GMV PitIA®

Misje kosmiczne nieustannie generują ogromne ilości danych telemetrycznych. Wykrywanie nietypowych zachowań w tych danych ma kluczowe znaczenie dla wsparcia zespołów operacyjnych, ograniczenia liczby fałszywych alarmów oraz przewidywania ewentualnych awarii systemu.

Narzędzie GMV PitIA^® pozwala sprostać temu wyzwaniu poprzez poznanie normalnego zachowania systemów wielowymiarowych oraz wykrywanie istotnych odchyleń w danych telemetrycznych. Oprócz generowania alertów narzędzie to pomaga wyjaśnić przyczynę anomalii, wskazując, które parametry w największym stopniu przyczyniają się do wykrytego błędu. 

Aby zweryfikować rozwiązanie, PitIA zastosowała test porównawczy ESA Anomaly Detection Benchmark, oparty na rzeczywistych i opatrzonych adnotacjami danych z misji Europejskiej Agencji Kosmicznej. Celem było porównanie GMV PitIA^® z algorytmami referencyjnymi oraz wykazanie, że metodologia ta ma zastosowanie w środowisku operacyjnym. 

Wiersze tabeli przedstawiają różne podejścia do wykrywania anomalii, od prostych metod statystycznych, takich jak Global STD3/STD5, po modele uczenia maszynowego, takie jak iForest, KNN czy Telemanom ESA. 

GMV PitIA^® zapewnia solidną równowagę między wydajnością modelu, skalowalnością, łatwością użytkowania i niezawodnością w porównaniu z metodami referencyjnymi, takimi jak Global STD, iForest, KNN czy Telemanom ESA. Rozwiązanie to sprawdza się szczególnie dobrze, gdy ilość danych telemetrycznych jest duża, dane opatrzone etykietami są ograniczone, a alerty muszą być zrozumiałe.

W środowiskach przemysłowych dla monitorowania krytycznych zmiennych procesu kluczowe znaczenie mają analizatory zakładowe. Jednak ich ciągłe użytkowanie może wiązać się z kosztami eksploatacyjnymi, koniecznością konserwacji, częstymi kalibracjami oraz ryzykiem niedostępności w przypadku awarii.

GMV PitIA^® pozwala sprostać temu wyzwaniu dzięki modelom predykcyjnym wytrenowanym na archiwalnych danych operacyjnych. Narzędzie analizuje zależności między zmiennymi procesowymi i generuje prognozy w czasie rzeczywistym, zapewniając wgląd w kluczowe zmienne nawet w okresach, gdy analizator jest wyłączony.

Celem tego zastosowania jest skrócenie czasu działania analizatorów zakładowych przy wykorzystaniu prognoz z PitIA w trakcie ich wyłączenia. W ten sposób ogranicza się wykorzystanie analizatora bez utraty kontroli nad kluczowymi zmiennymi procesu.

Proces ten przedstawia się jako ciągły cykl:  GMV PitIA^® jest początkowo trenowany na podstawie historii danych z analizatora; gdy analizator jest wyłączony, model generuje prognozy; a gdy analizator zostanie ponownie włączony, nowe dane rzeczywiste są wykorzystywane do ponownego trenowania modelu i zmniejszenia błędu prognozy.

W okresach wyłączenia GMV PitIA^® pełni rolę wirtualnego modelu analizatora, umożliwiając dalsze monitorowanie procesu. W trakcie okresów pracy system uwzględnia nowe pomiary rzeczywiste, aby aktualizować model i poprawiać dokładność kolejnych prognoz.

GMV PitIA^® wykazało, że jest w stanie z dużą dokładnością przewidywać kluczowe zmienne procesu na podstawie archiwalnych danych eksploatacyjnych, zapewniając wiarygodne oszacowania nawet w okresach, gdy analizator jest wyłączony. Wyniki potwierdzają, że możliwe jest znaczne skrócenie czasu uruchamiania analizatora bez pogorszenia kontroli procesu.

GMV PitIA^® jest przeznaczony dla różnych profili: