《Aerospace》：A Lightweight Satellite Orbit Anomaly Detection Method Based on Peak-AAE and Its Edge Deployment
编辑推荐：
对轨道异常的探测对于在轨航天器的安全运行至关重要。现有方法通常依赖人工设计的特征，并受限于卫星设备的计算资源。本文提出一种基于峰值对抗自编码器（Peak Adversarial Autoencoder, Peak-AAE）的轻量化无监督异常检测方法。首先，采用
对轨道异常的探测对于在轨航天器的安全运行至关重要。现有方法通常依赖人工设计的特征，并受限于卫星设备的计算资源。本文提出一种基于峰值对抗自编码器（Peak Adversarial Autoencoder, Peak-AAE）的轻量化无监督异常检测方法。首先，采用Peak-AAE模型重建历史半长轴数据，并将重建数据与原始数据之间的平方差作为残差序列；随后，将自动多尺度峰值检测（Automatic Multi-Scale Peak Detection, AMPD）算法应用于残差序列以识别异常点。与传统方法相比，该方法无需人工特征设计。此外，改进的Peak-AAE模型有效降低了原始对抗自编码器（Adversarial Autoencoder, AAE）模型的误报率，从而提高了检测精度。最后，将压缩后的Peak-AAE模型部署于边缘设备进行地面仿真验证。在BEIDOU-3 G2和IRNSS-1A卫星上的实验验证表明，Peak-AAE模型实现了最低90.00%的精确率和最低84.74%的召回率。
轨道异常检测对于在轨航天器安全运行具有重要意义。空间目标的轨道异常大致可分为三类：人为干预控制的机动、无人干预的特殊事件（如空间目标碰撞或航天器燃料泄漏），以及极端空间环境引发的异常。由于轨道机动数据最为丰富且历史记录详细，研究以轨道机动作为异常检测的主要对象。航天器轨道参数的变化可以用来判断是否发生异常。在正常条件下，这些参数变化很小，而当异常发生时，参数变化幅度明显增大。参数变化可分为面内变化和面外变化两类：同轨道面内变化时半长轴变化最显著，改变轨道平面时轨道倾角变化更明显。现有轨道异常识别方法通常先处理上述特征，构建易于识别的新特征，再通过基于阈值的方法识别异常点。Patera首次提出基于滑动窗口的数据拟合方法，利用窗口内拟合数据与实际数据之差计算偏差数据的均值、方差和标准差，并以标准差作为阈值判断事件发生。Cao等运用动态优化思想，通过假设存在异常点对数据进行分段，迭代优化获得各段最小总损失下的异常点分布。Song等提出“半长轴变化法”，以半长轴相对参考点的偏差作为检测特征，并将决策阈值定义为半长轴变化平均绝对偏差之和的三倍标准差。Yan等考虑单特征方法的局限性，提出了融合轨道半长轴变化绝对值、半长轴变化率绝对值以及轨道平均运动离散比三种特征的综合判据方法，对不同卫星设定不同判据。Mukundan和Wang提出将实际两行根数（Two-Line Element, TLE）轨道要素与简化摄动模型获得的预报轨道要素进行比较，以两者之差作为检测特征。Qin等根据卫星轨道参数的长短期运行规律设计拟合函数，以拟合半长轴的短期周期值与实际观测值之差进行异常检测。Su利用空间目标与航天器之间比机械能之差作为机动识别特征，结合小波变换处理噪声信号后进行异常检测。上述传统研究普遍采用两步骤：第一步设计易识别的新特征，第二步用固定阈值等超参数方法进行检测，这类方法需要人工调整阈值或窗口长度。与此同时，深度学习已在异常检测领域取得广泛成功。参考文献[10-17]的研究将神经网络、循环神经网络、自编码器及生成对抗网络等应用于异常检测，受此启发，研究人员尝试将深度学习方法应用于轨道异常检测，并选用无阈值的自适应检测算法——自动多尺度峰值检测（Automatic Multi-Scale Peak Detection, AMPD）替代人工设计检测函数，从而消除检测函数中的超参数。
为克服常规重建模型（如VAE、GAN、Transformer）无法区分轨道异常起始和结束阶段的问题——这类异常通常表现为陡峭的峰后紧接谷值，而常规重建模型可能随机将其中任一阶段判别为异常，导致误检——研究人员在对抗自编码器（Adversarial Autoencoder, AAE）中引入峰值概率生成模块，通过无监督方式计算每个数据点的峰值概率，并在自编码器训练过程中基于该概率构建非峰值损失项，增强峰值区域的重建精度，从而避免误检。针对原始AMPD算法在数据边界可能出现的索引越界错误和端点异常漏检问题，研究提出两项优化：限制峰值检测的索引搜索范围以避免越界错误；在数据序列两端进行边缘填充，以确保两端异常点被充分捕获。此外，为满足星载边缘设备的实时推理需求，研究进一步对Peak-AAE模型进行轻量化压缩，参数量由约48k降至约9.3k，模型大小由201KB降至52KB，检测精度最大下降仅为2.85%。研究在BEIDOU-3 G2和IRNSS-1A卫星上验证了算法的有效性，并将其部署在树莓派上进行地面仿真验证，相关成果发表于《Aerospace》。
该研究的关键技术方法可概括为：首先从Space-Track获取目标卫星的历史TLE数据，依据开普勒第三定律由轨道平均运动计算半长轴序列；采用长度m、步长为1的滑动窗口对历史半长轴数据进行分割，并执行Z-score归一化。网络结构上，Peak-AAE由编码器、解码器和判别器组成，并新增峰值概率生成模块，该模块由特征提取、特征融合和概率生成三个子模块构成，其中特征提取使用三个不同核大小的一维卷积层，概率生成通过Sigmoid函数输出逐点峰值概率。训练过程分为三步：先训练峰值概率生成模块，施加稀疏性、平滑性和对比性三种约束；再固定自编码器训练判别器，采用二值交叉熵损失；最后固定判别器训练自编码器，重建损失由基础重建损失与五倍非峰值损失相加，并与0.5倍对抗损失合并作为总损失。AMPD算法的改进包括限定索引搜索范围和边缘镜像填充，以及采用改进的AMPD进行峰值检测。模型压缩采用结构剪枝生成Peak-AAE-Lite，并转换为TFLite浮点格式部署于树莓派。
3.1 实验数据
实验对象为BEIDOU-3 G2和IRNSS-1A两颗地球静止轨道（Geostationary Earth Orbit, GEO）导航卫星。BEIDOU-3 G2使用2022年全年TLE数据，参考已有机动历史记录，排除了缺失TLE的日期，并根据半长轴实际变化将一次机动日期调整至相邻日期。IRNSS-1A使用2018至2021年数据，因缺乏参考机动历史，研究人员根据半长轴变化和3σ准则人工标注异常点。数据均来自Space-Track，每日取最新TLE以减少更新频率不规则的影响。
3.2 评价指标
采用精确率（Precision）、召回率（Recall）和F1分数作为评价指标，将异常点设为正类。精确率衡量预测为正类的样本中实际为正类的比例，召回率衡量实际正类样本中被正确识别的比例，F1分数为精确率和召回率的调和平均值。
3.3 对比实验
将所提方法与两种传统方法（滑动窗口曲线拟合法MWCF、半长轴变化法SACM）及三种深度学习方法（VAE、USAD、Anomaly-Transformer）进行比较。深度学习模型在相同超参数下重复五次实验，报告均值±标准差。结果表明，SACM在两个数据集上均获得最高召回率，MWCF在BEIDOU-3 G2上表现良好但在IRNSS-1A上较差。VAE和USAD因无法区分异常起止阶段而表现出约50%水平的检测结果，Anomaly-Transformer虽部分结果偏离该规律，但多数检测点仍证实这一结论。所提Peak-AAE方法在BEIDOU-3 G2上获得平均精确率94.57%、F1分数94.33%，在IRNSS-1A上精确率达90.00%，均优于其他五种方法。
3.4 消融研究
为验证改进效果，对原始AAE模型和原始AMPD算法进行消融实验，比较AAE-AMPD、Peak-AAE-AMPD、AAE-AMPD*和Peak-AAE-AMPD*四组组合（AMPD*表示改进后的AMPD算法）。结果显示，在相同检测算法下，Peak-AAE模型在三个指标上均优于原始AAE模型；改进AMPD算法在保持较高召回率的同时会识别更多由AAE模型产生的误报，导致精确率有所下降；在改进AAE模型下，改进AMPD算法在大多数指标上表现更优。消融结果还表明，增强模型重建能力比提升检测算法本身更为关键。局部放大比较显示，Peak-AAE模型能准确识别异常点位置，而原始AAE模型的异常检测相对实际发生时间存在滞后，进一步证明了所提模型在构建判别性特征方面的有效性。
在讨论与结论部分，研究人员总结指出，本文提出了一种融合峰值对抗自编码器（Peak-AAE）和自动多尺度峰值检测（AMPD）算法的轨道异常检测方法。与传统方法相比，该方法无需人工特征工程，且检测函数不含超参数。方法包含三个步骤：利用Peak-AAE重建历史半长轴数据；计算重建数据与原始数据的平方差得到残差序列；使用AMPD算法对残差序列进行异常检测。在BEIDOU-3 G2和IRNSS-1A卫星上的实验验证了该方法相对于传统技术的优越性。消融研究证实了改进措施的有效性。压缩后的Peak-AAE模型成功部署于树莓派并进行地面仿真验证，建立了完整的轨道异常检测系统，证明了工程部署的可行性。研究结论为：该方法目前仅在GEO场景下得到验证，但从动力学角度看，其核心机制（SGP4残差重建）不依赖于轨道类型，理论上可推广至近地轨道（Low Earth Orbit, LEO）、中地球轨道（Medium Earth Orbit, MEO）和大椭圆轨道（Highly Elliptical Orbit, HEO）。
