基于双轴注意力网络的航天器遥测多维时间序列异常检测

引言

随着航天任务的复杂度不断提升，航天器系统产生的时间序列数据呈现出海量、高维且非线性的特征。这些遥测数据不仅包含反映系统状态的连续读数，还隐含着不同子系统间复杂的耦合关系。如何从这些多变量时间序列（Multivariable Time Series，MTS）中检测出潜在的异常模式，是保障航天器在轨安全与降低地面运维成本的关键挑战［1］。传统的基于阈值监测或简单的统计模型方法，在面对航天器复杂的工况变化时，往往因无法捕捉变量间的动态相关性而导致高误报率或漏报率［2］。

从近年来的研究来看，异常检测领域逐渐演化出两条平行的技术路线，但也各自遭遇了性能瓶颈。一条路线侧重于架构创新，试图全面捕获时间与变量特征；然而，受限于无监督重建任务极低的信息密度，这类模型容易在复杂工况下陷入过拟合或产生高逻辑误报。另一条路线侧重于自监督范式创新，通过在时间维度注入软替换或峰值噪声来生成伪异常以训练判别器。但这种纯时序维度的降级，完全忽略了航天遥测数据最核心的属性，即多传感器间的空间拓扑约束。

为打破上述重架构轻监督与重监督轻拓扑的孤立局面，本文提出了一种架构设计与数据增强深度耦合的新型自监督异常检测范式（DASNet）。本文的核心洞察在于：判别式网络的架构设计，必须与伪异常的生成策略高度匹配才能发挥最大潜能。具体而言，本文不再采用单纯的时序扰动，而是创新性地引入了变量交换与强度缩放等空间拓扑破坏策略；同时，为了精准解耦这些被破坏的复杂特征，本文摒弃了常规的平行计算机制，从航天物理逻辑出发，论证并实现了一种“先理解动作上下文，再分析传感器拓扑”的串行双轴注意力编码器。实验表明，这种“策略激活多维注意力，串行机制解耦高维伪异常”的协同反应，极显著地突破了现有基准模型的检测瓶颈，为航天器健康管理提供了一种高效、可靠的新思路。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007172

投稿邮箱：ICAPP@belling.com.cn

作者信息：

龚旭，李林峰,张凤芳，吕琳

（华北计算机系统工程研究所，北京100083）