【摘要】：在軌航天器受工作環(huán)境和自身狀態(tài)影響,常常會發(fā)生各種子系統(tǒng)或者器件的異常,遙測數(shù)據(jù)來自于各個傳感器的對星上實時狀態(tài)的采集,能夠反映航天器的工作狀態(tài),因此處理和分析遙測時序數(shù)據(jù)是了解衛(wèi)星狀態(tài),對航天器進行在軌管理的唯一、有效手段。針對現(xiàn)有基于遙測參數(shù)的閾值范圍,或者對多參數(shù)閾值組合知識來檢測航天器發(fā)生的異常,存在既定的閾值知識無法完全覆蓋各種異常故障,閾值門限內衛(wèi)星的異常變化不能有效的發(fā)現(xiàn)等問題,本文研究基于遙測時序數(shù)據(jù)的閾值門限內的異常檢測方法,能及時發(fā)現(xiàn)航天器在門限內發(fā)生的微小變化或者異常,對于掌握異常演變規(guī)律,及時采取措施,防止重大故障的發(fā)生具有重大的意義。本文以遙測時序數(shù)據(jù)為研究對象,首先基于遙測時序數(shù)據(jù)管理和快速提取為遙測時序數(shù)據(jù)分析提供數(shù)據(jù)基礎的目的,充分應用了大數(shù)據(jù)分布式存儲理念,對遙測參數(shù)的存儲結構進行了重構,實現(xiàn)了遙測數(shù)據(jù)的快速時序化訪問;遙測數(shù)據(jù)在衛(wèi)星運行過程中參數(shù)形態(tài)的規(guī)律性變化,發(fā)現(xiàn)一些參數(shù)變化呈現(xiàn)出軌道周期性,且在周期內具有明顯的形態(tài)特征,與衛(wèi)星的工作狀態(tài)有對應關系對應,而通常衛(wèi)星會有有限種類模式,基于此結論認識,提出基于網(wǎng)格劃分的形態(tài)變化特征表示方式,實現(xiàn)了遙測數(shù)據(jù)變化形態(tài)特征的計算和提取,依據(jù)衛(wèi)星軌道周期完成數(shù)據(jù)的子窗口的切分,實現(xiàn)了遙測歷史數(shù)據(jù)的周期特征化;通過聚類的方法實現(xiàn)了參數(shù)模式模板的建立,并基于模板匹配實現(xiàn)了準實時參數(shù)異常周期的檢測;基于空間搜索的算法實現(xiàn)了一段歷史數(shù)據(jù)中存在的異常周期的挖掘檢測,最后通過計算異常周期內多參數(shù)的相關系數(shù)矩陣,找到了異常周期內參數(shù)的簇,利用現(xiàn)有的航天器異常知識,初步實現(xiàn)了數(shù)據(jù)異常周期與航天器異常的對應。通過實際遙測數(shù)據(jù)的測試發(fā)現(xiàn)使用該方法能夠自動完成近20%具有軌道周期特性參數(shù)的自動異常周期檢測,通過參數(shù)聚類,利用現(xiàn)有的故障模式庫,把異常周期與衛(wèi)星的子系統(tǒng)或器件的異常進行映射,初步實現(xiàn)了數(shù)據(jù)異常與航天器異常的關聯(lián)映射,對航天器異常檢測具有重要意義,促進了遙測數(shù)據(jù)在航天器管理中的運用。
【圖文】：

圖 2-2 數(shù)據(jù)多粒度層次數(shù)據(jù)模型同時為減少每個粒度層次數(shù)據(jù)存儲、傳輸過程中對空間、帶寬等資源消耗，在每個粒度層次上使用壓縮方法對時間片內的數(shù)據(jù)進行壓縮存儲[22]，由于時序數(shù)據(jù)在時間上變化相對緩慢，，甚至存在大片的相同值，壓縮的效率一般在 1:10 以上，這使得存儲的有效值大幅減小。盡管在獲取到數(shù)據(jù)后需要進行解壓縮，但是這樣

集群部署圖
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP311.13;V557.3;V467

【相似文獻】

相關期刊論文 前10條

1 王妙瓊;魏凱;姜春宇;;工業(yè)互聯(lián)網(wǎng)中時序數(shù)據(jù)處理面臨的新挑戰(zhàn)[J];信息通信技術與政策;2019年05期

2 黃雄波;;基于自相關函數(shù)的非平穩(wěn)時序數(shù)據(jù)的辨識改進[J];微型機與應用;2016年13期

3 尚繼霞;;基于時序數(shù)據(jù)的遼寧省環(huán)境庫茲涅茨曲線實證分析[J];統(tǒng)計與咨詢;2013年04期

4 鐘清流;蔡自興;;基于統(tǒng)計特征的時序數(shù)據(jù)符號化算法[J];計算機學報;2008年10期

5 王興家;汪曉惠;趙超;;基于神經(jīng)網(wǎng)絡的混沌時序數(shù)據(jù)失真檢測方法研究[J];重慶交通大學學報(自然科學版);2007年06期

6 郝善勇,劉玉樹;基于樣本數(shù)據(jù)重抽樣的時序數(shù)據(jù)預報方法[J];北京理工大學學報;2000年05期

7 駱金維;曾德生;郭雅;黃富平;;時序數(shù)據(jù)并行壓縮速率改進技術研究[J];電子設計工程;2018年20期

8 林芝,曹加恒,劉娟,韋豐;基于信息論網(wǎng)絡的時序數(shù)據(jù)庫挖掘[J];計算機工程與應用;2003年01期

9 鄭斌祥,杜秀華,席裕庚;一種時序數(shù)據(jù)的離群數(shù)據(jù)挖掘新算法[J];控制與決策;2002年03期

10 朱明,蔡慶生;基于約束滿足的相似時序數(shù)據(jù)的搜索算法[J];計算機工程;2000年01期

相關會議論文 前7條

1 張榮明;鄒湘軍;顧邦軍;羅陸鋒;周艷瓊;;基于探索性分析的時序數(shù)據(jù)研究[A];中國系統(tǒng)仿真學會第五次全國會員代表大會暨2006年全國學術年會論文集[C];2006年

2 鮑遠松;董文生;;一種分布式時序數(shù)據(jù)庫的存儲架構設計及實現(xiàn)方法[A];中國計量協(xié)會冶金分會2018年會論文集[C];2018年

3 張明偉;周清波;宮攀;陳仲新;周勇;劉佳;;基于MODIS時序數(shù)據(jù)分析的作物識別方法[A];農業(yè)工程科技創(chuàng)新與建設現(xiàn)代農業(yè)——2005年中國農業(yè)工程學會學術年會論文集第六分冊[C];2005年

4 劉帥;李琦;;基于重建NDVI時序數(shù)據(jù)的植被覆蓋變化研究[A];遙感定量反演算法研討會摘要集[C];2010年

5 許馨文;馬衛(wèi)國;張寶雷;;基于國家級開發(fā)區(qū)的聚類方法初探[A];京津走廊經(jīng)濟崛起與工業(yè)園區(qū)產業(yè)集群研究——紀念廊坊開發(fā)區(qū)建立十五周年暨工業(yè)園區(qū)產業(yè)集群專題征文研討活動論文集[C];2007年

6 曹暉;司剛全;張彥斌;賈立新;;基于模糊時序數(shù)據(jù)挖掘的火電廠制粉系統(tǒng)優(yōu)化算法[A];2007'儀表，自動化及先進集成技術大會論文集（一）[C];2007年

7 孫啟龍;呂穎;張利國;;基于深度學習的道路可靠性評估方法與實驗[A];第37屆中國控制會議論文集（E）[C];2018年

相關博士學位論文 前7條

1 吳吉慶;面向Internet的時序數(shù)據(jù)快速分發(fā)技術研究[D];國防科學技術大學;2011年

2 張貴生;數(shù)據(jù)驅動的金融時間序列預測模型研究[D];山西大學;2016年

3 何周舟;基于時序數(shù)據(jù)的結構學習與模式預測聯(lián)合優(yōu)化算法研究[D];浙江大學;2016年

4 白天;連分式方法在脈沖去噪、時序數(shù)據(jù)壓縮及視頻鏡頭檢測中的應用研究[D];合肥工業(yè)大學;2014年

5 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學;2016年

6 葉紅梅;面向流域生態(tài)安全的景觀格局演變研究[D];華中科技大學;2009年

7 鐘清流;時序、圖像特征檢測的理論、方法及應用研究[D];中南大學;2008年

相關碩士學位論文 前10條

1 寧順成;基于遙測時序數(shù)據(jù)的航天器異常檢測技術應用研究[D];哈爾濱工業(yè)大學;2019年

2 楊超;面向工業(yè)大數(shù)據(jù)的可視化系統(tǒng)設計與實現(xiàn)[D];電子科技大學;2019年

3 王超;云環(huán)境中時序數(shù)據(jù)的預測和異常檢測算法的研究[D];南京大學;2019年

4 舒?zhèn)ゲ?時序數(shù)據(jù)二分類問題的等距短shapelet轉換算法[D];中國科學技術大學;2019年

5 劉雷;面向時序數(shù)據(jù)的離群點異常檢測技術應用研究[D];中央民族大學;2019年

6 趙顯靜;面向時序數(shù)據(jù)的不確定性知識表示及預測[D];重慶郵電大學;2018年

7 韓日旺;關于時序網(wǎng)絡魯棒性與修復性的研究[D];華中師范大學;2018年

8 李鳳;非平衡時序數(shù)據(jù)的動態(tài)時間規(guī)整過采樣方法研究[D];暨南大學;2018年

9 吳俊鋒;面向TLE數(shù)據(jù)的多變量時序數(shù)據(jù)分類算法研究[D];國防科學技術大學;2016年

10 楊云麗;大數(shù)據(jù)背景下的時序數(shù)據(jù)分析[D];中國科學技術大學;2018年

本文編號：2600506