GMV PitIA®

Les missions espacials generen grans volums de telemetria de manera continuada. Detectar comportaments anòmals en aquestes dades és essencial per donar suport als equips d’operació, reduir falses alarmes i anticipar possibles degradacions del sistema.

GMV PitIA^® permet abordar aquest repte aprenent el comportament normal de sistemes multivariants i detectant desviacions rellevants en la telemetria. A més de generar alertes, l’eina ajuda a explicar l’origen de l’anomalia indicant quins paràmetres contribueixen més a l’error detectat.  

Per validar la solució, GMV PitIA^® es va aplicar a l’ESA Anomaly Detection Benchmark, basat en dades reals i anotades de missions de l’Agència Espacial Europea. L’objectiu va ser comparar PitIA amb algoritmes de referència i demostrar una metodologia aplicable en un entorn operacional. 

Les files de la taula representen diferents enfocaments de detecció d’anomalies, des de mètodes estadístics simples, com ara Global STD3/STD5, fins a models de machine learning com iForest, KNN o Telemanom ESA. 

GMV PitIA^® ofereix un equilibri sòlid entre rendiment del model, escalabilitat, usabilitat i robustesa respecte de mètodes de referència com ara Global STD, iForest, KNN o Telemanom ESA. Especialment adequada quan el volum de telemetria és elevat, les dades etiquetades són limitades i les alertes han de ser explicables.

En entorns industrials, els analitzadors de planta són essencials per monitorar variables crítiques del procés. No obstant això, el seu ús continu pot implicar costos operatius, necessitats de manteniment, calibratges freqüents i risc d’indisponibilitat en cas de fallades.

GMV PitIA^® permet abordar aquest repte amb models predictius entrenats amb dades històriques d’operacions. L’eina aprèn la relació entre les variables del procés i genera prediccions en temps real, mantenint la visibilitat sobre variables crítiques, fins i tot durant els períodes en què l’analitzador roman apagat.

L’objectiu del cas d’ús és minimitzar el temps d’encesa dels analitzadors de planta, utilitzant les prediccions de PitIA durant la seva apagada. D’aquesta manera, es redueix l’ús de l’analitzador sense perdre control sobre les variables crítiques del procés.

El procés es planteja com un cicle continu: GMV PitIA^® s’entrena inicialment amb l’històric de dades de l’analitzador; quan l’analitzador està apagat, el model proporciona les prediccions; i quan l’analitzador torna a estar encès, les noves dades reals s’utilitzen per reentrenar el model i reduir l’error de predicció.

Durant els períodes d’apagada, PitIA actua com una estimació virtual de l’analitzador, permetent continuar monitorant el procés. Durant els períodes d’encesa, el sistema incorpora nous mesuraments reals per mantenir el model actualitzat i millorar la precisió de les prediccions següents.

GMV PitIA^® va demostrar ser capaç de predir amb alta precisió variables crítiques del procés a partir de dades històriques d’operacions, mantenint una estimació fiable durant els períodes d’apagada de l’analitzador. Els resultats validen la viabilitat de reduir significativament el temps d’encesa de l’analitzador sense comprometre el control del procés.

GMV PitIA^® está dissenyat per a diferents perfils:

• Modelatge i anàlisis: Els científics de dades poden desenvolupar i mantenir models predictius de manera àgil, aprofitant les dades històriques i operacionals disponibles.