发射车辆推进系统时间序列异常分类：快速统计探测器提升 LSTM 准确性和数据质量
机器学习
2026-01-13 v1 应用统计
机器学习
摘要
在发射前支持 Go/No-Go 决策需要将实时遥测数据与在设计资格阶段确立的红线限制进行比较。来自地面测试或以前飞行的家族数据常用于检测启动故障模式及其时机；然而，这种方法高度依赖工程判断，在新发射车辆上更容易出错。为解决这些限制，我们利用长短期记忆（LSTM）网络进行时间序列异常的监督分类。尽管初始训练标签可能因异常强度、异常稳定时间等因素而次优。在本工作中，我们提出一种基于马哈拉诺西距离和前向-后向检测比例的新型统计探测器，用于调整监督训练标签。我们在具有 20.8 分钟操作时间和 10^8 量级训练时间步的地面级推进系统数字孪 replica 上演示了该方法。统计数据重新标记后，LSTM 分类器的精确率和召回率分别提高了 7% 和 22%。
引用
@article{arxiv.2601.06186,
title = {Time-Series Anomaly Classification for Launch Vehicle Propulsion Systems: Fast Statistical Detectors Enhancing LSTM Accuracy and Data Quality},
author = {Sean P. Engelstad and Sameul R. Darr and Matthew Taliaferro and Vinay K. Goyal},
journal= {arXiv preprint arXiv:2601.06186},
year = {2026}
}
备注
19 pages and 12 figures