Integrated telemetry analysis using human expert knowledge and the logical analysis of data
Notice bibliographique
Résumé
Telemetry data received from satellites during in-orbit operation are typically analyzed by experts to identify faults that might lead to potential subsystem failures. A typical method is to apply limit-checking procedure to locate off-nominal features which do not fall within the expected normal range of values. Human-experts' analysis is usually limited. It focuses on analyzing selected group of features that would interpret a specific situation that might be taking place onboard the satellite. When the size of telemetry features and number of observations are in the order of hundreds or thousands, a full expert-based analysis is almost impossible to achieve. In this paper, expert-based analysis is leveraged by the automation of the telemetry analysis process based on a machine learning technique called the Logical Analysis of Data (LAD). LAD is a pattern recognition and classification approach that combines ideas and concepts from optimization, combinatorics and Boolean functions. One of the main advantages of LAD is its explanatory power, which offers a classification and an interpretation of the root causes of the events under study. Patterns generated via LAD are easily understood by experts as they are constructed from the features within the set of observations. Consequently, LAD is used in numerous practical applications. We are applying LAD in the process of fault diagnosis and prognosis in satellites by combining the domain expert's knowledge and the knowledge extracted by LAD. The procedure begins by performing a fault tree analysis (FTA) and a list of corrective actions, by domain human experts. This analysis is usually limited by the expert's knowledge to represent known faulty states of the system. However, operation data collected over a period of time can introduce meaningful hidden knowledge about faulty states that were not represented in the original FTA. We apply LAD to find this hidden knowledge in data collected through simulation, testing and in-flight operation. The results reflect significant interpretation power and an effective leverage of the obtained knowledge by the integrated telemetry analysis tool when compared to traditional limit-checking method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».