GMV PitIA®

Raumfahrtmissionen erzeugen kontinuierlich große Mengen an Telemetriedaten. Die Erkennung anomaler Verhaltensweisen in diesen Daten ist entscheidend, um die Betriebsteams zu unterstützen, Fehlalarme zu reduzieren und mögliche Systemdegradierungen frühzeitig zu erkennen

GMV PitIA^® ermöglicht die Bewältigung dieser Herausforderung, indem es das normale Verhalten multivariater Systeme lernt und relevante Abweichungen in der Telemetrie erkennt. Neben der Generierung von Alarmen hilft das Tool dabei, die Ursache der Anomalie zu erklären, indem es angibt, welche Parameter am stärksten zum erkannten Fehler beitragen. 

Zur Validierung der Lösung wurde GMV PitIA^® auf dem ESA Anomaly Detection Benchmark angewendet, der auf realen und annotierten Missionsdaten der Europäischen Weltraumorganisation basiert Ziel war es, PitIA mit Referenzalgorithmen zu vergleichen und eine Methodik in einem operativen Umfeld zu demonstrieren. 

Die Zeilen der Tabelle repräsentieren verschiedene Ansätze zur Anomalieerkennung – von einfachen statistischen Methoden wie Global STD3/STD5 bis hin zu Machine-Learning-Modellen wie iForest, KNN oder Telemanom ESA. 

GMV PitIA^® bietet eine robuste Balance zwischen Modellleistung, Skalierbarkeit, Benutzerfreundlichkeit und Widerstandsfähigkeit im Vergleich zu Referenzmethoden wie Global STD, iForest, KNN oder Telemanom ESA. Besonders geeignet ist die Lösung, wenn das Telemetrievolumen hoch ist, nur begrenzte gelabelte Daten vorhanden sind und die Alarme erklärbar sein müssen.

In industriellen Umgebungen sind Anlagenanalysatoren essenziell zur Überwachung kritischer Prozessvariablen. Ihr kontinuierlicher Betrieb kann jedoch Betriebskosten verursachen, Wartungsaufwand erfordern, regelmäßige Kalibrierungen notwendig machen und bei Ausfällen zu Verfügbarkeitsrisiken führen.

GMV PitIA^® ermöglicht die Bewältigung dieser Herausforderung durch prädiktive Modelle, die mit historischen Betriebsdaten trainiert werden. Das Tool lernt die Zusammenhänge zwischen Prozessvariablen und erzeugt Echtzeitvorhersagen, wodurch die Sichtbarkeit kritischer Variablen auch in Zeiträumen erhalten bleibt, in denen der Analysator ausgeschaltet ist.

Ziel des Anwendungsfalls ist es, die Betriebszeit der Anlagenanalysatoren zu minimieren und dabei die PitIA-Vorhersagen während ihrer Abschaltung zu nutzen. Auf diese Weise kann der Einsatz des Analysators reduziert werden, ohne die Kontrolle über kritische Prozessvariablen zu verlieren.

Der Prozess wird als kontinuierlicher Zyklus umgesetzt: GMV PitIA^® wird zunächst mit historischen Analysator-Daten trainiert; während der Analysator ausgeschaltet ist, liefert das Modell Vorhersagen; und wenn der Analysator wieder eingeschaltet wird, werden neue reale Daten zur erneuten Modellanpassung genutzt, um den Vorhersagefehler zu reduzieren.

Während der Abschaltphasen fungiert GMV PitIA^®als virtuelle Schätzung des Analysators und ermöglicht so die weitere Prozessüberwachung. Während der Einschaltphasen werden neue Messdaten integriert, um das Modell aktuell zu halten und die Genauigkeit zukünftiger Vorhersagen zu verbessern.

GMV PitIA^®zeigte die Fähigkeit, kritische Prozessvariablen aus historischen Betriebsdaten mit hoher Genauigkeit vorherzusagen und während der Abschaltphasen eine zuverlässige Schätzung bereitzustellen. Die Ergebnisse bestätigen die Machbarkeit, die Betriebszeit des Analysators deutlich zu reduzieren, ohne die Prozesskontrolle zu beeinträchtigen.

GMV PitIA^® ist für verschiedene Anwendungsbereiche konzipiert:

• Modellierung und Analyse: Data Scientists können Modelle effizient entwickeln und pflegen, basierend auf verfügbaren historischen und operativen Daten.

• Betrieb und Überwachung: Dem Betriebspersonal stehen Visualisierungen, Kennzahlen und Warnmeldungen zur Verfügung, die es ermöglichen, den Systemzustand zu verstehen, Abweichungen zu erkennen und proaktiv zu handeln.