使用Amazon Sagemaker AI随机切割森林用于NASA的蓝色飞船传感器数据

在这篇文章中,我们演示了如何使用SageMaker AI应用随机砍伐森林(RCF)算法来检测NASA和Blue Origin的Spacecraft位置,速度和季度取向数据的异常,并证明了Lunar Deorbit,Descent和Landing Sensors(Boddl-tp)的蓝色起源。

来源:亚马逊云科技 _机器学习
在月球上成功的Deorbit,下降和降落需要精确控制和监测车辆动力学。异常检测提供了一个独特的实用性,用于识别可能代表感兴趣的车辆行为的重要状态。通过产生独特的车辆行为点,可以将关键的航天器状态确定为更适当地解决并可能更好地理解。这些已确定的状态对于诸如缓解系统故障,工程设计改进和任务计划等努力可能是无价的。如今,空间任务变得越来越频繁和复杂,并且产生的遥测数据的数量已成倍增长。随着这种增长,分析此数据的异常方法的方法需要有效地扩展,而不会冒险缺失太微妙但重要的航天器行为偏差。 Fortunately, AWS uses powerful AI/ML applications within Amazon SageMaker AI that can address these needs.In this post, we demonstrate how to use SageMaker AI to apply the Random Cut Forest (RCF) algorithm to detect anomalies in spacecraft position, velocity, and quaternion orientation data from NASA and Blue Origin’s demonstration of lunar Deorbit, Descent, and Landing Sensors (BODDL-TP)。提出的分析侧重于检测航天器动力学数据中的异常,包括位置,速度和四个方向。解决方案概述解决方案为航天器数据中的异常检测提供了有效的方法。我们从数据预处理和清洁开始,以产生优质的输入以进行分析。使用SageMaker AI,我们训练专门检测复杂航天器动力学数据异常的RCF模型。为了有效地处理大量遥测数据,我们实施了批处理处理,以在大型数据集中进行异常检测。训练模型并检测到异常,此解决方案可产生强大的可视化功能,并以Highl