宇宙機故障発見のためのデータマイニング手法に関する研究

发现航天器故障的数据挖掘方法研究

基本信息

批准号：
14750717
负责人：
矢入健久
金额：
$ 1.86万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Young Scientists (B)
财政年份：
2002
资助国家：
日本
起止时间：
2002 至 2003
项目状态：
已结题

项目摘要

前年度の成果を引き継ぎ、本年度も、人工衛星の膨大な時系列運用データの中からシステム異常を早期発見する上で重要なパターンを抽出し、効果的に人間(専門家)に提示するためのデータマイニング手法の研究を行った。特に本年度は、新たな手法として「回帰木学習による適応的リミット値監視法」を提案し、その有効性を示した。リミット値監視法は、従来の宇宙機健康状態監視において最も基礎的、かつ、広範に用いられている手法であるが、一般に、(1)事前に人手によって適切なリミット値を設定しなければならず、設定された値は運用期間全体を通して固定される、(2)誤警報を減らすために大きなマージンを設定することが多く、また、システムコンポーネント間の依存関係を考慮しない、などの限界があるため、きめ細かい監視には不向きで、システムの異常の兆候を早期に捕捉することが極めて困難であった。これに対して本研究に、機械学習・データマイニングの一手法である回帰木学習法を宇宙機テレメトリデータの多次元時系列データに応用することにより、対象となるセンサー値時系列データの範囲(上限・下限)を、他の関連シンボル値時系列との依存関係に基づいて適切に予測する方法を確立した。この提案手法により、宇宙機システムの稼働状態の健全性や異常値の発生を、従来手法と比べて非常にきめ細かく監視することが可能になった。上記の成果は国際学会等で発表されており、また、学術論文誌にも投稿予定である。

延续去年的成果，我们将继续今年的工作，从人造卫星的海量时间序列运行数据中提取早期发现系统异常的重要模式，并将其有效地呈现给人类（专家）进行。数据挖掘方法研究。特别是，今年我们提出了一种名为“使用回归树学习的自适应极限值监控方法”的新方法，并证明了其有效性。极限值监测方法是常规航天器健康监测最基本、应用最广泛的方法，但一般情况下（1）必须预先手动设定适当的极限值；设定值在整个运行期间是固定的，（ 2）通常会设置较大的裕量以减少误报，但存在一些局限性，例如未考虑系统组件之间的依赖性，使其不适合详细监控和检测系统异常的早期迹象，捕获此信息极其困难。。在本研究中，我们将回归树学习方法（一种机器学习/数据挖掘方法）应用于航天器遥测数据的多维时间序列数据，我们建立了一种基于该方法来适当预测上限和下限的方法。与其他相关符号值时间序列的依赖关系。所提出的方法使得能够以比传统方法更详细的方式监测航天器系统运行的健康状况和异常值的发生。上述成果已在国际会议上发表，也计划提交给学术期刊。