基于GAN序列的卫星数据接收系统故障定位

doi:10.7523/j.ucas.2021.0009

中国科学院大学学报 ›› 2023, Vol. 40 ›› Issue (1): 109-118.DOI: 10.7523/j.ucas.2021.0009

• 电子信息与计算机科学 • 上一篇

基于GAN序列的卫星数据接收系统故障定位

王正晟^1,2, 李亚林¹, 张洪群¹

1. 中国科学院空天信息创新研究院, 北京 100094;
2. 中国科学院大学电子电气与通信工程学院, 北京 100049

收稿日期:2020-10-30 修回日期:2021-02-05 发布日期:2021-05-31
通讯作者: 王正晟,E-mail:wangzs@aircas.ac.cn
基金资助:
中国科学院战略先导科技专项A类(XDA15000000)资助

Satellite data receiving system fault location based on GAN sequence

WANG Zhengsheng^1,2, LI Yalin¹, ZHANG Hongqun¹

1. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China;
2. School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100049, China

Received:2020-10-30 Revised:2021-02-05 Published:2021-05-31

摘要/Abstract

摘要： 现有的卫星数据接收系统故障定位方法受困于专家知识的难以获取。提出一种基于生成对抗网络(GAN)序列的故障定位方法GANseq。利用故障传播特性，将接收系统分解为M个信号处理单元(SPU)，形成一个按照信号处理顺序排列的SPU序列；将故障定位问题转化为有序排列的M个异常检测子问题，其中第m个子问题为对前m个SPU的联合状态的异常检测；然后针对每个子问题采用基于GAN的状态参数检测模型，进而形成GAN序列；综合分析该序列在所有子问题上的检测结果以定位故障SPU。利用实际接收系统进行的实验证明所提出的GANseq不仅从数据驱动的角度完成了故障定位，而且在总体上降低了虚警率，并提高了定位精度。

关键词: 卫星数据接收系统, 故障定位, 生成对抗网络, 数据驱动

Abstract: Existing satellite data receiving system fault location methods suffer from the difficulty in obtaining expert knowledge. A generative adversarial network (GAN) sequence method called GANseq is proposed in this paper. According to the feature of fault propagation, the receiving system was first divided into M signal processing unit (SPU) to form a SPU sequence ranked by signal processing order (SPO). The fault location issue then was decomposed into ranked M anomaly detection sub-problems, where the mth sub-problem was the detection of the top m SPUs’ joint state. State parameters GANomaly-based detector was employed in each sub-problem, forming a GAN sequence. The detection results of this sequence on all sub-problems were analyzed to locate fault SPU. The experiment result from practical receiving system shows that GANseq can not only achieve fault location from data-driven perspective, but also reduce fault alarm rate and enhance accuracy level of fault location.

Key words: satellite data receiving system, fault location, GAN, data-driven

中图分类号:

TN957

王正晟, 李亚林, 张洪群. 基于GAN序列的卫星数据接收系统故障定位[J]. 中国科学院大学学报, 2023, 40(1): 109-118.

WANG Zhengsheng, LI Yalin, ZHANG Hongqun. Satellite data receiving system fault location based on GAN sequence[J]. Journal of University of Chinese Academy of Sciences, 2023, 40(1): 109-118.

参考文献

[1] 冯钟葵, 张洪群, 王万玉, 等. 遥感卫星数据获取与处理关键技术概述[J]. 遥感信息, 2008, 23(4): 91-97,75.DOI：10.3969/j.issn.1000-3177.2008.04.019.
[2] 朱杰, 林维夏, 赵现纲. 气象卫星数据接收远程故障智能诊断系统开发[C]//中国气象学会. 第35届中国气象学会年会论文集: S21卫星气象与生态遥感. 合肥, 2018: 267-268.
[3] 靳芳, 张洪群, 葛小青. 卫星接收故障诊断专家系统的研究[J]. 微计算机信息, 2009, 25(7): 107-108,99.
[4] 韦春龙. 卫星接收系统故障诊断专家系统的研究[J]. 信息网络安全, 2012(2): 81-83.DOI：10.3969/j.issn.1671-1122.2012.02.024.
[5] 陈丹, 胡涛, 王建涛, 等. 基于CBR和FTA的地面站接收系统故障诊断方法[J]. 太赫兹科学与电子信息学报, 2019, 17(2): 227-233.
[6] 申鸿烨. 基于监测点与自动化测试的接收系统故障诊断[J]. 控制工程, 2016, 23(3): 417-422.DOI：10.14107/j.cnki.kzgc.150486.
[7] 韩威, 路宽, 年昭华, 等. 遥感卫星接收系统故障诊断系统的研究[C]//第四届高分辨率对地观测学术年会论文集. 武汉, 2017: 1153-1165.
[8] 陈丹, 胡涛, 王建涛, 等. 基于故障树与BAM网络的卫星地面站接收系统故障诊断方法[J]. 信息工程大学学报, 2018, 19(3): 301-305.DOI：10.3969/j.issn.1671-0673.2018.03.009.
[9] 蒋超, 张政治. 基于扩展故障树和模糊Petri网的导航地面监测站故障诊断方法[C]//第十一届中国卫星导航年会论文集: S08测试评估技术. 成都, 2020: 78-81.
[10] 郎国伟, 周东方, 胡涛, 等. 基于遗传算法和神经网络的故障诊断研究[J]. 信息工程大学学报, 2017, 18(2): 140-142.DOI：10.3969/j.issn.1671-0673.2017.02.003.
[11] Akcay S, Atapour-Abarghouei A, Breckon T P. GANomaly: semi-supervised anomaly detection via adversarial training[C]//Computer-Vision-ACCV2018.Lecture Notes in Computer Science,2019,11363.DOI：10.1007/978-3-030-20893-6-39. https://arxiv.org/abs/1805.06725.
[12] Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative adversarial networks[J]. Communications of the ACM, 2020,63(11):139-144.DOI：10.1145/3422622.
[13] 吴春志, 冯辅周, 吴守军, 等. 一种有效的不均衡样本生成方法及其在行星变速箱故障诊断中的应用[J]. 兵工学报, 2019, 40(7): 1349-1357.DOI：10.3969/j.issn.1000-1093.2019.07.003.
[14] Schlegl T, Seeböck P, Waldstein S M, et al. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery[C]//Information Processing in Medical Imaging. IPMI 2017. Lecture Notes in Computer Science, 10265. DOI：10.1007/978-3-319-59050-9-12.
[15] Donahue J, KrähenbüHl P, Darrell T. Adversarial feature learning[EB/OL]. (2017-04-03)[2020-09-10]. https://www.arxiv.org/abs/1605.09782v7.arXiv:1605.09782.
[16] Zenati H, Foo C S, Lecouat B, et al. Efficient GAN-based anomaly detection[EB/OL]. (2019-05-01)[2020-09-10]. https://arxiv.org/abs/1802.06222.arXiv:1802.06222.
[17] Patel A A. Hands-on unsupervised learning using python: How to build applied machiae learning solutions from unlabeled data[M]. Sebastopol, USA: O’Reilly, 2019: 222-232.
[18] Géron A. Hands-on machine learning with scikit-learn,keras, and TensorFlow:concepts, tools, and techniques to build intelligent systems[M]. Sebastopol, USA: O’Reilly, 2019.
[19] 周炯槃, 庞沁华, 续大我, 等. 通信原理[M]. 4版.北京: 北京邮电大学出版社, 2015.
[20] Chintala S. How to train a GAN? Tips and tricks to make GANs work[EB/OL]. (2020-03-05)[2020-05-30]. GitHub. https://github.com/soumith/ganhacks.

基于GAN序列的卫星数据接收系统故障定位

Satellite data receiving system fault location based on GAN sequence

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 3

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	赵心驰, 姜策, 何为. 基于注意力生成对抗网络的图像强光去除[J]. 中国科学院大学学报, 2022, 39(4): 524-531.
[2]	胡兵兵, 唐华, 吴幼龙. 基于互信息约束的生成对抗网络分类模型[J]. 中国科学院大学学报, 2022, 39(4): 551-560.
[3]	陈国炜, 刘磊, 郭嘉逸, 潘宗序, 胡文龙. 基于生成对抗网络的半监督遥感图像飞机检测[J]. 中国科学院大学学报, 2020, 37(4): 539-546.