Sintesi Tecnica: Diagnosi dei Guasti per Satelliti Multi-Sottosistema con Residuo del Digital Twin

1. Definizione del Problema

La diagnosi dei guasti per i satelliti multi-sottosistema è essenziale per la costruzione di architetture spaziali resilienti, tuttavia gli attuali metodi diagnostici basati sul Digital Twin (DT) affrontano due limitazioni primarie:

1. Modellazione Insufficiente dell'Accoppiamento tra Sottosistemi: I modelli DT esistenti spesso non riescono a catturare adeguatamente gli scambi complessi di grandezze fisiche e le mutue influenze tra i diversi sottosistemi del satellite (ad esempio, Controllo Assetto e Orbita, Potenza e Controllo Termico). Questa mancanza di una modellazione completa dell'accoppiamento ostacola la simulazione accurata della propagazione dei guasti attraverso il sistema.
2. Difficoltà nel Gestire Caratteristiche di Dati Complesse: I dati di guasto dei satelliti contengono una miscela di caratteristiche operative (comportamenti normali come le manovre di assetto) e caratteristiche di guasto (schemi anormali). Gli attuali metodi addestrano le Reti Neurali Profonde (DNN) su dati di guasto grezzi o dati pre-elaborati da esperti, il che porta a colli di bottiglia nelle prestazioni poiché le reti faticano a isolare specifiche caratteristiche di guasto dal complesso sfondo operativo. Inoltre, la scarsità di dati rimane una sfida, poiché gli esperimenti fisici sui guasti sono proibitivi in termini di costi.

2. Metodologia

Il documento propone un metodo di diagnosi dei guasti guidato dal Residuo del Digital Twin (DTR), implementato attraverso un framework in cinque fasi:

A. Modellazione del Digital Twin Multi-Sottosistema

Viene costruito un modello di satellite unificato per simulare le relazioni di accoppiamento tra sette sottosistemi primari: Controllo Assetto e Orbita (AOCS), Potenza, Controllo Termico, Propulsione, Telemetria e Comando (TTC), Strutturale e Payload.

• Meccanismo di Accoppiamento: Il modello calcola esplicitamente gli scambi di grandezze fisiche. Ad esempio, la coppia di una ruota di reazione (AOCS) è accoppiata al sottosistema di potenza tramite la tensione di ingresso e al sottosistema termico tramite le variazioni di temperatura indotte dall'attrito. Allo stesso modo, la produzione di energia delle ali solari è accoppiata alla posizione orbitale e agli angoli di assetto.
• Interazione Virtuale-Fisica: Per garantire che il modello DT rifletta lo stato effettivo del satellite (dovuto all'invecchiamento o al degrado), viene impiegato un metodo di Minimi Quadrati Non Lineari (NLS). Questo aggiorna iterativamente le variabili di stato iniziali del modello utilizzando dati di telemetria reali dal satellite Ladybird-1, minimizzando l'Errore Quadratico Medio (RMSE) tra la simulazione e la telemetria.

B. Costruzione dei Dati Residui

Invece di utilizzare dati di stato di guasto grezzi, il metodo genera dati residui.

• Processo: Il modello DT simula sia gli stati normali che quelli di guasto sotto varie condizioni operative. I residui sono calcolati come la differenza tra i dati dello stato normale simulato e i dati dello stato di guasto simulato ($y_{residual} = y_{fault} - y_{normal}$).
• Razionale: Questo processo decoppia le caratteristiche operative (presenti in entrambi gli stati) dalle caratteristiche di guasto. I dati residui isolano le firme del guasto, rendendole più distinte e riducendo la complessità delle caratteristiche.

C. Diagnosi dei Guasti tramite DTR-TCN

Una Rete Convoluzionale Temporale (TCN) viene addestrata sul dataset di residui costruito.

• Architettura: La rete include uno strato convoluzionale, blocchi TCN impilati (che utilizzano convoluzioni causali dilatate per catturare dipendenze a lungo termine), uno strato di max pooling adattivo e uno strato completamente connesso.
• Addestramento: La rete è addestrata per mappare i campioni residui su specifiche categorie di guasto (49 scenari in totale, inclusi 48 tipi di guasto e 1 stato normale) minimizzando la perdita di entropia incrociata (cross-entropy loss).

3. Contributi Chiave

1. Framework Metodologico per il DT Multi-Sottosistema: Il documento propone un framework che integra le relazioni di accoppiamento tra sottosistemi in un modello unificato. Chiarisce il meccanismo di accoppiamento attraverso lo scambio di grandezze fisiche e supporta l'interazione virtuale-fisica tramite l'aggiornamento del modello basato su NLS, consentendo la simulazione di variazioni di parametri accoppiati in scenari di guasto.
2. Metodo Diagnostico del Residuo del Digital Twin (DTR): Lo studio introduce un metodo che trasforma i dati di guasto grezzi in dati residui per decoppiare le caratteristiche operative da quelle di guasto. Questo approccio migliora la capacità diagnostica delle DNN fornendo dati di input in cui le caratteristiche di guasto sono significativamente più prominenti.
3. Validazione su un Dataset Multi-Sottosistema: Il metodo è validato su un dataset contenente 49 scenari di guasto derivati dal satellite Ladybird-1, dimostrando prestazioni superiori rispetto ai metodi DT-driven e ai classici metodi di deep learning esistenti.

4. Risultati Sperimentali

Il DTR-TCN proposto è stato valutato contro diversi metodi esistenti (CNN, DCBA, DRSN, BLC-CNN e LSTM) utilizzando un dataset di 4.900 campioni (49 scenari × 100 campioni).

• Visualizzazione delle Caratteristiche: La visualizzazione t-SNE ha rivelato che i dati di guasto grezzi esibivano una distribuzione altamente mista con bassa discriminabilità. Al contrario, i dati residui hanno mostrato chiare tendenze di clustering con una migliore separazione tra i diversi scenari di guasto.
• Prestazioni Diagnostiche:
  • Accuratezza: Il DTR-TCN ha raggiunto un tasso di accuratezza del 96,02% e un F1-score del 95,91%.
  • Tassi di Errore: Il metodo ha ottenuto lo 0,00% sia per il Tasso di Falsi Allarmi che per il Tasso di Falsi Negativi, superando tutti i metodi di confronto che esibivano errori non nulli in una o entrambe le categorie.
  • Confronto: Rispetto al metodo DCBA, il DTR-TCN ha migliorato l'accuratezza del 2,95% e l'F1-score del 3,21%.
• Efficienza Computazionale: Il DTR-TCN ha dimostrato un'elevata efficienza con 61.041 parametri, un tempo di addestramento medio di 1,78 secondi per epoca e un tempo di inferenza di 0,34 ms per batch. Ciò soddisfa i requisiti ingegneristici in tempo reale, poiché il tempo di inferenza è significativamente più breve degli intervalli tipici di campionamento della telemetria.

5. Significato e Rivendicazioni

Il documento afferma che il metodo DTR proposto offre una soluzione robusta per la diagnosi dei guasti satellitari guidata dal DT, affrontando le sfide critiche dell'accoppiamento tra sottosistemi e della complessità delle caratteristiche dei dati.

• Resilienza: Consentendo una diagnosi accurata attraverso molteplici sottosistemi accoppiati, il metodo contribuisce alla resilienza delle architetture spaziali, garantendo un servizio continuo anche in condizioni di guasto.
• Efficienza dei Dati: L'approccio sfrutta il modello DT per generare dati di guasto a costi contenuti, superando la scarsità di misurazioni di guasto nel mondo reale.
• Affidabilità: L'eliminazione dei falsi allarmi e dei falsi negativi nella validazione sperimentale suggerisce un'alta affidabilità per l'implementazione pratica, riducendo la necessità di verifica manuale da parte degli operatori durante le operazioni normali di lunga durata.

Gli autori concludono che questo studio fornisce un riferimento per la futura diagnosi dei guasti satellitari guidata dal DT, con lavori futuri pianificati per affrontare guasti sconosciuti/compositi e applicazioni diagnostiche cross-platform.