El proceso de desorbitación, descenso y aterrizaje de naves espaciales en la Luna demanda un control y monitoreo minuciosos de la dinámica del vehículo. En este contexto, la detección de anomalías se convierte en un elemento esencial, ya que tiene la capacidad de identificar situaciones que podrían reflejar comportamientos significativos del sistema. Este tipo de análisis permite reconocer estados críticos que requieren atención, ayudando así a mitigar fallos en los sistemas, mejorar el diseño ingenieril y optimizar la planificación de misiones.
Con el aumento en la complejidad y frecuencia de las misiones espaciales, se ha registrado un crecimiento exponencial en el volumen de datos de telemetría generados. Ante esta situación, las metodologías para analizar los datos en busca de anomalías deben adaptarse eficazmente, sin perder de vista desviaciones sutiles pero importantes en el comportamiento del vehículo. En este sentido, Amazon Web Services (AWS) ha presentado soluciones robustas de inteligencia artificial y aprendizaje automático a través de Amazon SageMaker, cumpliendo así con estos requerimientos.
Recientemente, se llevó a cabo un análisis utilizando el algoritmo Random Cut Forest (RCF) para detectar anomalías en los datos de posición, velocidad y orientación cuaternión de una demostración de sensores diseñados para las fases de desorbitación, descenso y aterrizaje lunar implementados por NASA y Blue Origin. El proceso comienza con la limpieza y procesamiento de datos, garantizando que la información de entrada sea de calidad para un análisis efectivo. SageMaker AI se utiliza para entrenar un modelo RCF, específicamente creado para identificar anomalías en datos complejos relacionados con la dinámica de las naves espaciales. Además, se incorpora un procesamiento por lotes para gestionar eficientemente la considerable cantidad de información de telemetría.
Una vez que el modelo está entrenado y las anomalías son detectadas, esta metodología genera potentes capacidades de visualización que resaltan los resultados, facilitando así su interpretación. El almacenamiento y recuperación de datos se efectúan mediante Amazon Simple Storage Service (S3), lo que brinda una gestión eficaz de costos en las instancias de SageMaker AI.
Los sistemas de detección de anomalías representan un enfoque efectivo para el análisis en el ámbito de las naves espaciales. La integración de datos sobre posición, velocidad y orientación cuaternión ofrece una perspectiva integral del estado dinámico del vehículo durante las fases críticas. Esta información resulta esencial para la planificación de misiones, el monitoreo en tiempo real, la verificación de seguridad y la evaluación del rendimiento del sistema.
El algoritmo Random Cut Forest, que opera de manera no supervisada, se especializa en detectar anomalías en datos multidimensionales, construyendo múltiples árboles de decisión a través de la segmentación del espacio de datos con hipersuperficies aleatorias. Esta técnica permite asignar puntajes a puntos de datos en función de cuántas divisiones son necesarias para aislar cada uno. Puntajes más altos indican una mayor probabilidad de anomalías. En el presente análisis, el RCF se ha aplicado a vectores de diez dimensiones que combinan los datos de posición, velocidad y orientación cuaternión, demostrando su efectividad al detectar desviaciones dentro de la dinámica de la nave.
