基于LSTM和多種異常定義的衛(wèi)星異常檢測方法

范瀟杰, 陳振安

(1.北京科技大學(xué) 計算機與通信工程學(xué)院，北京 100083； 2.廣東粵港澳大灣區(qū)硬科技創(chuàng)新研究院,廣東 廣州 510530)

隨著我國航天產(chǎn)業(yè)全面向商業(yè)化發(fā)展，商業(yè)航天對國內(nèi)經(jīng)濟發(fā)展起到了巨大的促進作用[1-3]。在軌衛(wèi)星作為商業(yè)航天重要的組成部分，如何保障其安全穩(wěn)定的運行至關(guān)重要。利用異常檢測技術(shù)，對直接反映衛(wèi)星工作狀態(tài)的遙測數(shù)據(jù)進行處理與分析，檢測遙測數(shù)據(jù)中存在的異常值，這對于及時發(fā)現(xiàn)衛(wèi)星故障、維護衛(wèi)星安全具有非常重要的現(xiàn)實意義[4]。

衛(wèi)星遙測數(shù)據(jù)中的某個異常點是指任何偏離標(biāo)準(zhǔn)、正常或者預(yù)期的數(shù)據(jù)點，這些異常點往往是由衛(wèi)星故障引發(fā)的。異常檢測是一個非常廣泛的研究課題，其在許多領(lǐng)域都有實際應(yīng)用[5-12]。一般來說，衛(wèi)星遙測數(shù)據(jù)的數(shù)據(jù)量都比較大，而且，遙測數(shù)據(jù)在空間傳輸?shù)倪^程中還非常容易受到噪聲干擾，發(fā)生數(shù)據(jù)失真或者丟失現(xiàn)象。此外，不同的遙測數(shù)據(jù)之間還可能存在復(fù)雜的關(guān)聯(lián)關(guān)系，這些因素都導(dǎo)致針對衛(wèi)星遙測數(shù)據(jù)的異常檢測具有一定難度和復(fù)雜度。傳統(tǒng)的人工判別方法和劃定閾值的方法都因為處理速度過慢、靈活性不夠，無法滿足目前的衛(wèi)星遙測異常檢測任務(wù)的需求。

針對衛(wèi)星遙測數(shù)據(jù)這種時間序列格式類型的數(shù)據(jù)，目前主流的異常檢測方法都會首先根據(jù)實測數(shù)據(jù)創(chuàng)建一個預(yù)測模型去建模遙測數(shù)據(jù)的“正常值”，然后根據(jù)預(yù)測值與實測值之間的偏差對比進行異常點的檢測。相關(guān)的國內(nèi)外研究工作主要包括：文獻[13]提出使用粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)方法對衛(wèi)星遙測數(shù)據(jù)進行建模預(yù)測，并將預(yù)測值與實測值進行對比實現(xiàn)異常檢測；文獻[14]提出使用貝葉斯網(wǎng)絡(luò)對衛(wèi)星遙測進行建模，再進行預(yù)測值與實測值的對比檢測異常；文獻[15]提出使用自回歸滑動平均技術(shù)對衛(wèi)星遙測數(shù)據(jù)進行建模，再將預(yù)測值與實測值進行對比，從而檢測出異常點。以上這些研究工作主要存在兩個問題：首先其使用的預(yù)測算法仍然比較傳統(tǒng)，建模預(yù)測能力有限；其次其對異常點的檢測往往基于固定的上下門限這種死板的方式，無法體現(xiàn)數(shù)據(jù)的動態(tài)變化趨勢。針對這些問題，文獻[16]提出了使用深度學(xué)習(xí)中的長短期記憶(Long-Short Term Memory,LSTM)網(wǎng)絡(luò)作為預(yù)測算法，并基于預(yù)測值推算出動態(tài)上下門限完成異常點檢測的方法。目前深度學(xué)習(xí)技術(shù)在衛(wèi)星姿態(tài)控制[17-18]、衛(wèi)星圖像目標(biāo)識別[19]等領(lǐng)域也有廣泛的應(yīng)用實例。雖然該方法中使用的LSTM算法和動態(tài)門限對于提升預(yù)測性能以及異常檢測的動態(tài)性有幫助，但是其整個異常檢測的流程仍然存在不規(guī)范、不靈活且異常定義太單一的問題。具體來說，衛(wèi)星遙測數(shù)據(jù)的種類是非常繁多的，每個遙測數(shù)據(jù)都對應(yīng)了衛(wèi)星上某個具體部件的實際工作情況，如果整個異常檢測流程無法靈活地兼容各種預(yù)測算法和多種異常定義，將無法為各種衛(wèi)星遙測參數(shù)的異常檢測需求提供統(tǒng)一的流程框架。此外，對每種衛(wèi)星遙測數(shù)據(jù)的異常檢測需要考慮多種不同的異常定義，如果只從一個角度使用單一的異常定義去檢測異常點，檢測結(jié)果往往會變得片面。

為了解決目前衛(wèi)星遙測數(shù)據(jù)異常檢測流程中存在的不規(guī)范、不靈活且異常定義單一的問題，本文在文獻[16]的基礎(chǔ)上，以LSTM算法為例進行衛(wèi)星電源系統(tǒng)遙測參數(shù)的建模預(yù)測，然后使用了3種異常定義——測試數(shù)據(jù)均值的標(biāo)準(zhǔn)差、預(yù)測結(jié)果均值的標(biāo)準(zhǔn)差和非參數(shù)動態(tài)閾值進行異常的聯(lián)合投票檢測，進一步提升了異常點檢測的性能。所提出的檢測流程具備較好的規(guī)范性和靈活性。

1 基于LSTM和不同異常定義聯(lián)合異常檢測基本思路

1.1 衛(wèi)星異常檢測流程設(shè)計思路

圖1展示了本文設(shè)計的衛(wèi)星異常檢測流程，按照數(shù)據(jù)處理的邏輯順序，其主要可分為3個模塊：① 衛(wèi)星時序數(shù)據(jù)預(yù)處理模塊，其主要完成對輸入衛(wèi)星時序數(shù)據(jù)的預(yù)處理，并根據(jù)選定的預(yù)測算法準(zhǔn)備好對應(yīng)的數(shù)據(jù)格式；② 算法預(yù)測模塊，其主要完成對衛(wèi)星時序數(shù)據(jù)的建模，輸出算法預(yù)測的理論“正常值”；③ 異常點檢測模塊，其主要完成根據(jù)指定的3種異常定義對輸入的預(yù)測值和實測值進行投票檢測，得到最終的異常點檢測結(jié)果。

圖1 衛(wèi)星遙測參數(shù)異常檢測流程

聯(lián)合投票檢測的準(zhǔn)則是只有當(dāng)兩種或兩種以上的異常定義同時判斷某點為異常點時，該點才被最終確定為異常點。3種異常定義都相當(dāng)于一名投票者，而投票結(jié)果決定了最終的異常檢測結(jié)果。具體來說，輸入進異常檢測流程的衛(wèi)星時序數(shù)據(jù)需要依次經(jīng)過野點剔除、均值填充、歸一化以及根據(jù)選定的預(yù)測算法生成樣本集等預(yù)處理步驟，隨后本文以LSTM算法為例在訓(xùn)練樣本集上完成算法模型的訓(xùn)練，并對測試樣本集進行模型預(yù)測，將預(yù)測結(jié)果進行反歸一化得到算法預(yù)測的“正常值”，最后將實測值與預(yù)測值分別用3種異常定義——測試數(shù)據(jù)均值的標(biāo)準(zhǔn)差、預(yù)測結(jié)果均值的標(biāo)準(zhǔn)差和非參數(shù)動態(tài)閾值進行投票異常點檢測，得到最終的異常點結(jié)果，完成整個檢測流程。

1.2 LSTM單元結(jié)構(gòu)原理

作為LSTM模型的基本組成結(jié)構(gòu)，LSTM單元結(jié)構(gòu)的原理如圖2所示。LSTM單元的輸入為上一時刻的隱藏狀態(tài)ht-1、上一時刻的單元狀態(tài)Ct-1和當(dāng)前時刻的輸入數(shù)據(jù)xt。LSTM單元的輸出為當(dāng)前時刻的隱藏狀態(tài)ht和當(dāng)前時刻的單元狀態(tài)Ct。當(dāng)前時刻的單元狀態(tài)Ct可以表示為

(1)

式中，ft與it分別為遺忘門與輸入門的內(nèi)部變量。

圖2 LSTM基本單元結(jié)構(gòu)

LSTM單元內(nèi)部使用遺忘門、輸入門和輸出門來分別控制其要遺忘的信息、要記憶的信息和對信息的更新。3個門控機制通過sigmoid激活函數(shù)σ控制其輸出值在0～1之間變動，當(dāng)門控輸出值接近0時，與之相乘的信息無法傳遞；而當(dāng)門控輸出接近1時，與之相乘的信息幾乎可以無損失地傳遞，以此實現(xiàn)對信息的控制。對于遺忘門來說，其表達式為

ft=σ(Wf·[ht-1,xt]+bf)

(2)

式中，Wf與bf分別為遺忘門的權(quán)重和偏置。對于輸入門來說，其表達式為

(3)

式中，Wi與bi分別為輸入門的權(quán)重和偏置，WC與bC分別為當(dāng)前單元狀態(tài)的權(quán)重與偏置。對于輸出門來說，其表達式為

(4)

(5)

RMSE的數(shù)值越小，代表預(yù)測值與實測值越接近，LSTM模型的預(yù)測能力越強。

1.3 數(shù)據(jù)預(yù)處理與LSTM模型搭建

1.3.1 數(shù)據(jù)預(yù)處理

設(shè)定輸入異常檢測流程的原始時序數(shù)據(jù)為xt(t∈[ts,te])，其中下標(biāo)t代表該數(shù)據(jù)點的時間標(biāo)簽，該段原始時間序列所處的起始時刻為ts，終止時刻為te。

首先，輸入的衛(wèi)星遙測時序數(shù)據(jù)會在衛(wèi)星時序數(shù)據(jù)預(yù)處理模塊中進行野點剔除的操作。這是因為原始的衛(wèi)星遙測數(shù)據(jù)在傳輸?shù)倪^程之中會由于噪聲干擾、數(shù)據(jù)丟失等偶然因素導(dǎo)致個別數(shù)據(jù)點的數(shù)值過高或過低(野點)，為了避免野點對后續(xù)數(shù)據(jù)分析的影響，需要使用53H算法[20]對野點進行剔除。

接著，需要對剔除野點后形成的缺失值進行均值填充。假設(shè)被剔除的野點索引位置為k，為了不讓野點位置出現(xiàn)數(shù)值空缺，應(yīng)取位置k一前一后最接近的兩個非野點位置的均值做填充操作。隨后，均值填充完的數(shù)據(jù)需要進行歸一化操作，將數(shù)據(jù)的數(shù)值范圍轉(zhuǎn)換到[0,1]之間。對于時序數(shù)據(jù)中的每個數(shù)據(jù)點，對其進行歸一化操作的公式可表示為

(6)

(7)

(8)

圖3 LSTM樣本準(zhǔn)備過程

至此已為LSTM模型的訓(xùn)練與測試做好了數(shù)據(jù)上的準(zhǔn)備，完成了全部的數(shù)據(jù)預(yù)處理工作。

1.3.2 LSTM網(wǎng)絡(luò)模型搭建

在了解LSTM基本單元結(jié)構(gòu)后，利用其進行完整的LSTM網(wǎng)絡(luò)模型的搭建，如圖4所示。LSTM網(wǎng)絡(luò)模型沿時間軸維度展開，其在每一個時刻上都是一個基礎(chǔ)的全連接神經(jīng)網(wǎng)絡(luò)，該全連接神經(jīng)網(wǎng)絡(luò)擁有兩層由LSTM單元組成的隱藏層。各時刻神經(jīng)網(wǎng)絡(luò)模型都是同一個，但是其狀態(tài)卻各自不同，前一個時刻的隱藏層狀態(tài)信息ht與Ct會被傳遞到下一個時刻以共同完成模型訓(xùn)練。本文設(shè)置每一隱藏層的LSTM單元個數(shù)為60個，輸入層的輸入時間序列長度為5，而輸出層的輸出時間序列長度為1。LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)的設(shè)置原因以及其對模型預(yù)測能力的影響會在后文部分進行具體討論分析。

1.4 3種無監(jiān)督異常定義

異常定義直接明確了預(yù)測數(shù)據(jù)與實測數(shù)據(jù)之間的差異以何種方式并達到何種程度時可以被判定為異常。在缺乏領(lǐng)域知識的情況下，僅根據(jù)一種異常定義就進行最終的異常檢測往往顯得太過片面，且單一的異常定義也無法滿足對各類差異顯著的衛(wèi)星遙測參數(shù)的應(yīng)用需求。本文在異常檢測流程中應(yīng)用了3種無監(jiān)督異常定義，使得異常檢測更加靈活和全面。

1.4.1 測試數(shù)據(jù)均值的標(biāo)準(zhǔn)差

給定一個實測時間序列以及其對應(yīng)的預(yù)測時間序列，一種可行的檢測異常點的方法是將實測時序與預(yù)測時序的誤差值與實測時序均值的N倍標(biāo)準(zhǔn)差進行比較。具體來說，先計算實測時序的標(biāo)準(zhǔn)差σ，然后計算實測時序與預(yù)測時序數(shù)據(jù)之間的誤差值，如果某點的誤差值大于N·σ，則將該點標(biāo)記為異常點。這是一種以實測數(shù)據(jù)為中心的方式，其更關(guān)心實測數(shù)據(jù)是如何變化的，該異常定義算法的偽代碼如下。

輸入：實測時序 TS，預(yù)測時序 Y，倍數(shù) N

輸出：帶有是否異常點標(biāo)記的時序數(shù)據(jù) TS′

function 標(biāo)記異常點(TS,Y,N)

σ←計算標(biāo)準(zhǔn)差(TS)

for t in timestamps of TS do

obs←TS[t]

y←Y[t]

error←|y-obs|

if error > N·σ

TS′[t,Anomaly?]←True

else

TS′[t,Anomaly?]←False

return TS′

1.4.2 預(yù)測結(jié)果均值的標(biāo)準(zhǔn)差

給定一個實測時序數(shù)據(jù)以及其相對應(yīng)的預(yù)測時序數(shù)據(jù)，另一種可行的檢測異常點的方法是將實測時序與預(yù)測時序均值標(biāo)準(zhǔn)差的N倍進行比較。具體來說，首先計算預(yù)測時序數(shù)據(jù)的標(biāo)準(zhǔn)差σ與均值μ，如果某個實測時序中的數(shù)據(jù)點值大于N·σ+μ，則標(biāo)記其為異常點。均值μ為序列內(nèi)所有數(shù)據(jù)之和除以總數(shù)據(jù)量之后的結(jié)果。這是一個以預(yù)測時序為中心的方法，其更關(guān)心預(yù)測模型建模“正常值”的能力，該異常定義算法的偽代碼如下。

輸入：實測時序 TS，預(yù)測時序 Y，倍數(shù) N

輸出：帶有是否異常點標(biāo)記的時序數(shù)據(jù) TS′

function 標(biāo)記異常點(TS,Y,N)

σ←計算標(biāo)準(zhǔn)差(TS)

μ←計算均值(TS)

τ←μ+N·σ

for t in timestamps of TS do

obs←TS[t]

y←Y[t]

if y>τ

TS′[t,Anomaly?]←True

else

TS′[t,Anomaly?]←False

return TS′

1.4.3 非參數(shù)動態(tài)閾值

前兩種異常定義能夠檢測出異常數(shù)據(jù)點，而非參數(shù)動態(tài)閾值方法[21]能夠直接輸出一段異常數(shù)據(jù)點的序列。具體來說，該方法首先獲取實測時序數(shù)據(jù)與預(yù)測時序數(shù)據(jù)之間的誤差值，并使用指數(shù)加權(quán)方法對其進行平滑，從而生成一組平滑的誤差值。隨后使用平滑誤差的均值和標(biāo)準(zhǔn)差設(shè)置初始的閾值，具體的詳細原理可以參考文獻[21]。該異常定義算法的偽代碼如下。

輸入：實測時序TS，預(yù)測時序Y

輸出：帶有是否異常點標(biāo)記的時序數(shù)據(jù) TS′

function 標(biāo)記異常點 (TS,Y)

errors←計算誤差值(TS,Y)

Es,scores←處理誤差值(TS,errors)

#Es是包含異常序列起始以及結(jié)束索引位置的集合

for anomaly in Esdo

start←anomaly[0]

end←anomaly[1]

for t in start-end do

TS′[t,Anomaly?]←True

return TS′

1.5 異常檢測性能評價指標(biāo)F-score

本文的異常檢測任務(wù)從本質(zhì)上來說是一個分類任務(wù)，其將時序數(shù)據(jù)中的每一個數(shù)據(jù)點分類為正常數(shù)據(jù)點或異常數(shù)據(jù)點，因此可以使用F-score指標(biāo)對其性能進行評價。對于異常檢測這個二分類問題，本文將異常點視作正例，而將正常點視作負例。分類結(jié)果的真陽(True Positive,TP)數(shù)，即把正例判斷為正例的數(shù)目為TP；分類結(jié)果的假陽(False Positive,FP)數(shù)，即把負例錯誤的判斷為正例的數(shù)目為FP；分類結(jié)果的真陰(True Negative,TN)數(shù)，即把負例判斷為負例的數(shù)目為TN；分類結(jié)果的假陰(False Negative,FN)數(shù)，即把正例錯誤的判斷為負例的數(shù)目為FN。分類結(jié)果的精確率(Precision)可以定義為

(9)

分類結(jié)果的召回率(Recall)可以定義為

(10)

F-score指標(biāo)綜合了精確率和召回率的影響，其可以定義為

(11)

式中,β用于平衡精確率和召回率對F-score指標(biāo)的影響程度，一般取其值為1，代表精確率和召回率一樣重要。

2 仿真測試與分析

2.1 數(shù)據(jù)展示與分析

為了對所提出的衛(wèi)星遙測參數(shù)異常檢測流程進行測試驗證，使用了從2020年3月初至2020年8月末某在軌衛(wèi)星電源系統(tǒng)的4類實測遙測數(shù)據(jù)開展仿真實驗。本文還利用研究組內(nèi)部的人工專家經(jīng)驗，對經(jīng)過預(yù)處理后的4類遙測數(shù)據(jù)進行了真實異常點的標(biāo)注工作。帶有標(biāo)簽的數(shù)據(jù)對于異常檢測性能的評價非常有幫助。這4類遙測數(shù)據(jù)經(jīng)過野點剔除以及均值填充預(yù)處理之后的具體情況介紹如下。

2.1.1 太陽陣電流數(shù)據(jù)

太陽陣電流是一組有著68137個時序數(shù)據(jù)點的單變量時序數(shù)據(jù)，其一共被標(biāo)注了7個異常點標(biāo)簽，如圖5所示。

圖5 太陽陣電流數(shù)據(jù)

2.1.2 母線電流數(shù)據(jù)

母線電流是一組有著68132個時序數(shù)據(jù)點的單變量時序數(shù)據(jù)，其呈現(xiàn)較強的平穩(wěn)周期分布，人工專家共為其標(biāo)注了9個異常點標(biāo)簽，如圖6所示。

圖6 母線電流數(shù)據(jù)

2.1.3 母線電壓數(shù)據(jù)

母線電壓是一組有著67916個時序數(shù)據(jù)點的單變量時序數(shù)據(jù)，其總體呈現(xiàn)平穩(wěn)分布，人工專家共為其標(biāo)注了10個異常點標(biāo)簽，如圖7所示。

圖7 母線電壓數(shù)據(jù)

2.1.4 蓄電池電壓數(shù)據(jù)

蓄電池電壓是一組有著67946個時序數(shù)據(jù)點的單變量時序數(shù)據(jù)，人工專家一共標(biāo)注了16個異常點標(biāo)簽，如圖8所示。

圖8 蓄電池電壓數(shù)據(jù)

2.2 LSTM模型及其預(yù)測結(jié)果

LSTM網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)對其預(yù)測性能的影響很大，選擇合適的網(wǎng)絡(luò)模型結(jié)構(gòu)對于建模衛(wèi)星參數(shù)的“正常值”很重要。本文在這一部分中分別探究了模型結(jié)構(gòu)、輸入時間步長、預(yù)測時間步長和訓(xùn)練集大小對預(yù)測性能的影響。使用RMSE指標(biāo)衡量模型的預(yù)測能力。模型訓(xùn)練使用的優(yōu)化器為Adam[22],其學(xué)習(xí)率lr=0.001，β1=0.9,β2=0.999。

2.2.1 模型結(jié)構(gòu)對預(yù)測性能的影響

首先，研究了LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)對其預(yù)測性能的影響。在設(shè)定輸入時間步長為5、輸出時間步長為1、選取每組衛(wèi)星數(shù)據(jù)的前50%的數(shù)據(jù)為訓(xùn)練集、剩余數(shù)據(jù)為測試集的條件下，通過改變LSTM模型隱藏層的數(shù)量和每層隱藏層中LSTM單元的數(shù)量，記錄了不同模型結(jié)構(gòu)下的各衛(wèi)星數(shù)據(jù)測試集的RMSE數(shù)值，如表1所示。

由表1中的數(shù)據(jù)可以看出，當(dāng)隱藏層數(shù)量為2層，且每層的LSTM單元個數(shù)為60時，模型在大部分衛(wèi)星參數(shù)上取得的RMSE數(shù)值都達到了最小。雖然對于母線電流來說，其最小RMSE數(shù)值是在隱藏層數(shù)量為2且每層LSTM單元個數(shù)為70的條件下取得的，但是當(dāng)每層LSTM單元個數(shù)為60時，其RMSE數(shù)值與最小值仍然比較接近。因此，取LSTM網(wǎng)絡(luò)的隱藏層為2層，每層中LSTM單元個數(shù)為60是比較合適的。

表1 模型結(jié)構(gòu)的影響

2.2.2 輸入時間步長對預(yù)測性能的影響

下面研究了輸入時間步長對預(yù)測性能的影響。設(shè)定LSTM網(wǎng)絡(luò)模型的隱藏層為2層，每層的LSTM隱藏單元為60個，輸出時間步長為1，各衛(wèi)星參數(shù)訓(xùn)練與測試集的劃分依然按照50%的比例。輸入時間步長以2為間隔在范圍[1,23]內(nèi)進行調(diào)節(jié)，其對各衛(wèi)星參數(shù)的預(yù)測RMSE數(shù)值影響如圖9所示。由圖9可知，隨著輸入時間步長的增大，各個衛(wèi)星參數(shù)的RMSE曲線大體上先在[1,5]的范圍內(nèi)下降，而在[5,23]的范圍內(nèi)開始上升。這是因為當(dāng)輸入時間步長在較小范圍內(nèi)增大時，意味著其能為預(yù)測模型帶入更多的有效預(yù)測信息，有助于預(yù)測性能的提升；而當(dāng)輸入時間步長繼續(xù)增大，更多的冗余信息被帶入模型中，導(dǎo)致了預(yù)測性能的惡化。因此，選擇輸入時間步長為5是比較合適的。

圖9 輸入時間步長對預(yù)測性能的影響

2.2.3 預(yù)測時間步長對預(yù)測性能的影響

隨后，繼續(xù)研究了預(yù)測時間步長對預(yù)測性能的影響。在模型結(jié)構(gòu)以及訓(xùn)練測試集劃分比例照舊不變的情況下，設(shè)定輸入時間步長為5，調(diào)節(jié)預(yù)測時間步長以2為間隔在[1,11]的范圍內(nèi)變動，各衛(wèi)星參數(shù)的RMSE數(shù)值隨其變化的曲線如圖10所示。對于各個衛(wèi)星參數(shù)來說，其RMSE數(shù)值基本上都隨著預(yù)測時間步長的增大而增大，RMSE的最小值都是在預(yù)測時間步長為1時取得的。這個現(xiàn)象比較容易理解，這是因為對任何預(yù)測模型來說預(yù)測的時間范圍越大，其預(yù)測的難度也越高。因此，本文選擇預(yù)測時間步長為1。

圖10 預(yù)測時間步長對預(yù)測性能的影響

2.2.4 訓(xùn)練集大小對預(yù)測性能的影響

最后，研究了訓(xùn)練集大小對預(yù)測性能的影響。在輸入時間步長為5、預(yù)測時間步長為1、隱藏層數(shù)為2、每層隱藏層LSTM單元個數(shù)為60的條件下，通過改變訓(xùn)練與測試集的劃分比例，記錄了各衛(wèi)星參數(shù)的RMSE數(shù)值變化曲線如圖11所示。劃分比例以10%為間隔在[10%,50%]范圍內(nèi)調(diào)節(jié)。以劃分比例10%為例，其具體含義為將時序數(shù)據(jù)的前10%的數(shù)據(jù)作為訓(xùn)練集，而將剩余的所有數(shù)據(jù)作為測試集，其他各劃分比例同理。由圖11可知，隨著劃分比例的增大，各衛(wèi)星參數(shù)的RMSE曲線都會出現(xiàn)明顯下降。這是因為較大的訓(xùn)練集有助于預(yù)測模型提升其預(yù)測性能。因此，選擇訓(xùn)練與測試集的劃分比例為50%。

圖11 訓(xùn)練集大小對預(yù)測性能的影響

2.2.5 各衛(wèi)星參數(shù)的最終預(yù)測結(jié)果

經(jīng)過上述對LSTM模型各個參數(shù)所帶來影響的研究，最終確定了LSTM模型最合適的配置：2個隱藏層，每層含有60個LSTM單元，輸入時間步長為5，輸出時間步長為1，訓(xùn)練與測試集劃分比例為50%。在以上參數(shù)的配置下，各個衛(wèi)星參數(shù)的最終預(yù)測結(jié)果如圖12所示。

圖12 預(yù)測結(jié)果

2.3 異常檢測結(jié)果

在異常點檢測模塊中，本文一共應(yīng)用了3類7種具體的異常定義。其中，根據(jù)倍數(shù)不同，分別設(shè)置了測試數(shù)據(jù)均值以及預(yù)測結(jié)果均值的2、4和8倍標(biāo)準(zhǔn)差作為異常定義，此為6種異常定義。第7種異常定義為非參數(shù)動態(tài)閾值。

2.3.1 不同預(yù)測性能對異常檢測結(jié)果的影響

衛(wèi)星的原始參數(shù)以及其預(yù)測參數(shù)是不同異常定義進行異常點檢測的2個基本輸入元素，其中衛(wèi)星的預(yù)測參數(shù)存在較大的可變性，LSTM模型的輸出不同精度的衛(wèi)星預(yù)測參數(shù)可能對異常檢測結(jié)果造成影響，因此有必要研究不同預(yù)測性能對異常檢測結(jié)果的影響。

在含有2個隱藏層、每層含有60個LSTM單元、輸入時間步長為5、輸出時間步長為1、訓(xùn)練與測試集劃分比例為50%的LSTM模型結(jié)構(gòu)設(shè)置下，分別對4種衛(wèi)星參數(shù)進行了200輪的模型訓(xùn)練。在整個訓(xùn)練過程中，模型的預(yù)測性能(均方根誤差)是持續(xù)減小的，即模型的預(yù)測性能隨著訓(xùn)練的增大而不斷減小。隨后，以訓(xùn)練輪數(shù)為自變量，以非參數(shù)動態(tài)閾值、測試數(shù)據(jù)均值的2倍標(biāo)準(zhǔn)差和預(yù)測結(jié)果均值的2倍標(biāo)準(zhǔn)差這3種異常定義下的F-score作為因變量，將結(jié)果展示在圖13中。

由圖13可知，隨著訓(xùn)練輪數(shù)的增加(預(yù)測性能的持續(xù)提高)，基于非參數(shù)動態(tài)閾值異常定義的異常檢測F-score在4類數(shù)據(jù)中存在較明顯的先上升(100輪前)后平穩(wěn)(100輪后)的趨勢，但是整體變化程度較小。這說明非參數(shù)動態(tài)閾值方法對于模型預(yù)測性能的改變敏感程度較低，當(dāng)預(yù)測性能從較低處逐漸提升時，非參數(shù)動態(tài)閾值方法也能緩慢地提升異常檢測性能，而當(dāng)預(yù)測性能進一步得到提升時，非參數(shù)動態(tài)閾值方法的異常檢測性能卻無明顯提升。與此相反，對于預(yù)測結(jié)果均值的2倍標(biāo)準(zhǔn)差和測試數(shù)據(jù)均值的2倍標(biāo)準(zhǔn)差這兩種異常定義來說，顯然它們對預(yù)測性能的變化更加敏感。隨著模型預(yù)測性能的不斷提高，此兩種異常定義下的F-score數(shù)值呈現(xiàn)明顯的先上升后下降趨勢。出現(xiàn)異常檢測性能的下降現(xiàn)象是因為模型預(yù)測性能過高，導(dǎo)致異常點位置的預(yù)測值也與實測值越來越接近，而這對于異常點檢測來說是不利的。

2.3.2 單獨異常定義下的異常檢測結(jié)果

輸入各衛(wèi)星參數(shù)的實測時序數(shù)據(jù)和預(yù)測時序數(shù)據(jù)在各種單獨異常定義下的F-score指標(biāo)如表2所示。

表2 單獨異常定義下F-score指標(biāo)的異常檢測結(jié)果

圖13 不同預(yù)測性能對異常檢測結(jié)果的影響

由表2可知，各衛(wèi)星數(shù)據(jù)在非參數(shù)動態(tài)閾值這個異常定義下的F-score數(shù)值始終是最低的。對于測試數(shù)據(jù)均值的標(biāo)準(zhǔn)差以及預(yù)測結(jié)果均值的標(biāo)準(zhǔn)差來說，標(biāo)準(zhǔn)差的倍數(shù)越大(8倍)，一般來說其獲得的F-score數(shù)值也相應(yīng)更大，但是對太陽陣電流來說，其在4倍標(biāo)準(zhǔn)差處的F-score是最大的。總體上來說，應(yīng)用預(yù)測結(jié)果均值的標(biāo)準(zhǔn)差這個異常定義能夠獲得最優(yōu)異的F-score性能指標(biāo)。然而，僅靠單一的異常定義來確定最終的異常檢測結(jié)果會顯得較片面，因為各個異常定義有自己的側(cè)重面，若能將多個異常定義進行聯(lián)合，可能會進一步提升異常檢測的性能。

2.3.3 基于聯(lián)合投票的異常檢測結(jié)果

為了綜合3類異常定義各自的優(yōu)勢，基于聯(lián)合投票的方式確定了最終的異常檢測結(jié)果。聯(lián)合投票的判定方式為：只有兩類或兩類以上的異常定義判斷該點為異常時，該點才被最終判定為異常點。非參數(shù)動態(tài)閾值、測試數(shù)據(jù)均值的標(biāo)準(zhǔn)差和預(yù)測數(shù)據(jù)均值的標(biāo)準(zhǔn)差這3類異常定義在聯(lián)合投票方式中就像3位手握選票的評委，最終的判定結(jié)果由評委投票決定。表3展示了各衛(wèi)星數(shù)據(jù)在不同3位評委的組合下的F-score數(shù)據(jù)。由于測試數(shù)據(jù)均值的標(biāo)準(zhǔn)差和預(yù)測數(shù)據(jù)均值的標(biāo)準(zhǔn)差主要有2倍、4倍和8倍這3種變體，而非參數(shù)動態(tài)閾值沒有變體，因此，表3中沒有明顯地指明非參數(shù)動態(tài)閾值異常定義。

表3 太陽陣電流、母線電流、母線電壓和蓄電池電壓

由表3可知，對于太陽陣電流來說，其在預(yù)測數(shù)據(jù)均值的4倍標(biāo)準(zhǔn)差、測試數(shù)據(jù)均值的8倍標(biāo)準(zhǔn)差和非參數(shù)動態(tài)閾值聯(lián)合投票的情況下獲得最大F-score；對于母線電流來說，其在預(yù)測數(shù)據(jù)均值的8倍標(biāo)準(zhǔn)差、測試數(shù)據(jù)均值的4倍標(biāo)準(zhǔn)差和非參數(shù)動態(tài)閾值聯(lián)合投票的情況下獲得最大的F-score；對于母線電壓來說，其在預(yù)測數(shù)據(jù)均值的8倍標(biāo)準(zhǔn)差、測試數(shù)據(jù)均值的8倍標(biāo)準(zhǔn)差和非參數(shù)動態(tài)閾值聯(lián)合投票的情況下獲得最大F-score；對于蓄電池電壓來說，其在預(yù)測數(shù)據(jù)均值的8倍標(biāo)準(zhǔn)差、測試數(shù)據(jù)均值的8倍標(biāo)準(zhǔn)差和非參數(shù)動態(tài)閾值情況下獲得最大F-score。通過表2與表3之間的對比，聯(lián)合投票機制在提升異常檢測性能上有著明顯的效果。

2.3.4 與其他方法的結(jié)果對比

為了驗證基于LSTM與多種異常定義聯(lián)合投票的異常檢測方法的有效性，將基于LSTM的動態(tài)閾值方法作為對照組，在相同的衛(wèi)星遙測參數(shù)上進行仿真實驗對比。所使用的方法參數(shù)配置經(jīng)過上文的仿真討論確定。對基于LSTM模型動態(tài)閾值的異常檢測方法，設(shè)置其LSTM模型結(jié)構(gòu)與本文一致，同樣為：2個隱藏層，每層含有60個LSTM單元，輸入時間步長為5，輸出時間步長為1，訓(xùn)練與測試集劃分比例為50%。不同的是對照組的異常定義為動態(tài)閾值，而本文采用的是3種異常定義的聯(lián)合。動態(tài)閾值檢測異常的方式如下：首先設(shè)定好動態(tài)閾值數(shù)值k，隨后將預(yù)測值同時增加k得到判定上邊界，將預(yù)測值同時減掉k得到判定下邊界。若實測值在上下邊界之內(nèi)，則判定其為正常，若超出上下邊界，則判定其為異常。在本次仿真對比中，選用動態(tài)閾值數(shù)分別為2、4、8、10下的異常檢測結(jié)果與本文方法進行對比，結(jié)果如圖14所示。由結(jié)果可知，從總體上來說，本文方法始終要優(yōu)于基于LSTM的動態(tài)閾值方法。而且，隨著數(shù)值k的不斷增大，基于LSTM動態(tài)閾值的方法在各個衛(wèi)星參數(shù)上的異常檢測性能呈現(xiàn)下降趨勢，這是因為k值增大使上下邊界變得過大，造成許多異常點被包含在邊界以內(nèi)。

圖14 不同方法的結(jié)果對比

3 結(jié)論

本文設(shè)計了針對在軌衛(wèi)星遙測數(shù)據(jù)的異常檢測流程，該流程具有規(guī)范且靈活的特點，可以兼容多種時序預(yù)測算法和多種異常定義，足以滿足實際的異常檢測需求。以LSTM算法作為示例預(yù)測算法，結(jié)合基于非參數(shù)動態(tài)閾值、測試數(shù)據(jù)均值的標(biāo)準(zhǔn)差和預(yù)測數(shù)據(jù)均值的標(biāo)準(zhǔn)差這3類異常聯(lián)合投票的檢測方式，顯著提升了異常檢測的性能。在本文所提出的檢測流程的基礎(chǔ)上，可以引入更多的預(yù)測算法和異常定義以滿足未來發(fā)展的需求。本文研究結(jié)論如下：

① 通過詳盡的算法仿真，針對衛(wèi)星電源系統(tǒng)遙測參數(shù)的異常檢測任務(wù)，搭建的LSTM模型結(jié)構(gòu)對算法性能會產(chǎn)生明顯影響，當(dāng)LSTM模型具備2個隱藏層、每層含有60個LSTM單元、輸入時間步長與輸出時間步長分別為5和1時，算法在各個衛(wèi)星電源參數(shù)上的整體性能最好。

② 與基于LSTM的動態(tài)閾值算法相比，本文提出的基于LSTM與多種異常定義聯(lián)合投票的算法在異常檢測任務(wù)上性能表現(xiàn)更好。這是因為多種異常定義設(shè)置和聯(lián)合投票的機制使異常評價的角度更全面和綜合。

③ 本文提出的異常檢測方法流程規(guī)范、靈活性強，異常定義多樣且全面，能夠滿足未來對多種衛(wèi)星遙測參數(shù)的異常檢測需求，具備很強的實用性。

④ 本文所提出的衛(wèi)星異常檢測方法已作為核心的數(shù)據(jù)處理算法在衛(wèi)星測運控一體化系統(tǒng)中進行了實際應(yīng)用；在算法研發(fā)過程中最大的困難是算法研發(fā)人員對衛(wèi)星數(shù)據(jù)知識的欠缺，這直接導(dǎo)致衛(wèi)星數(shù)據(jù)的異常點標(biāo)注工作必須依靠擁有專業(yè)衛(wèi)星知識的人員來進行，拖慢了研發(fā)進度；未來的衛(wèi)星遙測參數(shù)異常檢測可能會對異常檢測結(jié)果的可解釋性提出新要求，即不僅需要得到算法檢測到的異常點，而且需要找到將這個點標(biāo)記為異常的理由(可解釋性)，這也是未來異常檢測任務(wù)的優(yōu)化與改進方向。