结构感知的航天器遥测无监督异常检测与自适应EVT阈值化
Structure-Aware Unsupervised Anomaly Detection for Spacecraft Telemetry with Adaptive EVT Thresholding
- Universidad de Castilla-La Mancha（卡斯蒂利亚-拉曼恰大学）
- GMV GmbH（GMV有限公司）
- GMV（GMV公司）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
提出一种无需标签和先验知识的无监督框架，通过增量重训练与自适应EVT阈值化，在ESA-AD上实现高F0.5分数，用于航天器遥测异常检测。
AI中文摘要：
航天器遥测中的运行异常检测通常需要标记的历史异常或较长的预热期，而这些要求在实践中很少得到满足。我们提出了一种无监督、可部署的框架，无需任何标签、先验故障知识或任务特定调优，即可从运行的第二个月开始生成预测。该方法结合了增量式月度再训练、统计模型选择以及用于误报控制的自适应极值理论（EVT）阈值化。在ESA异常数据集（ESA-AD）上，在严格的时间顺序评估下，该框架在任务1上取得F0.5=0.700，在任务2上取得F0.5=0.698。
英文摘要：
Operational anomaly detection in spacecraft telemetry typically requires labeled historical anomalies or extended warm-up periods. These requirements are rarely met in practice. We propose an unsupervised, deployment-ready framework that produces predictions from the second month of operation without any labels, prior fault knowledge, or mission-specific tuning. The approach combines incremental monthly retraining, statistical model selection, and adaptive Extreme Value Theory (EVT) thresholding for false alarm control. On the ESA Anomalies Dataset (ESA-AD), it achieves $F_{0.5}=0.700$ on Mission~1 and $F_{0.5}=0.698$ on Mission~2 under strict chronological evaluation.
