ارائه یک مدل داده کاوی جهت آشکارسازی ناهنجاری درپرتاب ماهواره

نویسندگان

دانشگاه صنعتی مالک اشتر

چکیده

آشکارسازی ناهنجاری، یافتن الگو‌ها در داده‌هایی است که از رفتار مورد انتظاری تبعیت نمی‌‌کنند. توسعه فناوری‌‌های آشکارسازی ناهنجاری و تشخیص خطا به‌صورت هوشمند، برای حامل پرتاب ماهواره به‌دلیل محیط سخت، دور و غیرقطعی، به‌عنوان یک مسئله کاملاً مهم و قابل ‌توجه در صنعت هوافضا مطرح است. مدل پایش فعلی، با نظارت افراد خبره از طریق نمایش اطلاعات تله‌‌متری به‌کمک یک واسط گرافیکی انجام می‌شود. این رویکرد، علی‌‌رغم نیازمندی به تعداد زیادی افراد خبره، بسیار طاقت‌فرسا و زمانبر است. علاوه بر این، افراد همیشه قادر به تشخیص
وضعیت‌های ناهنجار نیستند. در این مقاله به‌منظور پایش سلامت سیستم، یک چارچوب عیب‌شناسی نظام‌مند، شامل فرآیند داده‌کاوی توصیفی جهت آشکارسازی ناهنجاری ارائه شده است. نتایج حاصل از به‌کارگیری مدل‌های تشخیصی در چارچوب پیشنهادی، حاکی از این است که مدل‌‌های مذکور در ترکیب با مدل پایش فعلی، باعث بهبود امکانات عیب‌شناسی سنتی در تشخیص ناهنجاری می‌‌شوند. همچنین ضمن تسریع در فرآیند تصمیم‌گیری، می‌‌توانند ایمنی و قابلیت اعتماد را برای عملیات فضایی افزایش دهند.

کلیدواژه‌ها


عنوان مقاله [English]

A Data Mining Model for Anomaly Detection of Satellite Launch Vehicle

نویسندگان [English]

  • Sina Dami
  • Hossein Shirazi
  • Mojtaba Hoseini
چکیده [English]

Anomaly detection refers to the problem of finding patterns in data that do not conform to expected behavior. Development of advanced anomaly detection and failure diagnosis technologies for satellite launch vehicle (SLV) is a quite significant issue in the aerospace industry, because the space environment is harsh, distant and uncertain.Current SLV health monitoring and fault diagnosis practices involve around-the-clock limit-checking or simple trend analysis using text or graphical displays on large amount of telemetry data. This procedure, which requires large numbers of human experts, is of course cumbersome and time-consuming. Furthermore, humans are not always able to recognize anomalous situations. In this paper, a systematic and transparent diagnostic methodology will be proposed and developed within intelligent anomaly detectioon framework for SLV health monitoring. Experimental results show that the proposed method is capable of characterizing and monitoring interactions between multiple spacecraft parameters and can provide additional insight and valuable decision support for controllers and engineers.

کلیدواژه‌ها [English]

  • Data Mining
  • Anomaly Detection
  • Telemetry Processing
  • SLV Health Monitoring