摘要：作为对航天器在轨运行状态进行监测的唯一依据，遥测数据会对后续相关工作开展产生直接影响，为保证航天器能够处于正常运转状态，需要对遥测数据异常情况进行有效监测。文章将通过对航天器遥测数据基本情况的介绍，对遥测数据异常检测方式方法展开深度探讨，期望能够为异常数据检测工作开展提供一些理论方面参考。

关键词：阈值；专家系统；遥测数据；异常检测；航天器

遥测数据具有维度高以及数量大等方面的特点，整体数据关系相对较为复杂且专业性较强，是掌握航天器在轨运行状态的重要依据，如果遥测数据出现异常，极大可能是航天器出现异常状况，此时，需要通过对异常数据进行检测的方式，确定航天器具体运行状态，以便按照相关结果，制定有效维护策略，保证航天器相关问题能够得到妥善解决，可以恢复正常行驶状态。

1.遥测数据基本情况介绍

为准确获得航天器在轨运行期间各项运行状态，会通过在航天器遥测系统中安装传感器的方式，将所获得结果以电信号形式传递到地面遥测设备之中，地面设备再通过实施信号解调操作的方式，恢复原始参量信息内容，确定航天器具体运行状态，而在该过程中所获得的各项数据就是遥测数据。在航天器出现异常状况时，检测到的遥测数据也会出现异常，主要分为单元异常以及多元异常两种模式，需要按照遥测数据具体类型以及相关需求，科学使用检测技术进行异常数据检测，以便明确航天器异常状况，及时采取有效维护措施。

2.遥测数据异常检测

2.1人工监测结合阈值检测

此种检测方法是较为常见的异常数据检测手段，会通过对遥测数据进行实时观测的方式，在信号阈值的辅助之下，确定是否存在信号异常状况。会在温度、电流以及电压等数值超过预设限值之后，发出警告。整体检测方法相对较为简单，技术人员可以利用该项技术完成大量异常状况检查，但该项技术应用也存在阈值设定可拓展性较差，在更换航天器时需要重新进行阈值设定，以及人力成本较高等方面的问题。

2.2专家系统检测

在对专家系统检测手段进行使用时，会按照if-then规则形式，完成专家知识表达。会按照专家知识内容，自动完成规则检测操作，确定是否存在异常数据，并对其进行识别。该项检测结束判断能力相对较高，远超上述阈值检测手段，但也存在因为航天器系统过于复杂，而导致航天器规则建设难度相对较大的问题，整体检测技术应用还需要不断进行优化。

2.3基于专家经验模型构建检测方法

在使用该种检测方式时，会将专家经验编码作为模型，自动完成故障检测。该种检测方法所包含的系统种类相对较多，而其中最为典型的系统为TEAMS系统和Livingstone系统，其中后一种系统，是由美国宇航局所开发的自动配置系统，会通过对元件离散模型的运用，完成航天器系统描述，按照模型预测结果，与传感器测量结果进行对比分析，进而对航天器故障进行精准判断，确定最优故障修复方案。TEAMS系统会利用模型分析工具，对复杂系统全寿命周期进行测试，进而完成测试性设计以及分析等各项操作。该模型涵盖测试布局、系统结构以及测试步骤等各项信息，可将故障问题和维修等各项内容有效联合在一起。但由于模型建设相对较为费时，所以此种检测技术一般不会用于大型复杂系统检测，也无法对每一种异常模型实现针对性建模处理。

2.4数据驱动异常检测方法

数据驱动异常检测会通过对机器学习以及统计等方法的应用，完成遥测数据建模和刻画等一系列处理，进而对异常数据进行有效检测和分析。由于数据驱动遥测异常，检测手段并不依赖于专家经验，会按照数据异常状况展开处理，所以数据转化属于时间序列，异常类型和时间序列异常相对较为相似。

在对各种异常类型进行检测时，主要区别在于异常数据输出和输入之前的检测处理，检测时所使用度量因子相对较为相似。需要通过对异常检测方法进行调研和分析的方式，确定基于相似性以及偏差等，数据驱动检测方法的正确使用方式，以便更好地完成异常检测任务：①基于相似性检测。会对正常数据和异常数据的相似程度展开详细划分，确定数据之间相似性，将相似性较低的数据归纳为异常数据，较为常用的处理办法，主要有基于密度、基于距离以及基于聚类等各种划分方式，使用该项检测技术，只需要找到合适度量函数，便可以利用相似性完成异常数据的检测，但该检测技术也存在对于度量函数依赖度相对较高的情况，容易受到噪声干扰；②基于偏差检测。会通过构建正常数据模型的方法，对测试数据进行比较分析，都果存在和正常数据模型偏差较大的数据，便会定义为异常数据，该种检测模式会在建设完模型之后，高效率完成各项检测任务，但建设模型难度相对较高；③基于概率检测。会通过对不同数据在数据集中发生概率进行分析的方式，将出现概率较低的数据定义为异常数据。

在使用数据驱动异常检测方法进行检测过程中，需要明确因为领域问题性质并不相同，所以在具体进行检测时也存在明显差异。数据异常类型是影响异常检测方法的关键要素，并没有完全万能的检测手段，能够对所有异常类型进行全面化检测，所以需要按照各异常类型具体情况，制定出针对性检测方法，以便保证检测工作开展质量。一方面，需要做好数据聚集异常检测。在进行聚集异常数据的检测时，需要将数据向量作为输入输出进行处理，采用子系列分割技术对遥测数据展开操作，按照数据特征以及物理特性各项情况，合理展开分割，在进行物理特性分割过程中，可以按照轨道俯角或者周期等完成分割操作，而在运用数据特征进行分割时，则需要确定特征点，展开序列分割；另一方面，需要做好数据关联异常检测。一般情况下，输入属于按时序顺序进行排列的序列点，而输出是异常数据点，所以需要通过对数据时间上下文特性的分析，按照航天器规律性运行特点以及工作模式等，完成影响设定，按照基于偏差的方式，展开预测模型建设，完成数据异常检测。在对预测模型进行使用时，需要对模型参数优化以及选择等各项内容进行重点分析，最大限度提高建模准确程度，保证正常数据波动范围计算能够达到标准要求，以便高质量完成检测。需要假设数据在收集过程中，会产生一定关联性，可以通过对历史窗口数据的分析，完成模型外推处理，进而确定历史窗口模型预测方法差以及预测均值，掌握置信区间，进而将超过该范围的数据，纳入为异常数据进行处理，保证能够通过对异常数据的分析，确定航天器的具体运行状态。

结束语：

及时发现遥测数据异常状况，科学对被测设备展开远程指令修复以及传输链路修复等各项处理，是保证航天器使用质量，提高相关工作开展效率的有效手段。强调需要对遥测数据异常状况进行全面分析，通过对比实验，确定最优检测方案，并且合理对各种检测技术进行应用，以便实现对异常数据的精准检测，保证能够按照检测结果制定出完善解决方案，实现理想化航天器运行模式，为我国航天器事业发展提供有利支持。

参考文献：

[1]郭鹏飞，魏才盛，殷泽阳，陈琪锋.融合注意力机制的航天器重建信号异常检测[J].航天控制，2023，41（05）：80-87.

[2]刘切，上官子卓，李嘉玺.基于迁移学习的航天器遥测数据异常检测技术[J].空间控制技术与应用，2023，49（04）：76-85.

[3]何家辉，程志君，郭波.联合字典学习与OCSVM的遥测数据异常检测方法[J].航空学报，2023，44（13）：207-219.

[4]史晓云，陈军，郭小红，符叶丹，王新广.基于回归分析的航天器异常检测方法[J].遥测遥控，2022，43（02）：57-62.