ارايه‌يك مدل داده كاوي جهت آشكارسازي ناهنجاري درپرتاب ماهواره

A Data Mining Model for Anomaly Detection of Satellite Launch Vehicle

آشكارسازي ناهنجاري، يافتن الگو ها در داده هايي است كه از رفتار مورد انتظاري تبعيت نمي ‌كنند. توسعه فناوري ‌هاي آشكارسازي ناهنجاري و تشخيص خطا به صورت هوشمند، براي حامل پرتاب ماهواره به دليل محيط سخت، دور و غيرقطعي، به عنوان يك مسيله كاملاً مهم و قابل ‌توجه در صنعت هوافضا مطرح است. مدل پايش فعلي، با نظارت افراد خبره از طريق نمايش اطلاعات تله ‌متري به كمك يك واسط گرافيكي انجام مي شود. اين رويكرد، علي ‌رغم نيازمندي به تعداد زيادي افراد خبره، بسيار طاقت‌فرسا و زمانبر است. علاوه بر اين، افراد هميشه قادر به تشخيص وضعيت هاي ناهنجار نيستند. در اين مقاله به منظور پايش سلامت سيستم، يك چارچوب عيب‌شناسي نظام‌مند، شامل فرآيند داده‌كاوي توصيفي جهت آشكارسازي ناهنجاري ارايه شده است. نتايج حاصل از به كارگيري مدل هاي تشخيصي در چارچوب پيشنهادي، حاكي از اين است كه مدل‌‌هاي مذكور در تركيب با مدل پايش فعلي، باعث بهبود امكانات عيب‌شناسي سنتي در تشخيص ناهنجاري مي ‌شوند. همچنين ضمن تسريع در فرآيند تصميم‌گيري، مي‌ توانند ايمني و قابليت اعتماد را براي عمليات فضايي افزايش دهند.

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.