Розробка гібридної бортової діагностичної архітектури з легким машинним навчанням для систем CubeSat з обмеженими ресурсами
DOI:
https://doi.org/10.15587/1729-4061.2026.358310Ключові слова:
бортова діагностика CubeSat, виявлення несправностей, гібридний FDIR, легке машинне навчанняАнотація
Об'єктом дослідження є процес бортової діагностики в наносупутникових системах CubeSat, з особливим акцентом на виявленні несправностей на основі аналізу багатовимірних телеметричних даних у реальному часі в умовах вбудованої роботи в реальному часі. Постановка проблеми полягає у розриві між відносно низькими обчислювальними витратами та передбачуваністю класичних підходів FDIR та їх обмеженою здатністю виявляти складні аномалії, і, навпаки, більшою чутливістю до аномалій та нижчою продуктивністю вбудованих моделей машинного навчання. Розроблено гібридну архітектуру бортової діагностики, яка інтегрує збір телеметричних даних, попередню обробку телеметричних даних, статистичне вилучення ознак, детерміновану гілку FDIR, полегшену гілку машинного навчання та об'єднання рішень в один сеанс бортової діагностики. Запропонована гібридна архітектура бортової діагностики була оцінена на основі апаратного тестування в циклі з використанням репрезентативних випадків телеметрії та несправностей для систем CubeSat. Метриками оцінки були точність виявлення несправностей, затримка виявлення, споживання процесора, споживання пам'яті та стійкість до телеметричного шуму. Гібридну архітектуру бортової діагностики порівнювали зі звичайною системою FDIR на основі порогів та автономними алгоритмами машинного навчання за тих самих умов HIL. У запропонованій експериментальній установці запропонована гібридна архітектура бортової діагностики продемонструвала точність виявлення несправностей 94%, тоді як класичний метод FDIR забезпечив 71%, а автономний підхід машинного навчання – 88%. Середня затримка виявлення зменшилася до 83 мс, порівняно зі 120 мс та 95 мс відповідно. Вбудоване рішення вимагає лише 17,6% ресурсів процесора та 58 КБ пам'яті. За найвищого рівня телеметричного шуму точність виявлення несправностей запропонованої гібридної архітектури бортової діагностики знижується до 80%, тоді як автономне машинне навчання та класична базові лінії FDIR забезпечують лише 65% та 43% точності виявлення несправностей відповідно.
Посилання
- Isermann, R. (2006). Fault-Diagnosis Systems. Springer Berlin Heidelberg. https://doi.org/10.1007/3-540-30368-5
- Patton, R. J., Frank, P. M., Clark, R. N. (Eds.) (2000). Issues of Fault Diagnosis for Dynamic Systems. Springer London. https://doi.org/10.1007/978-1-4471-3644-6
- Venkatasubramanian, V., Rengaswamy, R., Kavuri, S. N., Yin, K. (2003). A review of process fault detection and diagnosis. Computers & Chemical Engineering, 27 (3), 327–346. https://doi.org/10.1016/s0098-1354(02)00162-x
- Oche, P. A., Ewa, G. A., Ibekwe, N. (2024). Applications and Challenges of Artificial Intelligence in Space Missions. IEEE Access, 12, 44481–44509. https://doi.org/10.1109/access.2021.3132500
- Cratere, A., Gagliardi, L., Sanca, G. A., Golmar, F., Dell’Olio, F. (2024). On-Board Computer for CubeSats: State-of-the-Art and Future Trends. IEEE Access, 12, 99537–99569. https://doi.org/10.1109/access.2024.3428388
- Obied, M. A., Ghaleb, F. F. M., Hassanien, A. E., Abdelfattah, A. M. H., Zakaria, W. (2023). Deep Clustering-Based Anomaly Detection and Health Monitoring for Satellite Telemetry. Big Data and Cognitive Computing, 7 (1), 39. https://doi.org/10.3390/bdcc7010039
- Li, Z., Zhang, Y., Ai, J., Zhao, Y., Yu, Y., Dong, Y. (2023). A Lightweight and Explainable Data-Driven Scheme for Fault Detection of Aerospace Sensors. IEEE Transactions on Aerospace and Electronic Systems, 59 (6), 8392–8410. https://doi.org/10.1109/taes.2023.3303855
- Fejjari, A., Delavault, A., Camilleri, R., Valentino, G. (2025). A Review of Anomaly Detection in Spacecraft Telemetry Data. Applied Sciences, 15 (10), 5653. https://doi.org/10.3390/app15105653
- Xu, Z., Cheng, Z., Guo, B. (2023). A hybrid data-driven framework for satellite telemetry data anomaly detection. Acta Astronautica, 205, 281–294. https://doi.org/10.1016/j.actaastro.2023.02.009
- Nalepa, J., Myller, M., Andrzejewski, J., Benecki, P., Piechaczek, S., Kostrzewa, D. (2022). Evaluating algorithms for anomaly detection in satellite telemetry data. Acta Astronautica, 198, 689–701. https://doi.org/10.1016/j.actaastro.2022.06.026
- Hodge, V., Austin, J. (2004). A Survey of Outlier Detection Methodologies. Artificial Intelligence Review, 22 (2), 85–126. https://doi.org/10.1023/b:aire.0000045502.10941.a9
- Shon, T., Moon, J. (2007). A hybrid machine learning approach to network anomaly detection. Information Sciences, 177 (18), 3799–3821. https://doi.org/10.1016/j.ins.2007.03.025
- He, J., Cheng, Z., Guo, B. (2024). Anomaly detection in telemetry data using a jointly optimal one-class support vector machine with dictionary learning. Reliability Engineering & System Safety, 242, 109717. https://doi.org/10.1016/j.ress.2023.109717
- Hedayati, M., Rahimi, A. (2025). A hybrid framework for real-time satellite fault diagnosis using Markov jump-adjusted models and 1D sliding window Residual Networks. Acta Astronautica, 228, 1066–1087. https://doi.org/10.1016/j.actaastro.2024.12.057
- Crotti, E., Colagrossi, A. (2025). Machine Learning Approaches for Data-Driven Self-Diagnosis and Fault Detection in Spacecraft Systems. Applied Sciences, 15 (14), 7761. https://doi.org/10.3390/app15147761
- Lai, Y., Zhu, Y., Li, L., Lan, Q., Zuo, Y. (2025). STGLR: A Spacecraft Anomaly Detection Method Based on Spatio-Temporal Graph Learning. Sensors, 25 (2), 310. https://doi.org/10.3390/s25020310
- Liang, H., Liu, C., Liu, W., Li, W., Zhang, Y. (2025). Spacecraft Health Status Monitoring Method Based on Multidimensional Data Fusion. Machines, 13 (12), 1136. https://doi.org/10.3390/machines13121136
- Liu, M., Xia, Q., Qiu, S. (2024). A new data-driven framework for progressive anomaly event alerts in spacecraft based on reconstruction discrepancy. Advances in Space Research, 74 (11), 5890–5905. https://doi.org/10.1016/j.asr.2024.08.054
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Ainur Kuttybayeva, Samal Zhamalova, Anargul Boranbayeva, Zhansaya Myrzayeva, Gulnar Imasheva, Zhanat Kaskatayev, Yersain Chinibayev, Nurzhamal Ospanova, Mukhit Abdullayev, Kalmukhamed Tazhen
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
