一、基本信息：

研究方向：飞行器状态智能感知与决策

发表于飞行器制导与控制

二、论文内容简介

针对卫星遥测数据先验知识稀缺、常规数据驱动的异常检测方法难以准确辨识异常状态的问题，提出了一种基于元学习与动态放缩阈值法的卫星遥测信号异常检测算法。首先，通过元学习算法求解一组具备快速适应小样本任务能力的长短期记忆神经网络初始参数，并在训练过程中为网络权重添加噪声，进一步提升模型泛化性能。其次，采用动态放缩阈值法分析预测误差序列，划定动态变化的异常阈值，标记异常点索引以实现卫星遥测数据异常检测。最后，通过卫星遥测信号算例验证算法在提升卫星异常检测性能的有效性。

三、研究背景

卫星作为一项复杂系统工程，被广泛应用于包括导航、通信、资源勘探在内的各类军事及民用项目中。随着现代卫星技术不断向结构复杂化、功能多样化方向发展，其在轨异常情况与故障问题的发生也愈发频繁。因此，及时有效地检测卫星异常并采取相应措施对提升在轨卫星可靠性、保障国家财产安全具有重要意义。

卫星在轨运行期间，遥测系统将传感器测量数据传输到地面遥测中心，监测遥测数据是诊断卫星健康状况的重要途经。近年来，基于数据驱动的异常检测方法由于无需大量先验知识且具有识别未知异常模式的潜力受到广泛关注，并被应用到卫星遥测数据异常检测任务中。部分学者研究如何利用少量的有标注数据，驱动算法精准预测卫星遥测信号，并根据预测值偏差程度诊断卫星健康状况，元学习不要求先验任务与目标任务间存在强相互关联，因而在小样本异常检测领域备受关注。

四、创新内容与工程应用价值

针对已有的数据驱动的遥测数据异常检测算法无法满足稀疏标签场景下异常检测需求的问题，提出一种基于改进MAML策略与动态放缩阈值的小样本卫星异常检测方法。通过在公开的卫星遥测信号数据集与实验室卫星姿轨半实物仿真平台收集的卫星飞轮转速数据集上进行实验并与已有方法对比，结果表明本文方法具有较强泛化性能，能够有效提升小样本卫星遥测数据异常检测效果。

五、基于灵思创奇设备

采用灵思创奇公司开发的卫星姿轨半实物仿真平台仿真收集的卫星飞轮转速数据作为算法训练与测试数据集进行仿真校验，通过与DNN、LSTM神经网络以及M-LSTM算法进行对比，检验M-LSTM-AN算法针对小样本遥测数据的学习能力；通过与传统窗口阈值法对比，验证动态放缩的阈值划定方法的异常检测性能。