Enhancing spacecraft autonomous operations via machine learning. Application of support vector machines to solar generator fault detection and space traffic management

The definition of on-board autonomy as from the European ECSS Space Segment Operability Standard recites: "On-board autonomy management addresses all aspects of on-board autonomous functions that provide the space segment with the capability to continue mission operations and to survive critical situations without relying on ground segment intervention". Environment with high uncertainty, limited on-board resources, limited communications, criticality are all factors that influence the level of autonomy. On the other hand, modern days have seen the rise in popularity of Machine Learning algorithms, but their decision-making effectiveness is not yet extensively studied in the space domain. The present thesis explores the applicability of Machine Learning models, specifically Support Vector Machines (SVM), in two different cases. Failure detection and identification is an issue that must be efficiently tackled during the operational lifetime of spacecraft. Many of them provide an abundance of system status telemetry that is monitored in real time by ground personnel and archived to allow for further analysis. Recent developments in data mining and machine learning for anomaly detection make it possible to use the wealth of archived system data to produce sophisticated system health monitoring applications, that can run autonomously on-board spacecraft. Archived data, as well as data produced with dedicated numerical simulations, are used to train intelligent systems to automatically detect anomalous time series of the produced telemetry, recognize their possible correlation to a system failure, and classify the failure. The test case is the monitoring of Rosetta’s lander Philae solar power generator. A complete model of both the cometary environment and the solar panels has been developed, in order to simulate the real telemetry. The training data, generated for nominal and faulty cases, are then used to train an SVM-based classifier, with the goal of classifying permanent (broken solar cells) and temporary (partial shading) power loss conditions. The telemetry obtained during simulated cometary days, either entirely nominal or including anomalies, is then fed to the classifier to test its performance and to identify the minimum number of measurements that is necessary for a successful classification of the failures of interest. The second application revolves around joining the broad topic of Space Traffic Management (STM) with Machine Learning. Starting from a literature review of the needs and criticalities in the STM domain, and taking inspiration from existing applications in the Aeronautic sector, an approach to spacecraft collision warning is proposed and simulated.

La definizione di autonomia di bordo, come da ECSS Space Segment Operability Standard, recita: "Con gestione autonoma di bordo si intende ogni aspetto delle funzioni che permettono al satellite di proseguire nella missione e sopravvivere a situazioni critiche senza appoggiarsi alla stazione di terra". Ambiente operativo sconosciuto, risorse hardware limitate, finestre di comunicazione incerte sono tutti fattori che influenzano il livello di autonomia. D'altra parte, si è potuto recentemente notare un crescente interesse nei confronti del Machine Learning, ma la loro efficacia in compiti decisionali non è stata appieno esplorata nel settore spaziale. Questa tesi esplora quindi l'applicabilità di tali modelli, nello specifico Support Vector Machines (SVM), in due casi differenti. La pronta identificazione di un guasto a bordo di un satellite è un problema di primaria importanza. Gran parte di essi produce inoltre in abbondanza telemetria che viene monitorata dal personale nelle stazione di terra ed archiviata per analisi successive. I recenti sviluppi nei campi del Data Mining e Machine Learning per identificazione di anomalie rendono possibile usare il gran numero di informazioni per creare sofisticati modelli di monitoraggio dello stato operativo, i quali possono essere eseguiti direttamente a bordo. La telemetria archiviata, o generata tramite apposite simulazioni, può quindi essere utilizzata per addestrare sistemi intelligenti che possano individuare anomalie e possibilmente correrarle con il guasto relativo. Il sistema fotovoltaico di Philae, lander del satellite Rosetta, viene considerato come caso applicativo. In modo da simulare la telemetria reale, è stato sviluppato un modello completo dell'ambiente operativo e dei pannelli solari. I dati di training, generati per condizioni nominali e non, sono quindi usati per addestrare un modello SVM, con lo scopo di classificare ipotetiche situazione di perdita di potenza permanente (cella solare non funzionante) o temporanea (ombreggiamento parziale). In questo modo è possibile anche identificare il numero minimo di misure necessario allo scopo e verificare se la telemetria originale di Philae rispetti tale requisito. La seconda applicazione riguarda il connubio tra Machine Learning ed il sempre più attuale problema dello Space Traffic Management (STM). Partendo da un'analisi di bisogni e criticità nell' ambito dello STM e tracciando un parallelo con il mondo aeronautico, viene proposto un innovativo approccio allo Spacecraft Collision Warning.