一种基于离散时间段的测运控数据异常检测方法

彭会湘，刘光辉，陈韬亦，谭振淮，翟 磊

(1.中国电子科技集团公司第五十四研究所，河北 石家庄 050081; 2.北京市遥感信息研究所，北京 100192)

0 引言

卫星遥测参数是了解卫星工作状态、进行卫星故障诊断的重要依据[1]。因此对卫星遥测数据的分析以及数据挖掘工作，对卫星异常检测、故障检测以及寿命预测等研究具有重要意义[2]。

由于卫星在轨运行周期长、遥测参数类型多、数据量大、数据变化缓慢等特点为遥测参数的应用带来一定的挑战。每个卫星的遥测数据都包含电流、电压、温度等上万个参数，这些参数的模拟量或数字量可以反映出卫星的工作状态或空间环境状态[3]，不同的卫星遥测参数类型不同，卫星遥测参数采样频率很高，平均每个参数每秒采样1次，卫星正常工作寿命5～10年，按5年计算，每颗卫星产生的遥测数据量约15 768亿个,按每个遥测参数值占用1个字节、时间戳占用4个字节计算，数据存储空间约为8.0 TB。

众多的高校、科研机构和卫星运行部门都开展了基于遥测大数据的卫星工作状态监控、故障诊断和健康管理等技术研究工作，由于卫星运行时间长，各种设备器件老化、故障率升高是一个长期渐变的过程，短期内看不出效果，需要针对卫星连续运行几年的数据进行分析才能发现规律，但是巨大的数据量又为数据处理与数据分析带来极大的挑战，需要占用大量的设备和时间，效率很低。

数据存储容量大是卫星历史数据管理面临的主要困难之一，也是导致数据应用效率低的主要原因[4]。本文提出一种基于离散时间段的测运控数据分析方法，具备处理数据量小、效率高、能有效反映卫星工况变化趋势的优点。

1 遥测参数检测与分析方法

1.1 总体思路

针对卫星在轨运行周期长、遥测参数类型多、数据量大和数据变化缓慢等特点，选择关心的专题进行检测分析，首先确定与本专题相关的遥测参数类型，然后按固定长度时间间隔提取若干离散时间段的数据样本，针对各离散时间段的样本进行检测，并对各离散时间段的检测结果进行时间相关分析，如图 1所示，既能反映较长时间跨度的变化趋势，又能有效减小数据量，可显著提高数据分析效率。

图1 基于离散时间段的遥测数据统计分析方法Fig.1 Statistical analysis method of telemetry data based on discrete time period

1.2 遥测参数检测方法

遥测参数的数据类型通常包括布尔型、枚举型和数值型。布尔型用于表达2个相反的状态，如开/关、通/断等，通常用true/false或1/0表示;枚举型表达多个确定的状态，如红灯/绿灯/黄灯，通常实现约定的整数表示，如1，2，3,…，每个数字代表一种状态；数值型用于表达在一个范围内连续变化的量，通常用浮点数表示。

遥测参数的具体取值与卫星工作状态密切相关，当卫星处于不同工作状态时，相关的遥测参数值也不同，因此遥测参数检测通常需要结合卫星工作状态进行。遥测数据检测包括正常值变化趋势检测和异常值检测。正常值变化趋势检测主要是针对卫星同一工作状态，检测遥测参数是否有随着卫星运行时间增加而发生趋势性变化的情况，遥测参数随时间的趋势性变化反映了卫星器件老化导致性能下降的问题，正常值变化趋势检测一般针对数值型的遥测参数进行。异常值检测主要包括检测布尔型/枚举型遥测参数是否与卫星工作状态规定的值不同，检测数值型遥测参数是否超出了卫星工作状态规定的取值范围，数值型遥测参数检测除了检测其是否超出取值范围外，还要检测同一卫星工作状态下异常值的变化趋势。

1.3 检测结果统计分析

偶然一次的遥测参数异常不能说明什么问题，但是偶然中存在着必然，通过对各种状态下遥测参数异常值进行多种手段统计分析，有助于发现遥测参数的变化趋势和规律，可以为卫星的工作状态监控、故障诊断、健康预测与评估提供支持，本文拟结合不同卫星工作状态、遥测参数变化情况，进行如下统计分析：

(1) 遥测参数变化趋势分析。针对某一数值型遥测参数，统计其在某一工作状态下每个离散时间段处于正常取值范围内的最小值、最大值和平均值，将统计值按时间段排序，分析其变化趋势。

(2) 遥测参数异常趋势分析。针对某一数值型遥测参数，查询其在某一工作状态下的所有异常值，并计算每个异常值绝对超限量、相对超限量，然后按离散时间段对异常值进行聚类，制作异常参数的“时间-数值”分布统计图，分析该参数异常值随时间的变化趋势，其中，超限量的计算方法为：

式中，val表示遥测参数值；LimitMin表示取值范围下限；LimitMax表示取值范围上限；deta表示绝对超限量；rate表示相对超限量。

“时间-数值”分布统计图是一个二维散点图，横轴为时间轴，表示各离散时间段在时间轴上的分布，纵轴为数值轴，表示参数值的大小，将每次异常按时间、数值标在图上，用于分析遥测参数异常值随时间的变化趋势。

(3) 遥测参数异常次数分析。分2种情况进行统计，第1种情况是针对某一遥测参数在某一工作状态下，统计各离散时间段内出现异常的次数，然后按时间对各离散时间段内的异常次数进行排序，分析该参数异常次数的变化趋势，反映卫星某一方面的状态变化趋势；第2种情况是分别统计各离散时间段内的所有异常次数，不区分遥测参数和卫星工作状态，然后按时间对各离散时间段内的异常次数进行排序，分析异常次数的变化趋势，反映卫星的综合状态变化趋势。

(4) 遥测参数异常间隔分析。分2种情况进行统计，第1种情况是针对某一遥测参数在某一工作状态下，计算各离散时间段内的每相邻2次异常出现的时间间隔，分析不同离散时间段内异常间隔变化趋势，反映卫星某一方面的状态变化趋势；第2种情况是分别计算各离散时间段内的所有相邻异常的时间间隔，不区分遥测参数和卫星工作状态，然后分析不同离散时间段内异常间隔变化趋势，反映卫星的综合状态变化趋势。

(5) 遥测参数异常相关性分析。包括自相关分析和关联分析，自相关分析指针对某一遥测参数在某一工作状态下的异常情况进行相关分析，包括时间相关性分析、卫星工作状态相关性分析。时间相关性分析关注该异常是否集中在某时间段内连续出现，卫星工作状态相关性分析关注该异常是否与卫星某个特定工作状态相关；关联分析关注多个参数是否同时发生异常、短时间内先后异常且先后顺序固定。

2 系统设计与实现

2.1 遥测参数异常检测样本数据库设计

由于遥测参数类型多、数据量大和高并发等特点，为了保证并发海量遥测数据的高效存储，每一条记录代表一个时刻产生的一个参数的数值及其相关信息[5]。卫星管控系统对所有卫星遥测参数存储结构进行了统一设计，采用关系型数据库对挑点后的遥测参数进行存储，每颗卫星的所有遥测参数处理结果都存储在一张数据表中，表结构如表 1所示。

表1 原始遥测参数表结构Tab.1 Table structure of original telemetry parameters

该表结构简单，适用于遥测数据实时存储，效率很高，但缺点是同一时刻存储了约10 000个不同遥测参数的数值,SJSJ(数据采集时间)字段和CSBH(遥测参数编号)字段大量重复，无法建立高效索引，导致数据检索效率极低，并且由于每行存储一个遥测参数值，非常不利于多参数关联分析，因此需要针对遥测参数关联分析重新建立遥测参数样本表。在该表中，将需要在一起关联分析的遥测参数进行时间对齐，即每行为同一时刻的多个遥测参数值，针对采样频率不一致问题，将采样频率低的遥测参数按最高时间采样频率进行插值，由于分析的目的不同，进行关联分析的遥测参数也不同，因此该表的列是动态的，需要根据分析专题进行动态生成，遥测参数样本表结构如表 2所示。

卫星处于不同的工作状态时，各遥测参数的值也不一样，要判断某个遥测参数值是否异常[6-7]，需要知道该遥测参数采集时刻卫星的工作状态，以及卫星在此工作状态时，该遥测参数正常的取值范围。因此还需要建立遥测参数规则表和卫星工作计划表，用于支持遥测参数异常检测。

表2 遥测参数样本表结构Tab.2 Sample table structure of telemetry parameters

遥测参数规则表主要用于规定不同的遥测参数在卫星不同的工作状态时的取值范围，表结构如表3所示。

表3 遥测参数规则表结构Tab.3 Rule table structure of telemetry parameters

卫星工作计划表用于记录卫星工作时的动作序列，主要包括动作名称(DZMC,与遥测参数规则表中的卫星工作状态STATE一致)、动作开始时间(KSSJ)和动作结束时间(JSSJ)，表结构如表 4所示。

表4 卫星工作计划表结构Tab.4 Working schedule table structure of satellite

2.2 遥测参数异常检测软件设计

遥测参数异常检测软件的主要功能包括样本数据导入、异常参数检测、变化趋势分析、异常趋势分析、异常次数分析、异常间隔分析和异常相关分析7个模块，软件功能模块组成及关系如图 2所示。

图2 遥测参数异常检测软件功能组成Fig.2 Function composition of abnormal detection software of telemetry parameters

软件运行界面如图 3所示。

图3 遥测参数异常检测软件界面Fig.3 Software UI of abnormal detection of telemetry parameters

在该界面中首先从【参数列表】中选择要分析的参数，然后从【工作状态】下拉列表中选择要针对分析的工作状态，从【统计类型】下拉列表中选择要执行的分析类型，点击【统计分析】按钮，即可根据设置的条件从数据库中查询相应的数据，进行计算、统计，最后生成统计分析数据结果和图表。

2.2.1 样本数据导入

样本数据导入之前首先要确定检测专题(如：姿态控制、载荷控制、数传控制)及该专题涉及的遥测参数和卫星动作，然后创建相应的数据库表，包括与检测专题相关的遥测参数样本表(结构如表 2所示)、遥测参数规则表(结构如表 3所示)和卫星工作计划表(结构如表 4所示)。

3张数据表建立完成后，分别从卫星业务运行系统中卫星载荷工作计划表中提取检测专题的卫星动作数据到卫星工作计划表，从原始遥测参数表提取相关遥测参数数据到遥测参数表，从卫星使用约束表中提取卫星使用约束到遥测参数规则表。

在原始遥测参数表中，同一时间的相关遥测参数存储于不同的行[8]，而在本系统中，同一时间的相关遥测参数要存储到一行中，遥测参数提取的处理流程如图 4所示。

图4 遥测参数预处理流程Fig.4 Pretreatment process of telemetry parameters

具体如下：

(1) 插入时间字段：向本系统遥测参数表的SJSJ字段插入要提取遥测参数的时间，每秒一条记录，执行完此步骤后，遥测参数表中只有SJSJ字段有数据，其余字段均为空；

(2) 初始化工作状态字段：将遥测参数表所有记录的卫星工作状态字段(GZZT)全部更新为“空闲”；

(3) 从原始遥测参数表中提取遥测参数：根据要提取遥测参数的时间，从原始遥测参数表中提取相关遥测参数，提取的内容包括数据采集时间、遥测参数名称、遥测参数值，提取结果保存到临时数据链表中；

(4) 填充遥测参数：遍历上述步骤的临时数据链表，根据数据采集时间、遥测参数值更新遥测参数表中相应遥测参数名称对应的字段，执行完此步骤后，同一采集时间的相关遥测参数被保存到遥测参数表的同一行中，完成了遥测参数的时间对齐；

(5) 更新工作状态：遍历卫星工作计划表，针对该表中每个动作的名称、开始时间和结束时间，更新遥测参数表中的卫星GZZT字段，凡是数据采集时间处于动作开始时间和结束时间之间的记录，将其卫星GZZT字段更新为该动作名称，执行完此步骤后，则完成了所有遥测参数与卫星工作状态的匹配。

2.2.2 异常参数检测

异常参数检测功能为根据遥测参数规则表判断遥测参数表中每个遥测参数值是否超出范围[9-11]，超出范围即认为数据异常，此功能的处理流程如图 5所示。

图5 异常参数检测处理流程Fig.5 Detection and processing process of abnormal parameters

具体如下：

(1) 遍历遥测参数规则表，提取出每条记录的遥测参数名称、卫星工作状态、此工作状态遥测参数的取值范围；

(2) 针对每条遥测参数规则，查询遥测参数表，查询出与该条规则相匹配的记录，主要包括记录唯一标识(ID)和相应的遥测参数值，将查询结果保存到临时数据链表；

(3) 遍历临时数据链表中的每条记录，判断遥测参数值是否超出了规则中规定的遥测参数范围，如果超出则判断参数异常，根据记录唯一标识(ID)更新遥测参数表中该记录的超限参数字段(CXCS)，将遥测参数名称追加至该字段。

2.2.3 检测结果统计分析

(1) 变化趋势分析

该功能用于分析遥测参数是否会随卫星运行时间的增加发生趋势性的变化。由于卫星在轨运行时间很长，遥测参数变化的趋势很缓慢，在较短的时间内无法察觉，对长达几年的数据进行统计，由于数据量过大导致统计时间过长，通过对多个较长时间间隔的离散时间段的遥测参数平均值进行对比分析,既可以发现遥测参数的趋势变化，又不至于由于统计的数据量过大导致程序停止响应。

(2) 异常趋势分析

通过对不同离散时间段内的异常数值进行查询统计，用于发现遥测参数异常值分布区间变化趋势，由于不同离散时间段间隔时间较长，如果异常值有趋势性变化时，不同离散时间段的异常值的差异将十分明显。

(3) 异常次数分析

此功能是统计遥测参数在不同离散时间段出现的异常次数，将异常次数按时间排序，用于分析异常次数随时间的变化趋势，用数据表和统计图的方式表达统计结果，统计时可以将遥测参数与卫星工作状态任意组合。具体包括：单一遥测参数针对单一工作状态下的异常次数；单一遥测参数针对多个工作状态下的异常次数；多个遥测参数针对单一工作状态下的异常次数；多个遥测参数针对多个工作状态下的异常次数。

(4) 异常间隔分析

此功能是统计在同一离散时间段内，相邻2次遥测参数异常的时间间隔，用于分析遥测异常发生频率随时间的变化趋势，用数据表和统计图的方式表达统计结果，统计时可以将遥测参数与卫星工作状态任意组合。具体包括：单一遥测参数针对单一工作状态下的异常间隔；单一遥测参数针对多个工作状态下的异常间隔；多个遥测参数针对单一工作状态下的异常间隔；多个遥测参数针对多个工作状态下的异常间隔。

(5) 异常关联分析

执行此功能后，自动查询每个离散时间段内的所有异常，并计算前后相邻异常的时间间隔，基于时间间隔进行时间相关分析，筛选出在短时间(可设置)内集中连续出现异常的同一参数；筛选出多次出现的多个相同参数同时异常、短时间(可设置)内先后异常且先后顺序固定情况；将参数异常与卫星工作状态匹配，筛选出多次出现的“参数异常-卫星工作状态”匹配结果。

3 试验结果

3.1 试验数据准备

以业务运行系统中某卫星相机载荷为研究对象，采用仿真的方法生成模拟数据，对检测方法的有效性和时效性进行验证。

为了使模拟数据具有一定的代表性，参考中的卫星工作特点、不同工作状态下相关遥测参数不同年份的统计结果，模拟产生2015-2019年每年10月份的数据，包括遥测参数检测规则数据、卫星的工作计划数据、遥测参数样本数据，建立遥测参数检测样本库。

3.1.1 遥测参数检测规则数据仿真

该卫星载荷工作序列包括加电准备、载荷开机、载荷关机、断电复位4个动作，与该载荷工作状态相关的遥测参数有5个：YC001，YC002，YC003，YC004，YC005,参考业务运行系统，制定该载荷工作时的动作顺序、时间约束和相应遥测参数取值范围，如表 5所示。

表5 载荷工作序列及遥测参数说明Tab.5 Description of payload working sequence and telemetry parameters

再根据表 5的说明建立遥测参数检测规则，如图 6所示。

图6 遥测参数检测规则Fig.6 Detection rule table of telemetry parameters

3.1.2 卫星工作计划数据仿真

利用STK软件生成卫星工作计划数据，根据卫星轨道特性和相机载荷特性，向STK场景中添加该卫星的轨道模型和载荷模型，在地面随机设置若干拍摄目标点，利用STK的访问分析功能，计算该卫星载荷对地面目标的成像时刻，然后根据表 5所示载荷动作序列，补全每次成像的相关动作及时间段，生成如图 7所示的卫星载荷工作计划，主要包括DZMC、KSSJ和JSSJ三个字段。

图7 卫星载荷工作计划Fig.7 Satellite payload schedule

3.1.3 原始遥测参数仿真

遥测参数仿真应参考业务运行系统中该卫星载荷相关遥测参数的统计规律[12]，主要包括各参数在2015-2019年每年10月份的空闲状态正常值范围、空闲状态异常值范围、工作状态正常值范围、工作状态异常值范围、空闲状态异常次数、工作状态异常次数。

根据上述统计结果，设计仿真参数规则如表 6和表 7所示。

原始遥测参数仿真过程如下：

(1) 数据初始化：首先建立如表 1所示的原始遥测参数表，然后向该表中初始化插入2015-2019年每年10月份的遥测参数，5个遥测参数均按表 6卫星空闲状态正常值范围之间的随机数插入，每个参数每秒插入一条记录，数据初始化完成后，共产生53 568 000条记录，如图 8所示。

表6 各遥测参数正常值范围Tab.6 Normal range of telemetry parameters

表7 各遥测参数异常值范围及次数Tab.7 Range and times of abnormal values of telemetry parameters

图8 原始遥测参数Fig.8 Original telemetry parameter

(2) 插入空闲状态异常参数：根据表 7所示每年的卫星空闲状态异常次数范围设置异常次数随机数count，根据每年数据记录的ID范围，随机抽取count条记录的ID，根据每个ID对应的遥测参数异常值范围取随机数，更新被抽取的count条记录的遥测参数值。

(3) 插入工作状态正常参数：根据图 7所示的卫星载荷工作计划、表 6所示的各遥测参数正常值范围，更新卫星载荷工作时各遥测参数的数值。

(4) 插入工作状态异常参数：根据表 7所示每年的卫星工作状态异常次数范围设置异常次数随机数count，在图 7所示的卫星载荷工作计划表中随机抽取count条记录的ID，再随机抽取异常遥测参数，根据该遥测参数异常值范围取随机数，更新原始遥测参数表中相应遥测参数值。

3.1.4 导入遥测参数样本表

遥测参数样本表主要包括：SJSJ、GZZT、参数YC001、参数YC002、参数YC003、参数YC004、参数YC005、CXCS等字段，表结构如表 8所示。

表8 遥测参数表结构Tab.8 Structure of telemetry parameter table

因为不同离散时间段的数据在时间上不连续，为了提高数据检索的效率，分别建立4个遥测样本表，分别为CAM2016、CAM2017、CAM2018、CAM2019，表中每行存储1 s的数据，每个表存储行数据，从图 8所示原始遥测参数表中提取相关参数，然后根据如图 7所示载荷工作计划表中各动作的起止时间更新遥测参数表中的GZZT字段，完成后的遥测参数样本数据如图 9所示。

最后根据遥测参数检测规则表对遥测参数表中的所有记录进行异常检测判断，将出现参数超限的记录进行标记，将超限参数名称填写到CXCS字段中。

图9 遥测参数样本Fig.9 Sample table of telemetry parameters

3.2 遥测参数统计分析

3.2.1 遥测参数变化趋势分析

一般情况下，随着设备运行时间增加，器件会逐渐老化，反映其工作状态的参数会朝着某个方向发生变化，为了验证这一猜想，对YC002,YC003,YC004三个遥测参数每年10月份的“空闲/工作”2个状态正常值的平均值进行统计，结果如图 10所示。从统计图可以看出，处于正常范围内的3个参数随着卫星运行时间的增加，空闲状态平均值有增大趋势，而工作状态下平均值有减小趋势，表明3个参数的动态范围有缩小趋势。

(a) 卫星空闲状态下3个参数的平均值逐年变化情况

3.2.2 遥测参数异常趋势分析

由表 5遥测参数说明可以看出，卫星工作状态不同时，数值型遥测参数的取值区间也不同，以YC003为例，当载荷空闲时，该参数处于一个低值区间(0～0.3)；载荷工作时，参数处于一个高值区间(4.1～4.7)。查询YC003所有状态下的异常值，并计算其超限的绝对量和相对量，如表 9所示。从表中可以看出，该参数在“载荷关机”工作状态出现2次异常，参数值均低于正常最小值，其余异常均为空闲状态出现异常，参数值均高于正常值最大值。

根据表 9的数据生成的异常值分布图，如图 11所示。

由图11(a)可以看出，该参数在空闲状态的异常值有逐年增大趋势，而在工作状态的异常值有减小趋势，与图 10比较发现，处于不同卫星工作状态下,异常值的变化趋势与正常值的变化趋势相一致，也表明该参数的动态范围在缩小。

表9 遥测参数YC003异常数据Tab.9 Telemetry parameter YC003 abnormal data

(a) 空闲状态异常值分布

3.2.3 遥测参数异常次数分析

选择YC001,YC002,YC003,YC004,YC005五个参数，分别统计其在每年10月份出现的异常次数,如表10所示。异常次数增长趋势如图 12所示。可以发现，随着卫星运行时间的推移，除YC001没有出现异常外，其余4个参数出现异常次数快速增加，表明卫星载荷控制电路综合情况在逐渐变差。

表10 各年份遥测参数异常次数统计Tab.10 Statistics of abnormal times of telemetry parameters in each year

图12 遥测参数异常次数增长趋势Fig.12 The increasing trend of abnormal times of telemetry parameters

3.2.4 遥测参数异常间隔分析

不区分卫星工作状态，查询每年10月所有参数异常发生时间，对每年10月份参数异常按时间进行排序，计算前后2次异常的时间间隔，统计每年10月份异常最短间隔、最长间隔以及平均间隔，结果如表 11所示，各年10月份出现遥测参数异常在当月的分布如图 13所示。可以看出，随着卫星运行时间增加，遥测参数发生异常的频率快速增加，与遥测参数异常次数的变化趋势一致。

表11 各年份异常间隔统计结果Tab.11 Statistical results of abnormal interval in each year 单位：天

图13 各年10月份异常分布Fig.13 Anomaly distribution in October of each year

3.2.5 遥测参数异常相关分析

首先对各参数异常进行自相关分析，对2015-2019年每年10月份各参数出现异常总次数、间隔时间小于1天的次数进行统计，结果如表 12所示，从表中可以看出，每个参数异常次数相当，YC002和YC005短期内连续异常的概率略大。

表12 遥测参数异常时间相关性分析Tab.12 Time correlation analysis of abnormal telemetry parameters

对参数异常与卫星工作状态进行相关性统计分析，结果如表 13所示。由于卫星载荷大部分时间处于空闲状态，各参数在空闲状态出现异常的次数占比最大。除此之外还可以看出，YC004异常与“加电准备”状态相关性较大，YC005异常与“载荷开机”相关性较大。

表13 遥测参数异常与工作状态相关性分析Tab.13 Correlation analysis between abnormal telemetry parameters and working state

将所有参数异常按时间排序，计算前后2次异常时间间隔，未发现不同参数异常的相关性。

需要说明的是，每个遥测参数采样个数是2 678 400,发生的异常约20次，是一个非常小的概率，并且还只是针对2015-2019年每年10月份的数据进行的统计分析，统计结果带有很大的偶然性，要准确分析参数之间、参数异常与卫星工作状态的相关性，还需要对更多的数据进行分析。

3.3 时效性指标统计

由于各种数据处理和统计都是针对不同时间段进行的，因此可以针对不同离散时间段采用不同的线程并行处理，可大幅缩短数据处理与统计的时间，经程序运行试验，各功能耗时如表 14所示。

表14 各功能耗时列表Tab.14 Time consuming list of each function

由表14可以看出，海量数据是卫星遥测数据应用面临的主要困难，原始遥测参数表结构通用，每行存储一个参数，适用于海量数据并发存储，但不利于数据分析，遥测参数样本表将同一时间的多个遥测参数放在一行，便于关联分析。数据导入的过程是一个多行数据转换为一行数据的过程，需要逐个参数转换，如图 14所示，当数据量很大时就会占用较长时间。

数据导入的时间分为2部分：从原始遥测参数表中读取数据的时间和向遥测参数样本表写入数据的时间。在本次试验中，原始遥测参数表中的数据全部是针对本次试验仿真的模拟数据，没有多余的数据，执行导入时不需要按照数据时间和参数名称检索，因此读取原始遥测参数表的效率很高，时间占比很小，而向遥测参数样本表写入数据时需要按时间和参数名称对写入位置进行定位(执行SQL语句中的update语句)，因此时间占比很大。

实际业务运行系统中，原始遥测参数表中存储的是某卫星所有的遥测参数，并且由于该表的SJSJ和参数名称(CSMC)字段大量重复，无法建立高效索引，读取原始遥测参数表时，需要按照SJSJ和CSMC对遥测参数进行检索，花费的时间将会大幅增加，从而导致整个导入过程的时间会成倍增加。

图14 数据存储方式转换Fig.14 Data storage mode conversion

4 结束语

针对遥测数据时间跨度长、数据量大、异常检测效率低、难度大的问题，提出了一种基于若干离散时间段的遥测数据异常检测方法，该方法能够高效地统计分析遥测参数在大时间跨度下的变化趋势，为测运控数据快速异常检测提供了一个解决思路。为了进一步验证该方法的有效性并持续改进该算法，需要针对业务运行系统中的多颗卫星遥测参数进行试验，并提高软件的自动化程度与可靠性，投入工程化应用，为后续卫星故障诊断、健康管理与预测评估等工作提供数据和技术支持。