本发明涉及一种支持多源混合异构数据类型的航天器智能异常检测方法，属于航天器控制。
背景技术：
1、太空监管数据是航天器实现异常检测与故障诊断的重要前提和关键依据，并呈现出时序性、海量性、快速性等特点。现有的研究工作针对不同应用场景和数据特性设计了相应的异常检测方法。然而，随着航天器等高端装备的数量和复杂程度越来越高，太空监管数据表现出多源异构的混合特性，即数据来自装备的不同部件，数据类型不同，数据之间彼此模式、结构均有可能不同。
2、多源异构的混合数据特性给航天器异常检测带来了新的挑战，传统的方法难以适应。因此，对于混合类型的多源异构数据，现有异常检测方法的性能难以得到保障，这极大程度上增加了航天器故障误报与漏报的可能。因此，必须设计支持混合数据类型的智能检测方法，确保航天器能够实现安全可靠稳定运行。目前，尚未有适用于混合数据类型的航天器异常检测方法。
技术实现思路
1、本发明解决的技术问题是：克服现有技术的不足，提出了一种支持多源混合异构数据类型的航天器智能异常检测方法，将面向离散和连续数据的异常检测方法融合，实现对太空监管数据异常的快速精准检测。
2、本发明的技术解决方案是：
3、一种支持多源混合异构数据类型的航天器智能异常检测方法，包括：
4、s1：将获取的太空监管数据划分为离散型数据和连续型数据，并将离散型数据、连续型数据表示为窗口化的离散向量、连续向量；根据异常检测场景，构造进行异常检测分析的输入参数；
5、s2：建立对连续型数据进行异常检测的优化模型；基于连续型数据字典，将连续向量分解为编码向量并输入至所述优化模型，输出连续型数据的异常向量；根据连续型数据的异常向量，判断连续型数据是否出现异常，若出现异常，则检测结束，太空监管数据异常；否则，继续执行；
6、s3：建立对离散型数据进行异常检测的优化模型；基于离散型数据字典，将离散向量分解为编码向量并输入至所述优化模型，输出离散型数据的异常向量；根据离散型数据的异常向量，判断离散型数据是否出现异常，若出现异常，则检测结束，太空监管数据异常；否则，继续执行；
7、s4：根据得到的连续型数据的异常向量、离散型数据的异常向量，计算混合型异常向量并判断是否出现异常，若出现异常，则检测结束，太空监管数据异常；否则，检测结束，太空监管数据正常。
8、优选的，输入参数包括ac,bc,cc,ηc,qd,λd,βd,θc,θd,θcom，ac是控制连续型数据字典表示的稀疏程度的正则化参数，bc是控制连续型数据异常的指向性的正则化参数，cc是控制连续型异常检测求解中由问题改写带来误差的参数，ηc是调用admm求解器所需迭代更新速率参数，qd是控制离散数据波动对异常影响的参数，λd是控制在求解离散型数据异常检测任务中每一轮选取的具有最小距离的字典项的数目，βd是控制枚举字典项时比对数据项的最大范围，θc、θd和θcom分别是连续型数据、离散型数据和整体数据异常检测的阈值。
9、优选的，建立对连续型数据进行异常检测的优化模型，所述优化模型为：
10、
11、其中，yc表示窗口化的、大小为w的连续向量，长度为lc×w；ψ表示连续型数据字典，xc表示长度为l的实向量，代表用连续型字典的编码结果；ec表示长度为w×lc的实数向量，代表异常；||·||1表示l1范数，||·||2表示l2范数；对任意i∈[1,lc]，ec,i表示向量ec中与第i维相关的异常，是长度为w的实向量。
12、优选的，向连续型数据进行异常检测的优化模型输入连续向量，并基于连续型数据字典，采用admm优化器求解优化模型，输出连续型数据的异常向量，具体为：
13、将优化模型进行松弛改写，引入向量优化约束z＝xc；将ac||xc||1用ac||z||1替换；引入向量控制z和xc之间的误差，松弛改写后的优化模型为：
14、
15、调用admm优化器求解上述优化模型：
16、(xc,ec,z,m)＝admm(p,ηc)
17、其中，admm(·)表示admm求解器；
18、admm求解器输出4个向量(xc,ec,z,m)，得到连续型数据的异常向量ec。
19、优选的，建立对离散型数据进行异常检测的优化模型，所述优化模型为：
20、
21、其中，yd表示窗口化的、大小为w的离散向量，长度为ld×w；φ表示离散型的数据字典，φ＝{φ1,φ2,...,φk}；xd∈[1,k]w表示长度为w的序列，代表用离散型字典的编码结果；对任意i∈[1,w]，令表示窗口内第i个数据对应的字典项编号；函数distance(·,·)是衡量给定数据项与字典项之间的距离的函数；函数i(·)是输出值为0或1的示性函数，若括号内的判定条件成立，输出值是1，否则是0；qd是控制离散数据波动对异常影响的参数。
22、本发明与现有技术相比的优点在于：
23、(1)本发明专利提出了一种基于字典学习的离散和连续型太空监管数据异常检测方法。该方法基于异常特征的稀疏性特点，借助于字典学习的表示方式，建立了基于矩阵分解的异常特性抽取方法，通过正则化的方法，量化离散和连续数据异常特征，由此实现了两种类型数据的高效异常检测。目前的异常检测方法大都假设数据是连续的，并未考虑太空监管数据的离散特性，这使得现有方法难以适用于面向离散型数据的健康管理与智能运维场景，无法有效抽取离散型数据中的时序特征并完成异常检测任务。而与传统的方法相比，本发明专利针对航天器自主健康管理与智能精准的离散数据处理需求，基于字典学习方法，充分发掘了数据稀疏表示和异常特征间的关系，建立了支持离散型数据的异常检测方法，支持对该场景异常特征的快速识别与精准发现。
24、(2)本发明专利提出了一种支持混合数据类型的异常检测方法。该方法将面向离散和连续数据的异常检测算法融合，支持对离散和连续型数据异常的高效检测。目前的异常检测方法并没有考虑混合数据类型，并不支持混合数据类型下的异常检测任务，难以在混合类型的太空监管数据中抽取时序异常特征，无法有效完成该场景下的异常检测任务。而与传统的方法相比，本发明专利以连续型异常向量为基准，根据离散型数据编码信息，综合判断混合型数据异常情况，完成混合型数据异常的高效检测。
1.一种支持多源混合异构数据类型的航天器智能异常检测方法，其特征在于，包括：
2.根据权利要求1所述的航天器智能异常检测方法，其特征在于，输入参数包括ac,bc,cc,ηc,qd,λd,βd,θc,θd,θcom，ac是控制连续型数据字典表示的稀疏程度的正则化参数，bc是控制连续型数据异常的指向性的正则化参数，cc是控制连续型异常检测求解中由问题改写带来误差的参数，ηc是调用admm求解器所需迭代更新速率参数，qd是控制离散数据波动对异常影响的参数，λd是控制在求解离散型数据异常检测任务中每一轮选取的具有最小距离的字典项的数目，βd是控制枚举字典项时比对数据项的最大范围，θc、θd和θcom分别是连续型数据、离散型数据和整体数据异常检测的阈值。
3.根据权利要求2所述的航天器智能异常检测方法，其特征在于，建立对连续型数据进行异常检测的优化模型，所述优化模型为：
4.根据权利要求3所述的航天器智能异常检测方法，其特征在于，向连续型数据进行异常检测的优化模型输入连续向量，并基于连续型数据字典，采用admm优化器求解优化模型，输出连续型数据的异常向量，具体为：
5.根据权利要求2所述的航天器智能异常检测方法，其特征在于，建立对离散型数据进行异常检测的优化模型，所述优化模型为：
6.根据权利要求5所述的航天器智能异常检测方法，其特征在于，函数distance(·,·)定义如下：
7.根据权利要求5所述的航天器智能异常检测方法，其特征在于，向离散型数据进行异常检测的优化模型输入离散向量，并基于离散型数据字典，输出离散型数据的异常向量，具体方法为：
8.根据权利要求7所述的航天器智能异常检测方法，其特征在于，以连续型异常向量为基准，参考离散形数据编码xd，计算混合型异常向量ecom，计算方式如下：
