多通道遥测数据异常检测的渐进式时空图推理框架:融合多尺度分片与统计决策

《Entropy》:Progressive Spatiotemporal Graph Modeling for Spacecraft Anomaly Detection Zihan Chen, Zewen Li, Yuge Cao, Yue Wang and Hsi Chang

【字体: 大 中 小 】 时间:2026年04月12日 来源:Entropy 2

编辑推荐:

  为解决航天器多通道遥测数据复杂依赖难以捕捉、固定尺度特征提取局限等问题,本研究提出基于渐进式时空图推理(PSTG)的多尺度预测—异常检测框架,通过??(多尺度分片)、??(自适应图注意力)与Φ(鲁棒决策)协同建模跨通道/时间关联,在保持细粒度波动与任务级趋势的同时显著提升异常识别稳定性与可解释性。

  
航天器在轨运行期间,数以千计的传感器持续采集温度、压力、电压等多通道遥测数据,这些高维时序信号不仅包含秒级的瞬时波动,还蕴含跨越数周甚至数月的任务阶段演化趋势。然而,传统异常检测方法面临三重困境:一是单一时间尺度难以兼顾瞬态异常与长周期模式漂移;二是通道间复杂的物理耦合(如供电系统波动引发温控参数联动)难以通过预设相关性矩阵刻画;三是航天场景对误报极其敏感,需平衡检测灵敏度与工程可靠性。
针对上述挑战,发表于《Entropy》的研究提出渐进式时空图推理框架(PSTG),其核心创新是将异常检测重构为“多尺度表征→时空推理→统计决策”的三阶段可解释流程。研究团队首先设计多尺度时间分片算子??Θ?,通过层次化滑窗将原始序列分解为不同粒度的片段,既压缩计算复杂度又保留多分辨率特征;继而构建渐进式时空图推理模块??Θ?,利用堆叠的图注意力层动态学习通道间的隐性依赖,无需预定义拓扑结构即可捕获跨传感器传播效应;最终通过统计异常决策函数Φ量化预测偏差,结合鲁棒估计与动态阈值实现可控风险下的异常判定。
关键技术包括:①多尺度分片策略,采用集合P={p?,p?,…,pK}定义不同长度滑窗,标准化各尺度输出为统一维度以便融合;②位置感知嵌入与门控注意力融合,通过可学习权重聚合多尺度特征;③深度堆叠时空图网络,每层更新隐状态H[l]= ??Θ?(l)(H[l-1]),逐步提炼时空关联;④滑动窗口滚动预测,仅保留短视域首段以减少误差累积,拼接形成全局预报。

3.2.1 多尺度分片设计

研究突破单尺度限制,定义分片算子为??Θ?= FuseΘgate° EmbedΘemb° ΠP。其中ΠP按预设长度集P离散化输入,通过步长hk= ?(L-pk)/(N-1)?确保各尺度产出相同数量(N=?L/pmain?)的特征块;EmbedΘemb对每块进行线性投影与位置编码;FuseΘgate通过门控机制加权融合多尺度特征,生成兼具局部细节与宏观趋势的初始潜表示Zfused∈ ?C×n。

渐进式时空推断

以H[0]= Zfused为起点,堆叠L层时空推理模块迭代更新:H[l]= ??Θ?(l)(H[l-1])(l=1,2,…,nL)。??Θ?的核心是构造数据自适应的时空图,通过节点(通道×时间)间的注意力交互动态捕捉长程依赖与交叉影响,最终输出端接预测头??Θ?生成未来值X?future。

统计异常决策

将真实观测与预测值的偏差映射为异常证据,采用鲁棒偏差度量、时间稳定化与动态阈值校准的组合策略,在控制假阳性的前提下标记显著偏离正常模式的时段。
研究表明,PSTG框架有效解决了多通道遥测数据的尺度适应性与依赖性建模难题:多尺度分片同时保留了高频波动特征与任务级演化轮廓,避免了单一窗口的信息损失;渐进式图推理通过隐式学习通道关联,摆脱了对固定物理模型的依赖;统计决策模块将深度学习输出转化为可解释的风险概率,契合航天工程对可靠性的严苛需求。该成果不仅提升了复杂系统异常检测的准确率,更为工业物联网、能源管网等场景的多源时序监控提供了可迁移的范式——即通过“结构化表征+可解释推理”弥合数据驱动方法与领域安全约束之间的鸿沟。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号