• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>日本航空宇宙学会論文集 >次元削減とクラスタリングによる宇宙機テレメトリ監視法
【24h】

次元削減とクラスタリングによる宇宙機テレメトリ監視法

机译：降维聚类的航天器遥测监测方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

宇宙機システムのための高度な監視・異常検知・診断技 術の開発は重要な課題の一つである．従来，ルールベース 診断法（エキスパートシステム）卜3）やモデルベース推論4） などの知識集中型の異常検知・故障診断法が開発されてい るが，専門家知識からルールベースやモデルベースを構築 するコストが高く，広く普及するには至っていない．%Development of intelligent system monitoring and fault detection techniques for spacecraft is of a great interest in the space engineering. In this paper, we propose a "data-driven" anomaly detection framework for spacecraft telemetry data using dimensionality reduction and clustering techniques. In this framework, we first apply dimensionality reduction or/and clustering algorithms to a normal training data set, so that we obtain statistical models representing the normal behavior of spacecraft. After the training, we monitor test data sets and detect anomaly if any, by using the obtained models. This framework is so comprehensive that a variety of clustering, dimensionality reduction and their hybrid algorithms can be used with it. In the experiment, we tested several algorithms on the past artificial satellite data, and found that a hybrid method called VQPCA is more suitable for modeling high-dimensional and multi-modal telemetry than others.
机译：航天器系统高级监视，异常检测和诊断技术的发展是重要的问题之一。传统上，已经开发了基于知识的异常检测/故障诊断方法，例如基于规则的诊断方法（专家系统）3）和基于模型的推理4），但是规则库和模型库是根据专家知识构建的。成本高并且没有广泛传播。本文提出了一种基于降维和聚类技术的航天器遥测数据“数据驱动”异常检测框架。本文提出的航天器智能系统监测与故障检测技术在航天工程中引起了广泛的关注。在框架中，我们首先将降维或/和聚类算法应用于正常的训练数据集，以便获得代表航天器正常行为的统计模型。训练后，我们通过使用以下方法监视测试数据集并检测异常（如果有）获得的模型。此框架是如此全面，以至于可以使用多种聚类，降维及其混合算法。在实验中，我们对过去的人造卫星数据测试了几种算法，发现一种称为VQPCA的混合方法是比其他模型更适合于建模高维和多模式遥测。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号