KR102434973B1 - 우주탐사장비의 이상 검출 방법 - Google Patents

우주탐사장비의 이상 검출 방법 Download PDF

Info

Publication number
KR102434973B1
KR102434973B1 KR1020200147461A KR20200147461A KR102434973B1 KR 102434973 B1 KR102434973 B1 KR 102434973B1 KR 1020200147461 A KR1020200147461 A KR 1020200147461A KR 20200147461 A KR20200147461 A KR 20200147461A KR 102434973 B1 KR102434973 B1 KR 102434973B1
Authority
KR
South Korea
Prior art keywords
space exploration
learning model
exploration equipment
mode
value
Prior art date
Application number
KR1020200147461A
Other languages
English (en)
Other versions
KR20220061459A (ko
Inventor
안효정
Original Assignee
한국항공우주연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국항공우주연구원 filed Critical 한국항공우주연구원
Priority to KR1020200147461A priority Critical patent/KR102434973B1/ko
Publication of KR20220061459A publication Critical patent/KR20220061459A/ko
Application granted granted Critical
Publication of KR102434973B1 publication Critical patent/KR102434973B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G3/00—Observing or tracking cosmonautic vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G1/00—Cosmonautic vehicles
    • B64G1/10—Artificial satellites; Systems of such satellites; Interplanetary vehicles
    • B64G1/105—Space science
    • B64G1/1064—Space science specifically adapted for interplanetary, solar or interstellar exploration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B64G2001/1064—
    • B64G2700/00—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

다양한 실시예들에 따라서 우주탐사장비의 이상 검출 방법이 제공된다. 우주탐사장비의 이상 검출 방법은 컴퓨팅 장치에 의해 수행되며, 우주탐사장비로부터 텔레메트리 데이터를 주기적으로 수신하는 단계, 상기 우주탐사장비의 동작 모드를 결정하는 단계, 복수의 학습 모델들 중에서 상기 동작 모드에 대응하는 학습 모델을 선택하는 단계, 상기 선택된 학습 모델에 따라 상기 텔레메트리 데이터를 전처리하여, 시계열 센싱 데이터를 생성하는 단계, 상기 시계열 센싱 데이터를 상기 선택된 학습 모델에 입력하고, 상기 학습 모델의 출력 값을 수신하는 단계, 및 상기 학습 모델의 출력 값을 기초로 상기 우주탐사장비의 이상 여부를 결정하는 단계를 포함한다.

Description

우주탐사장비의 이상 검출 방법{Method for detecting anomaly in space exploration device}
본 발명은 우주탐사장비의 이상 검출 방법에 관한 것으로서, 더욱 자세하게는 심층신경망을 이용하여 우주탐사장비로부터 주기적으로 수신되는 텔레메트리 데이터로부터 우주탐사장비의 이상 여부를 검출하는 방법에 관한 것이다.
원격 측정법(telemetry)은 관측 대상으로부터 이격된 지점에서 다양한 관측을 수행하고 그 데이터를 취득하는 기술로서, 관측 지점에 상주하기에 물리적, 경제적, 또는 안전에 문제가 있거나, 관측 대상이 이동하는 경우에 주로 사용된다. 예를 들면 달이나 화성과 같은 우주를 탐사하는 임무를 갖는 우주탐사장비는 텔레메트리 데이터에 자신의 상태 정보를 실어서 지구로 전송할 수 있다.
텔레메트리 데이터에 포함된 정보의 종류가 매우 많기 때문에 텔레메트리 데이터를 분석하기 위해서는 다양한 전문지식을 가진 인원들이 투입되어야 하며, 특히 정보의 경향성을 파악하기 위해서 높은 수준의 전문 지식이 요구된다. 종래에는 텔레메트리 데이터 각각에 대하여 문턱 값을 지정하고, 문턱 값을 벗어날 경우 해당 텔레메트리 데이터에 대하여 알람을 발생시켰다. 그러나, 위성은 다양한 환경에서 다양한 작업을 수행하기 때문에 수 많은 동작 상태가 존재한다. 그런데, 하나의 문턱 값을 사용할 경우 다양한 동작 상태 각각에 대해 문턱 값을 최적화하기 어렵고, 단지 최악의 경우를 가정한 문턱 값으로 할당할 수 밖에 없다. 뿐만 아니라, 실제 값이 문턱 값을 벗어나지 않더라도 이상 동작이 발생했을 수 있다.
게다가, 텔레메트리 데이터 각각에 대해 전문 지식을 가지고 개별적인 문턱 값 또는 규칙이 정의되므로, 다른 위성 또는 시스템으로 확장될 수 없고, 위성마다 개별적으로 문턱 값 또는 규칙이 결정되어야 한다.
본 발명이 해결하고자 하는 과제는 심층신경망을 이용하여 우주탐사장비로부터 주기적으로 수신되는 텔레메트리 데이터로부터 우주탐사장비의 이상을 검출하는 방법을 제공하는 것이다.
상술한 기술적 과제들을 달성하기 위한 기술적 수단으로서, 본 발명의 일 측면에 따른 컴퓨팅 장치에 의해 수행되는 우주탐사장비의 이상 검출 방법은 우주탐사장비로부터 텔레메트리 데이터를 주기적으로 수신하는 단계, 상기 우주탐사장비의 동작 모드를 결정하는 단계, 복수의 학습 모델들 중에서 상기 동작 모드에 대응하는 학습 모델을 선택하는 단계, 상기 선택된 학습 모델에 따라 상기 텔레메트리 데이터를 전처리하여, 시계열 센싱 데이터를 생성하는 단계, 상기 시계열 센싱 데이터를 상기 선택된 학습 모델에 입력하고, 상기 학습 모델의 출력 값을 수신하는 단계, 및 상기 학습 모델의 출력 값을 기초로 상기 우주탐사장비의 이상 여부를 결정하는 단계를 포함한다.
일 예에 따르면, 상기 우주탐사장비의 동작 모드는 미리 설정된 복수의 동작 모드들 중에서 상기 텔레메트리 데이터를 기초로 결정될 수 있다.
다른 예에 따르면, 상기 우주탐사장비의 이상 검출 방법은 상기 우주탐사장비의 스케줄 정보를 수신하는 단계를 더 포함할 수 있다. 상기 우주탐사장비의 동작 모드는 상기 스케줄 정보를 기초로 결정될 수 있다.
또 다른 예에 따르면, 상기 스케줄 정보는 미리 설정된 복수의 시나리오들의 정보를 포함할 수 있다. 상기 복수의 시나리오들 각각은 미리 설정된 복수의 동작 모드들 중에서 선택되는 적어도 하나의 동작 모드들로 구성될 수 있다.
또 다른 예에 따르면, 상기 복수의 동작 모드들은 궤도 제어 모드, 타겟 지향 모드, 태양 지향 모드, 휠 오프 로딩(wheel off loading) 모드, 및 안전 모드를 포함할 수 있다. 상기 복수의 학습 모델들은 상기 복수의 동작 모드들에 각각 대응할 수 있다.
또 다른 예에 따르면, 상기 시계열 센싱 데이터는 별 센서의 3축 자세 값, 자이로스코프의 각속도 값, 2차원 태양 센서의 2차원 자세 값, 및 리액션 휠의 토크 값 중 적어도 하나를 포함할 수 있다.
또 다른 예에 따르면, 상기 학습 모델은 VAE(Variational AutoEncoder) 기반의 심층신경망을 포함할 수 있다.
또 다른 예에 따르면, 상기 학습 모델은 GANomaly 기반의 심층신경망을 포함할 수 있다.
또 다른 예에 따르면, 상기 학습 모델의 출력 값을 미리 설정된 기준치와 비교하여, 상기 우주탐사장비의 이상 여부를 실시간으로 결정하는 단계를 더 포함할 수 있다.
상술한 기술적 과제들을 달성하기 위한 기술적 수단으로서, 본 발명의 일 측면에 따른 컴퓨터 프로그램은 컴퓨팅 장치를 이용하여 전술한 우주탐사장비의 이상 검출 방법을 실행시키기 위하여 매체에 저장된다.
본 발명의 일 실시예에 따르면, 우주탐사장비로부터 전송되는 텔레메트리 데이터를 분석할 전문가의 도움 없이 심층신경망을 이용하여 텔레메트리 데이터로부터 우주탐사장비의 이상 여부를 신속하게 검출할 수 있다.
도 1은 본 발명에 따른 위성 시스템을 간략하게 도시한다.
도 2는 본 발명에 따른 컴퓨팅 장치의 내부 구성을 간략하게 도시한다.
도 3은 일 실시예에 따른 우주탐사장비의 이상 검출 방법을 수행하는 제어부의 구성을 도시한다.
도 4는 일 실시예에 따른 우주탐사장비의 이상 검출 방법을 설명하는 순서도를 도시한다.
도 5는 일 실시예에 따라 학습 모델을 구현하는 VAE(Variational AutoEncoder) 기반의 심층신경망의 개략적인 구조를 도시한다.
도 6은 일 실시예에 따라 학습 모델을 구현하는 GANomaly 기반의 심층신경망의 개략적인 구조를 도시한다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 다양한 실시예들을 상세히 설명한다. 그러나 본 개시의 기술적 사상은 다양한 형태로 변형되어 구현될 수 있으므로 본 명세서에서 설명하는 실시예들로 제한되지 않는다. 본 명세서에 개시된 실시예들을 설명함에 있어서 관련된 공지 기술을 구체적으로 설명하는 것이 본 개시의 기술적 사상의 요지를 흐릴 수 있다고 판단되는 경우 그 공지 기술에 대한 구체적인 설명을 생략한다. 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 명세서에서 어떤 요소가 다른 요소와 "연결"되어 있다고 기술될 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라 그 중간에 다른 요소를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 어떤 요소가 다른 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 요소 외에 또 다른 요소를 배제하는 것이 아니라 또 다른 요소를 더 포함할 수 있는 것을 의미한다.
일부 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 설명될 수 있다. 이러한 기능 블록들의 일부 또는 전부는 특정 기능을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 본 개시의 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 본 개시의 기능 블록이 수행하는 기능은 복수의 기능 블록에 의해 수행되거나, 본 개시에서 복수의 기능 블록이 수행하는 기능들은 하나의 기능 블록에 의해 수행될 수도 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다.
도 1은 본 발명에 따른 우주탐사장비 시스템을 간략하게 도시한다.
도 1을 참조하면, 우주탐사장비(10)은 지구에서 발사되어 미리 설정된 궤도를 따라 비행하면서 우주를 탐사하는 임무를 수행할 수 있다. 우주탐사장비(10)은 예컨대 달 탐사 임무를 수행하는 달 탐사선, 화성 탐사 임무를 수행하는 화성 탐사선 등일 수 있다. 우주탐사장비(10)이 지구로부터 발사된 후에는 사람이 직접 우주탐사장비(10)의 상태를 점검하거나 고장을 수리하는 것이 거의 불가능하다. 우주탐사장비(10)은 자신의 상태를 주기적으로 모니터링하고, 이를 텔레메트리 데이터(TD)의 형태로 지구의 지상국(20)에 전송한다. 지상국(20)에 있는 전문가는 텔레메트리 데이터(TD)를 분석하여 우주탐사장비(10)의 상태를 파악하고 필요한 조치를 취할 수 있다.
우주탐사장비(10)은 지상국(20)에 텔레메트리 데이터(TD)를 주기적으로 송신한다. 텔레메트리 데이터(TD)는 수 초마다 전송될 수 있다. 그러나, 우주탐사장비(10)은 비행 궤도 또는 수행하고 있는 임무에 따라 지구의 지상국(20)과 항상 통신할 수 있는 것이 아니며, 통신이 가능한 시간이 정해져 있을 수 있다. 수 시간 내지 수 일 동안 통신이 불가능할 수도 있으며, 통신이 가능한 시간도 수 분에 불과할 수도 있다.
우주탐사장비(10)은 우주탐사장비(10)의 다양한 파라미터들 각각을 모니터링한 데이터를 대용량 메모리에 저장하고, 지상국(20)과 통신할 수 있을 때 대용량 메모리에 저장된 데이터를 텔레메트리 데이터(TD)로서 지상국(20)에 전송할 수 있다. 본 명세서에서, 텔레메트리 데이터(TD)는 우주탐사장비(10)이 지상국(20)과 통신 가능할 때 전송하는 대용량의 원시(original) 데이터를 의미한다. 텔레메트리 데이터(TD)는 모든 종류의 파라미터들에 대한 주기적으로 측정된 데이터 값들을 포함한다.
텔레메트리 데이터(TD)에는 우주탐사장비(10)에 대한 모든 정보가 포함될 수 있다. 예를 들면, 텔레메트리 데이터(TD)는 우주탐사장비(10)의 위치, 이동 속도, 포즈(지향 방향), 프로세서의 동작 상태, 프로세서 온도, 수행하고 있는 미션의 종류, 배터리 충방전 상태, 배터리 충방전 전류, 배터리 전압, 배터리 온도, 태양전지 상태 등과 같은 온갖 종류의 파라미터들에 대한 데이터 값들을 포함할 수 있다.
본 명세서에서, 파라미터는 텔레메트리 데이터(TD)에 포함되고 주기적으로 모니터링되는 항목을 지칭한다. 데이터 값은 해당 파라미터에 측정 또는 감시된 값을 의미한다. 데이터 값은 예컨대 아날로그 값일 수 있다. 그러나, 일부 파라미터들의 데이터 값은 디지털 값 또는 디지털 코드일 수도 있다.
파라미터들마다 데이터 수집 주기가 상이할 수 있다. 예를 들면, 중요한 파라미터의 경우에는 1초마다 데이터 값을 수집할 수도 있고, 덜 중요한 파라미터의 경우에는 8초마다 데이터 값을 수집할 수도 있다. 텔레메트리 데이터(TD)는 1초마다 수집된 데이터 값들뿐만 아니라, 2초마다 수집된 데이터 값들, 및 4초 및 8초마다 수집된 데이터 값들을 포함할 수 있다.
컴퓨팅 장치(100)는 우주탐사장비(10)으로부터 텔레메트리 데이터(TD)를 수신하고, 텔레메트리 데이터(TD)를 이용하여 우주탐사장비의 이상 검출 방법을 수행하는 장치이다. 컴퓨팅 장치(100)는 복수의 컴퓨팅 장치로 구성될 수 있다. 컴퓨팅 장치(100)는 우주탐사장비의 이상 검출 장치로 지칭될 수도 있다.
컴퓨팅 장치(100)는 우주탐사장비(10)과 통신하는 지상국(20)에 설치될 수도 있고, 지상국(20)을 통해 텔레메트리 데이터(TD)를 수신할 수 있도록 지상국(20)과 통신을 통해 연결될 수 있다.
도 2는 본 발명에 따른 컴퓨팅 장치의 내부 구성을 간략하게 도시한다.
도 2를 참조하면, 컴퓨팅 장치(100)는 제어부(110) 및 메모리(120)를 포함할 수 있다. 제어부(110)와 메모리(120)는 버스를 통해 서로 데이터를 교환할 수 있다. 컴퓨팅 장치(100)는 도 2에 도시된 구성요소 외에 다른 구성요소 예컨대 통신 모듈을 더 포함할 수 있다.
제어부(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 제어한다. 제어부(110)는 기본적인 산술, 로직 및 입출력 연산을 수행하고, 예컨대 메모리(120)에 저장된 프로그램 코드를 실행할 수 있다.
제어부(110)는 적어도 하나의 프로세서를 포함할 수 있다. 제어부(110)는 복수의 프로세서들을 포함할 수 있다. 제어부(110)는 프로세서로 지칭될 수 있다.
메모리(120)는 프로세서(110)가 판독할 수 있는 기록 매체로서, RAM, ROM 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 메모리(120)에는 운영체제와 적어도 하나의 프로그램 또는 어플리케이션 코드가 저장될 수 있다. 메모리(120)에는 우주탐사장비(10)이 송신한 텔레메트리 데이터(TD)가 저장될 수 있다. 메모리(120)에는 복수의 텔레메트리 데이터(TD)들이 저장될 수 있다. 메모리(120)에 저장된 텔레메트리 데이터(TD)들은 수 일, 수 주, 수 달 동안 수집된 것일 수 있다.
메모리(120)에는 복수의 학습 모델들이 저장될 수 있으며, 복수의 학습 모델들은 우주탐사장비(10)의 동작 모드들에 각각 대응할 수 있다. 학습 모델들은 심층신경망을 기초로 생성될 수 있다. 메모리(120)에 저장된 학습 모델들은 제어부(110)에 로딩될 수 있다.
제어부(110)는 우주탐사장비(10)으로부터 텔레메트리 데이터(TD)를 주기적으로 수신하여 메모리(120)에 저장할 수 있다. 제어부(110)는 우주탐사장비(10)의 동작 모드를 결정할 수 있다. 제어부(110)는 동작 모드에 대응하는 학습 모델을 선택할 수 있다. 제어부(110)는 선택된 학습 모델에 텔레메트리 데이터(TD)를 전처리하여, 시계열 센싱 데이터(SD)를 생성할 수 있다. 제어부(110)는 시계열 센싱 데이터(SD)를 선택된 학습 모델에 입력하고, 선택된 학습 모델의 출력 값을 수신할 수 있다. 제어부(110)는 선택된 학습 모델의 출력 값을 기초로 우주탐사장비(10)의 이상 여부를 결정할 수 있다.
다양한 실시예들에 따른 제어부(110)의 동작에 대하여 아래에서 더욱 자세히 설명한다.
도 3은 일 실시예에 따른 우주탐사장비의 이상 검출 방법을 수행하는 제어부의 구성을 도시한다. 도 4는 일 실시예에 따른 우주탐사장비의 이상 검출 방법을 설명하는 순서도를 도시한다.
도 3 및 도 4를 참조하면, 제어부(110)는 데이터 수신부(310), 동작 모드 결정부(320), 센싱 데이터 생성부(330), 학습 모델부(340), 모니터링부(350), 및 이상 진단부(360)를 포함한다.
데이터 수신부(310)는 우주탐사장비(10)에서 송신한 텔레메트리 데이터(TD)를 수신할 수 있다(S120). 데이터 수신부(310)는 우주탐사장비(10)으로부터 직접 텔레메트리 데이터(TD)를 주기적으로 수신할 수 있다. 데이터 수신부(310)는 지상국(20)을 통해 텔레메트리 데이터(TD)를 수신할 수 있다.
텔레메트리 데이터(TD)는 우주탐사장비(10)의 정보들을 포함한다. 예를 들면, 텔레메트리 데이터(TD)는 우주탐사장비(10)의 위치, 이동 속도, 포즈(지향 방향), 프로세서의 동작 상태, 프로세서 온도, 수행하고 있는 미션의 종류, 배터리 충방전 상태, 배터리 충방전 전류, 배터리 전압, 배터리 온도, 태양전지 상태 등과 같은 파라미터들에 대한 데이터 값들을 포함할 수 있다.
동작 모드 결정부(320)는 우주탐사장비(10)의 동작 모드를 결정할 수 있다(S130). 일 실시예에 따르면, 동작 모드 결정부(320)는 미리 설정된 복수의 동작 모드들 중에서 텔레메트리 데이터(TD)를 기초로 우주탐사장비(10)의 현재 동작 모드를 결정할 수 있다. 예를 들면, 우주탐사장비(10)의 배터리 전압이 증가하는 것을 감지하여 우주탐사장비(10)이 태양 지향 모드로 동작하고 있음을 결정할 수 있다. 다른 예에 따르면, 우주탐사장비(10)의 가속도를 기초로 우주탐사장비(10)이 미리 설정된 궤도로 비행하기 위한 궤도 제어 모드로 동작할고 있음을 결정할 수 있다. 우주탐사장비(10)의 동작 모드는 예컨대 궤도 제어 모드, 타겟 지향 모드, 태양 지향 모드, 휠 오프 로딩 모드, 및 안전 모드를 포함할 수 있다. 동작 모드들은 우주탐사장비(10)의 동작을 구분하기 위한 것으로서 엔지니어들에 의해 미리 설정될 수 있다.
타겟 지향 모드는 광학 장치가 촬영의 대상인 타겟을 지향하도록 우주탐사장비(10)이 회전 운동하는 모드일 수 있다. 다른 예로서, 지향성 안테나가 지구의 지상국(20)을 지향하도록 우주탐사장비(10)이 회전 운동하는 모드일 수 있다. 태양 지향 모드는 우주탐사장비(10)이 태양 에너지를 이용하여 배터리를 충전하는 모드일 수 있다. 우주탐사장비(10)의 자세가 변하더라도 태양 전지판이 태양을 지향하도록 제어될 수 있다. 우주탐사장비(10)의 동작 모드는 전술한 예로 한정되지 않으면, 다른 모드들이 존재할 수 있다. 다른 동작 모드가 존재할 경우, 그 모드에 대응하는 학습 모델이 미리 준비될 수 있다.
다른 실시예에 따르면, 동작 모드 결정부(320)는 지상국(20)으로부터 우주탐사장비(10)의 스케줄 정보(도 1의 SI)를 수신할 수 있다(S110). 단계(S110)는 단계(S120)보다 먼저 수행되는 것으로 도시되지만, 이는 예시적이며, 단계(S120) 이후에 또는 단계(S120)와 동시에 수행될 수도 있다. 동작 모드 결정부(320)는 우주탐사장비(10)의 스케줄 정보(SI)를 기초로 우주탐사장비(10)의 현재 동작 모드를 결정할 수 있다. 우주탐사장비(10)은 미리 정해진 스케줄 정보(SI)에 따라 미션 및 시나리오를 수행한다. 우주탐사장비(10)의 미션 및 시나리오는 지상국(20)에 의해 결정되며, 이와 관련된 스케줄 정보(SI)는 지상국(20)에 존재할 수 있다. 동작 모드 결정부(320)는 지상국(20)으로부터 스케줄 정보(SI)를 제공받고, 스케줄 정보(SI)에 따라 현재 수신되는 텔레메트리 데이터(TD)가 어떤 동작 모드로 동작할 때 생성된 데이터인지를 결정할 수 있다.
스케줄 정보(SI)는 미리 설정된 복수의 시나리오들의 정보를 포함할 수 있다. 복수의 시나리오들은 우주탐사장비(10)을 관리 및 운영하는 지상국(20)에 의해 미리 설정될 수 있다. 복수의 시나리오들 각각은 미리 설정된 복수의 동작 모드들 중에서 선택되는 적어도 하나의 동작 모드들로 구성될 수 있다. 예컨대, 복수의 시나리오들 중 하나의 시나리오는 0초 내지 199초까지 대기한 후, 199초에서 699초까지 태양 지향 모드로 동작하고, 699초부터 2500초까지 궤도 제어 모드로 동작하고, 2500초부터 태양 지향 모드로 동작하는 시나리오일 수 있다.
동작 모드 결정부(320)가 우주탐사장비(10)의 동작 모드를 결정한 후 동작 모드에 대응하는 학습 모델을 선택할 수 있다(S140). 학습 모델부(340)는 복수의 심층신경망(341, 342, 343)을 포함하며, 심층신경망들(341, 342, 343)은 미리 설정된 복수의 동작 모드들에 각각 대응한다. 예컨대, 제1 심층신경망(341)은 제1 동작 모드에 대응하고, 제2 심층신경망(342)은 제2 동작 모드에 대응하고, 제k 심층신경망(343)은 제k 동작 모드에 대응할 수 있다. 심층신경망들(341, 342, 343)은 모두 동일한 알고리즘을 사용할 수도 있고, 적어도 일부는 다른 알고리즘을 사용할 수도 있다. 예컨대, 제1 및 제2 심층신경망(341, 342)은 VAE(Variational AutoEncoder) 기반의 심층신경망이고, 제k 심층신경망(343)은 GANomaly 기반의 심층신경망일 수도 있다. 한편, 제1 및 제2 심층신경망(341, 342)이 모두 VAE(Variational AutoEncoder) 기반의 심층신경망이라고 하더라도, 이 심층신경망을 구성하는 입력층, 은닉층 및 출력층의 구성은 서로 동일할 수도 있고, 서로 상이할 수도 있다. 또한, 심층신경망들(341, 342, 343)의 입력 데이터는 모두 동일할 수도 있고, 서로 상이할 수도 있다. 예컨대, 제1 심층신경망(341)에는 우주탐사장비(10)의 전류 데이터가 입력되지만, 제2 심층신경망(342)에는 전류 데이터가 입력되지 않을 수도 있다.
학습 모델부(340)에 포함되는 복수의 심층신경망(341, 342, 343)에 대하여 도 5 내지 도 8을 참조로 아래에서 더욱 자세히 설명한다.
센싱 데이터 생성부(330)는 단계(S130)에서 결정된 우주탐사장비(10)의 동작 모드에 따라 텔레메트리 데이터(TD)를 전처리하여 시계열 센싱 데이터(SD)를 생성할 수 있다. 센싱 데이터 생성부(330)는 단계(S130)에서 결정된 우주탐사장비(10)의 동작 모드에 따라 텔레메트리 데이터(TD) 중 일부의 데이터를 추출하여 시계열 센싱 데이터(SD)를 생성할 수 있다.
시계열 센싱 데이터(SD)는 별 센서의 3축 자세 값, 자이로스코프의 각속도 값, 2차원 태양 센서의 2차원 자세 값, 및 리액션 휠의 토크 값 중 적어도 하나를 포함할 수 있다. 우주탐사장비(10)은 현재 자세를 감지하기 위해 별 센서를 포함하며, 시계열 센싱 데이터(SD)는 별 센서의 3축 자세 값을 포함할 수 있다. 우주탐사장비(10)은 자세를 제어하기 위해 회전할 수 있으며, 회전을 감지하기 위한 자이로스코프를 포함할 수 있다. 시계열 센싱 데이터(SD)는 자이로스코프의 각속도 값을 포함할 수 있따. 자이로스코프의 각속도 값은 3축에 대한 각속도 값을 포함할 수 있다. 우주탐사장비(10)은 태양으로부터 에너지를 획득하며, 태양 센서를 포함한다. 시계열 센싱 데이터(SD)는 태양 센서의 2차원 자세 값을 포함할 수 있다. 우주탐사장비(10)은 자세를 제어하기 위해 리액션 휠을 포함할 수 있으며, 시계열 센싱 데이터(SD)는 리액션 휠의 토크 값을 포함할 수 있다. 우주탐사장비(10)이 3축 리액션 휠을 포함하는 경우, 리액션 휠의 토크 값은 리액션 휠들 각각의 토크 값을 포함할 수 있다.
전술한 바와 같이, 단계(S130)에서 결정된 동작 모드에 따라 시계열 센싱 데이터(SD)는 달라질 수 있다. 제1 동작 모드로 결정되는 경우 시계열 센싱 데이터(SD)는 태양 센서의 2차원 자세 값을 포함하지만, 제2 동작 모드로 결정되는 경우 시계열 센싱 데이터(SD)는 태양 센서의 2차원 자세 값을 포함하지 않을 수 있다.
센싱 데이터 생성부(340)는 우주탐사장비(10)의 동작 모드에 따라 텔레메트리 데이터(TD)를 전처리함으로써 시계열 센싱 데이터(SD)를 생성할 수 있다. 시계열 센싱 데이터(SD)는 시간에 따라 순차적으로 기록되는 데이터 값들을 가지며, 이들 간의 상대적인 비교를 위하여 데이터 값들은 정규화될 수 있다. 데이터 값들은 1차 함수로 정규화될 수 있다. 1차 함수의 계수들은 센싱 데이터 생성부(340)에 미리 저장될 수 있다. 예컨대, 텔레메트리 데이터(TD)의 데이터 값이 x인 경우, y = ax + b의 형태로 시계열 센싱 데이터(SD)의 데이터 값(y)을 변환할 수 있으며, 계수들(a, b)은 학습 모델부(340)와 함께 설계되어 센싱 데이터 생성부(340)에 저장될 수 있다. 계수(a)는 예컨대 텔레메트리 데이터(TD)의 데이터 값(x)들의 분포에서 최대값과 최소값의 차이의 역수일 수 있다. 계수(b)는 예컨대 텔레메트리 데이터(TD)의 데이터 값(x)들의 최소값에 -a를 곱한 값으로 결정될 수 있다. 시계열 센싱 데이터(SD)의 파라미터들에 따라 계수들(a, b)은 각각 다를 수 있다.
센싱 데이터 생성부(340)는 단계(S140)에서 선택된 학습 모델에 단계(S150)에서 생성된 시계열 센싱 데이터(SD)를 입력할 수 있다(S160). 선택된 학습 모델의 심층 신경망(예컨대, 341)에 시계열 센싱 데이터(SD)가 입력되면, 심층 신경망(341)은 해당 시계열 센싱 데이터(SD)에 대응하는 이상 스코어(anomaly score)를 출력한다.
모니터링부(350)는 심층 신경망(341)이 출력하는 이상 스코어를 모니터링할 수 있다(S170). 모니터링부(350)는 심층 신경망(341)으로부터 출력되는 이상 스코어를 그래프로 표시 장치에 표시할 수 있다.
이상 진단부(360)는 심층 신경망(341)이 출력하는 이상 스코어에 기초하여 우주탐사장비(10)의 이상 여부를 결정할 수 있다(S180). 이상 진단부(360)는 심층 신경망(341)이 출력하는 이상 스코어를 미리 설정된 기준치와 비교하여, 우주탐사장비(10)의 이상 여부를 실시간으로 결정할 수 있다. 예를 들면, 이상 진단부(360)는 이상 스코어가 기준치를 초과하는 경우 우주탐사장비(10)에 이상이 발생하였다고 결정할 수 있다. 이상 진단부(360)는 우주탐사장비(10)에 이상이 발생한 것으로 결정하면, 해당 시계열 센싱 데이터(SD)를 체크하여 이상의 원인을 분석하거나, 해당 분야의 엔지니어에게 이상 발생 알람을 전송할 수 있다.
도 5는 일 실시예에 따라 학습 모델을 구현하는 VAE(Variational AutoEncoder) 기반의 심층신경망의 개략적인 구조를 도시한다.
도 5를 참조하면, VAE(Variational AutoEncoder) 기반의 심층신경망은 인코더와 디코더를 포함한다. VAE는 입력된 벡터를 출력에서 재구성하는 오토인코더(Autoencoder)의 일종이다. VAE는 가운데 은닉층(Hidden layer)을 랜덤 변수인 잠재 변수(Latent variable, Z)로 가지고 있으며, 인코더 및 디코더로 구성될 수 있다.
VAE는 기존의 신경망 모델과 같이 입력과 출력과의 복원 오류(reconstruction error)뿐만 아니라 잠재 변수(Z)에 대한 사전 확률 분포(prior distribution)와 입력을 토대로 실제로 얻어진 사후 확률 분포(posterior distribution)와의 분포 오차를 동시에 최소화 시키는 방향으로 학습이 진행될 수 있다. 이와 같이 잠재 변수(Z)의 확률 분포를 기반으로 한 복원을 수행하기 때문에, 학습 데이터에 포함되지 않은 데이터가 입력되었을 때 기존의 신경망 모델보다 효과적인 복원을 수행할 수 있다. 특히 VAE의 인코더는 입력과 출력과의 복잡한 관계를 매개하는 알려지지 않은 특징 정보의 추정치뿐만 아니라 신뢰도 정보를 의미하는 파라미터까지도 추정함으로서 효과적인 정보 추출기로 사용될 수 있다.
인코더는 입력 벡터를 받아서 입력이 조건으로 주어진 경우 잠재 변수(Z)의 사후 분포를 추정할 수 있다. 인코더는 잠재 변수(Z)가 따르는 추정된 분포(평균(μ)과 표준편차(σ))로부터 샘플링을 통해 잠재 변수(Z)를 생성할 수 있다. 이러한 샘플링된 잠재 변수(Z)는 디코더로 입력되며, 디코더의 출력으로 잠재 변수(Z)의 입력이 재구성될 수 있다.
VAE에서 인코더와 디코더가 학습된다. qθ(Z|x)는 인코더에서 주어진 입력(x)로부터 잠재 변수(Z)를 생성할 확률이다. pφ(x|Z)는 디코더에서 잠재 변수(Z)로부터 입력(x)를 재구성할 확률이다.
VAE의 인코더는 입력층(Input Layer), 복수의 은닉층(Hidden Layer), 및 출력층(Output Layer)를 포함할 수 있다. VAE의 인코더는 입력층(Input Layer), 복수의 은닉층(Hidden Layer), 및 출력층(Output Layer)은 다음의 [표 1]과 같이 구성될 수 있다.
[표 1]
Figure 112020118683474-pat00001
출력층은 평균(μ)을 출력하는 평균층(Mean Layer)와 표준편차(σ)를 출력하는 표준편차층(S.D. Layer)을 포함할 수 있다.
VAE의 디코더는 입력층(Input Layer), 복수의 은닉층(Hidden Layer), 및 출력층(Output Layer)를 포함할 수 있다. VAE의 인코더는 입력층(Input Layer), 복수의 은닉층(Hidden Layer), 및 출력층(Output Layer)은 다음의 [표 2]과 같이 구성될 수 있다.
[표 2]
Figure 112020118683474-pat00002
디코더의 출력층(Output)은 이상 스코어(anomaly score)를 출력할 수 있다. 다른 예에 따르면, 이상 스코어(anomaly score)은 디코더의 출력층(Output)에서 출력되는 출력 값을 기초로 산출될 수 있다.
도 6은 일 실시예에 따라 학습 모델을 구현하는 GANomaly 기반의 심층신경망의 개략적인 구조를 도시한다.
도 5를 참조하면, GANomaly 기반의 심층신경망은 제1 인코더(Encoder 1), 디코더(Decoder), 제2 인코더(Encoder 2) 및 제3 이코더(Encoder 3)를 포함한다. 제1 인코더(Encoder 1), 디코더(Decoder), 및 제2 인코더(Encoder 2)는 생성기(Generator)로 동작한다. 제3 인코더(Encoder 3)는 분류기(Discriminator)로 동작할 수 있다.
제1 인코더(Encoder 1)는 입력(x)로부터 잠재 변수(Z)를 생성할 수 있다. 디코더(Decoder)는 제1 인코더(Encoder 1)에서 생성된 잠재 변수(Z)로부터 출력(x)을 생성할 수 있다. 제2 인코더(Encoder 2)는 출력(x)을 다시 인코딩하여 추정 잠재 변수를 생성하고, 추정 잠재 변수와 제1 인코더(Encoder 1)에서 생성된 매개 변수(Z)의 차이를 기초로 제1 손실 값(Lenc)을 생성할 수 있다. 또한, 입력(x)과 디코더(Decoder)에서 생성된 출력(x)의 차이를 기초로 제2 손실 값(Lcon)이 생성될 수 있다. 제3 인코더(Encoder 3)는 입력(x)과 디코더(Decoder)에서 생성된 출력(x)에 기초하여 적대 손실 값으로 지칭되는 제3 손실 값(Ladv)을 생성할 수 있다.
최종 손실 값(L)은 제1 내지 제3 가중치들(Wenc, Wcon, Wadv)과 제1 내지 제3 손실 값들(Lenc, Lcon, Ladv)을 각각 곱하고 합산한 값으로 결정될 수 있다. 최종 손실 값(L)에 기초하여 이상 스코어(anomaly score)이 산출될 수 있다.
GANomaly의 제1 내지 제3 인코더는 입력층(Input Layer), 복수의 은닉층(Hidden Layer), 및 출력층(Output Layer)를 포함할 수 있으며, 다음의 [표 3]과 같이 구성될 수 있다.
[표 3]
Figure 112020118683474-pat00003
GANomaly의 디코더는 입력층(Input Layer), 복수의 은닉층(Hidden Layer), 및 출력층(Output Layer)를 포함할 수 있으며, 다음의 [표 4]과 같이 구성될 수 있다.
[표 4]
Figure 112020118683474-pat00004
이상 설명된 다양한 실시예들은 예시적이며, 서로 구별되어 독립적으로 실시되어야 하는 것은 아니다. 본 명세서에서 설명된 실시예들은 서로 조합된 형태로 실시될 수 있다.
이상 설명된 다양한 실시예들은 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 명세서에서, "부", "모듈" 등은 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다. 예를 들면, "부", "모듈" 등은 소프트웨어 구성 요소들, 객체 지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들에 의해 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (10)

  1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    궤도 제어 모드, 타겟 지향 모드, 태양 지향 모드, 휠 오프 로딩(wheel off loading) 모드, 및 안전 모드를 포함하는 복수의 동작 모드들에 각각 대응하는 복수의 학습 모델들을 준비하는 단계;
    우주 탐사선으로부터 텔레메트리 데이터를 주기적으로 수신하는 단계;
    상기 우주 탐사선의 동작 모드를 결정하는 단계;
    상기 복수의 학습 모델들 중에서 상기 동작 모드에 대응하는 학습 모델을 선택하는 단계;
    상기 선택된 학습 모델에 따라 상기 텔레메트리 데이터를 전처리하여, 시계열 센싱 데이터를 생성하는 단계;
    상기 시계열 센싱 데이터를 상기 선택된 학습 모델에 입력하고, 상기 학습 모델의 출력 값을 수신하는 단계; 및
    상기 학습 모델의 출력 값을 기초로 상기 우주 탐사선의 이상 여부를 결정하는 단계를 포함하고,
    상기 복수의 학습 모델들 중 적어도 하나는 VAE(Variational AutoEncoder) 기반의 심층신경망을 포함하고,
    상기 복수의 학습 모델들 중 적어도 다른 하나는 GANomaly 기반의 심층신경망을 포함하는 것을 특징으로 하는 우주 탐사선의 이상 검출 방법.
  2. 제1항에 있어서,
    상기 우주 탐사선의 동작 모드는 상기 복수의 동작 모드들 중에서 상기 텔레메트리 데이터를 기초로 결정되는 우주 탐사선의 이상 검출 방법.
  3. 제1항에 있어서,
    상기 우주 탐사선의 스케줄 정보를 수신하는 단계를 더 포함하고,
    상기 우주 탐사선의 동작 모드는 상기 스케줄 정보를 기초로 결정되는 우주 탐사선의 이상 검출 방법.
  4. 제3항에 있어서,
    상기 스케줄 정보는 복수의 시나리오들의 정보를 포함하고,
    상기 복수의 시나리오들 각각은 상기 복수의 동작 모드들 중에서 선택되는 적어도 하나의 동작 모드들로 구성되는 것을 특징으로 하는 우주 탐사선의 이상 검출 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 시계열 센싱 데이터는 별 센서의 3축 자세 값, 자이로스코프의 각속도 값, 2차원 태양 센서의 2차원 자세 값, 및 리액션 휠의 토크 값 중 적어도 하나를 포함하는 것을 특징으로 하는 우주 탐사선의 이상 검출 방법.
  7. 삭제
  8. 삭제
  9. 제1항에 있어서,
    상기 학습 모델의 출력 값을 미리 설정된 기준치와 비교하여, 상기 우주 탐사선의 이상 여부를 실시간으로 결정하는 단계를 더 포함하는 것을 특징으로 하는 우주 탐사선의 이상 검출 방법.
  10. 컴퓨팅 장치를 이용하여 제1항 내지 제4항, 제6항 및 제9항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.

KR1020200147461A 2020-11-06 2020-11-06 우주탐사장비의 이상 검출 방법 KR102434973B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200147461A KR102434973B1 (ko) 2020-11-06 2020-11-06 우주탐사장비의 이상 검출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200147461A KR102434973B1 (ko) 2020-11-06 2020-11-06 우주탐사장비의 이상 검출 방법

Publications (2)

Publication Number Publication Date
KR20220061459A KR20220061459A (ko) 2022-05-13
KR102434973B1 true KR102434973B1 (ko) 2022-08-22

Family

ID=81583492

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200147461A KR102434973B1 (ko) 2020-11-06 2020-11-06 우주탐사장비의 이상 검출 방법

Country Status (1)

Country Link
KR (1) KR102434973B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118264303A (zh) * 2022-12-28 2024-06-28 中兴通讯股份有限公司 一种信号传输方法、地面站、地面终端和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140099390A (ko) * 2013-02-01 2014-08-12 한국전자통신연구원 위성 상태 감시 장치 및 방법
WO2019111701A1 (ja) * 2017-12-05 2019-06-13 ソニー株式会社 制御装置、および制御方法、プログラム、並びに移動体

Also Published As

Publication number Publication date
KR20220061459A (ko) 2022-05-13

Similar Documents

Publication Publication Date Title
Ghalamchi et al. Real-time vibration-based propeller fault diagnosis for multicopters
Jiang et al. Parameter estimation-based fault detection, isolation and recovery for nonlinear satellite models
Iverson et al. General purpose data-driven monitoring for space operations
Talebi et al. A recurrent neural-network-based sensor and actuator fault detection and isolation for nonlinear systems with application to the satellite's attitude control subsystem
Qi et al. A review on fault diagnosis and fault tolerant control methods for single-rotor aerial vehicles
Lu et al. Nonlinear aircraft sensor fault reconstruction in the presence of disturbances validated by real flight data
Choi et al. Software-based realtime recovery from sensor attacks on robotic vehicles
Jayaram A new fast converging Kalman filter for sensor fault detection and isolation
Hsiao et al. Mavfi: An end-to-end fault analysis framework with anomaly detection and recovery for micro aerial vehicles
Tang et al. A testbed for real-time autonomous vehicle PHM and contingency management applications
KR102434973B1 (ko) 우주탐사장비의 이상 검출 방법
Kolcio Model-based fault detection and isolation system for increased autonomy
Hasan et al. Model-based fail-safe module for autonomous multirotor UAVs with parachute systems
Perhinschi et al. Artificial immune system for comprehensive and integrated aircraft abnormal conditions management
Li et al. A dynamic neural network-based reaction wheel fault diagnosis for satellites
Brooks et al. Testing Mars 2020 flight software and hardware in the Surface System Development Environment
Baldi et al. Adaptive FTC based on control allocation and fault accommodation for satellite reaction wheels
Schulte et al. State machine fault protection architecture for aerospace vehicle guidance, navigation, and control
Feather et al. Demonstrations of system-level autonomy for spacecraft
Mansell et al. Deep learning fault diagnosis for spacecraft attitude determination and control
Schulte et al. On-Board model-based fault diagnosis for autonomous proximity operations
Barua et al. A diagnostic tree approach for fault cause identification in the attitude control subsystem of satellites
Zarourati et al. Designing an adaptive robust observer for underactuation fault diagnosis of a remote sensing satellite
Schwabacher et al. Pre-launch diagnostics for launch vehicles
Rahimi Fault diagnosis and prognosis of satellite attitude control system with reaction wheels and control moment gyros

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant