Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

6 février 2017

Thèse Machine Learning pour les Systèmes de Communications par Satellite


Catégorie : Doctorant


Lien vers sujet FR : https://cnes.fr/fr/les-ressources-humaines-du-cnes/application-de-methodes-de-machine-learning-au-suivi-de-letat-de

Lien vers sujet ENG : https://cnes.fr/en/les-ressources-humaines-du-cnes/new-machine-learning-methods-orbit-satellite-health-monitoring-0

 

Le suivi de l’état de santé d’un satellite en orbite nécessite de surveiller plusieurs milliers voire dizaines de milliers de paramètres acquis à bord du satellite et renvoyés au sol via la télémesure. La méthode de surveillance la plus répandue est la méthode Out-Of-Limits (OOL) qui consiste à analyser automatiquement un sous-ensemble de paramètres identifiés comme critiques, en comparant chaque acquisition vis à vis d’une plage de fonctionnement attendue. Cette méthode présente deux inconvénients majeurs :

Une plage de surveillance est fixe et est spécifique à un paramètre. Une expertise approfondie du fonctionnement du satellite est donc nécessaire pour choisir des valeurs appropriées pour les seuils de déclenchement de la surveillance. De plus, il arrive que ces seuils doivent être adaptés pour tenir compte du vieillissement du satellite.

Ce type de surveillance ne permet pas de repérer un comportement anormal qui resterait dans les seuils de fonctionnement (par exemple, un paramètre qui se mettrait à osciller tout en restant entre le seuil minimum et le seuil maximum).

Depuis quelques années, les agences spatiales et les industriels de ce secteur s’intéressent à de nouveaux moyens de surveillances, basés sur des méthodes issues des avancées réalisées dans le domaine de l’apprentissage (machine learning), notamment pour le secteur de la santé, de la finance et de la sécurité informatique. Ces surveillances innovantes reposent sur un apprentissage du comportement nominal du satellite au travers de l’analyse des paramètres issus des données de télémesure. Une anomalie (ou plus généralement un comportement atypique) est définie comme un comportement significativement différent du comportement nominal appris pendant la phase d’apprentissage. De nombreuses approches différentes peuvent être envisagées pour la détection d’anomalies. Les paramètres peuvent être analysés indépendamment les uns des autres ou conjointement. La télémesure peut subir un pré-traitement ou non. Il existe une grande variété de méthodes applicables à la problématique de la détection d’anomalies dans un système complexe tel un satellite, et pour l’instant, aucune ne s’est réellement imposée dans le secteur spatial.

Par exemple, dans [1], les auteurs modélisent le comportement de chaque paramètre de télémesure à l’aide d’une méthode de régression non linéaire (Relevance Vector Regression) puis détectent une anomalie lorsqu’une acquisition du paramètre s’écarte trop de la prédiction issue du modèle. Une autre méthode proposée par les mêmes auteurs dans [2] repose sur l’hypothèse qu’une anomalie se caractérise par une modification des liens causaux entre les paramètres acquis à bord du satellite. En analysant ces corrélations à l’aide d’une Analyse en Composantes Principales non linéaire (Kernel Principal Component Analysis) il est possible de détecter un comportement anormal. L’agence spatiale européenne (ESA) a développé un outil de surveillance de la télémesure dont la détection d’anomalies se base sur un algorithme de type K-Nearest Neighbors (K-NN) intitulé Local Outlier Probability (LOOP) [3]. Toutes ces approches présentent chacune leurs propres forces et faiblesses. Néanmoins, il est possible de mettre en évidence deux problématiques communes à tous ces algorithmes :

Comment effectuer une détection fiable tout en contrôlant le taux de fausses alarmes? L’objectif de ces surveillances est d’alerter les experts en charge du suivi de l’état de santé du satellite en cas de comportement inhabituel. Si les détections fructueuses sont noyées dans un nombre important de fausses alarmes, il ne sera pas possible pour l’expert d’analyser chaque comportement détecté comme atypique. La surveillance devient alors inutile.
Comment analyser les paramètres symboliques? Certains paramètres acquis par le satellite peuvent prendre un nombre très limité d’états, par exemple ON-OFF (0-1), ou Mode1-Mode2-Mode3-Mode4 (0-1-2-3). Ces paramètres sont dits « symboliques ». Les méthodes développées pour les paramètres analogiques (non-symboliques) « classiques » ne sont en général pas directement applicables à ces paramètres symboliques.

Cette proposition de thèse fait suite à une étude R&T, intitulée « Analyse de la télémesure pour diagnostics » [4], initiée par le CNES et réalisée en collaboration avec le TESA (TElecommunications for Space and Aeronautics) entre novembre 2014 et juin 2015. L’objectif principal de cette R&T était d’imaginer et de prototyper une méthode novatrice permettant de détecter un comportement inhabituel d’un paramètre issu de la télémesure. La démarche retenue au cours de cette étude a été d’étudier tout d’abord les différents prétraitements qui pouvaient être utilisés pour les données de télémesure puis de comparer deux méthodes de détections d’anomalies : K-NN et One-Class Support Vector Machine (OC-SVM). Une méthode de détection d’anomalies adaptée au traitement des données issues de la télémesure a été imaginée et prototypée lors de cette R&T.

Les objectifs de la thèse sont :

1) Améliorer la méthode étudiée lors de l'étude R&T "Analyse de la télémesure pour diagnostics". Pour cela plusieurs pistes d'améliorations ont déjà été envisagées
Proposer un moyen de réduire la quantité de fausses alarmes, sans trop dégrader la qualité de détection.
Permettre au modèle du comportement nominal du paramètre d'évoluer en fonction du retour de l'utilisateur. Si l'expert considère que le comportement atypique détecté par cette méthode de surveillance est une fausse alarme, alors de tels comportements ne doivent plus déclencher d'alarme à l'avenir. A l'inverse, si une détection est considérée comme réellement anormale, tous les futurs comportements similaires doivent donner lieu à une alarme.
Etudier la possibilité d’utiliser des noyaux spécifiquement adaptés aux données symboliques. Il existe des noyaux adaptés aux données symboliques qui ont été proposés dans la littérature et dont l’intérêt pour l’analyse des données de télémesure mériterait d’être évalué.
Proposer un moyen d’avoir un modèle évolutif afin de prendre en compte des évolutions long-terme (liées au vieillissement) ou périodiques (effets saisonniers).

2) Identifier de nouvelles méthodes de détection, potentiellement issues de domaines autres que le spatial. Evaluer les forces et les faibles de ces méthodes et prototyper les plus prometteuses.

3) Proposer et prototyper des méthodes permettant de mettre en évidence des anomalies via l’analyse croisée du comportement de plusieurs paramètres.

4) Proposer et évaluer des méthodes automatiques permettant de post-traiter efficacement les résultats issus d’un algorithme de détection afin de faciliter le travail d’investigation des experts, par exemple :

Retrouver toutes les occurrences passées du comportement atypique, s’il y en a, par exemple à l’aide de méthodes de classification et de reconnaissance de formes (voir [5]).

Identifier automatiquement les autres paramètres potentiellement impactés par l’anomalie en même temps que celui ayant été analysé. Cette identification permettrait d’aider l’expert à sélectionner les paramètres qu’il va analyser (voir [5]).

La détection d'anomalie étant également d'intérêt pour des systèmes rendus complexes par leur nombre (flotte de satellite) ou la longueur de certaines phases de surveillance (Electric Orbit Raising), il sera important de considérer les contraintes opérationnelles en abordant les interrogations suivantes:

Comment caractériser une anomalie de manière suffisamment indépendante du système, via l'historique du système sur ce satellite ou de systèmes comparables sur une flotte, de manière à appliquer les mêmes méthodes de détection à d'autres systèmes.

Est-ce qu'une approche agrégeant de multiples méthodes de détection via une méthode simple (vote majoritaire) ou complexe prenant en compte le retour utilisateur permet de mieux répondre au problème de détection d'anomalie qu'une méthode seule sélectionnée spécifiquement pour un équipement ?

[1] R. Fujimaki, T. Yairi, K. Machida, An Anomaly Detection Method for Spacecraft using Relevance Vector Learning, in PAAKD 2005, Hanoï, Vietnam

[2] R. Fujimaki, T. Yairi, K. Machida, An Approach to Spacecraft Anomaly Detection Problem Using Kernel Feature Space, in PAAKD 2005, Hanoï, Vietnam

[3] J. A. Martinez-Heras, A. Donati, M. Kirsch, F. Schmidt, New Telemetry Monitoring Paradigm with Novelty Detection, in SpaceOps 2012, Stockholm, Sweden

[4] J.-Y. Tourneret, L. Chaari, A. Ferrari, C. Richard, Rapport de contrat – R&T14/BS-0003-048

[5] J. A. Martinez-Heras, A. Donati, B. Sousa, J. Fischer, DrMUST – a Data Mining Approach for Anomaly Investigation, in SpaceOps 2012, Stockholm, Sweden

Profil

Titulaire d'un diplôme d’ingénieur ou Master 2 spécialisé en traitement du signal et des images ou en analyse de données (Data Mining, Machine learning, détection automatique d’anomalies, etc.) avec de solides connaissances en mathématiques appliquées.

Des connaissances en gestion opérationnelle de systèmes complexes (spatiaux ou non) seraient un plus.

Autonome, vous êtes prêt(e) à prendre des initiatives, appréciez travailler en équipe et connaissez le langage de programmation Python.

Description de la structure

Laboratoire d'accueil : TESA (TElecommunications for Space and Aeronautics)

Directeur(rice) de thèse/recherche : TOURNERET Jean-Yves
E-mail du directeur(rice) de thèse/recherche : jean-yves.tourneret@enseeiht.fr

Responsable Cnes de l'offre : D'ESCRIVAN Stéphane

Pour postuler à cette offre, nous vous invitons à vous rapprocher du directeur/rice de thèse et compléter avec son aide la partie cofinancement du formulaire en ligne (Répondre à l’offre) pour le 31 mars 2017.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.