Physics-Informed Real NVP for Satellite Power System Fault Detection

要約

極端な条件とアクセスの制限を特徴とする宇宙環境によってもたらされる独特の課題により、衛星の障害を特定して防止するための堅牢で信頼性の高い技術の必要性が高まっています。
宇宙分野における障害検出方法は、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必要です。
これに関連して、この論文では、人工知能 (AI) ベースの障害検出方法論を提案し、NASA が実験室で作成した電力システム (EPS) データセットである ADAPT (高度な診断および予測テストベッド) でのパフォーマンスを評価します。
私たちの研究は、宇宙システムにおける故障検出のための物理情報に基づく (PI) 実数値非体積保存 (Real NVP) モデルの適用に焦点を当てています。
この手法の有効性は、Gated Recurrent Unit (GRU) やオートエンコーダベースの手法などの他の AI アプローチと系統的に比較されます。
結果は、当社の物理学に基づいたアプローチが既存の故障検出方法よりも優れていることを示し、衛星 EPS サブシステムの故障特有の課題に対処するのに適していることを示しています。
さらに、宇宙探査や衛星ミッションに不可欠な、特定の宇宙ニーズ、つまり堅牢性、信頼性、電力制約に対処するための AI モデルにおける物理学に基づいた損失の競争上の優位性を明らかにします。

要約(オリジナル)

The unique challenges posed by the space environment, characterized by extreme conditions and limited accessibility, raise the need for robust and reliable techniques to identify and prevent satellite faults. Fault detection methods in the space sector are required to ensure mission success and to protect valuable assets. In this context, this paper proposes an Artificial Intelligence (AI) based fault detection methodology and evaluates its performance on ADAPT (Advanced Diagnostics and Prognostics Testbed), an Electrical Power System (EPS) dataset, crafted in laboratory by NASA. Our study focuses on the application of a physics-informed (PI) real-valued non-volume preserving (Real NVP) model for fault detection in space systems. The efficacy of this method is systematically compared against other AI approaches such as Gated Recurrent Unit (GRU) and Autoencoder-based techniques. Results show that our physics-informed approach outperforms existing methods of fault detection, demonstrating its suitability for addressing the unique challenges of satellite EPS sub-system faults. Furthermore, we unveil the competitive advantage of physics-informed loss in AI models to address specific space needs, namely robustness, reliability, and power constraints, crucial for space exploration and satellite missions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google