則表判斷遙測參數(shù)表中每個遙測參數(shù)值是否超出范圍[9-11]，超出范圍即認為數(shù)據(jù)異常，此功能的處理流程如圖 5所示。

圖5 異常參數(shù)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(shù)規(guī)則表，提取出每條記錄的遙測參數(shù)名稱、衛(wèi)星工作狀態(tài)、此工作狀態(tài)遙測參數(shù)的取值范圍；

(2) 針對每條遙測參數(shù)規(guī)則，查詢遙測參數(shù)表，查詢出與該條規(guī)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(shù)值，將查詢結(jié)果保存到臨時數(shù)據(jù)鏈表；

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

2.2.3 檢測結(jié)果統(tǒng)計分析

(1) 變化趨勢分析

該功能用于分析遙測參數(shù)是否會隨衛(wèi)星運行時間的增加發(fā)生趨勢性的變化。由于衛(wèi)星在軌運行時間很長，遙測參數(shù)變化的趨勢很緩慢，在較短的時間內(nèi)無法察覺，對長達幾年的數(shù)據(jù)進行統(tǒng)計，由于數(shù)據(jù)量過大導致統(tǒng)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(shù)平均值進行對比分析,既可以發(fā)現(xiàn)遙測參數(shù)的趨勢變化，又不至于由于統(tǒng)計的數(shù)據(jù)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(nèi)的異常數(shù)值進行查詢統(tǒng)計，用于發(fā)現(xiàn)遙測參數(shù)異常值分布區(qū)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(shù)分析

此功能是統(tǒng)計遙測參數(shù)在不同離散時間段出現(xiàn)的異常次數(shù)，將異常次數(shù)按時間排序，用于分析異常次數(shù)隨時間的變化趨勢，用數(shù)據(jù)表和統(tǒng)計圖的方式表達統(tǒng)計結(jié)果，統(tǒng)計時可以將遙測參數(shù)與衛(wèi)星工作狀態(tài)任意組合。具體包括：單一遙測參數(shù)針對單一工作狀態(tài)下的異常次數(shù)；單一遙測參數(shù)針對多個工作狀態(tài)下的異常次數(shù)；多個遙測參數(shù)針對單一工作狀態(tài)下的異常次數(shù)；多個遙測參數(shù)針對多個工作狀態(tài)下的異常次數(shù)。

(4) 異常間隔分析

此功能是統(tǒng)計在同一離散時間段內(nèi)，相鄰2次遙測參數(shù)異常的時間間隔，用于分析遙測異常發(fā)生頻率隨時間的變化趨勢，用數(shù)據(jù)表和統(tǒng)計圖的方式表達統(tǒng)計結(jié)果，統(tǒng)計時可以將遙測參數(shù)與衛(wèi)星工作狀態(tài)任意組合。具體包括：單一遙測參數(shù)針對單一工作狀態(tài)下的異常間隔；單一遙測參數(shù)針對多個工作狀態(tài)下的異常間隔；多個遙測參數(shù)針對單一工作狀態(tài)下的異常間隔；多個遙測參數(shù)針對多個工作狀態(tài)下的異常間隔。

(5) 異常關聯(lián)分析

執(zhí)行此功能后，自動查詢每個離散時間段內(nèi)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(nèi)集中連續(xù)出現(xiàn)異常的同一參數(shù)；篩選出多次出現(xiàn)的多個相同參數(shù)同時異常、短時間(可設置)內(nèi)先后異常且先后順序固定情況；將參數(shù)異常與衛(wèi)星工作狀態(tài)匹配，篩選出多次出現(xiàn)的“參數(shù)異常-衛(wèi)星工作狀態(tài)”匹配結(jié)果。

3 試驗結(jié)果

3.1 試驗數(shù)據(jù)準備

以業(yè)務運行系統(tǒng)中某衛(wèi)星相機載荷為研究對象，采用仿真的方法生成模擬數(shù)據(jù)，對檢測方法的有效性和時效性進行驗證。

為了使模擬數(shù)據(jù)具有一定的代表性，參考中的衛(wèi)星工作特點、不同工作狀態(tài)下相關遙測參數(shù)不同年份的統(tǒng)計結(jié)果，模擬產(chǎn)生2015-2019年每年10月份的數(shù)據(jù)，包括遙測參數(shù)檢測規(guī)則數(shù)據(jù)、衛(wèi)星的工作計劃數(shù)據(jù)、遙測參數(shù)樣本數(shù)據(jù)，建立遙測參數(shù)檢測樣本庫。

3.1.1 遙測參數(shù)檢測規(guī)則數(shù)據(jù)仿真

該衛(wèi)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(tài)相關的遙測參數(shù)有5個：YC001，YC002，YC003，YC004，YC005,參考業(yè)務運行系統(tǒng)，制定該載荷工作時的動作順序、時間約束和相應遙測參數(shù)取值范圍，如表 5所示。

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

再根據(jù)表 5的說明建立遙測參數(shù)檢測規(guī)則，如圖 6所示。

圖6 遙測參數(shù)檢測規(guī)則Fig.6 Detection rule table of telemetry parameters

3.1.2 衛(wèi)星工作計劃數(shù)據(jù)仿真

利用STK軟件生成衛(wèi)星工作計劃數(shù)據(jù)，根據(jù)衛(wèi)星軌道特性和相機載荷特性，向STK場景中添加該衛(wèi)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(wèi)星載荷對地面目標的成像時刻，然后根據(jù)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(wèi)星載荷工作計劃，主要包括DZMC、KSSJ和JSSJ三個字段。

圖7 衛(wèi)星載荷工作計劃Fig.7 Satellite payload schedule

3.1.3 原始遙測參數(shù)仿真

遙測參數(shù)仿真應參考業(yè)務運行系統(tǒng)中該衛(wèi)星載荷相關遙測參數(shù)的統(tǒng)計規(guī)律[12]，主要包括各參數(shù)在2015-2019年每年10月份的空閑狀態(tài)正常值范圍、空閑狀態(tài)異常值范圍、工作狀態(tài)正常值范圍、工作狀態(tài)異常值范圍、空閑狀態(tài)異常次數(shù)、工作狀態(tài)異常次數(shù)。

根據(jù)上述統(tǒng)計結(jié)果，設計仿真參數(shù)規(guī)則如表 6和表 7所示。

原始遙測參數(shù)仿真過程如下：

(1) 數(shù)據(jù)初始化：首先建立如表 1所示的原始遙測參數(shù)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(shù)，5個遙測參數(shù)均按表 6衛(wèi)星空閑狀態(tài)正常值范圍之間的隨機數(shù)插入，每個參數(shù)每秒插入一條記錄，數(shù)據(jù)初始化完成后，共產(chǎn)生53 568 000條記錄，如圖 8所示。

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

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

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

(2) 插入空閑狀態(tài)異常參數(shù)：根據(jù)表 7所示每年的衛(wèi)星空閑狀態(tài)異常次數(shù)范圍設置異常次數(shù)隨機數(shù)count，根據(jù)每年數(shù)據(jù)記錄的ID范圍，隨機抽取count條記錄的ID，根據(jù)每個ID對應的遙測參數(shù)異常值范圍取隨機數(shù)，更新被抽取的count條記錄的遙測參數(shù)值。

(3) 插入工作狀態(tài)正常參數(shù)：根據(jù)圖 7所示的衛(wèi)星載荷工作計劃、表 6所示的各遙測參數(shù)正常值范圍，更新衛(wèi)星載荷工作時各遙測參數(shù)的數(shù)值。

(4) 插入工作狀態(tài)異常參數(shù)：根據(jù)表 7所示每年的衛(wèi)星工作狀態(tài)異常次數(shù)范圍設置異常次數(shù)隨機數(shù)count，在圖 7所示的衛(wèi)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(shù)，根據(jù)該遙測參數(shù)異常值范圍取隨機數(shù)，更新原始遙測參數(shù)表中相應遙測參數(shù)值。

3.1.4 導入遙測參數(shù)樣本表

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

表8 遙測參數(shù)表結(jié)構Tab.8 Structure of telemetry parameter table

因為不同離散時間段的數(shù)據(jù)在時間上不連續(xù)，為了提高數(shù)據(jù)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(shù)據(jù)，每個表存儲行數(shù)據(jù)，從圖 8所示原始遙測參數(shù)表中提取相關參數(shù)，然后根據(jù)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(shù)表中的GZZT字段，完成后的遙測參數(shù)樣本數(shù)據(jù)如圖 9所示。

最后根據(jù)遙測參數(shù)檢測規(guī)則表對遙測參數(shù)表中的所有記錄進行異常檢測判斷，將出現(xiàn)參數(shù)超限的記錄進行標記，將超限參數(shù)名稱填寫到CXCS字段中。

圖9 遙測參數(shù)樣本Fig.9 Sample table of telemetry parameters

3.2 遙測參數(shù)統(tǒng)計分析

3.2.1 遙測參數(shù)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(tài)的參數(shù)會朝著某個方向發(fā)生變化，為了驗證這一猜想，對YC002,YC003,YC004三個遙測參數(shù)每年10月份的“空閑/工作”2個狀態(tài)正常值的平均值進行統(tǒng)計，結(jié)果如圖 10所示。從統(tǒng)計圖可以看出，處于正常范圍內(nèi)的3個參數(shù)隨著衛(wèi)星運行時間的增加，空閑狀態(tài)平均值有增大趨勢，而工作狀態(tài)下平均值有減小趨勢，表明3個參數(shù)的動態(tài)范圍有縮小趨勢。

(a) 衛(wèi)星空閑狀態(tài)下3個參數(shù)的平均值逐年變化情況

3.2.2 遙測參數(shù)異常趨勢分析

由表 5遙測參數(shù)說明可以看出，衛(wèi)星工作狀態(tài)不同時，數(shù)值型遙測參數(shù)的取值區(qū)間也不同，以YC003為例，當載荷空閑時，該參數(shù)處于一個低值區(qū)間(0～0.3)；載荷工作時，參數(shù)處于一個高值區(qū)間(4.1～4.7)。查詢YC003所有狀態(tài)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(shù)在“載荷關機”工作狀態(tài)出現(xiàn)2次異常，參數(shù)值均低于正常最小值，其余異常均為空閑狀態(tài)出現(xiàn)異常，參數(shù)值均高于正常值最大值。

根據(jù)表 9的數(shù)據(jù)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(shù)在空閑狀態(tài)的異常值有逐年增大趨勢，而在工作狀態(tài)的異常值有減小趨勢，與圖 10比較發(fā)現(xiàn)，處于不同衛(wèi)星工作狀態(tài)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(shù)的動態(tài)范圍在縮小。

表9 遙測參數(shù)YC003異常數(shù)據(jù)Tab.9 Telemetry parameter YC003 abnormal data

(a) 空閑狀態(tài)異常值分布

3.2.3 遙測參數(shù)異常次數(shù)分析

選擇YC001,YC002,YC003,YC004,YC005五個參數(shù)，分別統(tǒng)計其在每年10月份出現(xiàn)的異常次數(shù),如表10所示。異常次數(shù)增長趨勢如圖 12所示?？梢园l(fā)現(xiàn)，隨著衛(wèi)星運行時間的推移，除YC001沒有出現(xiàn)異常外，其余4個參數(shù)出現(xiàn)異常次數(shù)快速增加，表明衛(wèi)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(shù)異常次數(shù)統(tǒng)計Tab.10 Statistics of abnormal times of telemetry parameters in each year

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

3.2.4 遙測參數(shù)異常間隔分析

不區(qū)分衛(wèi)星工作狀態(tài)，查詢每年10月所有參數(shù)異常發(fā)生時間，對每年10月份參數(shù)異常按時間進行排序，計算前后2次異常的時間間隔，統(tǒng)計每年10月份異常最短間隔、最長間隔以及平均間隔，結(jié)果如表 11所示，各年10月份出現(xiàn)遙測參數(shù)異常在當月的分布如圖 13所示?？梢钥闯觯S著衛(wèi)星運行時間增加，遙測參數(shù)發(fā)生異常的頻率快速增加，與遙測參數(shù)異常次數(shù)的變化趨勢一致。

表11 各年份異常間隔統(tǒng)計結(jié)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(shù)異常相關分析

首先對各參數(shù)異常進行自相關分析，對2015-2019年每年10月份各參數(shù)出現(xiàn)異常總次數(shù)、間隔時間小于1天的次數(shù)進行統(tǒng)計，結(jié)果如表 12所示，從表中可以看出，每個參數(shù)異常次數(shù)相當，YC002和YC005短期內(nèi)連續(xù)異常的概率略大。

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

對參數(shù)異常與衛(wèi)星工作狀態(tài)進行相關性統(tǒng)計分析，結(jié)果如表 13所示。由于衛(wèi)星載荷大部分時間處于空閑狀態(tài)，各參數(shù)在空閑狀態(tài)出現(xiàn)異常的次數(shù)占比最大。除此之外還可以看出，YC004異常與“加電準備”狀態(tài)相關性較大，YC005異常與“載荷開機”相關性較大。

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

將所有參數(shù)異常按時間排序，計算前后2次異常時間間隔，未發(fā)現(xiàn)不同參數(shù)異常的相關性。

需要說明的是，每個遙測參數(shù)采樣個數(shù)是2 678 400,發(fā)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(shù)據(jù)進行的統(tǒng)計分析，統(tǒng)計結(jié)果帶有很大的偶然性，要準確分析參數(shù)之間、參數(shù)異常與衛(wèi)星工作狀態(tài)的相關性，還需要對更多的數(shù)據(jù)進行分析。

3.3 時效性指標統(tǒng)計

由于各種數(shù)據(jù)處理和統(tǒng)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(shù)據(jù)處理與統(tǒng)計的時間，經(jīng)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(shù)據(jù)是衛(wèi)星遙測數(shù)據(jù)應用面臨的主要困難，原始遙測參數(shù)表結(jié)構通用，每行存儲一個參數(shù)，適用于海量數(shù)據(jù)并發(fā)存儲，但不利于數(shù)據(jù)分析，遙測參數(shù)樣本表將同一時間的多個遙測參數(shù)放在一行，便于關聯(lián)分析。數(shù)據(jù)導入的過程是一個多行數(shù)據(jù)轉(zhuǎn)換為一行數(shù)據(jù)的過程，需要逐個參數(shù)轉(zhuǎn)換，如圖 14所示，當數(shù)據(jù)量很大時就會占用較長時間。

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

實際業(yè)務運行系統(tǒng)中，原始遙測參數(shù)表中存儲的是某衛(wèi)星所有的遙測參數(shù)，并且由于該表的SJSJ和參數(shù)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(shù)表時，需要按照SJSJ和CSMC對遙測參數(shù)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(shù)據(jù)存儲方式轉(zhuǎn)換Fig.14 Data storage mode conversion

4 結(jié)束語

針對遙測數(shù)據(jù)時間跨度長、數(shù)據(jù)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(shù)據(jù)異常檢測方法，該方法能夠高效地統(tǒng)計分析遙測參數(shù)在大時間跨度下的變化趨勢，為測運控數(shù)據(jù)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(xù)改進該算法，需要針對業(yè)務運行系統(tǒng)中的多顆衛(wèi)星遙測參數(shù)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(xù)衛(wèi)星故障診斷、健康管理與預測評估等工作提供數(shù)據(jù)和技術支持。