卫星数据接收系统利用天线对经过无线传输的卫星高频微波信号进行接收后，通过各个信号处理环节将其处理为二进制数据。接收系统的故障定位就是在故障发生时确定发生故障的信号处理环节。由于接收系统组成复杂且各信号处理环节相互耦合^[1]，难以对其建立精确的故障定位模型。目前已有的故障定位方法大致分为3类：基于专家系统(expert system，ES)的方法^[2]、基于故障树分析(fault tree analysis，FTA)的方法^[3-9]、基于人工神经网络(artificial neural networks，ANNs)的方法^[10]。

ES方法利用专家知识根据故障现象制定故障定位所需要的条件和结果，形成故障定位规则存入数据库。在实际使用中其推理机通过规则匹配确定故障源。

FTA方法将基于二叉树构建的故障树模型引入推理机的设计，成为目前接收系统故障定位的主流方法。由根节点到叶节点的层次和逻辑关系对应于故障树的推理过程。因为二叉树数据结构可以方便地实现节点的匹配与遍历、插入与删除，所以缓解了规则的冲突和冗余。文献[5]利用案例推理(case based reasoning)加快了FTA的推理速度。文献[6]用包含自动化测试的FTA检测方法降低了故障树叶节点的虚警率，减少了故障排查时间。文献[7]将对接收流程的检测纳入了故障定位的范畴以延展FTA方法的检测范围。文献[8]为克服FTA方法的计算复杂度问题，将双向联想记忆(bidirectional associative memory)网络用于定位故障源。因为通常无法在故障树中找到偶发故障的处置方法，文献[9]用各种故障模式之间的关系构建了接收系统的模糊Petri网(fuzzy Petri net)，并结合维护经验和资源的流动推理出故障源。

上述两个方法均在对接收系统建模的基础上进行故障定位。与此相对，利用ANNs对复杂系统强非线性特性的拟合能力，可从数据驱动的角度尝试故障定位。郎国伟等^[10]讨论了反向传播(back propagation，BP)网络在接收系统的故障定位中的应用，将故障定位问题转化为多目标分类问题。首先分别在每个信号处理环节出现故障的情况下实测各监测点的信号电平，总结出代表正常状态和各个环节发生故障的异常状态的信号电平特征向量，并用其训练BP网络分类器。训练后的分类器可以根据异常电平向量分类出其对应的故障环节，从而实现故障定位。

前述方法虽然都在一定程度上完成了定位工作，但是它们有两个方面的缺陷：1)ES、FTA还有它们的拓展方法都是专家知识方法的变体。它们将接收系统的各部分之间的耦合信息融入故障定位规则或者故障树的结构以实现信号处理环节之间的解耦。但当涉及到不同设备之间或复杂设备的内部环节之间的耦合关系时，相应的专家知识难以获取，这使得该类方法的虚警率较高、定位精度低并且难以适应系统的更新升级和设备更换；2)ANNs方法虽然从信号电平特征向量本身出发完成了故障定位，但是为了使向量能够代表整个系统的状态从而使训练出的分类器达到较高的分类准确度，监测点的选取工作仍需大量的专家知识，所以该方法并没有真正意义上实现数据驱动。除此之外，由于接收系统在通常情况下处于正常运行状态，训练分类器所需的异常样本极难获得。当不同种类样本的数量不平衡时，分类器会通过牺牲少数样本来保证多数样本的分类准确度，这意味着训练后的分类器在检测阶段会偏向于做出系统无故障的判断。

在执行卫星数据接收任务期间，所有信号处理环节的状态参数都会被记录并整合为状态参数向量存入运行日志。日志所蕴含的大量数据为使用深度学习的方法解决故障定位问题提供了基础。基于此，本论文提出基于生成对抗网络(generative adversarial network, GAN)序列的故障定位方法GANseq。该方法能够解决数据接收系统样本数量不平衡的问题，进而实现数据驱动的故障定位。具体地，首先：本文引入信号处理单元(signal processing unit，SPU)的概念，基于对接收系统故障传播特性方面的研究，将信号处理环节划分到各个SPU中，从而将接收系统分解为一个按照信号处理顺序排列的SPU序列，并将SPU作为故障源进行定位。其次：针对每个SPU以及可能对其状态造成影响的其他SPU，构建基于GAN的检测模型用于检测它们的联合状态，进而形成一个GAN序列。最后：在训练阶段，仅用正常状态参数训练每个GAN模型；在故障定位阶段，综合所有模型对相应SPU的联合状态的检测结果以确定故障SPU，从而完成故障定位。

本方法的主要贡献包括两点：1)实现数据驱动的故障定位：GAN检测模型在训练和检测中均只需信号处理环节的状态参数，而无需建立复杂的故障诊断模型。此外，由于训练后的模型相比于专家知识能够更加全面、细致地反映接收系统在相应区域的特性，所以在完全避免专家知识获取环节的同时也降低了虚警率；2)提升故障定位精度：GANseq首次将SPU分解方法引入接收系统故障定位中，将很多原本不能被独立分析的信号处理环节映射于不同的SPU，进而从整个系统中分离出故障环节，从总体上提升了故障定位的精度。

1 GANseq方法概述

GANseq的流程如图 1所示。首先引入SPU的概念，将SPU定义为信号处理环节的集合。随后在对接收系统故障传播特性研究的基础上提出SPU分解方法，将接收系统的所有信号处理环节映射至SPU中，从而将接收系统分解为M个不可分割且硬件独立SPU，形成一个按照信号处理顺序排列的SPU序列。本文用SPU_m表示序列中的第m个SPU。GANseq以SPU作为故障源进行定位，利用故障状态在SPU序列中的传播特点，将接收系统的故障定位问题分解为M个有序排列的异常检测子问题，其中第m(m=1, 2, …, M)个子问题对应于前m个SPU的联合状态的检测。在故障定位中，若前m-1个SPU的联合状态的检测结果正常，而前m个SPU异常，则可判定SPU_m为故障源。

运行日志中的大量状态参数为应用基于深度学习的数据驱动方法解决每个异常检测子问题提供了基础。由于接收系统的故障率较低、异常样本获取困难，所以GANseq通过引入GAN来应对由此引发的不平衡数据集问题。鉴于图像检测模型GANomaly^[11]的优良性能，GANseq在每个子问题m中应用了基于GANomaly构建的检测器gan_m，形成一个GAN序列。具体地，用前m个SPU的正常状态参数训练gan_m，训练完成后的gan_m在检测中输出待测状态参数向量中前m个SPU对应的参数的异常分数A_m，随后通过A_m是否超过阈值T_m判定前m个SPU的联合状态是否异常。

2 理论 2.1 故障传播特性

由于不同设备之间、单个设备内部信号处理环节之间均存在耦合性，一个环节发生故障可能导致其他环节的状态出现异常。以往的定位方法通常依赖于维护经验和专业知识解耦信号处理环节，对于无法解耦的环节，只能将其整合为一个故障源进行定位。在这种情况下，专家知识掣肘了定位性能。

通过对故障传播特性的研究可知，多个信号处理环节之间的耦合关系源于信号的流动：在形成有效数据之前，接收系统需要依次调用不同的信号处理环节对同一卫星射频信号进行处理，被调用的环节按照信号处理顺序的方向形成了一个信号处理环节序列。任一中间环节的故障导致其输出信号发生的异常会影响后续环节的状态。耦合关系的这种诱因意味着故障在信号处理环节之间的传播方向与接收信号的流向相同，即使能够检测出某个环节的状态参数异常也不能确定其本身为故障源。

但另一方面，信号处理环节的故障状态并不会影响先于其对信号进行处理的其他环节。利用这一点，可以对一个调用了C个信号处理环节的接收任务使用如下故障定位策略。

策略1：首先按照信号处理顺序将接收任务分解为信号处理环节1至C，然后依次设计状态参数检测模型检测前c(c=1, 2, …, C)个环节的联合状态，如果前c-1个环节的联合状态正常而前c个环节的联合状态异常，就可以确定第c个环节为故障源。

2.2 接收系统的SPU分解

由于不同卫星的工作模式可能不同，不同卫星的接收任务对应的信号处理环节序列不尽相同。如果使用策略1，则必须针对不同卫星的接收任务单独设计联合状态检测模型，而如今卫星的工作体制种类繁多，这种方法没有可行性。

为解决这一问题，引入SPU的概念，并提出接收系统的SPU分解方法，利用接收系统分解产生的SPU序列将所有卫星接收任务的信号处理环节序列统一起来。以SPU为故障源，针对每个SPU和能够对其状态产生影响的其他SPU的联合状态设计唯一的检测模型以实现故障定位。

2.2.1 SPU分解

SPU被定义为信号处理环节的集合，它的故障状态被定义为其所包含的任意一个信号处理环节出现故障的状态。通过将信号处理环节按照一定的规则映射到SPU中从而将接收系统分解为一个按照信号处理顺序排列的SPU序列。

映射规则包含以下2条：1)建立从信号处理环节到SPU的“多对一”映射，使得不同的SPU不包含相同的信号处理环节，从而保证SPU之间的硬件独立性，使得SPU可以作为独立故障源进行定位；2)将在不同卫星接收任务的信号处理顺序中两两之间相对位置不确定的信号处理环节映射至同一SPU，并将2个SPU之间的相对位置定义为任意两个分别被映射于此二者的信号处理环节在所有卫星接收任务信号处理顺序中的相对位置。由于所有相对位置不确定的环节都在同一SPU内，所以属于不同SPU的2个信号处理环节在信号处理顺序中具有唯一的相对位置关系，从而将接收系统分解为了一个按照信号处理顺序排列的SPU序列。

原则1)和原则2)共同保证了SPU序列的唯一性，而且还使得序列中的每个SPU都不可被再次分割，从而将故障定位的粒度最小化，保证了定位的精度。

2.2.2 针对SPU序列的故障定位

由于SPU序列的方向与信号处理顺序的方向相同，所以类比于故障在信号处理环节间的传播特性，故障状态在SPU间的传播方向也与接收系统分解产生的SPU序列的方向相同——故障SPU在SPU序列中只会影响其后续SPU的状态，而对其之前的SPU不会产生影响。假设接收系统分解产生的SPU序列含有M个SPU，基于故障状态在SPU序列中的这种传播特性，GANseq将策略1推广至SPU序列得到故障定位策略2，将其用于定位故障SPU。

策略2：以SPU为故障源。将接收系统的故障定位问题分解为M个有序排列的异常检测子问题，其中第m(m=1, 2, …, M)个子问题对应于前m个SPU的联合状态的检测，并依此设计相应的检测模型。在对任何卫星的接收任务进行故障定位时，依次检测SPU序列中前m个SPU的联合状态。如果发现前m-1个SPU的联合状态正常，而前m个SPU的联合状态异常，就可以判定故障源为SPU_m。

3 方法

如图 1所示，GANseq包含3个步骤：1)接收系统的SPU分解；2)GAN序列的构造和训练；3)故障定位。在将接收系统分解为含有M个SPU的SPU序列后，根据策略2，需要在每个子异常检测问题m中构建以前m个SPU的状态参数为输入的异常检测模型从而能够根据前m个SPU的状态参数判断其联合状态异常与否。因为运行日志中含有异常状态参数的向量较少，所以在每个子问题中构建结构相似的GAN检测模型。

3.1 GAN序列的构造和训练 3.1.1 基于GANomaly的检测模型

异常检测就是在一类数据(正常样本)远多于另一类数据(异常样本)的不平衡数据集中将异常样本从整体中区分出来。虽然异常检测可以被直接当作监督学习问题处理，但是由于日志数据中的正常状态参数向量占比极大，所以代表各信号处理环节故障的异常向量的规模无法达到能够被有效拟合的程度。由此，GANseq采用单类型、半监督的学习范式只对正常向量进行拟合。Goodfellow等^[12]提出的GAN已经成为该范式的首要方法^[13-16]。这其中，Akcay等^[11]在双向生成对抗网络(bidirectional GAN，BiGAN)^[16]的基础上推出的GANomaly框架在图像检测方面的表现优异。GANomaly由编码器G_E和E、解码器G_D、判断网络D组成：编码器G_E和解码器G_D组成了一个类似于自动编码器的结构，作为整个模型的生成网络G；编码器E将生成网络的输出再次压缩至隐含空间(latent space)$ \mathcal{Z}$；判别网络D在训练中鉴别真实图像和G_D输出的伪造图像；在它的基础上构建每个异常检测子问题m的检测模型gan_m(结构如图 2所示)。并对原始结构进行2处修改以使模型适配于运行日志中的数据：1)将原网络中的卷积层(convolution layer)和转置卷积层(transpose convolution layer)替换为全连接层(fully connected layer)以使之可以接收一维样本作为输入；2)原解码器G_D采用了与原编码器G_E不同的结构，而我们在gan_m中使解码器G_{D, m}与编码器G_{E, m}的结构镜像对称，以形成一个典型的自动编码器，更好地适应一维样本的编码与重构^[17]。

由于gan_m需对前m个SPU的联合状态进行检测，所以它的输入样本x_m是由状态参数向量中前m个SPU所包含的信号处理环节的状态参数经过预处理得到的一维向量。在训练阶段，解码器G_{D, m}通过学习从隐含空间构造正常样本以达到拟合正常状态参数的概率分布的目的，同时编码器G_{E, m}学习成为G_{D, m}^-1并和编码器E_m一同显式地学习的概率分布。将输入样本x_m的异常分数A(x_m)定义为x_m经过G_{E, m}和E_m两次编码分别形成的隐含向量G_{E, m}(x_m)和重构隐含向量E_m(G_m(x_m))之间的欧式距离：

$ A\left(\boldsymbol{x}_m\right)=\left\|G_{\mathrm{E}, m}\left(\boldsymbol{x}_m\right)-E_m\left(G_m\left(\boldsymbol{x}_m\right)\right)\right\|_2 \text {. } $

(1)

因为生成网络在训练中只拟合了正常样本的内部结构，它的参数不适合产生异常样本，所以当一个代表前m个SPU中存在故障的异常样本x_m被编码器G_{E, m}映射为隐含向量z_m时，解码器G_{D, m}无法重构这个样本。生成网络G_m此时的输出G_m(x_m)被剔除了异常特征，这致使编码器E_m编码得到的重构隐含向量与原始隐含向量之间存在较大差异、产生较大的异常分数A(x_m)，从而使得模型可以将异常样本x_m甄别出来。

3.1.2 预处理

GAN模型通常希望输入值为取值范围在0到1之间的数值类型，并且在GANseq中，每个检测模型的输入样本对应于SPU序列的不同子序列，所以在将状态参数向量送至GAN序列进行故障定位前需要对其进行预处理(如图 1中的“预处理”方框所示)。

假设需要进行故障定位的接收任务的状态参数向量用P表示。预处理工作首先将P中属于每个SPU的参数提取出来，形成M个SPU特有参数向量P_m。

然后，在特有参数向量P_m上针对不同类型的参数采用不同的处理方式，以形成SPU特有样本f_m。状态参数向量中的数据分为二元、标称、数值3种类型，接下来分类型叙述预处理方法：1)二元类型：取值为0或1，已处于0~1区间内，不需要进行处理；2)标称类型：可能的取值为数量有限的离散整数，需要将每个标称数据独热编码^[18]为一个长度为取值种类数的比特序列；3)数值类型：包含普通型和累积型2种。对于普通型直接正则化至0~1区间即可。累积数值类型参数的值为该参数从信号处理开始直到参数采集时刻的累积量，所以需要将其与上一采集时刻的值做差以得到采样时刻的增量，然后再正则化至0~1区间；

此处需要注意的是，在正则化的过程中必须根据信号处理环节的使能开关二元参数略过没有实际参与信号处理的闲置环节的无效状态参数值，这是因为闲置环节的参数随机取值，而随机值会偏离有效值的取值范围，从而造成有效值被正则化至一个很小的区间内影响模型的拟合。除此之外，任由P_m中的无效参数被输入检测模型会引起模型在训练阶段的发散、故障定位阶段的误检，因此在正则化工作结束后将特有样本f_m中没有参与正则化的随机值置零以消除它们的状态信息，如此一来，训练后的模型能够在检测中自动屏蔽闲置信号处理环节所携带的噪声。

最后，将M个SPU特有样本f_m组合为M个检测器的输入样本。gan_m的输入样本x_m为SPU₁至SPU_m的特有样本f₁至f_m的组合。如下所示

$ \boldsymbol{x}_m=\left[\boldsymbol{f}_1^{\mathrm{T}}, \boldsymbol{f}_2^{\mathrm{T}}, \cdots, \boldsymbol{f}_m^{\mathrm{T}}\right]^{\mathrm{T}}. $

(2)

3.1.3 训练流程

gan_m的训练使编码器G_{E, m}和E_m能够将样本中的正常成分映射进隐含空间，而G_{D, m}可以根据中的正常成分重构原始样本，从而达到剔除异常成分的目的。所以训练G_{E, m}、G_{D, m}、E_m的损失函数L_g包含对抗损失、语境损失、异常分数3部分^[11]：

对抗损失L_adv

$ L_{\text {adv }}=\left\|D_{m, f}\left(\boldsymbol{x}_m\right)-D_{m, f}\left(G_m\left(\boldsymbol{x}_m\right)\right)\right\|_2 \text {. } $

(3)

其中D_{m, f}是判断网络D_m倒数第2层的等效输出函数。

语境损失L_con

$ L_{\text {con }}=\left\|\boldsymbol{x}_m-G_m\left(\boldsymbol{x}_m\right)\right\|_1 \text {. } $

(4)

综上所述，损失函数L_g为

$ L_{\mathrm{g}}=\omega_{\mathrm{adv}} L_{\mathrm{adv}}+\omega_{\mathrm{con}} L_{\mathrm{con}}+\alpha A\left(\boldsymbol{x}_m\right) . $

(5)

其中ω_adv、ω_con和α是权重参数。

用判断误差L_fraud训练判断网络D_m

$ \begin{aligned} & L_{\text {fraud }}=\sigma\left(D_m\left(\boldsymbol{x}_m\right), 1\right), \\ & L_{\text {fraud }}=\sigma\left(D_m\left(G_m\left(\boldsymbol{x}_m\right)\right), 0\right). \end{aligned} $

(6)

其中σ为交叉熵。

3.2 故障定位步骤

在进行定位前，先取一定数量的正常状态参数向量组成分数阈值计算集。对于检测前m个SPU状态的子问题，首先预处理阈值计算集中的向量产生相应的样本x_m。然后用训练好的模型gan_m依次计算样本x_m的异常分数，并取其中的最大值作为在定位中用于判断前m个SPU的联合状态异常与否的分数阈值T_m。

在定位中，GAN序列中的每个检测模型gan_m依次为待进行故障定位的接收任务的状态参数向量中相应SPU的参数打分，得到异常分数序列[A₁, A₂, …, A_M]。然后遍历序列，判断分数是否大于相应阈值，若前m-1个SPU对应的异常分数A_m-1≤T_m-1而前m个SPU对应的异常分数A_m > T_m则可判定故障源为SPU_m；倘若没有任何异常分数超出阈值，则可认为接收任务正常执行；

4 实验验证

为验证GANseq的有效性，用其对某实际运行的接收站的数据接收系统进行故障定位实验。同时，该站目前使用的基于FTA和自动化测试的故障诊断ES(以下简称“原方法”)被用作对比对象。

实验采用的数据取自该站的运行日志。将用于实验的状态参数向量集划分为20 000个训练向量、1 000个阈值计算向量、6 987个测试向量，测试向量由5 987个代表每个特定信号处理环节故障的异常状态参数向量和1 000个正常状态参数向量组成。按照信号处理顺序将接收系统分解为包含22个SPU(M=22)^[19]的SPU序列(表 1)。SPU序号增大的方向为信号处理顺序的方向。

因为设备的电源、电流、电压信号处理环节为支撑其余环节的辅助环节，其正常工作是其他环节处于正常状态的必要条件，又因为其本身不处理信号从而其运行状态不受其他环节影响，所以其所属的SPU位于相应设备的最前端。由于所有辅助环节均为控制整个设备的全局性环节，它们在信号处理顺序中没有确定的相对位置关系，所以将一个设备的所有辅助环节划归于同一SPU。

由于不同的卫星对信号进行加扰和编码的顺序可能不同，所以将解调器内部的解扰环节、LDPC译码环节和RS译码环节划归于同一SPU(SPU₂₂)。

4.1 模型的训练

用tensorflow2.0框架实现GAN序列中的每个模型gan_m。gan_m的结构如表 2所示。inputs是模型输入样本x_m的长度。编码器G_{E, m}将x_m压缩至维度为hides的隐含空间。在训练中用Adam和SGD优化器分别优化生成网络和判断网络^[20]。两者均采用指数学习率衰减方案(exponential scheduling)，其中初始学习速率为0.01，衰减速率为0.1。以256个样本为一批次(batch-size=256)，训练gan_m 1 000个迭代次数(epochs=1 000)。此外，对于L_g中的3个权重参数，首先采用GridSearchCV^[18]进行网格搜索(grid search)和交叉验证(cross validation)，然后根据最小生成网络损失函数L_g决定其最优取值。

以检测SPU₁至SPU₂₁联合状态的模型gan₂₁为例。分别绘出代表SPU₂₁故障的异常测试样本x₂₁的隐含向量z=G_{E, 21}(x₂₁)和重构隐含向量z_l=E₂₁(G₂₁(x₂₁))，并取正常测试样本x₂₁与之对照，如图 3所示。不难发现，由于x₂₁在编码和重构的过程中被去掉了异常成分，x₂₁的隐含向量的重构偏离其本体，而x₂₁的隐含向量和其重构高度吻合。这说明被定义为隐含向量和隐含向量重构之间欧式距离的异常分数能有效地反映异常参数相对于正常参数概率分布的偏离程度，对异常情况有较强的指示性。

4.2 评价指标

利用虚警率(fault alarm rate，FAR)和召回率(recall，R)比较两种方法在每个故障源上的定位性能。定义虚警率FAR和召回率R如下：

$ \mathrm{FAR}=\frac{F_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}}, $

(7)

$ R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}}. $

(8)

对于某故障源而言：T_P是该故障源的异常测试向量集中被正确定位的向量个数；F_P是正常测试向量集中被错误定位为该故障源的向量个数(虚警个数)；F_N是该故障源的异常测试向量集中没有被正确定位的向量个数；召回率R越大，相应方法对于该故障源发生故障的敏感性越强。需要注意的是，对于GANseq而言故障源为SPU；对于原方法而言故障源为信号处理环节；根据SPU故障状态的定义，SPU故障源的异常测试向量集为该SPU包含的所有信号处理环节故障源的异常测试向量集的并集。

4.3 实验结果

测得原方法和GANseq的虚警率FAR(表 3的3、4列)和召回率R(表 3的6、7列)。作为对GANseq的补充，当定位出的SPU对应多个辅助信号处理环节时，对相应的辅助环节进行进一步的点检(“GANseq+点检”)，即检查电源状态指示位是否异常、电压值或电流值是否超过正常限度。“GANseq+点检”的FAR和R分别如表 3的第5、8列所示。

由于解调器结构复杂，故障树难以拟合其内部信号处理环节的耦合关系，所以原方法没有对解调器内部的环节进行定位，只是监控了电路板上的温控系统和电平值，并且在实际运行中，原方法在只有一个监控点报警的情况下就会做出解调器异常的警告，所以本实验计算其在解调器的所有非辅助信号处理环节整体上的虚警率和召回率。

与原方法相比，GANseq将除解调器和辅助信号处理环节之外的环节上的定位虚警率FAR平均降低49.8%。由于GANseq在将接收系统分解为SPU序列的过程中通过保证SPU的不可分割性最小化了故障定位粒度，所以绝大多数SPU只包含一个信号处理环节，并且在加入点检之后，“GANseq+点检”在辅助环节上的虚警率也与原方法基本持平，所以GANseq在实现数据驱动故障定位的同时从整体上降低了虚警率。

GANseq将解调器内部大多数原本作为整体定位的信号处理环节按照映射规则一对一地映射至SPU中，并且以70%以上的召回率和14%以下的虚警率实现了它们的故障定位，提高了故障定位的精度。

原方法的召回率R不受信号流动的影响，而GANseq的R值沿着信号处理顺序的方向呈现下降趋势。GANseq出现这一趋势的原因在于其在定位的过程中只要检测出故障SPU就立即输出定位结果，所以如果在真正的故障SPU之前产生了误检，那么定位工作会提前结束从而导致定位失败，而误检的累积使得在信号处理顺序中的位置越靠后的SPU受到误检的影响越明显、具有更小的召回率。

与“GANseq+点检”相比，原方法在辅助信号处理环节上获得较低虚警率的同时保证了较高的召回率。这归因于辅助环节结构简单，原方法在故障树推理中对其所进行的点检就可以精确地检测出异常状态。但是由于“GANseq+点检”中的点检阶段在GANseq的基础上进行，所以其在辅助环节上的召回率受制于GANseq在包含该环节的SPU上的召回率，从而导致“GANseq+点检”在位置靠后的某些辅助环节上的R值低于原方法。

5 结论

本文提出基于GAN序列的卫星数据接收系统故障定位方法GANseq。该方法利用接收系统故障传播特性将整个接收系统的故障定位问题按照信号处理顺序分解为多个基于GAN的异常检测问题，全面地利用地面站已有的运行状态数据，实现数据驱动的实时故障定位，摆脱了一直困扰传统定位方法的专家知识难以获取问题，并且从整体上降低了故障源的虚警率、提高了故障定位的精度。但是，GANseq目前面临着两个问题：1)由于GANseq在故障定位中一旦检测到故障源即停止检测，所以其在每次定位工作中只能定位出一个故障源，与此同时，定位工作的提前结束也会造成后续故障源的漏检；2)GANseq不能直接分离少数在信号处理顺序中相对位置不恒定的信号处理环节，而只能将它们组合为SPU作为整体定位。在未来的工作中将会着力解决这些问题。