基于OPS-SAT卫星遥测数据的异常检测基准研究：填补领域空白与算法验证新范式

针对卫星遥测异常检测缺乏真实标注数据的难题，欧洲空间局（ESA）合作团队构建了首个CubeSat任务（OPS-SAT）的AI就绪数据集OPSSAT-AD，包含2123段多通道标注数据。研究通过30种监督/无监督算法（如FCNN、XGBOD、IForest）验证了特征工程与模型性能，提出标准化评估指标（AUCPR=0.979↑），为航天器自主诊断提供可复现基准，相关成果发表于《Scientific Data》。

　　

论文解读

在航天任务中，卫星遥测数据的异常检测如同为航天器把脉，是保障任务安全的核心环节。然而，这一领域长期面临"数据荒"困境——现有公开数据集如NASA的SMAP和MSL因标注质量差、异常密度失真等问题饱受诟病，而欧空局Mars Express等数据集又缺乏关键异常标注。更棘手的是，传统人工检测方式效率低下且易出错，而新兴的AI算法因缺乏真实场景验证数据难以落地。这种矛盾在OPS-SAT这类CubeSat任务中尤为突出，这类微型卫星作为技术试验平台，其高动态特性导致遥测数据充满采样率波动、信号畸变等现实噪声，亟需建立可靠的基准体系。

为此，波兰奥波莱理工大学与KP Labs联合欧空局ESOC中心，利用OPS-SAT卫星（2019-2024年在轨）的实测数据，构建了首个面向CubeSat的异常检测基准OPSSAT-AD。研究团队通过WebMUST平台获取原始遥测，借助OXI可视化工具联合航天工程师与机器学习专家完成2123段数据标注（含20%异常片段），涵盖磁强计（I_B_FB_MM__0-2）和光电二极管（I_PD_1-6_THETA）等9个通道。创新性地提取18维特征（如峰值计数?n_peaks?、加权方差?var_div_len?等），并通过分层抽样划分训练集（T, 1494段）与测试集（Ψ, 529段），为算法验证提供标准化框架。

关键技术方法
研究采用混合技术路线：1) 数据采集通过ESA专用平台WebMUST获取原始遥测，利用OXI工具进行多专家协同标注；2) 特征工程提取统计量（均值?mean?、峰度?kurtosis?）、平滑特征（10/20点滑动窗口峰值?smooth10_n_peaks?）及微分特征（二阶导数方差?diff2_var?）；3) 模型验证涵盖30种算法，包括监督模型（如随机森林RF+ICCS）和无监督模型（如深度隔离森林DIF），通过PyOD和TensorFlow/PyTorch实现；4) 评估采用7项指标（AUCPR、MCC等），重点关注误报率与漏检率的平衡。

研究结果
Universal anomaly detectors
全通道统一检测中，全连接神经网络（FCNN）表现最优，AUCPR达0.979，召回率0.929，仅产生8个漏检。无监督方法MO-GAAL意外展现出低误报优势（仅3个误判），但多数无监督模型（如IForest）因未利用标注信息导致性能波动显著。特征相关性分析（图4）证实训练/测试集分布一致性，Spearman系数>0.8的特征组合占比达76%。

Specialized anomaly detectors
分通道建模时，逻辑回归（LR）在AUCPR（0.946）和AUCROC（0.974）上领先，而FCNN仍保持最高准确率（0.970）。值得注意的是，KNN作为无监督方法表现抢眼（AUCPR=0.788），验证了通道特异性特征的有效性。对比实验发现，移除长度特征?len?后模型鲁棒性提升，暗示特征选择需结合物理意义。

结论与意义
该研究首次建立了CubeSat遥测异常检测的黄金标准，其价值体现在三方面：1) 数据层面，OPSSAT-AD通过真实在轨数据填补领域空白，包含信号中断、周期畸变等6类典型异常（图6）；2) 方法论层面，提出的分层验证框架和7项核心指标（如MCC）解决了算法可比性难题；3) 工程层面，特征工程与轻量化模型（如RF+ICCS）为星载部署提供参考。随着OPS-SAT VOLT（2025年发射）任务的推进，该基准将推动航天AI从实验室走向工程实践，为构建自主诊断系统奠定基石。