GMV PitIA®

Las misiones espaciales generan grandes volúmenes de telemetría de forma continua. Detectar comportamientos anómalos en estos datos es esencial para apoyar a los equipos de operación, reducir falsas alarmas y anticipar posibles degradaciones del sistema.

GMV PitIA^® permite abordar este reto aprendiendo el comportamiento normal de sistemas multivariantes y detectando desviaciones relevantes en la telemetría. Además de generar alertas, la herramienta ayuda a explicar el origen de la anomalía indicando qué parámetros contribuyen más al error detectado. 

Para validar la solución, GMV PitIA^® se aplicó al ESA Anomaly Detection Benchmark, basado en datos reales y anotados de misiones de la Agencia Espacial Europea. El objetivo fue comparar PitIA frente a algoritmos de referencia y demostrar una metodología aplicable en un entorno operacional. 

Las filas de la tabla representan diferentes enfoques de detección de anomalías, desde métodos estadísticos simples, como Global STD3/STD5, hasta modelos de machine learning como iForest, KNN o Telemanom ESA. 

GMV PitIA^®ofrece un equilibrio sólido entre rendimiento del modelo, escalabilidad, usabilidad y robustez frente a métodos de referencia como Global STD, iForest, KNN o Telemanom ESA. Especialmente adecuada cuando el volumen de telemetría es elevado, los datos etiquetados son limitados y las alertas deben ser explicables.

En entornos industriales, los analizadores de planta son esenciales para monitorizar variables críticas del proceso. Sin embargo, su uso continuo puede implicar costes operativos, necesidades de mantenimiento, calibraciones frecuentes y riesgo de indisponibilidad ante fallos.

GMV PitIA^® permite abordar este reto mediante modelos predictivos entrenados con datos históricos de operación. La herramienta aprende la relación entre las variables del proceso y genera predicciones en tiempo real, manteniendo la visibilidad sobre variables críticas incluso durante los periodos en los que el analizador permanece apagado.

El objetivo del caso de uso es minimizar el tiempo de encendido de los analizadores de planta, utilizando las predicciones de PitIA durante su apagado. De esta forma, se reduce el uso del analizador sin perder control sobre las variables críticas del proceso.

El proceso se plantea como un ciclo continuo: GMV PitIA^® se entrena inicialmente con el histórico de datos del analizador; cuando el analizador está apagado, el modelo proporciona las predicciones; y cuando el analizador vuelve a estar encendido, los nuevos datos reales se utilizan para reentrenar el modelo y reducir el error de predicción.

Durante los periodos de apagado, GMV PitIA^® actúa como una estimación virtual del analizador, permitiendo seguir monitorizando el proceso. Durante los periodos de encendido, el sistema incorpora nuevas mediciones reales para mantener el modelo actualizado y mejorar la precisión de las siguientes predicciones.

GMV PitIA^®demostró ser capaz de predecir con alta precisión variables críticas del proceso a partir de datos históricos de operación, manteniendo una estimación fiable durante los periodos de apagado del analizador. Los resultados validan la viabilidad de reducir significativamente el tiempo de encendido del analizador sin comprometer el control del proceso.

GMV PitIA^® está diseñado para diferentes perfiles:

• Modelado y análisis: Los científicos de datos pueden desarrollar y mantener modelos predictivos de forma ágil, aprovechando los datos históricos y operacionales disponibles.