一种基于迁移学习的遥测数据异常检测方法

陈俊夫，皮德常，张 强

(1. 南京航空航天大学计算机科学与技术学院，南京 211106；2. 北京航天飞行控制中心，北京 100094)

0 引 言

卫星是人类探测宇宙的重要设备，也是通信工具的主要载体。卫星在恶劣的空间环境运行，一旦发生严重的故障是难以进行修复的。及时有效的异常检测和故障定位能够保障卫星安全可靠的运行[1]。因此，卫星遥测数据异常检测是卫星故障早期预警中最为关键的一部分。

目前工程领域异常检测的方法大体上可以分为两类：基于模型的异常检测方法和基于数据驱动的异常检测方法。基于模型的异常检测方法需要建立精准的物理模型来描述飞行器工作特征，从而达到识别异常数据的目的。例如Li等[2]采用非线性加权最小二乘估计技术对燃气轮机建立了性能模型，该模型能够有效预测燃气轮机性能的退化；胡宇等[3]采用三阶容积积分方法近似描述发动机的非线性统计特征，改良了传统的卡尔曼滤波异常检测方法。然而，基于模型的异常检测方法，需要具有丰富知识的领域专家来构建物理模型。对于空间飞行器而言，往往有多个分系统组成，每个系统都有大量的传感器，在飞行过程中会产生大量的、复杂的高维数据，将导致基于模型的异常检测方法在实际过程中操作难度很大。

基于数据驱动的异常检测不需要依赖相关领域知识，通过对飞行器历史数据建立有效的异常检测模型。近年来，一些基于机器学习的方法在飞行器异常检测领域中陆续出现。……