Multivariate time-series forecasting of ASTRI-Horn monitoring data: A Normal Behavior Model

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Predicción de series temporales multivariantes de datos de monitoreo ASTRI-Horn: Un Modelo de Comportamiento Normal

1. Planteamiento del Problema

Los observatorios astrofísicos modernos, como el telescopio Cherenkov ASTRI-Horn, son sistemas complejos donde las fallas inesperadas pueden reducir significativamente el tiempo de observación y aumentar los costos de mantenimiento. Las estrategias tradicionales de mantenimiento (preventivo o correctivo) a menudo son ineficientes o reactivas.

• Desafío específico: La detección temprana de anomalías en ASTRI-Horn es difícil porque los fallos históricos (como oxidación por agua o desgaste de encoders) no mostraron patrones de degradación gradual claros en las series temporales, y la escasez de datos de fallos impide el uso de aprendizaje supervisado estándar.
• Objetivo: Desarrollar un sistema capaz de predecir el comportamiento "normal" de los sensores del telescopio para identificar desviaciones estadísticamente significativas que indiquen anomalías incipientes, facilitando así el mantenimiento predictivo (PdM).

2. Metodología

El estudio propone un Modelo de Comportamiento Normal (NBM) basado en el aprendizaje profundo, diseñado para replicar las series temporales de monitoreo bajo condiciones de operación normales (NOC).

• Datos: Se utilizaron datos de la Unidad de Control del Telescopio (TCU) desde septiembre de 2022 hasta julio de 2024.
  • Variables: Se seleccionaron 15 características físicas relacionadas con los motores de Azimut y Elevación (posición, velocidad, corriente, temperatura, voltaje, par).
  • Preprocesamiento:
    • Resampling a intervalos uniformes de 1 minuto.
    • Filtrado de intervalos inactivos (se mantuvieron solo los periodos donde los motores estaban activos).
    • Eliminación de características redundantes mediante análisis de correlación (se eliminaron los pares de par/corriente debido a su alta correlación, $r > 0.99$).
    • Normalización Z-score y tratamiento de valores atípicos mediante interpolación.
• Arquitectura del Modelo:
  • Se empleó una Red Neuronal de Perceptrón Multicapa (MLP) para la predicción multivariada simultánea.
  • Entrada/Salida: Se utilizó una técnica de ventana deslizante. Una ventana de longitud $W$ se divide en $I$ muestras de entrada y $T$ muestras objetivo a predecir ($W = I + T$).
  • Configuración óptima: 4 capas ocultas con 720 unidades cada una, utilizando funciones de activación ReLU y el optimizador Adam.
  • Entrenamiento: Se entrenó durante 112 épocas (detenido tempranamente para evitar sobreajuste) con un tamaño de lote de 256.
• Comparativa: El modelo MLP se comparó con una red LSTM (Long Short-Term Memory) para evaluar la capacidad de capturar dependencias temporales a largo plazo.

3. Contribuciones Clave

• Desarrollo de un NBM específico para ASTRI-Horn: Primera implementación de un modelo de comportamiento normal basado en redes neuronales para la monitorización de este telescopio prototipo.
• Validación de MLP frente a LSTM: Demostración de que, para este conjunto de datos y horizontes de predicción, las MLPs pueden igualar o superar el rendimiento de las LSTMs con una convergencia 10 veces más rápida, lo que las hace computacionalmente más eficientes.
• Estrategia de detección de anomalías: Propuesta de un sistema basado en residuos (diferencia entre valor observado y predicho) y puntuaciones de anomalía normalizadas para activar alertas tempranas.
• Análisis de horizontes de predicción: Evaluación exhaustiva de la capacidad del modelo para predecir tendencias a escala horaria (hasta 6.5 horas).

4. Resultados

• Rendimiento General: El modelo alcanzó un Error Cuadrático Medio (MSE) de 0.019 ± 0.003 y una Desviación Absoluta Mediana Normalizada (NMAD) de 0.032 ± 0.009 en el conjunto de prueba.
• Horizonte de Predicción: El modelo mantuvo un rendimiento robusto al extender el horizonte de predicción hasta 6.5 horas (390 muestras), sin degradación significativa, confirmando su utilidad para la predicción a escala horaria.
• Comparativa MLP vs. LSTM:
  • Para ventanas pequeñas ($W=60$), las LSTM superaron a las MLP.
  • Para ventanas grandes ($W=360$ y $I=300$), las MLP igualaron o superaron ligeramente a las LSTM, convergiendo mucho más rápido.
• Análisis por Característica:
  • Las variables de velocidad y corriente mostraron errores puntuales altos (picos) pero un NMAD bajo, indicando buena captura de la tendencia general.
  • Las variables de temperatura y voltaje mostraron errores más uniformes.
  • El modelo tuvo dificultades predecir estados estacionarios perfectos (prediciendo movimiento cuando el telescopio estaba quieto) y picos agudos, pero esto no compromete la detección de tendencias a largo plazo.

5. Significado e Impacto

• Habilitador de Mantenimiento Predictivo: El modelo proporciona una base sólida para un sistema de Gestión de Salud y Prognóstico (PHM), permitiendo anticipar fallos antes de que ocurran, lo cual es crucial para telescopios en ubicaciones remotas donde el tiempo de reparación (MTTR) es largo.
• Escalabilidad: Aunque desarrollado para ASTRI-Horn, la metodología es adaptable a otros telescopios Cherenkov (como la Mini-Array de ASTRI o los telescopios de tamaño pequeño del CTAO) y otras infraestructuras astronómicas.
• Eficiencia Operativa: Al reducir el tiempo de inactividad no planificado, el modelo contribuye directamente a maximizar el tiempo de observación científica y la adquisición de datos.
• Futuro: El trabajo sienta las bases para futuras investigaciones que incluyan datos de fallos reales (o sintéticos) para refinar la detección de anomalías y explorar arquitecturas más complejas (como Transformers) o paradigmas de aprendizaje en línea.

En resumen, este estudio demuestra que un modelo de comportamiento normal basado en MLP es una herramienta potente, eficiente y efectiva para la monitorización de salud de telescopios complejos, capaz de predecir el comportamiento futuro con suficiente antelación para permitir intervenciones de mantenimiento proactivas.