A Self-Supervised Task for Fault Detection in Satellite Multivariate Time Series

要約

宇宙分野では、環境条件とアクセスの制限により、ミッションを確実に成功させ、貴重な資産を保護するために、堅牢な障害検出方法が不可欠です。
この研究は、複雑で高次元の分布をモデル化する能力で知られる Physics-Informed Real NVP ニューラル ネットワークを活用した新しいアプローチを提案しており、センサーのデータの並べ替えに基づく自己教師ありタスクで強化されています。
衛星の多変量時系列内の障害検出を強化することに重点を置いています。
実験には、自己監視付きの事前トレーニング、マルチタスク学習、スタンドアロンの自己監視付きトレーニングなど、さまざまな構成が含まれます。
結果は、すべての設定にわたってパフォーマンスが大幅に向上していることを示しています。
特に、自己監視損失のみを採用すると、全体として最良の結果が得られ、障害検出に関連する特徴を抽出するようにネットワークを誘導する際の有効性が示唆されます。
この研究は、宇宙システムにおける障害検出を改善するための有望な方向性を示しており、他のデータセットやアプリケーションでのさらなる調査が保証されています。

要約(オリジナル)

In the space sector, due to environmental conditions and restricted accessibility, robust fault detection methods are imperative for ensuring mission success and safeguarding valuable assets. This work proposes a novel approach leveraging Physics-Informed Real NVP neural networks, renowned for their ability to model complex and high-dimensional distributions, augmented with a self-supervised task based on sensors’ data permutation. It focuses on enhancing fault detection within the satellite multivariate time series. The experiments involve various configurations, including pre-training with self-supervision, multi-task learning, and standalone self-supervised training. Results indicate significant performance improvements across all settings. In particular, employing only the self-supervised loss yields the best overall results, suggesting its efficacy in guiding the network to extract relevant features for fault detection. This study presents a promising direction for improving fault detection in space systems and warrants further exploration in other datasets and applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google