Detekce neobvyklých událostí v telemetrických datech ze satelitu

Abstract

Moderní Satelity produkují velké množství telemetrických dat (> 10.000 parametrů), z nichž ty nejdůležitější jsou monitorovány provozovatelé během průchodů. Zpracování tohoto množství dat v reálném čase přesáhne schopnost analýzy založené na lidských. To vedlo k nárůstu takzvaných velkých dat a strojového učení systémů, které se učí od tohoto data. V posledních letech se řešení byla vyvinuta pro detekci dosud neznámých situací v těchto parametrů a ve stavu systému obecně. S touhou pro analýzu dat v reálném čase přístup, který využívá open source technologií a distribuované výpočetní je žádoucí. Předchozí implementace algoritmu zjišťování nadměrných odchylek, je k dispozici, jakož i reálných dat ESA telemetrie. Tato práce řeší problém živé detekce odlehlých v prostředí vesmírných misích, zejména zpracování v časovém omezení jediné nadjezdu.

Modern satellites produce a large amount of telemetry data (> 10.000 parameters) among which the most important ones are monitored by operators during passes. Processing this amount of data in real time exceeds the capability of human-based analyses. This has led to a rise in the so-called big data and machine learning systems that learn from this data. In the last years, solutions have been developed for detecting previously unknown situations in these parameters and in the system state in general. With the desire to analyse data in real time an approach that leverages open source technologies and distributed computing is desired. A previous implementation of an outlier detection algorithm is provided, as well as real world ESA telemetry data. This thesis solves the problem of live outlier detection in the environment of Space missions, especially the processing in the time-constraint of a single overpass.