《Applied Sciences》：An Interpretable Anomaly Detection and Identification Framework for Onboard ADCS Fault Management in Nanosatellites
编辑推荐：
研究人员指出，纳卫星姿态确定与控制系统（ADCS）中的异常信号会显著降低任务性能，尤其是在缺乏稳健的故障检测、隔离与恢复（FDIR）机制的情况下。传统的基于阈值的方法虽然便携且紧凑，但可能忽略细微故障，导致阈值内的异常传感器信号或电流尖峰可能危及整个ADCS子
研究人员指出，纳卫星姿态确定与控制系统（ADCS）中的异常信号会显著降低任务性能，尤其是在缺乏稳健的故障检测、隔离与恢复（FDIR）机制的情况下。传统的基于阈值的方法虽然便携且紧凑，但可能忽略细微故障，导致阈值内的异常传感器信号或电流尖峰可能危及整个ADCS子系统的运行。此外，缺乏可解释的检测方法进一步限制了可靠机器学习（ML）FDIR解决方案的发展。为应对这些限制，研究人员提出了一种基于小波的异常检测框架，该框架引入了一种两阶段混合架构，结合轻量级卷积神经网络（CNN）进行异常检测，并使用逻辑回归进行故障分类，两者均基于从传感器和致动器数据中提取的离散小波变换（DWT）细节系数。该框架使用基于统计的1U立方星ADCS模拟数据集进行验证，该数据集在MATLAB中生成，其中异常以受控的幅度、频率和波形变化在组件级别引入，确保了99%的统计显著性。此外，为展示操作可行性，研究人员通过处理器在环（PIL）环境执行所提框架，考虑了星上实现的约束。为进行基准测试，比较了轻量级检测和分类算法，包括超出限值（OOL）和紧凑型机器学习方法。最后，为识别框架局限性并将故障事件追溯至物理现象，研究人员对所提算法应用了梯度加权类激活映射（Grad-CAM）、SHapley加性解释（SHAP）和杂质分析作为主要可解释性工具。结果表明，该框架实现了准确的异常检测与识别，可支持自主FDIR操作和地面操作员决策。所提出的验证框架和数据集为推进纳卫星星上异常检测提供了可重复的基础。
本研究旨在解决纳卫星姿态确定与控制系统（ADCS）中异常检测与识别面临的挑战。研究背景方面，纳卫星任务日益依赖商用货架（COTS）组件，但ADCS作为故障高发子系统（占早期故障原因的17.75%），其异常信号可能严重降低任务性能。传统阈值方法虽便携但易忽略细微故障，且缺乏可解释性限制了机器学习（ML）故障检测、隔离与恢复（FDIR）的可靠性。为此，研究人员针对1U立方星ADCS，提出了一种基于小波的两阶段星上异常检测与识别框架，论文发表在《Applied Sciences》。该框架通过统计故障注入（SFI）生成数据集，在Model-in-the-Loop（MIL）模拟中验证，并在STM32F446RE微控制器上通过处理器在环（PIL）测试实现。结果表明，该框架能准确检测与识别异常，支持自主FDIR决策，并利用可解释性工具（Grad-CAM、SHAP）将检测结果与物理现象关联，为纳卫星星上异常检测提供了可重复的基础。
**主要关键技术方法**
研究人员采用离散小波变换（DWT）从传感器和致动器数据中提取细节系数，作为数据表示基础。检测阶段使用轻量级一维卷积神经网络（WCNN），分类阶段使用基于小波能量逻辑回归（WELR）模型，两阶段串联。数据集通过统计故障注入（SFI）方法生成，覆盖6种物理故障类型（尖峰、漂移、偏置、卡死、数据丢失、不规则），以99%置信度和1%误差幅度从统一误差总体中抽取16590个故障注入样本，并基于1U立方星ADCS的MIL模拟（MATLAB R2025a）产生。框架在STM32F446RE微控制器上通过PIL验证，同时采用Grad-CAM、SHAP和杂质分析作为可解释性工具。
**研究结果**
**7.1. 数据集特征**
通过t-SNE二维投影显示，异常窗口与正常窗口在原始特征空间中几乎完全重叠，表明故障信号在原始特征层面线性不可分，需借助学习特征表示。相关性热图显示磁力计轴间、陀螺仪通道间高度相关，太阳传感器间中等相关，这种强系统内相关性导致局部扰动可能产生跨通道分布式信号。
**7.2. 二元检测结果**
比较9种方法（包括阈值、基于树、LSTM、CNN、自编码器等），在窗口大小W=20时，WCNN模型以94.49%召回率和94.53% F1分数最优，模型大小仅0.015 MB，远超LSTM（0.432 MB，95.43% F1）的部署可行性。阈值方法（方差检测）召回率仅54.04%，自编码器（AE）召回率78.75%，均不及WCNN。窗口大小分析表明，顺序RSR模型在W=20时性能稳定，而阈值方法随窗口增大性能下降。
**7.3. 多标签分类结果**
评估13种故障隔离方法，WELR模型在W=20时实现74.69%宏F1分数、85.09%宏精度和97.95%汉明分数，模型大小仅2.11 KB，优于其他方法（如XGBoost宏F1 77.10%但占用5.36 MB，无法部署；WMCNN宏F1 87.69%但占用0.52 MB超出预算）。窗口大小分析显示，RSR顺序模型在W=20时宏F1最高，而HFE树模型在短窗口时最优，大窗口稀释局部故障特征。
**7.4. 可行性**
两阶段框架（WCNN+WELR）在STM32F446RE上PIL实现，总内存占用85.05 KB RAM和356.15 KB FLASH，每2秒滑动窗口处理一次，平均执行时间88 ms，远低于ADCS控制器100 ms周期，验证了实时可行性。典型故障场景（陀螺仪不规则故障和磁力计尖峰故障）均被成功检测与隔离。
**7.5. 比较总结与框架论证**
两阶段框架优于任何单一模型，因为检测阶段需高召回率（WCNN满足），隔离阶段需高精度和汉明分数（WELR满足），且顺序结构限制隔离仅对标记异常窗口执行，不增加控制循环负载。所选管道总闪存占用17.37 KB，满足硬件约束。
**讨论与结论**
讨论部分总结了数据集平衡性（异常率49.3%）、窗口大小作为实际权衡参数、小波配置敏感性（db4-L1选型稳定，细节系数优于近似系数）、Grad-CAM和SHAP分析结果。Grad-CAM显示磁力计通道占总归因质量的55-60%，SHAP也确认磁力计滚动标准差为最主要判别特征，而杂质分析高估了太阳传感器重要性。假阳性分析揭示，磁力计分散度降低伴随致动器电流变异性升高会触发错误报警，属于正常高活动状态。陀螺仪通道贡献低（SHAP<2%），因其采样率更高导致窗口内时间跨度短。结论部分翻译如下：本研究为星上ADCS异常检测与隔离提出了三项主要贡献。第一，针对模拟1U立方星ADCS，提出了一种两阶段星上FDIR框架，集成二元WCNN检测器与逻辑回归分类器（WELR）进行故障隔离，实现了94.53%的二元F1分数和85.09%的宏精度。该框架与10种轻量级检测方法进行了基准测试，涵盖基于阈值的基线、基于手工统计描述符的树集成以及基于小波细节系数的递归和卷积架构。第二，该框架在统计验证数据集上进行了评估，该数据集包含16590个故障注入样本，以99%置信度和1%误差幅度从统一误差总体中抽取，通过1U立方星MIL模拟的统计故障注入生成，覆盖11个ADCS传感器和致动器组件15个信号通道的6种故障类型，具有平衡的二元分布和均匀的通道覆盖。基于此模拟场景，所选管道在STM32F446RE微控制器上以处理器在环（PIL）配置部署，与ADCS固件并行运行，总内存占用17.37 KB，端到端延迟88 ms，证明了在评估硬件平台的特定资源约束下的实时可行性。第三，可解释性分析直接解决了安全关键FDIR系统需将检测决策与可识别物理现象关联的要求。SHAP归因（应用于树分类器）和Grad-CAM归因（应用于WCNN检测器）独立识别磁力计滚动标准差为主要的故障判别描述符，两者在完全不同的信号表示和归因机制下得出相同结论，为自主检测决策提供了可追溯的证据。分析还揭示了标准杂质重要性方法的系统性局限，即因六个相关太阳传感器通道的特征丰富性而错误提升其相关性，SHAP纠正了这一归因并重新分配主导地位给磁力计描述符。假阳性表征进一步揭示了一种特定故障模式：磁力计分散度降低与致动器电流变异性升高同时发生，构成正常高活动状态，当前分类器无法可靠区分。本研究应承认三个局限性。第一，陀螺仪通道在二元检测中仅作为次要指标，在多标签任务中每通道召回率最低，与其低SHAP归因一致，需改进陀螺仪故障建模保真度并添加交叉轴相关描述符。第二，检测管道仅在MIL条件下的模拟遥测数据上验证，并辅以PIL部署验证，因此结论仅限于所评估的模拟1U立方星ADCS场景。注入的漂移故障建模为离散起始偏置斜坡，尚未代表渐进式长期退化效应（如辐射引起的灵敏度衰减）。第三，使用SHAP和杂质方法获得的特征重要性结果不一定适用于不同注入配置生成的故障概貌，这是对合成数据集进行可解释性分析的固有局限性。未来工作提出将DWT近似系数纳入分析以捕捉稳态退化行为，改进陀螺仪故障建模，加入交叉轴相关描述符，扩展漂移模拟至连续退化轨迹，并联合建模EPS和ADCS子系统以实现功耗感知资源分配。此外，还需使用硬件在环和在轨遥测进行额外验证以评估操作鲁棒性。
