Forschung zur Anomalieerkennung von Raumfahrzeugen basierend auf neuronalen Netzwerken

Die Überwachung von Telemetriedaten von Raumfahrzeugen in der Umlaufbahn ist von großer Bedeutung für die Fehlersuche und Frühwarnung. Die bestehenden Überwachungsmethoden für Raumfahrzeuge basieren hauptsächlich auf Regelwissen und nutzen historische Daten nicht gut, insbesondere bei Mehrparameter-Systemanomalien. In diesem Papier wird eine Anomalieerkennungsmethode basierend auf einem Long-Short-Term-Memory-Netzwerk (LSTM) vorgeschlagen, das einen Gedächtniseffekt hat, insbesondere für dynamische Parameter. Zunächst wird eine Reihe von Methoden zur Datenvorverarbeitung von Telemetriedaten vorgeschlagen. Zweitens wird für die Modellierung komplexer Systeme die Pearson-Korrelationskoeffizienten-Methode vorgeschlagen, um die Dimension der Telemetrieparameter zu reduzieren. Dann werden für dynamische Parameter die Modellierungsmethoden des LSTM-Neuronennetzwerks vorgeschlagen und der Prozess der Anomalieüberwachung wird beschrieben. Schließlich wird unter Verwendung der historischen Telemetriedaten eines Systems der Modelleffekt des neuronalen Netzwerks analysiert. Die Ergebnisse zeigen, dass der geschätzte Wert des Modells mit dem gemessenen Wert übereinstimmt und dass anormale Veränderungen des Systems effektiv erkannt werden können.