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
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/130454
Ver los metadatos del registro completo
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 |