Deep learning for improving resilience of the sensors in Mars exploration missions
Saved in:
| Title: | Deep learning for improving resilience of the sensors in Mars exploration missions |
|---|---|
| Authors: | Kumar, Dileep |
| Contributors: | University/Department: Universitat Politècnica de Catalunya. Departament d'Enginyeria Electrònica |
| Thesis Advisors: | Domínguez Pumar, Manuel, Pons Nin, Joan |
| Source: | TDX (Tesis Doctorals en Xarxa) |
| Publisher Information: | Universitat Politècnica de Catalunya, 2025. |
| Publication Year: | 2025 |
| Physical Description: | 170 p. |
| Subject Terms: | Space sensor systems, Wind sensor, Soft sensor, Machine learning, Deep learning, Transfer Learning, Àrees temàtiques de la UPC::Enginyeria electrònica, Àrees temàtiques de la UPC::Aeronàutica i espai, 621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions, 52 - Astronomia. Astrofísica. Investigació espacial. Geodèsia |
| Description: | (English) In space exploration missions, scientists have been putting efforts to achieve targeted scientific goals, such as environmental study of Mars through various exploration missions. In recent years, multiple missions have been sent to study the atmosphere of Mars with advance sensing systems. In the process of developing various sensing systems, worst- case scenarios are also considered and their possible solutions become crucial to be implemented to deal with adversities. During the operation of a mission, critical system components such as sensors could face complete or partial damage, and because of that, the mission might fail to send data to the monitoring station. This is a known fact in the case of wind sensors deployed with Mars 2020 Perseverance and Curiosity Rover missions those suffered partial damage. Moreover, at some point, TWINS wind sensor with InSight lander mission also faced power issues. Such scenarios create hurdles in the scientific study of a planet. Various space sensors related problems can be caused by various adversities, such as dust devils at Mars, adaptation of operating points in sensors themselves, and obstacles around the sensing systems. Furthermore, it is not possible to repair or replace a sensor on Mars. Thus, it is crucial to address space sensor problems with remedial techniques to achieve the target objectives. Considering problems occurred in Mars wind sensors, this thesis is focused on investigating data-driven approaches to improve resilience of Mars wind sensors deployed in the last two Mars missions of NASA, namely TWINS (InSight Mission, 2018) and MEDA (Perseverance Mission, 2020) instruments. Various Machine Learning (ML) and Deep Learning (DL) models have been investigated to enhance the resilience of the aforementioned wind sensors in the case of partial failure. These data-driven algorithms are investigated to develop a soft or virtual sensor for Martian wind sensors. Furthermore, Transfer Learning (TL) based approach has been investigated to deal with data scarcity scenarios. These methods have yielded promising results in recovering the data in the event of partial failure. In TWINS investigation, RMSE for velocity is reduced by a factor between 2.43 and 4.78; and for wind angle by a factor between 1.74 and 4.71, compared to the case where only two wind sensing transducers are functioning. For MEDA, the investigated algorithms allowed to recover variables of the wind sensing boards with errors similar to TWINS instrument and in some cases have achieved slightly better results. With the TL approach, the multivariate predictions improve with the RMSE percentage between 10.21% to 22%. In summary, various data-driven methods investigated have illustrated the efficacy and potential in recovering data and dealing with adverse scenarios related to Mars wind sensors. |
| Description (Translated): | (Català) Resum En les missions d’exploració espacial, els científics han dedicat esforços per aconseguir objectius científics concrets, com l’estudi ambiental de Mart. En els darrers anys, s’han enviat diverses missions per estudiar l’atmosfera de Mart amb sistemes avançats de detecció. En el procés de desenvolupament dels diversos sistemes de detecció, també es tenen en compte els escenaris més desfavorables i esdevé crucial implementar-hi solucions per fer front a les possibles adversitats. Durant una missió, els components crítics del sistema, com els sensors, poden arribar a patir danys parcials o totals, cosa que pot fer que la missió no aconsegueixi enviar dades a l’estació de monitoratge. És el cas dels sensors de vent dels ròvers Perseverance i Curiosity, desplegats en el marc de la missió Mars 2020, els quals van patir danys parcials. També, en algun moment, el sensor de vent TWINS del mòdul de la missió InSight no va poder proporcionar més dades perquè la missió InSight va tenir problemes de potència a causa de la pols acumulada als panells solars. Aquests fets suposen un impediment en l’estudi científic d’un planeta. Addicionalment, hi ha tota una sèrie d’adversitats que poden afectar els sensors espacials, com ara els remolins de pols de Mart, l’adaptació dels punts d’operació als mateixos sensors i els obstacles que hi pugui haver al voltant dels sistemes de detecció. A tot això s’hi suma la impossibilitat de reparar o substituir un sensor a Mart. Per tant, és crucial abordar els problemes dels sensors espacials amb tècniques compensatòries per aconseguir els objectius establerts. Tenint en compte els problemes que experimenten els sensors de vent de Mart, aquesta tesi se centra en la recerca d’enfocaments basats en dades per millorar la resiliència dels sensors de vent dels instruments desplegats en les dues últimes missions a Mart de la NASA: TWINS (missió InSight, 2018) i MEDA (missió Perseverance, 2020). S’han investigat diversos models d’Machine Learning (ML) i Deep Learning (DL) per millorar la resiliència d’aquests sensors de vent en cas de fallada parcial. Aquests algorismes basats en dades s’han utilitzat per desenvolupar un sensor virtual o de software per als sensors de vents marcians. A més, s’ha estudiat un enfocament basat en Transfer Learning (TL) per afrontar escenaris d’escassetat de dades. Aquestes metodologies han obtingut resultats prometedors en la recuperació de dades en cas de fallada parcial. En la investigació de TWINS, s’ha reduït l’EQM de velocitat en un factor entre 2,43 i 4,78, i el d’angle del vent en un factor entre 1,74 i 4,71, comparat amb el cas en què només funcionen dos transductors de detecció de vent. En el cas de MEDA, el algorismes investigats han permès recuperar variables dels panells de detecció de vent amb errors similars als de l’instrument TWINS i en alguns casos amb uns resultats lleugerament millors. Amb l’aproximació de TL, les prediccions multivariables milloren amb un percentatge d’EQM entre el 10,21 % i el 22 %. En resum, diversos mètodes basats en dades han demostrat l’eficàcia i el potencial per recuperar dades i fer front escenaris adversos relacionats amb els sensors de vent de Mart. (Español) En las misiones de exploración espacial, los científicos han dedicado esfuerzos para conseguir objetivos científicos concretos, como el estudio ambiental de Marte. En los últimos años, se han enviado varias misiones para estudiar la atmósfera de Marte con sistemas avanzados de detección. En el proceso de desarrollo de los distintos sistemas de detección, también se tienen en cuenta los escenarios más desfavorables y resulta crucial implementar soluciones para hacer frente a las posibles adversidades. Durante una misión, los componentes críticos del sistema, como los sensores, pueden llegar a sufrir daños parciales o totales, lo que puede hacer que la misión no consiga enviar datos a la estación de monitorización. Este sería el caso de los sensores de viento de los rovers Perseverance y Curiosity, desplegados en el marco de la misión Mars 2020, los cuales sufrieron daño parciales. También, en algún momento, el sensor de viento TWINS no pudo proporcionar másdatos porque la misión InSight tuvo problemas de potencia debido al polvo acumulado en los paneles solares. Estos hechos suponen un impedimento en el estudio científico de un planeta. Adicionalmente, los sensores espaciales pueden verse afectados por toda una serie de adversidades, como los remolinos de polvo de Marte, la adaptación de los puntos de operación en los propios sensores y los obstáculos que puedan encontrarse alrededor de los sistemas de detección. A todo ello se le suma la imposibilidad de reparar o sustituir un sensor en Marte. Por lo tanto, resulta crucial abordar los problemas de los sensores espaciales con técnicas compensatorias para conseguir los objetivos establecidos. Considerando los problemas que experimentan los sensores de viento de Marte, esta tesis se centra en la búsqueda de enfoques basados en datos para mejorar la resiliencia de los sensores de viento de los instrumentos desplegados en las dos últimas misiones en Marte de la NASA: TWINS (misión InSight, 2018) y MEDA (misión Perseverance, 2020). Se han investigado varios modelos de Machine Learning (ML) y Deep Learning (DL) para mejorar la resiliencia de dichos sensores de viento en caso de fallo parcial. Estos algoritmos basados en datos se han utilizado para desarrollar un sensor virtual o de software para los sensores de vientos marcianos. Además, se ha estudiado un enfoque basado en Transfer Learning (TL) para afrontar escenarios de escasez de datos. Estas metodologías han obtenido resultados prometedores en la recuperación de datos en caso de fallo parcial. En la investigación de TWINS, se ha reducido el ECM de velocidad en un factor entre 2,43 y 4,78, y el de ángulo del viento en un factor entre 1,74 y 4,71, comparado con el caso en el que solo funcionan dos transductores de detección de viento. En el caso de MEDA, los algoritmos investigados han permitido recuperar variables de los paneles de detección de viento con errores similares a los del instrumento TWINS y en algunos casos con resultados ligeramente mejores. Con el enfoque de TL, las predicciones multivariables mejoran con un porcentaje de ECM entre el 10,21% y el 22%. En resumen, varios métodos basados en datos han demostrado la eficacia y el potencial para recuperar datos y hacer frente a escenarios adversos relacionados con los sensores de viento de Marte. DOCTORAT EN ENGINYERIA ELECTRÒNICA (Pla 2013) |
| Document Type: | Dissertation/Thesis |
| File Description: | application/pdf |
| Language: | English |
| DOI: | 10.5821/dissertation-2117-449396 |
| Access URL: | http://hdl.handle.net/10803/696175 https://dx.doi.org/10.5821/dissertation-2117-449396 |
| Rights: | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| Accession Number: | edstdx.10803.696175 |
| Database: | TDX |
Be the first to leave a comment!