Data-Driven fault detection and diagnostics for spacecrafts: a comparative study of classical and machine learning approaches

Ensuring the reliability and robustness of spacecraft systems remains a key challenge, particularly given the limited feasibility of continuous real-time monitoring during on-orbit operations. In the domain of Fault Detection, Isolation, and Recovery (FDIR), no universal strategy has yet emerged. Traditional approaches often rely on precise, model-based methods executed onboard. This thesis explores data-driven alternatives for self-diagnosis and fault detection, first through variance monitoring and thresholding, then by using Machine Learning techniques, always focusing on spacecraft Guidance, Navigation, and Control (GNC) subsystems. A high-fidelity functional engineering simulator is employed to generate realistic datasets from typical onboard signals, including sensor and actuator outputs. Fault scenarios are defined based on potential failures in these elements, guiding the data-driven feature extraction and labeling process. A threshold-based detection method is implemented as a benchmark algorithm for onboard fault detection. Then, supervised learning algorithms, including Support Vector Machines (SVMs) and Artificial Neural Networks (ANNs), are explored and narrowed down to a few sensible options, to be tested alongside the baseline algorithm. Critical comparative analysis across multiple failure conditions highlights the strengths and limitations of the proposed strategies. Results indicate that none of the two methods can entirely replace the other in all of its function: by using Machine Learning techniques as complementary tools to classical methods, robustness and higher-level self-diagnostic capabilities are far superior than with the single algorithms on their own. This synergy enables more autonomous and reliable fault management in spacecraft systems.

L'affidabilità e la sicurezza dei veicoli spaziali rimangono tutt'oggi una sfida fondamentale, soprattutto alla luce del difficile monitoraggio continuo in tempo reale, durante le operazioni in orbita. Nell'ambito del rilevamento, diagnosi e ripristino dei guasti (FDIR), non si è ancora affermata alcuna strategia universale. Gli approcci tradizionali spesso si basano sulla simulazione di modelli ad alta precisione, costantemente eseguiti a bordo. Questa tesi esplora alternative per l'autodiagnosi e il rilevamento dei guasti basate sull'analisi dei segnali in tempo reale, sia attraverso il monitoraggio della varianza e l'imposizione di soglie, sia utilizzando tecniche di Machine Learning, con entrambe le strategie focalizzate sul sottosistema di guida, navigazione e controllo (GNC) dei veicoli spaziali. Nell'ambito di questa ricerca, un satellite viene simulato tramite modellizzazione ad alta fedeltà, per generare set di dati realistici a partire da segnali di bordo tipici, quali misurazioni dei sensori e comandi degli attuatori. I possibili guasti vengono definiti in base ai difetti e alterazioni più comuni degli elementi monitorati, guidando il processo di caratterizzazione statistica. Un primo metodo di rilevamento basato sulla varianza viene implementato come riferimento per il rilevamento dei guasti a bordo del sottosistema. Successivamente, vengono esplorati algoritmi di apprendimento automatico, tra cui macchine a vettori di supporto (SVM) e reti neurali artificiali (ANN): alcuni di essi vengono selezionati per essere testati insieme all'algoritmo di base. Un'analisi comparativa critica su diverse condizioni di guasto evidenzia i punti di forza e i limiti delle strategie proposte. I risultati indicano che nessuno dei due metodi può completamente sostituire l'altro in ogni sua funzionalità: utilizzando le tecniche di apprendimento automatico in modo complementare ai metodi classici, la robustezza e le capacità di autodiagnosi sono di gran lunga superiori rispetto a qualunque algoritmo preso singolarmente. Questa sinergia consente una gestione dei guasti autosufficiente e più affidabile, nei sottosistemi dei veicoli spaziali.