闫媞锦，夏元清,*，张宏伟，韦闽峰，周彤

1. 北京理工大学 自动化学院，北京 100081 2.北京航天自动控制研究所，北京 100070

航天器是极其复杂且昂贵的飞行器，具有数千个遥测传感器，详细记录了温度、辐射、功率、仪器和计算活动等方面的时序信息。一旦出现无法监测和响应异常状态的情况，航天任务很可能会失败。考虑到这些传感器数据的复杂性，如大量的缺失、噪声随时间推移而累积等，如何有效快速监控这些传感器的数据以监测航天器的运行状态是十分关键且重要的问题[1]。

当前多维时序异常检测方法因其广泛的应用场景而备受关注。常见的异常检测方法可分为3类[2-3]：基于统计的方法、基于机器学习的方法和基于深度学习的方法。当前航天器遥测数据的异常检测主要为基于统计的方法，如差分整合移动平均自回归(ARIMA)模型、基于局部加权回归散点平滑法的周期和趋势(STL)分解、小波变换等，用于指示何时偏离预定范围，专家系统[4-5]也已经成为少量航天器状态监测的重要方法。但上述方法有较大的局限性，例如无法快速处理大量数据、耗费人力且需要专家信息等。而基于机器学习的方法主要包括聚类[6]、贝叶斯学习[7]等，但这类方法无法建立多维时序数据维度间的依赖关系；而基于深度学习的方式则是当前较为活跃的研究领域。其中，基于监督学习[8-9]的方法在训练过程中由于需要标签信息，只能检测到已知异常类型，具有较大局限性，因此无监督方法[10-15]如今受到更多学者的关注。……