3. 遥测数据预处理实战

卫星遥测序列在进入异常识别与告警模型之前，必须先经过一轮系统化的预处理。原始遥测从星上采集、下行传输、地面接收、解帧到入库，中间会经历丢帧、误码、传感器漂移、采样节拍不一致、量纲差异等多重干扰。如果直接把这些数据送入阈值判断或机器学习模型，误报和漏报都会显著上升。本节以一条典型的卫星电源分系统遥测序列为例，完整走一遍缺失值、野值、噪声、时间对齐、重采样与归一化的处理链路，并说明每一步的判断依据与结果观察方式。

一、先看清数据问题的来源与形态

假设我们拿到的是某卫星在轨 24 小时内的母线电压、蓄电池组电流、太阳阵输出功率、温度四类遥测，原始采样周期并不统一：母线电压 1 s 一帧，蓄电池电流 2 s 一帧，温度 8 s 一帧，太阳阵功率 4 s 一帧。数据中还存在三类典型问题：一是地面站切换或星地链路中断导致的连续缺失；二是单点跳变型野值，例如母线电压在 27.8 V 附近突然出现 31.2 V 的孤立点；三是高频噪声，表现为相邻采样点之间的小幅抖动。这些问题在时间轴上分布不同，处理顺序也不能随意颠倒。

二、缺失值：先判断缺口性质，再决定补不补

缺失值处理的第一步不是插值，而是给每个缺口打标签。工程上通常按连续缺失点数分档：连续缺失不超过 3 个采样点，视为短缺口，可用线性插值补齐；连续缺失超过 3 个点，视为长缺口，应保留为无效段，不插值。原因很直接：卫星遥测中的长缺口往往对应链路中断或设备关机，此时真实物理量可能已经发生阶跃变化，插值会人为制造一条平滑的假趋势，反而干扰后续异常检测。

以母线电压为例，若在 10:15:03 至 10:15:05 连续缺失 3 个点，前后值分别为 27.82 V 和 27.85 V，线性插值得到 27.83 V、27.84 V、27.85 V，这是合理的。但若在 10:20:00 至 10:20:40 连续缺失 40 个点，前后值分别为 27.80 V 和 26.90 V，此时不应插值，而应把这一段标记为 invalid，后续统计均值、方差、告警判断都跳过该段。实现上建议在数据表中增加一列 valid_mask，取值 1 表示有效、0 表示无效，所有下游处理都先检查该列。

三、野值：用中位数与 MAD 构造稳健判据

野值检测最忌讳直接用均值和标准差，因为野值本身会把均值和标准差拉偏。更稳健的做法是滑动窗口中位数与 MAD（Median Absolute Deviation）。对每个采样点，取以它为中心的窗口（例如 21 个点），计算窗口中位数 med 和 MAD，若满足 |x − med| > k × 1.4826 × MAD，则判为野值。k 通常取 4 到 6，本示例取 5。1.4826 是让 MAD 在正态分布下与标准差可比的换算系数。

以母线电压序列为例，窗口内中位数为 27.81 V，MAD 为 0.02 V，则阈值约为 5 × 1.4826 × 0.02 ≈ 0.148 V。若某点值为 31.20 V，偏离中位数 3.39 V，远超阈值，判为野值，替换为窗口中位数 27.81 V。需要特别注意的是，如果连续多个点都是野值，不应逐点替换，而应把这一段整体转为缺失值，再按缺失值规则处理，否则会连续伪造出多个中位数点。

四、噪声：滤波要区分缓变量与快变量

噪声抑制的目标是去掉高频抖动，同时保留真实趋势和真实峰值。对温度这类缓变量，滑动平均即可；对母线电压、蓄电池电流这类既含趋势又可能含真实尖峰的量，推荐 Savitzky-Golay 滤波。它本质是在滑动窗口内做多项式最小二乘拟合，再取拟合值作为输出。示例参数：窗口长度 11，多项式阶数 2。这个组合对 1 s 采样的母线电压既能压掉 0.05 V 级别的随机抖动，又不会明显削掉持续 2 到 3 个点的真实电压跌落。

判断滤波是否过度，可以观察两个指标：一是滤波前后峰值差，若真实跌落峰值被削掉超过 20%，说明窗口过长或阶数过低；二是残差序列，若残差中仍存在明显周期性，说明噪声未被充分抑制。实际调参时建议先在历史正常段上试，再拿到含异常段的数据上验证，确保异常特征没有被滤掉。

五、时间对齐与重采样：统一到同一时间栅格

多源遥测的采样周期不同，直接合并会产生大量空值。标准做法是选定一个基准栅格，例如 1 s，然后把各通道重采样到该栅格上。对于比基准慢的通道（如 8 s 的温度），采用前向填充加线性插值：在两个已知点之间按时间比例插值，超出已知范围的两端用前向填充或后向填充。对于比基准快的通道，则按栅格点取最近值或做降采样平均。

时间对齐还有一个容易被忽略的细节：时间戳必须统一到同一时标和同一精度。星上时间、地面接收时间、UTC 之间可能存在偏移，若不对齐，后续做多通道关联分析时会出现“电压已经跌落、电流还没变化”的假象。建议在预处理阶段统一转换为 UTC，并保留原始时间戳列以便追溯。

六、归一化：按通道独立统计，防止信息泄漏

归一化的目的是让不同量纲的通道在模型中具有可比性。Z-score 是最常用的方式：x' = (x − μ) / σ。关键在于 μ 和 σ 必须只用训练段数据统计，不能用全量数据，否则测试段的信息会泄漏到训练中，导致评估结果虚高。对每个通道独立计算 μ 和 σ，例如母线电压 μ ≈ 27.8 V、σ ≈ 0.15 V，蓄电池电流 μ ≈ 12.5 A、σ ≈ 3.2 A，温度 μ ≈ 22 ℃、σ ≈ 4 ℃。归一化后所有通道都落在均值 0、标准差 1 附近，便于统一设置告警阈值或送入神经网络。

七、处理结果如何观察与判断

完成上述步骤后，建议从三个角度检查结果。第一，看有效数据比例：若某通道 valid_mask 为 1 的比例低于 80%，说明该通道缺失严重，需要回溯链路或调整该通道的可用性策略。第二，看野值替换数量：若单日替换点数超过总点数的 1%，说明阈值可能过松或该通道本身不稳定，需要复核。第三，看归一化后的分布：正常段应近似均值 0、标准差 1，若某段明显偏离，往往对应真实异常，这正是后续告警模型需要捕捉的信号。

下面给出一份可直接参考的预处理参数记录表，用于在真实项目中留痕和复现。

把这套流程固化下来，遥测序列就从“原始、杂乱、多缺陷”的状态，转变为“时间一致、量纲统一、缺陷可控”的可建模序列。后续的异常识别与告警，才有可靠的数据基础。