Original title: Detekce anomálií v satelitní telemetrii
Translated title: Satelite telemetry anomaly detection
Authors: Orava, Vojtěch ; Novák, Jiří (referee) ; Kašpárek, Tomáš (advisor)
Document type: Master’s theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Tato diplomová práce se zabývá detekcí anomálií v satelitní telemetrii, kde mohou anomálie signalizovat hrozící selhání systému s potenciálně katastrofickými následky. Práce zkoumá využití metod umělé inteligence pro tento úkol. Bylo implementováno a vyhodnoceno několik detekčních modelů, včetně sítí s architekturou LSTM, autoenkodérů, reziduálních sítí (ResNet) a konvolučních neuronových sítí, a to s využitím přístupů založených jak na predikci, tak na rekonstrukci. Výkon modelů byl hodnocen pomocí několika metrik, přičemž primárním kritériem byla hodnota PR-AUC (plocha pod křivkou precision-recall). Experimenty byly provedeny na syntetickém datasetu telemetrie vygenerovaném vlastním generátorem dat vyvinutým v rámci této práce. Nejlepších výsledků bylo dosaženo modelem autoenkodéru založeným na LSTM, který dosáhl hodnoty PR-AUC 0,946. Pro vyhodnocení proveditelnosti nasazení byl výkon inferenčního modelu testován na vestavěných platformách (AMD ZCU104 a NVIDIA Jetson Orin Nano), které simulovaly výpočetní omezení na palubě satelitu. Kromě toho byla k posouzení výkonu v praktických scénářích použita reálná telemetrická data z benchmarku detekce anomálií ESA. Nakonec byl k doplnění celého detekčního procesu vyvinut systém pro analýzu anomálií (AERS), který poskytuje rozhraní k implementaci vlastních modulů pro odborníky z dané oblasti. This thesis addresses anomaly detection in satellite telemetry, where anomalies may signal impending system failures with potentially catastrophic consequences. The work investigates the use of artificial intelligence methods for this task. Multiple detection models were implemented and evaluated, including long short-term memory (LSTM) networks, autoencoders, residual networks (ResNet), and convolutional neural networks, using both forecasting-based and reconstruction-based approaches. Model performance was assessed using several metrics, with PR-AUC (area under the precision–recall curve) as the primary criterion. The experiments were conducted on a synthetic telemetry dataset generated by a custom data generator developed as part of this work. The best results were achieved by an LSTM-based autoencoder model, reaching a PR AUC of 0.946. To evaluate deployment feasibility, inference performance was tested on embedded platforms (AMD ZCU104 and NVIDIA Jetson Orin Nano), simulating onboard satellite computing constraints. In addition, real telemetry data from the ESA anomaly detection benchmark were used to assess performance in practical scenarios. Finally, an Anomaly Exploration and Report System (AERS) was developed to complete the detection pipeline, providing an interface for domain experts to implement custom anomaly explanation modules.
Keywords: AMD ZCU104; analýza anomálií; detekce anomálií; ESA ADB; generátor syntetických dat; neuronové sítě; NVIDIA Jetson Orin Nano; předpovídací a rekonstrukční detekční metody; satelitní telemetrie; strojové učení; TensorFlow; AMD ZCU104; anomaly analysis; anomaly detection; ESA ADB; forecasting-based detection; machine learning; neural networks; NVIDIA Jetson Orin Nano; reconstruction-based detection; satellite telemetry; synthetic data generator; TensorFlow

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/260140

Permalink: http://www.nusl.cz/ntk/nusl-777327


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses