Версия для печати

Разработка ученых СПб ФИЦ РАН позволит быстро выявлять неполадки двигателей спутников по данным телеметрии

Ученые Санкт-Петербургского Федерального исследовательского центра Российской академии наук (СПб ФИЦ РАН) создали новую методику для выявления аномального поведения сложных киберфизических объектов, в частности, двигателей спутников, на основе показателей телеметрии (системы датчиков для дистанционного отслеживания работоспособности объектов на орбите). Разработка позволит оперативно выявлять неполадки в работе таких объектов, кроме того, она требует в три раза меньше вычислительных мощностей для обработки данных по сравнению с существующими аналогами, не уступая при этом в точности.

Телеметрические системы являются неотъемлемой частью современных сложных киберфизических систем. Примером таких систем являются аэрокосмические объекты (это могут быть летательные аппараты, ракеты, спутники и проч.). Они позволяют в автоматическом режиме фиксировать, собирать, обрабатывать и передавать информацию о различных показателях объектов в процессе полета, чтобы оператор мог дистанционно отслеживать состояние объекта, необходимое для успешного выполнения задания. Кроме того, они нужны для того, чтобы исследовать уже произошедшие инциденты и отклонения в функционировании системы.

Однако в ходе работы аэрокосмических объектов образуется огромное количество данных, для обработки которых требуются большие вычислительные мощности и использование методов машинного обучения. Сегодня при исследовании инцидентов и аномальных ситуаций данные, поступающие с аэрокосмических объектов, анализируются вручную или методами пороговой фильтрации. Приходится обрабатывать значительные объемы информации: например, двигатели аэрокосмических объектов, которые изучали исследователи СПб ФИЦ РАН, генерировали данные каждые полсекунды по 400 параметрам. Поэтому в таком массиве сложно обнаружить свидетельства о неполадке механизмов.

«Мы разработали универсальный аналитический метод, который позволяет выявлять и исследовать аномальную активность в поведении сложных киберфизических систем. Мы протестировали его на выявлении аномалий в поведении, двигательных установок спутников. Для этого на основе данных телеметрии мы создаем двумерные проекции состояния системы во времени, которые далее используются для формирования количественной оценки изменения состояния объекта. Наши исследования показали, что для нормального состояния поведения объекта и состояния с отклонениями изображения на плоскости будут разными», - рассказывает Евгения Новикова, старший научный сотрудник лаборатории проблем компьютерной безопасности СПб ФИЦ РАН.

В основе подхода лежит представление поведения киберфизического объекта в виде траектории многомерной точки в пространстве. Авторы предложили на основе этих данных ввести метрику, которая количественно характеризует меру изменения состояния объекта и позволяет определить нормальные и аномальные состояния системы.

«Оказалось, что этот достаточно простой способ по своей точности не уступает другим более распространенным методам машинного обучения без «учителя» и не требует размеченных данных, которые крайне важны при использовании методов на основе глубокого обучения. Вдобавок, по вычислительной эффективности даже в три раза обходит существующие решения, использующие алгоритмы машинного обучения без учителя. Все это открывает большие перспективы для исследования и оперативного выявления аномалий в функционировании киберфизических объектов разного рода, - поясняет соавтор работы аспирант СПбГЭТУ «ЛЭТИ» Антон Шулепов.

При этом созданная методика подходит не только для аэрокосмических объектов, но и любых других систем с телеметрическими данными. Так, ученые СПб ФИЦ РАН смогли оценить работу систем тепловентиляции и кондиционирования обычного офисного здания. Нормальные и аномальные состояния различных систем удалось установить с помощью информации, полученной с датчиков, фиксирующих температуру, энергоснабжение, концентрацию углекислого газа и прочие параметры. Таким образом, можно отслеживать любые аварийные ситуации.

Сейчас исследователи продолжают дорабатывать метрику, они планируют привлечь больший объем данных от реальных аэрокосмических объектов для повышения точности методики. Проект получил награду на 14 международном симпозиуме по интеллектуальным распределенным вычислениям (14th International Symposium on Intelligent Distributed Computing) как лучшее исследование.