Применение методов машинного обучения для контроля состояния научных космических аппаратов
Автор: Шаханов А.Е., Богачв С.А., Гавриков М.М.
Журнал: Космическая техника и технологии @ktt-energia
Статья в выпуске: 1 (52), 2026 года.
Бесплатный доступ
Целью исследования является проверка использования машинного обучения, а также конкретной выбранной архитектуры (автоэнкодеров) для разработки методов автоматического контроля состояния космических аппаратов. Исследование проведено на реальном наборе служебных данных (показаний термодатчиков), полученных в ходе работы прибора ТЕСИС на космическом аппарате «КОРОНАС-Фотон» в 2009 г. Для обучения нейронной сети использовался ранее разработанный аналитический математический аппарат, основанный на расчёте индекса состояния прибора. Продемонстрирована возможность обучения сети, а также согласие результатов, полученных с её помощью, с данными аналитического исследования. Отмечено, что значительное количество аномалий в тепловом режиме работы прибора было выявлено осенью 2009 г., в период, непосредственно предшествующий выходу космического аппарата из строя (30 ноября 2009 г.). Эффективность метода может быть дополнительно повышена за счёт оптимизации служебных данных, поступающих для анализа.
Космический аппарат, срок активного существования, нейронные сети, машинное обучение
Короткий адрес: https://sciup.org/143186056
IDR: 143186056 | УДК: 629.78.001.5+629.783
Applying machine learning methods to monitoring the health of scientific spacecraft
The objective of this study was to verify the use of machine learning, as well as the specific architecture (autoencoders) adopted for the development of methods to automatically monitor spacecraft status. The study was conducted on a set of actual housekeeping data (readings from thermal sensors), acquired in the course of operating the TESIS instrument onboard KORONAS-Foton spacecraft in 2009. The neural network was trained using mathematical apparatus that had been developed on the basis of calculation of the instrument healthindex. Network trainability was demonstrated, as well as agreement between results it produced and data from an analytical study. It was noted that a significant number of thermal anomalies in the instrument operation were detected in the fall of 2009, during the period immediately preceding the spacecraft failure (on November 30, 2009). The effectiveness of the method can be furtherimproved through optimization of the incoming housekeeping data.
