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

要約

宇宙分野では、環境条件やアクセス制限があるため、ロバストな故障検出手法は、ミッションの成功と貴重な資産の保護に不可欠である。この研究では、複雑で高次元の分布をモデル化する能力で有名な物理学情報に基づくリアルNVPニューラルネットワークを、センサーのデータ並べ替えに基づく自己教師タスクで補強した、新しいアプローチを提案する。これは、衛星の多変量時系列内の故障検出を強化することに焦点を当てている。実験では、自己教師付き事前学習、マルチタスク学習、単独での自己教師付き学習など、様々な設定を行った。その結果、すべての設定において性能が大幅に向上した。特に、自己監視による損失のみを採用した場合、全体として最高の結果が得られ、故障検出に関連する特徴を抽出するようネットワークを誘導する有効性が示唆された。本研究は、宇宙システムにおける故障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における更なる探求が必要である。

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, DeepL