仪器仪表学报

作者：张金垒，庞景月，卢晓伟，宋宇晨

单位：张金垒,1. 重庆工商大学人工智能学院,,庞景月,1. 重庆工商大学人工智能学院,,卢晓伟,2. 上海卫星工程研究所,,宋宇晨,3. 哈尔滨工业大学,

关键词：遥测数据;长短时记忆网络;特征增强;在线异常检测

基金：国家自然科学基金项目(62001069)、重庆市教委科学技术研究项目(KJQN202300841,KJQN202100821)、高层次人次科研启动项目(2056009)、重庆市博士“直通车”科研项目(CSTB2022BSXM-JSX0008)资助

随着我国航天事业由航天大国向航天强国迈进,航天器发射数量以及密度屡创新高,保障航天器在轨正常运行成为非常重要的任务。航天器遥测数据是地面长管判断其正常运行的重要依据,增强遥测数据的异常检测能力是目前地面长管提升保障能力的关键。目前工程上遥测数据异常检测主要依赖于专家经验和固定阈值,虽高效可靠,但难以应对复杂多变的在轨运行环境,且检测准确性有待提高。而传统的机器学习方法随着遥测数据量增加,模型的性能与有效性不足。近年来,深度学习方法在异常检测领域展现出巨大潜力,然而现有基于深度学习的航天器遥测数据异常检测仍面临较大挑战:一方面,对异常模式标记的准确性与完整性依赖较强,而实际工程中获取大量准确的异常标记数据较为困难;另一方面,现有方法在线异常检测能力不足,难以满足航天器的在轨监测需求。针对上述问题,提出了一种在线且无监督的异常检测模型Feen-LSTM,其基于Transformer结构提取多维遥测数据的全局时空特征,并结合LSTM来建模局部时间依赖性,从而实现了特征增强的优化结构。通过在NASA公开的两个航天器遥测数据集上的实验,表明Feen-LSTM能够有效地提高异常检测的精度,尤其是在面对复杂数据和未知异常模式时,表现出比其他方法更优的性能。

来源：2025年第1期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第1期