Diagnóstico de Falhas de Sistemas de Pequenos Satélites via uma 3D-CNN Temporal-Espacial com Treinamento Sensível ao Desbalanceamento

A detecção e diagnóstico de falhas (FDD) confiáveis a bordo são essenciais para operações autônomas de constelações de pequenos satélites. Os fluxos de telemetria dos satélites são tipicamente de alta dimensionalidade, fortemente correlacionados no tempo e severamente desbalanceados. Essas características tornam falhas raras, mas críticas, difíceis de reconhecer. Para abordar esses problemas, este artigo propõe uma estrutura de diagnóstico espaciotemporal sensível ao desbalanceamento baseada em redes neurais convolucionais tridimensionais (3D-CNNs). A telemetria multivariada é primeiro convertida em volumes espaciotemporais estruturados por meio de segmentação em janela deslizante e incorporação baseada em grade. Isso permite que o modelo aprenda conjuntamente a evolução temporal e os padrões de acoplamento entre parâmetros. Uma 3D-CNN residual leve é desenvolvida para permitir classificação multi-classe de ponta a ponta. Além disso, uma função objetivo focal balanceada por classe é introduzida para mitigar problemas de desbalanceamento de classe e aumentar a sensibilidade a modos de falha minoritários. O conjunto de dados de telemetria de satélites da série Lumelite, composto por 23 tipos de falhas, é construído para treinamento e avaliação. A 3D-CNN residual leve proposta é comparada com modelos de memória de longo curto prazo–floresta aleatória (LSTM-RF), máquina de vetor de suporte (SVM), 2D-CNN, CNN-LSTM e rede neural residual. Os resultados experimentais mostram que o algoritmo proposto tem a maior precisão geral e pontuação Macro-F1. Também obtém maior Recall para falhas de baixa frequência. Os estudos de complexidade computacional indicam que o algoritmo proposto tem um potencial promissor para monitoramento em tempo real da saúde do satélite.