Anomalijų aptikimas palydovų posistemėse

Ištrauka

Anomalijų aptikimas palydovų posistemėse
Baigiamasis bakalauro darbas

Turinys
Įvadas 3
1. Anomalijų aptikimas 4
1.1. Mašininio mokymosi modelių tipai 4
1.2. Anomalijų bei modelių išvesčių tipai 5
1.3. Anomalijų aptikimo metodai 6
1.3.1. „Anomaly Detection in Time Series: A Comprehensive Evaluation“ 7
1.3.2. „ADBench: Anomaly Detection Benchmark“ 7
1.3.3. Modelių ansambliai 8
1.3.4. Pasirinkti modeliai 8
1.3.4.1. K-artimiausių kaimynų modelių ansamblis(KNN) 8
1.3.4.2. Gilieji atskirties miškai (DIF) 9
1.3.4.3. Vienos klasės pagalbinių vektorių mašinos (OC-SVM) 9
1.4. Praktikoje naudojami metodai 10
2. Metodika 10
2.1. Duomenų rinkiniai 10
2.1.1. Kontroliuotų anomalijų laiko eilutės (CATS) 11
2.1.2. Palydovo maitinimo šaltinio (EPS) telemetrija 12
2.1.3. Fiziškai identiško palydovo EPS telemetrija 14
2.2. Tyrimams naudojami įrankiai 14
2.3. Vertinimo metrikos 15
2.3.1. Sprendimus priimančiojo ypatybių kreivė 15
2.3.2. Pirmųjų n tikslumas 16
3. Rezultatai 17
3.1. Anomalijų aptikimas CATS duomenims 17
3.1.1. KNN 17
3.1.2. DIF 19
3.1.3. OCSVM 20
3.1.4. KNN ir OCSVM ansamblis 20
3.1.5. Rezultatų palyginimas 20
3.2. Anomalijų aptikimas palydovo duomenims 21
3.3. Anomalijų aptikimas antro palydovo duomenims 22
3.4. Rezultatų apžvalga 23
Išvados 24
Summary 25
Literatūra 26

Įvadas
Palydovų operacijų sritis yra itin kompleksiška bei kupina neprognozuojamų veiksnių
galinčių sukelti anomalijas, potencialiai keliančias pavojus misijos funkcionalumui ar
ilgaamžiškumui. Mažųjų palydovų rinkai sparčiai plečiantis ir tapant integraliai daliai daugeliui
sričių, nuo telekomunikacijų, iki agrokultūros, iškyla itin didelis patikimos anomalijų aptikimo
sistemos poreikis. Ši sistema leistų užtikrinti palydovų gyvybingumą, bei išvengti kritinių gedimų.
Tradiciniai sprendimai anomalijų nustatymo bei prognozavimo automatizavimui remiasi
paprastomis ir ribotų galimybių ekspertinėmis sistemomis, ar griežtomis taisyklėmis,
apibrėžtomis specialistų. Vienas paprasčiausių būdų tai atlikti yra nustačius konkrečių sistemos
kintamųjų pageidaujamų reikšmių diapazoną, pranešti apie rastą ar galimą klaidą. Šio metodo
didžiausias minusas yra tai, kad apibrėžtos pageidaujamų reikšmių ribos yra subjektyvios bei
nepaslankios [HDA20].
Šiame darbe nagrinėjama galimybė anomalijų aptikimui pasitelkti mašininio mokymosi
metodus. Išbandomi trys skirtingi modeliai: K-artimiausių kaimynų (angl. „K-Nearest
Neighbors“, arba KNN), giliųjų atskirties miškų (angl. „Deep Isolation Forest“, arba DIF) bei
vienos klasės pagalbinių vektorių mašinos (angl. „One-Class Support Vector Machine“, arba
OC-SVM). Papildomai ištiriama modelių kombinavimo galimybė. Visi šie modeliai taiko
skirtingus principus anomalijų identifikavimui, ir jų efektyvumas bei skirtumai analizuojami
naudojant tris duomenų rinkinius:
Kontroliuotų anomalijų laiko eilutės (angl. „Controlled anomalies Time Series“, arba
CATS) – tai dirbtinai sugeneruotas duomenų rinkinys, imituojantis palydovo,
skrendančio kosmose sistemas. Duomenyse atspindimos valdymo komandos bei išoriniai
aplinkos veiksniai [Fle23]. Rinkinį sudaro 5000000 įrašų, tarp kurių yra 200 dirbtiniai
sukurtų anomalių segmentų. Šie duomenys naudojami kaip kontrolinė grupė, leidžianti
tiksliai įvertinti modelių tikslumą kuomet žinomos anomalijos.
Palydovo maitinimo šaltinio (angl. „Electrical Power Supply“, arba EPS) telemetrija – tai
realaus palydovo maitinimo šaltinio duomenys, išmatuoti palydove esančių sensorių,
skaitliukų rodmenys, ar būsenų indikatoriai einamu momentu. Darbe pagrinde naudojami
baterijų bei saulės panelių įtampų bei srovių, temperatūrų rodmenys. Kitaip nei CATS
duomenys, šiems duomenims nėra žinomos klasės, kas sukelia sunkumų vertinant
modelių efektyvumą.
Fiziškai identiško palydovo EPS telemetrija – šio duomenų rinkinio struktūra identiška
antrajam, kadangi duomenys paimti iš fiziškai identiškų palydovų, skrendančių
identiškomis orbitomis, vos atsiliekant vienas nuo kito. Šie duomenys leidžia patikrinti
modelių universalumą, tai yra, ar galima pritaikyti nepriklausomiems, bet analogiškiems duomenims.
Šio darbo tikslas yra susipažinti su anomalijų aptikimo sritimi, jos taikymu palydovų
duomenims, bei palyginti pasirinktų modelių efektyvumą atliekant anomalijų aptikimą tikriems
bei simuliuotiems palydovų posistemių duomenims.
1. Anomalijų aptikimas
Anomalijų aptikimas yra duomenų analizės bei mašininio mokymosi uždavinys, kurio
tikslas yra duomenyse identifikuoti nukrypimus nuo normos. Šie nukrypimai vadinami
anomalijomis, ir jas galima apibrėžti kaip matmenį, kuris tiek skiriasi nuo kitų matmenų, jog
kelia įtarimą jog buvo gautas kitokiu metodu [Haw80]. Iš esmės,...