Использование ИИ и машинного обучения в обнаружении и реагировании на аномалии космических аппаратов

Космические аппараты работают в одной из самых неумолимых сред, известных человечеству. Радиация, экстремальные температуры, микрометеороиды и задержки связи от нескольких минут до нескольких часов делают контроль над людьми в реальном времени непрактичным для многих миссий в глубоком космосе. Поскольку космические агентства и коммерческие операторы стремятся к более амбициозным целям - лунным базам, возвращению образцов Марса, добыче астероидов и межзвездным зондам - потребность в бортовом интеллекте никогда не была больше. Искусственный интеллект (ИИ) и машинное обучение (ML) перешли от экспериментальных концепций к основным инструментам для обнаружения аномалий и выполнения быстрых автономных ответов. Эти технологии позволяют космическим аппаратам постоянно контролировать свое собственное здоровье, выявлять тонкие отклонения от номинального поведения и предпринимать корректирующие действия, не дожидаясь наземных команд. В этой статье исследуется, как ИИ и ML меняют обнаружение и ответ на аномалии в космических полетах, алгоритмы, управляющие этими возможностями, инженерные проблемы, связанные с этим, и что будущее ждет автономные космические корабли.

Критическая роль обнаружения аномалий в современных космических миссиях

Обнаружение аномалий — это процесс идентификации точек данных, событий или наблюдений, которые значительно отклоняются от ожидаемого поведения. В контексте космических аппаратов аномалии могут варьироваться от незначительных сбоев датчиков до катастрофических сбоев аппаратного обеспечения. Традиционный подход основан на наземных командах, контролирующих телеметрические потоки круглосуточно. Инженеры сравнивают поступающие данные с заранее заданными порогами и вручную исследуют выбросы. Хотя этот метод успешно поддерживает десятилетия освоения космоса, он имеет неотъемлемые ограничения. Задержки связи — от четырех секунд для Луны до более двадцати минут для Марса — означают, что наземные контроллеры не могут реагировать на быстро развивающиеся проблемы. Кроме того, объем телеметрии от современных космических аппаратов может перегружать аналитиков, что приводит к пропущенным сигналам, которые указывают на предстоящий сбой.

Космические миссии становятся все более сложными и многочисленными. Созвездия сотен или тысяч малых спутников требуют автоматизированного управления здоровьем, потому что просто недостаточно людей-операторов для мониторинга каждого транспортного средства индивидуально. Глубоководные зонды, тем временем, должны работать с большей автономией, поскольку они отправляются дальше от Земли. Сбой критической системы, такой как реакционное колесо, двигатель или регулятор мощности, может превратить многомиллиардную миссию в космический мусор в течение нескольких секунд. Обнаружение аномалий, следовательно, не просто удобство; это способность, способствующая миссии. ИИ и МО приносят скорость, масштабируемость и способность распознавания образов, необходимую для соответствия требованиям современного космического полета.

Основные методы машинного обучения для обнаружения аномалий космических аппаратов

Машинное обучение предлагает набор методик, которые могут быть адаптированы к уникальным ограничениям космических систем. Выбор алгоритма зависит от характера данных (временные ряды, изображения, телеметрия), наличия маркированных обучающих данных и вычислительных ресурсов на борту. Ниже приведены наиболее широко используемые методы МО при обнаружении аномалий космических аппаратов.

Надзорное обучение: классификация и регрессия

Когда историческая телеметрия содержит ярлыки примеров как номинального, так и аномального поведения, модели контролируемого обучения могут быть обучены классификации новых точек данных. Общие алгоритмы включают в себя машины вектора поддержки, случайные леса и глубокие нейронные сети. Например, нейронная сеть может быть обучена на тысячах часов телеметрии тока реакционного колеса, чтобы отмечать необычные ничьи, которые предшествуют сбоям подшипника. Надзорные подходы достигают высокой точности, когда данные обучения охватывают весь спектр возможных ошибок, но такие наборы данных редки в космической области. Аномалии, по определению, редки и часто непредвиденны, что делает контролируемое обучение менее практичным для новых режимов отказа.

Неконтролируемое обучение: кластеризация и автокодеры

Большинство космических аппаратов обнаружения аномалий опирается на неконтролируемое обучение, которое не требует помеченных примеров. Кластерные алгоритмы, такие как k-средства или DBSCAN группы аналогичные телеметрические точки; новые точки, которые падают далеко от любого кластера помечены как аномалии. Более мощными являются нейросети автокодера - тип неконтролируемой модели глубокого обучения. Автокодер обучается сжимать и реконструировать входные данные. Когда он сталкивается с шаблоном данных, который он не видел во время обучения (аномалия), ошибка реконструкции шипы. Этот подход был успешно развернут на Международной космической станции и нескольких спутников наблюдения Земли. Автокодеры могут моделировать сложные многомерные отношения и относительно легкие на вычислительных ресурсах, что делает их пригодными для бортового исполнения.

Полу-контролируемое и одноклассное обучение

Во многих реальных сценариях инженеры располагают обильными данными о номинальных операциях, но мало или вообще не имеют маркированных аномалий. Алгоритмы классификации одного класса, такие как SVM одного класса или Isolation Forest, предназначены именно для этой ситуации. Они изучают границу вокруг номинальных данных и классифицируют что-либо за пределами этой границы как аномальное. Эти методы популярны в спутниковом мониторинге здоровья, потому что они могут обнаруживать ранее неизвестные модели отказов, не требуя примеров неисправностей.

Специфические модели серии времени

Телеметрия космических аппаратов по своей сути последовательна. Рекуррентные нейронные сети (RNN), сети с длинной кратковременной памятью (LSTM) и трансформаторные модели предназначены для захвата временных зависимостей. LSTM может предсказать следующее ожидаемое значение считывания датчика на основе недавней истории; если фактическое считывание отклоняется за порог, объявляется аномалия. Центр передового опыта NASA продемонстрировала обнаружение аномалий на основе LSTM на данных турбовентиляторного двигателя, с прямой применимостью к двигательным системам космических аппаратов. Эти модели также могут прогнозировать будущую деградацию системы, позволяя прогнозировать обслуживание, а не реактивный ответ на аномалию.

Стратегии реагирования, основанные на ИИ

Обнаружение аномалии — это только половина битвы. Реальная ценность ИИ в операциях космических аппаратов заключается в его способности вызывать быстрый, соответствующий ответ. Стратегии реагирования можно разделить на три уровня автономии: консультативный, полуавтономный и полностью автономный.

Консультативные ответы

В консультативном режиме система ИИ оповещает наземных контроллеров с приоритетным списком потенциальных проблем и рекомендуемых действий. Это снижает когнитивную нагрузку на операторов-людей и помогает им сосредоточиться на самых критических аномалиях в первую очередь. Решение действовать остается за наземной командой. Эта модель распространена на спутниках Земли, где возможна связь с низкой задержкой.

Полуавтономные ответы

Для критических по времени ситуаций, когда ожидание подтверждения на земле будет катастрофическим, системы могут быть уполномочены принимать предварительно одобренные действия автономно, уведомляя о наземном контроле. Примеры включают в себя переход на резервный датчик, корректировку параметров управления положением или питание несущественной полезной нагрузки для экономии энергии. Система AEGIS на марсоходах НАСА работает таким образом: она может автономно выбирать научные цели и нацеливать лазерный спектрометр, не дожидаясь ежедневных команд с Земли.

Полностью автономные ответы

В сценариях глубокого космоса или высокого риска полная автономия может быть единственным практическим вариантом. Космический аппарат непрерывно оценивает свое состояние и выполняет корректирующие действия без участия человека. Этот уровень автономии требует надежного программного обеспечения, устойчивого к ошибкам, всеобъемлющих библиотек реагирования на аномалии и способности адаптироваться к непредвиденным обстоятельствам. Например, капсула SpaceX Dragon продемонстрировала полностью автономную стыковку с Международной космической станцией, включая обнаружение аномалий и возможности прерывания во время подхода.

Усиление обучения для динамического реагирования

В новых исследованиях изучается обучение усилению (RL) для ответа на аномалии. Вместо жестко закодированных правил агент RL изучает оптимальные политики восстановления посредством моделирования. Например, если космический корабль теряет реакционное колесо, агент может научиться перераспределять полномочия управления на оставшиеся колеса и двигатели наиболее эффективным способом. RL предлагает потенциал для обработки сложных, многоразовых сценариев, которые было бы почти невозможно записать заранее.

Оригинальное название: AI on the Mars Perseverance Rover

Марсоход НАСА Perseverance, который приземлился в кратере Джезеро в феврале 2021 года, служит ярким примером ИИ для обнаружения аномалий и автономного реагирования. Система ровера AutoNav использует компьютерное зрение и машинное обучение для планирования безопасных дорожек по сложной местности, избегая при этом скал, склонов и песчаных ловушек. В отличие от более ранних марсоходов, которые требовали частого человеческого наведения, Perseverance может преодолевать гораздо большие расстояния в день, принимая навигационные решения в режиме реального времени на борту.

Для обнаружения бортовой аномалии система мониторинга здоровья и активности ровера (HAMS) использует машинное обучение для анализа сотен параметров телеметрии. Если обнаружена аномалия, такая как неожиданное повышение температуры в двигателе или аномальный ток, система может приостановить операции, войти в безопасное состояние и передать сводку на Землю. Эта способность была критической во время посадки ровера: алгоритм FLT:2 Железнодорожная относительная навигация использовал ИИ для сравнения бортовых карт с фактическими изображениями местности, выявления опасностей и направления космического корабля в безопасную зону посадки — все автономно, без вмешательства наземного во время семиминутного спуска.

Упорство также несет инструмент MOXIE, который производит кислород из марсианского углекислого газа. Его операции контролируются моделями машинного обучения, которые предсказывают ухудшение производительности и автономно корректируют эксплуатационные параметры для поддержания эффективности. Эти примеры иллюстрируют, как ИИ и ML больше не являются экспериментальными дополнениями, но являются неотъемлемой частью архитектуры миссии.

Проблемы развертывания ИИ на космических кораблях

Несмотря на явные преимущества, интеграция ИИ и ML в космические аппараты представляет значительные инженерные и эксплуатационные проблемы.Наиболее актуальными являются вычислительные ограничения, качество данных, проверка моделей и радиационные эффекты.

Ограничения на аппаратное обеспечение

Космические процессоры сильно отстают от коммерческих аналогов по производительности. Закаленный радиацией RAD750, используемый во многих миссиях НАСА, работает всего в нескольких сотнях мегагерц — эквивалент настольного компьютера с начала 2000-х годов. Запуск моделей глубокого обучения на таком оборудовании требует тщательной оптимизации: квантованные сети, сниженная точность и специализированные архитектуры, такие как TPU Google Edge или Xilinx Versal AI чипы, которые начинают видеть наследие космических полетов. Инженеры должны сбалансировать сложность модели с доступными вычислительными циклами и бюджетами мощности.

Качество данных и распределение обучения

Модели обнаружения аномалий так же хороши, как и данные, на которых они обучены. Телеметрия космического корабля часто содержит шум, отсева и ошибки калибровки, которые могут ввести в заблуждение модели. Кроме того, распределение данных во время обучения может не соответствовать распределению, встречающемуся в полете из-за стареющих компонентов, новых режимов работы или неожиданных сред. Модели должны быть надежными для ковариации сдвига и дрейфа концепции. Онлайн-обучение - где модель обновляет себя новыми данными - является активной областью исследований, но это вызывает опасения по поводу стабильности и безопасности.

Модель валидации и сертификации

Космические миссии требуют чрезвычайно высокой надежности. Доказательство того, что модель ИИ не будет производить катастрофические ложные негативы или ложные срабатывания, сложно, особенно для глубоких нейронных сетей, которые не имеют формальных гарантий. Органы сертификации, такие как Отдел разработки программного обеспечения НАСА и программа ESA AI для космоса , разрабатывают рамки проверки, которые включают формальные методы, состязательное тестирование и обширное моделирование. Тем не менее, многие миссии выбирают простые, интерпретируемые модели (деревья решений, случайные леса) над нейронными сетями черного ящика для критических функций безопасности.