《Aerospace》：A Two-Stage Framework for Microsatellite Thermal Mode Identification and Fault Detection via Clustering and Sequence Prediction
编辑推荐：
微卫星在严酷的物理约束下运行于高度动态的热环境中，使得温度遥测成为关键的在轨健康指标。传统的基于阈值的监测方法无法区分正常运行模式转换与真实故障，导致过多的误报。为此，研究人员提出了一种两阶段框架，将无监督热模式发现与模式特异性深度学习预测相结合。原始温度遥测
微卫星在严酷的物理约束下运行于高度动态的热环境中，使得温度遥测成为关键的在轨健康指标。传统的基于阈值的监测方法无法区分正常运行模式转换与真实故障，导致过多的误报。为此，研究人员提出了一种两阶段框架，将无监督热模式发现与模式特异性深度学习预测相结合。原始温度遥测数据经过下采样并分割为轨道周期。无监督聚类识别出两种名义热工况和四种典型故障类型库（阶跃、尖峰、漂移和噪声），每种均对应不同的在轨故障机制。对于每种名义模式，基于7天历史窗口训练卷积神经网络-长短期记忆网络（CNN-LSTM）以预测3天温度演化。下行后，通过最近邻动态时间规整（DTW）分类推断传入周期的模式；当预测残差超过模式自适应阈值时标记异常。在澳门科学一号卫星B星（MSS-1B，COSPAR 2023-069-B，NORAD 56732）的41°倾角低轨道在轨遥测数据上的验证表明——其中太阳辐射主导外部热负荷，数据通信模块和科学载荷的内部热量构成主要内部热源——该方法在正常工况下相比未分类的全局基线减少异常标记96.6%，预测平均绝对误差（MAE）改善51.3%，正确检测到一个已知的运行瞬态同时抑制了虚假报警。包含四种异常类型和五种基线方法的合成故障注入实验进一步验证了框架的检测能力，总体F1分数达到0.725，而全局基线仅为0.258——2.8倍的提升主要由4倍精度增益驱动。敏感性分析揭示，两阶段优势在低幅度短时故障中最为显著，此时模式特定上下文至关重要。该研究通过提供具有量化故障检测性能的可靠异常检测，推进了微卫星自主健康管理。
微卫星技术的快速发展对航天器自主健康管理提出了更高要求。温度作为关键在轨健康指标，其监测准确性与可靠性直接关系到卫星任务的成败。传统固定阈值监测方法无法区分正常运行模式转换与真实故障，导致大量误报，使地面操作人员产生告警疲劳，同时削弱了自动健康监测系统的可信度。现有机器学习方法多将遥测数据流视为单一稳态过程进行处理，缺乏对嵌入式运行模式的显式建模，且全局模型必须拟合复杂的多模态函数，产生平均化效应，难以准确表征各独立运行工况。
为应对上述挑战，研究人员提出"先识别、后检测"的两阶段框架，核心思想是从遥测数据中无监督地发现卫星内在热运行模式，再基于推断的模式上下文开展异常检测。该研究发表于《Aerospace》期刊。
研究团队利用澳门科学一号卫星B星（MSS-1B，COSPAR 2023-069-B，NORAD 56732）约六个月连续在轨运行数据开展研究。该卫星运行于初始约500 km×450 km高度、41°倾角的低地球轨道，研究聚焦于安装在高功率通信模块附近的关键温度传感器（遥测通道TK46），该位置因频繁启停、直接暴露于轨道光照-地影周期引起的外部热流变化，以及最宽动态范围和清晰模式分离而成为研究对象。数据集涵盖常规地球观测、高速数据下行和姿态机动等多种任务场景，以1分钟间隔采样，经线性插值下采样至5分钟间隔，按精确星历和地影标志分割为独立轨道周期。研究中预留连续七天数据作为独立验证集，确保聚类和模型训练完全在早先周期上进行。
在技术方法层面，研究人员首先采用两阶段聚类策略进行热模式发现。第一阶段基于预计算的全部归一化轨道周期DTW距离矩阵执行密度-based空间聚类应用与噪声（DBSCAN），将密集连接的周期标记为名义工况，孤立点标记为潜在异常；第二阶段对名义和异常子集分别应用K均值（K-means）聚类，得到两个名义热模式（低功率基线模式和高功率运行模式）及四个典型故障类型库（阶跃、尖峰、漂移和噪声），各对应不同在轨故障机制。进而，为每个名义模式训练专属的CNN-LSTM预测模型：一维卷积层提取局部时序特征，LSTM层捕获长程依赖，通过滑动窗口生成输入-输出对，以均方误差（MSE）为损失函数、Adam优化器进行训练，采用早停防止过拟合。在线监测时，通过最近邻DTW分类推断当前模式，由对应模式专属模型生成预测，平滑后的预测残差超过模式自适应阈值时标记故障，并与预定义异常模式库进行多尺度形状相似性匹配以实现初步诊断。
研究结果部分，首先在名义工况验证集上，两阶段方法相比全局CNN-LSTM基线实现异常标记减少96.6%（4个 vs. 148个），预测MAE从0.462降至0.225，改善51.3%。四个标记点对应已知数据下行激活瞬态，证实为真实检测而非误报。预测误差分布显示两阶段方法误差高度集中于零附近，而全局方法分布更分散。代表性片段显示，两阶段预测紧密跟踪真实温度曲线包括模式过渡，全局预测器则在高功率模式期间出现明显滞后和系统性低估。
异常模式匹配方面，低功率基线模式中一个片段通过多尺度形状相似性度量匹配至尖峰型异常，综合相似性得分0.867，与数据下行激活期间观测到的瞬态热尖峰一致，将通用异常警报转化为可操作的诊断信息。
合成故障注入实验进一步量化检测能力。在验证时间序列中随机位置嵌入四种故障类型（阶跃：幅度2–5 °C、持续10–50点；尖峰：幅度3–8 °C、持续3点；漂移：幅度2–6 °C、持续50–200点；噪声：标准差1.5–5 °C、持续20–100点），每种类型9种组合共36个故障实例。两阶段方法总体F1达0.725，较全局CNN-LSTM基线（0.258）提升2.8倍，主要源于精度4倍提升（0.749 vs. 0.185），召回率相近（0.804 vs. 0.816）。各故障类型中，阶跃异常检测最佳（F1=0.884），漂移异常精度最高（0.945）但召回较低（0.693），噪声异常最具挑战性（F1=0.625）。参数敏感性分析表明，两阶段优势在短时故障中最显著，对于持续≤20点的阶跃异常ΔF1超过0.65；对于漂移异常，在幅度≥2 °C时保持约0.5–0.6的一致优势，但1 °C时因平均单点偏差低于0.8 °C阈值而难以检测。
讨论部分，研究人员首先阐释性能增益机制："先识别、后检测"策略通过建立残差评估的上下文基线，解决了传统方法缺乏上下文感知的核心缺陷；模式专属预测消除了全局模型的平均化效应，每个预测器在同质数据分布上运行，能够捕获更精细的时序动态和状态特异性依赖。合成实验验证了检测灵敏度，同时揭示全局模型虽召回率高但精度极低，无法区分真实故障与正常模式间转换。异常模式匹配的诊断价值在于将通用警报转化为可指导操作响应的信息，且模式库以无监督方式构建，无需人工标注，规避了在轨故障数据稀缺的难题。
研究结论部分指出，上下文感知监测能够有效分离正常运行工况与类故障瞬态，大幅削减微卫星热遥测中的误报。两阶段框架通过无监督聚类将轨道温度周期划分为两个名义模式及四种典型故障类型库，再以模式专属CNN-LSTM预测器实现高保真预测和残差异常检测。实验验证表明，该方法在正常工况下较传统全局模型减少异常标记96.6%、改善预测MAE达51.3%，合成故障注入实验F1分数提升2.8倍，且对短时低幅度故障优势最为显著。但同时存在以下局限：单传感器验证、缺乏真实故障真值、异常解释为假设性推断、5分钟下采样可能平滑短于该时长的瞬态事件。未来工作将面向更长遥测记录验证、多变量遥测集成、真实在轨故障验证、自适应阈值改进漂移敏感性，以及跨平台验证以支持完全自主的星上实现。
