Rilevamento autonomo di anomalie della temperatura di satelliti in orbita geocentrica

The purpose of this work is to create a system for monitoring and automatic reporting of data anomalies telemetry, and in particular in temperatures, recorded by apacecrafts in earth's orbit. To do this, will be proposed in the beginning some simple techniques for intuitively detecting anomalies passing later to the use of a model based on neural networks, in particular the Long Short Term Memory Neural Network (LSTM).

Lo scopo di questo progetto di tesi è quello di creare un sistema per il monitoraggio e la segnalazione automatica di anomalie nei dati telemetrici, ed in particolare nelle temperature, registrate da satelliti in orbita terrestre. Poiché i veicoli spaziali restituiscono quantità crescenti di dati di telemetria, sono necessari sistemi di rilevamento delle anomalie migliorati, per ridurre l’onere di monitoraggio imposto agli ingegneri operativi ed il conseguente rischio operativo. I dati utilizzati provengono dal satellite IMAGE (Imager for Magnetopause-to-Aurora Global Exploration) della NASA in orbita geocentrica che è stato lanciato per studiare la risposta della magnetosfera terrestre ai cambiamenti del vento solare. La variabile per cui si intende effettuare il riconoscimento delle anomalie è la temperatura di un pannello esterno del satellite. Tale variabile presenta numerose caratteristiche che la rendono particolarmente interessante e complicata da studiare, queste sono analizzate nel dettaglio nella parte introduttiva della tesi. Tutte le procedure utilizzate per il riconoscimento di dati anomali consistono nello studio di residui di previsione attraverso carte di controllo, in particolare quella di Shewhart e quella CuSum. La differenza dei risultati e della loro interpretazione è data dalla tecnica utilizzata per effettuare le previsioni e quindi dalla differenza dei residui trovati. I residui su cui sono state applicate le carte di controllo per il rilevamento delle anomalie sono stati trovati con tre differenti metodi, ovvero: 1. Differenziazione annuale della serie di dati: Il primo metodo utilizzato, ed anche quello intuitivamente più semplice, consiste inizialmente nel lisciare la serie di interesse attraverso una regressione polinomiale locale (LOESS). Successivamente ad ogni osservazione viene sottratta la corrispondente osservazione dell’anno precedente. Intuitivamente questo metodo può essere interpretato come una stima del valore della temperatura in un dato momento, con il valore della temperatura che era stata misurata nel satellite l’anno precedente, quindi quando le condizioni di quest’ultimo erano le medesime. 2. Scomposizione STL: Il secondo metodo è basato sulla scomposizione della serie storica in trend stagionalità e residui. La scomposizione è stata effettuata tramite la funzione STL di R che, attraverso l’utilizzo di regressioni polinomiali locali, permette di catturare la componente stagionale anche se questa presenta caratteristiche che variano all’interno del periodo preso in considerazione. 3. Utilizzo di tecniche di Machine Learning: Il terzo metodo consiste nello studio dei residui provenienti dalle previsioni delle temperature effettuate tramite tecniche di machine learning. Per effettuare le previsioni sulle temperature verranno utilizzate delle covariate che avranno lo scopo di migliorare la capacità previsiva del modello. I modelli prinicipalmente utilizzati per effettuare le previsioni sono il Gradient Boosting e le reti neurali LSTM (Long Shirt Term Memory). Ogni analisi è accompagnata da alcune simulazioni di anomalie che hanno lo scopo di dimostrare il funzionamento della tecnica utilizzata e le sue capacità di identificare correttamente le anomalie. Verrà infine presentato uno studio riguardante l’effetto della quantità di osservazioni che si hanno a disposizione per la stima dei parametri, sull’accuratezza delle previsioni effettuate.