Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia

Autores
Soligo, Pablo; Merkel, Germán; Icraclic, Jorge
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En este trabajo exploramos la posibilidad de encontrar anomalías automáticamente en telemetría satelital real. Comparamos dos técnicas de aprendizaje automático diferentes como alternativa al control de límites clásico. Intentamos evitar, en la medida de lo posible, la intervención de un experto, detectando anomalías que no se pueden encontrar con los métodos clásicos o que se desconocen de antemano. La mezcla gaussiana y Rolling Means se aplican en la telemetría del subsistema de potencia de un satélite órbita baja. Algunos valores de telemetría se modificaron artificialmente para generar un apagado en un panel solar para intentar lograr una detección temprana por contexto o por comparación. Finalmente, se presentan los resultados y la conclusión.
Workshop: WISS - Innovación en Sistemas de Software
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Satellites
Ground Segment
Platform
Telemetry
Machine learning
Data mining
Anomaly detection
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/130454

id SEDICI_e902c4094b3b7408c8a2374694ef9a53
oai_identifier_str oai:sedici.unlp.edu.ar:10915/130454
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potenciaSoligo, PabloMerkel, GermánIcraclic, JorgeCiencias InformáticasSatellitesGround SegmentPlatformTelemetryMachine learningData miningAnomaly detectionEn este trabajo exploramos la posibilidad de encontrar anomalías automáticamente en telemetría satelital real. Comparamos dos técnicas de aprendizaje automático diferentes como alternativa al control de límites clásico. Intentamos evitar, en la medida de lo posible, la intervención de un experto, detectando anomalías que no se pueden encontrar con los métodos clásicos o que se desconocen de antemano. La mezcla gaussiana y Rolling Means se aplican en la telemetría del subsistema de potencia de un satélite órbita baja. Algunos valores de telemetría se modificaron artificialmente para generar un apagado en un panel solar para intentar lograr una detección temprana por contexto o por comparación. Finalmente, se presentan los resultados y la conclusión.Workshop: WISS - Innovación en Sistemas de SoftwareRed de Universidades con Carreras en Informática2021-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf594-603http://sedici.unlp.edu.ar/handle/10915/130454spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-633-574-4info:eu-repo/semantics/reference/hdl/10915/129809info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:32:51Zoai:sedici.unlp.edu.ar:10915/130454Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:32:51.815SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia
title Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia
spellingShingle Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia
Soligo, Pablo
Ciencias Informáticas
Satellites
Ground Segment
Platform
Telemetry
Machine learning
Data mining
Anomaly detection
title_short Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia
title_full Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia
title_fullStr Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia
title_full_unstemmed Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia
title_sort Detección de anomalías en segmento terreno satelital aplicando modelo de mezcla gaussiana y rolling means al subsistema de potencia
dc.creator.none.fl_str_mv Soligo, Pablo
Merkel, Germán
Icraclic, Jorge
author Soligo, Pablo
author_facet Soligo, Pablo
Merkel, Germán
Icraclic, Jorge
author_role author
author2 Merkel, Germán
Icraclic, Jorge
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Satellites
Ground Segment
Platform
Telemetry
Machine learning
Data mining
Anomaly detection
topic Ciencias Informáticas
Satellites
Ground Segment
Platform
Telemetry
Machine learning
Data mining
Anomaly detection
dc.description.none.fl_txt_mv En este trabajo exploramos la posibilidad de encontrar anomalías automáticamente en telemetría satelital real. Comparamos dos técnicas de aprendizaje automático diferentes como alternativa al control de límites clásico. Intentamos evitar, en la medida de lo posible, la intervención de un experto, detectando anomalías que no se pueden encontrar con los métodos clásicos o que se desconocen de antemano. La mezcla gaussiana y Rolling Means se aplican en la telemetría del subsistema de potencia de un satélite órbita baja. Algunos valores de telemetría se modificaron artificialmente para generar un apagado en un panel solar para intentar lograr una detección temprana por contexto o por comparación. Finalmente, se presentan los resultados y la conclusión.
Workshop: WISS - Innovación en Sistemas de Software
Red de Universidades con Carreras en Informática
description En este trabajo exploramos la posibilidad de encontrar anomalías automáticamente en telemetría satelital real. Comparamos dos técnicas de aprendizaje automático diferentes como alternativa al control de límites clásico. Intentamos evitar, en la medida de lo posible, la intervención de un experto, detectando anomalías que no se pueden encontrar con los métodos clásicos o que se desconocen de antemano. La mezcla gaussiana y Rolling Means se aplican en la telemetría del subsistema de potencia de un satélite órbita baja. Algunos valores de telemetría se modificaron artificialmente para generar un apagado en un panel solar para intentar lograr una detección temprana por contexto o por comparación. Finalmente, se presentan los resultados y la conclusión.
publishDate 2021
dc.date.none.fl_str_mv 2021-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/130454
url http://sedici.unlp.edu.ar/handle/10915/130454
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-633-574-4
info:eu-repo/semantics/reference/hdl/10915/129809
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
594-603
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616207534129152
score 13.070432