Η Softcom ηγήθηκε του σχεδιασμού, της υλοποίησης και της επικύρωσης του έργου ProPML (Proactive Performance Monitoring Engine), το οποίο ολοκληρώθηκε το 2020 και χρησιμοποίησε τεχνικές machine learning για την πρόβλεψη αστοχιών σε συστήματα εδάφους. Το έργο επικεντρώθηκε στη συλλογή και ανάλυση μεγάλου όγκου δεδομένων από τα λειτουργικά συστήματα του επίγειου τμήματος του ESOC, όπως SCOS, LMS, GFTS, ARES, MATIS, NIS, SIMSAT, FARC, DARC, PARC, IFMS, SMF, και από διάφορες αποστολές, όπως οι GAIA και Sentinel-2. Στόχος ήταν η ανάλυση βασικών αιτιών, η πρόβλεψη βλαβών στα συστήματα και η δημιουργία ενός τυποποιημένου συνόλου δεδομένων για την εκπαίδευση προγνωστικών αλγορίθμων machine learning.

Το ProPML αξιολόγησε επίσης διάφορες αλγοριθμικές προσεγγίσεις, συγκρίνοντας μοντέλα που εκπαιδεύτηκαν σε δεδομένα από αποστολές στο διάστημα με μοντέλα που χρησιμοποιούν δεδομένα από τη βιομηχανία αεροηλεκτρονικής, εκτιμώντας την καταλληλότητά τους για τη δημιουργία ενός προληπτικού συστήματος ειδοποίησης σε πραγματικό χρόνο. Στο έργο περιλαμβάνονταν σύνθετες οπτικοποιήσεις προβλέψεων και διασταύρωση δεδομένων από ομάδες αποστολών με βάσεις ανωμαλιών όπως το ARTS και το Überlog.

Ως κύριος ανάδοχος, η Softcom ήταν υπεύθυνη για την ανάπτυξη του concept, την επιλογή περιπτώσεων χρήσης, την προετοιμασία δεδομένων, τη συναρμολόγηση συνόλου δεδομένων, την επιλογή, υλοποίηση και αξιολόγηση αλγορίθμων machine learning. Η ομάδα χρησιμοποίησε τεχνολογίες όπως Python, ELK stack, Beats framework, RedHat Log Anomaly Detector, Docker και Jupyter Notebooks για να προσφέρει μια αξιόπιστη λύση.

Το έργο αυτό αναδεικνύει την τεχνογνωσία της Softcom στην προγνωστική μηχανική μάθηση και τη δέσμευσή της στην προώθηση της προληπτικής παρακολούθησης απόδοσης για τα συστήματα εδάφους της ESA.

Τελικός Πελάτης: ESOC 

Ομάδα: SoftCom-Int, Etamax space       

Θέση: Prime

under a programme of, and funded by, the European Space Agency