[发明专利]一种基于聚类分析的异常检测方法

摘要

本发明涉及航天器异常运行状态检测技术领域，具体涉及一种基于聚类分析的异常检测方法，目的是解决现有的航天器运行状态异常检测方式难以制定状态数据判断规则且难以对航天器整体异常情况作出判断的技术问题。其特征在于，具体包括如下步骤：确定最优聚类距离参数、进行历史数据聚类和检测异常运行状态。本发明通过对航天器运行状态历史数据的聚类分析，生成用于异常运行状态检测的历史运行状态数据类模型，避免了人工制定判断规则的困难；同时，可以根据航天器当前运行状态数据，对用于异常运行状态检测的历史运行状态数据类模型进行更新，能够根据当前运行情况改进异常检测模型。

主权项

1.一种基于聚类分析的异常检测方法，具体包括如下步骤：第一步：确定最优聚类距离参数；所述的第一步具体包括如下步骤：步骤1.1：航天器运行状态数据中共包括n个测试变量，按其名称顺序记为x1、x2、…、xn；对于归一化后的运行状态历史数据，将每个时刻t上的全部n个测试变量值：xj(t)，j＝1，2，…，n，组合为一个向量X(t)＝[x1(t),x2(t),…,xn(t)]，则向量X(t)为n维欧式空间上的一个数据点，欧式空间的n个维度与n个测试变量分别对应；步骤1.2：航天器运行状态历史数据包括m个时刻上的测试变量值，即包括n维欧式空间上的m个数据点：X(ti)，i＝1，2，…，m；计算m个运行状态历史数据点在全部n个空间维度上的最大值和最小值，分别记为xj(max)，j＝1，2，…，n和xj(min)，j＝1，2，…，n，然后计算全部n个空间维度上的数据范围和Zone＝sum(xj(max)‑xj(min))，j＝1，2，…，n；步骤1.3：对于给定的聚类距离参数D，计算对应的优化目标为聚类优化指数Index；(1)计算m个运行状态历史数据点X(ti)，i＝1，2，…，m的均值数据点Xmean＝sum(X(ti))/m，i＝1，2，…，m；然后，根据各个历史数据点与均值数据点的欧式距离大小，对各个历史数据点由小到大排列，记为X(1)、X(2)、…、X(m)；(2)顺序选取排列后的m个运行状态历史数据点X(i)，i＝1，2，…，m，并进行数据聚类，具体包括如下步骤：(2.1)当i＝1时，新建一个数据类C1，其在各空间维度上的上下边界C1.xj(max)、C1.xj(min)，j＝1，2，…，n均取为X(1)(j)，j＝1，2，…，n，并将X(1)归入数据类C1，即X(1)∈C1；(2.2)当i>1时：(2.2.1)分别计算X(i)与已有的p个数据类Ck，k＝1，2，…，p的相互距离Dis(X(i),Ck)＝sum(abs(X(i)(j)‑Ck.xj(max))+abs(X(i)(j)‑Ck.xj(min))，k＝1，2，…，p，j＝1，2，…，n，计算其中的最小距离Dismin＝min(Dis(X(i),Ck))，k＝1，2，…，p，记录对应的数据类Cnear；(2.2.2)如Dismin>D，新建一个数据类Cp+1，其在各空间维度上的上下边界Cp+1.xj(max)、Cp+1.xj(min)，j＝1，2，…，n均取为X(i)(j)，j＝1，2，…，n，并将X(i)归入数据类Cp+1，即X(i)∈Cp+1；(2.2.3)如Dismin≤D，扩充数据类Cnear在各空间维度上的上下边界：Cnear.xj(max)＝max(Cnear.xj(max),X(i)(j))，Cnear.xj(min)＝min(Cnear.xj(min),X(i)(j))，j＝1，2，…，n，并将X(i)归入数据类Cnear，即X(i)∈Cnear；(3)在数据聚类完成后，对于所有的r个数据类Ck，k＝1，2，…，r，计算每个数据类内各数据点的均值数据点Xk‑mean，k＝1，2，…，r，并计算其均值Xall‑mean＝sum(Xk‑mean)/r，k＝1，2，…，r；然后，计算聚类优化指数Index＝sum(sum(||X(i)‑Xk‑mean||2‑||Xk‑mean‑Xall‑mean||2))，k＝1，2，…，r，X(i)∈Ck；步骤1.4：在(0,Zone]区间内，对聚类距离参数D进行寻优，优化目标为使步骤1.3得到的聚类优化指数Index最小，通过现有寻优方法确定最优的D，记为最优聚类距离参数Dopt；第二步：进行历史数据聚类；所述的第二步具体包括如下步骤：采用第一步确定的最优聚类距离参数Dopt，对归一化后的航天器运行状态历史数据进行聚类，归一化方法与第一步中相同；具体聚类方法如下：(1)计算m个运行状态历史数据点X(ti)，i＝1，2，…，m的均值数据点Xmean＝sum(X(ti))/m，i＝1，2，…，m；然后，根据各个历史数据点与均值数据点的欧式距离大小，对各个历史数据点由小到大排列，记为X(1)、X(2)、…、X(m)；(2)顺序选取排列后的m个运行状态历史数据点X(i)，i＝1，2，…，m，并进行数据聚类，具体包括如下步骤：(2.1)当i＝1时，新建一个数据类C’1，其在各空间维度上的上下边界C’1.xj(max)、C’1.xj(min)，j＝1，2，…，n均取为X(1)(j)，j＝1，2，…，n，并将X(1)归入数据类C’1，即X(1)∈C’1；(2.2)当i>1时：(2.2.1)分别计算X(i)与已有的p’个数据类C’L，L＝1，2，…，p’的相互距离Dis’(X(i),C’L)＝sum(abs(X(i)(j)‑C’L.xj(max))+abs(X(i)(j)‑C’L.xj(min)),L＝1，2，…，p’,j＝1，2，…，n，计算其中的最小距离Dis’min＝min(Dis’(X(i),C’L)),L＝1，2，…，p’，记录对应的数据类C’near；(2.2.2)如Dis’min>Dopt，新建一个数据类C’p+1，其在各空间维度上的上下边界C’p+1.xj(max)、C’p+1.xj(min)，j＝1，2，…，n均取为X(i)(j)，j＝1，2，…，n，并将X(i)归入数据类C’p+1，即X(i)∈C’p+1；(2.2.3)如Dis’min≤Dopt，扩充数据类C’near在各空间维度上的上下边界：C’near.xj(max)＝max(C’near.xj(max),X(i)(j))，C’near.xj(min)＝min(C’near.xj(min),X(i)(j))，j＝1，2，…，n，并将X(i)归入数据类C’near，即X(i)∈C’near；(3)在步骤(1)和步骤(2)结束后，共产生q个航天器历史运行状态数据类C’M，M＝1，2，…，q；第三步：检测异常运行状态；所述的第三步具体包括如下步骤：根据第二步生成的q个航天器历史运行状态数据类CM，M＝1，2，…，q，对航天器当前运行状态进行检测，判断当前运行状态是否异常，具体判断方法如下：(1)归一化后的航天器当前时刻的运行状态数据中包括n个测试变量，按与第一步中相同的名称顺序记为x1、x2、…、xn，归一化方法与第一步中相同；将当前时刻tnow上的全部n个测试变量值：xi(tnow)，i＝1，2，…，n，组合为一个向量X(tnow)＝[x1(tnow),x2(tnow),…,xn(tnow)]，则向量X(tnow)为n维欧式空间上的一个数据点，欧式空间的n个维度与n个测试变量分别对应；(2.2)判断当前运行状态是否异常：(2.2.1)分别计算X(tnow)与q个历史运行状态数据类CM，M＝1，2，…，q的相互距离Dis”(X(tnow),C’M)＝sum(abs(X(tnow)(j)‑C’M.xj(max))+abs(X(tnow)(j)‑C’M.xj(min)),M＝1，2，…，q，j＝1，2，…，n，计算其中的最小距离Dis”min＝min(Dis”(X(tnow),C’M))，M＝1，2，…，q，记录对应的数据类C’near‑now；(2.2.2)如Dis”min>Dopt，判断当前运行状态为异常运行状态；(2.2.3)如Dis”min≤Dopt，扩充数据类C’near‑now在各空间维度上的上下边界：C’near‑now.xj(max)＝max(C’near‑now.xj(max),X(tnow)(j))，C’near‑now.xj(min)＝min(C’near‑now.xj(min),X(tnow)(j))，j＝1，2，…，n。