利用LSTM与非参数动态阈值检测航天器异常
机器学习
2018-06-08 v3 机器学习
摘要
随着航天器回传遥测数据量不断增加，需要改进异常检测系统以减轻运维工程师的监测负担并降低运行风险。当前航天器监测系统仅针对部分异常类型，且因规模与复杂性挑战，往往需耗费昂贵的专家知识来开发和维护。我们利用来自土壤湿度主动被动（SMAP）卫星和火星科学实验室（MSL）巡视器Curiosity的专家标注遥测异常数据，展示了长短期记忆（LSTM）网络——一种循环神经网络（RNN）——在克服这些问题上的有效性。我们还提出了一种互补的无监督非参数异常阈值方法，该方法在SMAP异常检测系统试点实施期间开发，并给出了误报缓解策略及开发过程中的其他关键改进与经验教训。
引用
@article{arxiv.1802.04431,
title = {Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding},
author = {Kyle Hundman and Valentino Constantinou and Christopher Laporte and Ian Colwell and Tom Soderstrom},
journal= {arXiv preprint arXiv:1802.04431},
year = {2018}
}
备注
KDD 2018 camera-ready version