面向欧几里得太空望远镜运行的机器学习驱动异常检测与预测

当代空间科学任务日益依赖自动化，以应对航天器复杂性和人工监督成本的问题。海量数据（包括科学数据和遥测数据）使得人工检查具有挑战性。机器学习为满足这些需求提供了巨大潜力。自 2024 年 2 月起进入巡天阶段的欧几里得太空望远镜是这一转变的典型范例。欧几里得任务的成功取决于对工程遥测数据和科学衍生数据的准确监测与解释。数千个遥测参数以时间序列形式被监控，可能影响也可能不影响科学数据质量。这些参数具有复杂的相互依赖性，通常源于物理关系（如温度传感器的邻近性）。优化科学运行需要谨慎的异常检测和隐藏参数状态的识别。此外，理解已知异常与物理量之间的交互至关重要但复杂，因为相关参数可能表现出时序和强度各异的异常。我们通过分析欧几里得望远镜 2024 年 2 月至 8 月的遥测数据中的温度异常来应对这些挑战，聚焦于十一个温度参数和三十五个协变量。我们使用预测性 XGBoost 模型基于历史值预测温度，将偏离预测值的部分检测为异常。第二个 XGBoost 模型从协变量预测异常，捕捉它们与温度异常之间的关系。我们识别每个参数的前三个异常，并使用 SHAP（Shapley 加性解释）分析它们与协变量的交互，实现对复杂参数关系的快速自动化分析。我们的方法展示了机器学习如何增强遥测监测，为其他面临类似数据挑战的任务提供了可扩展的解决方案。