ISS-PMM Modülü Verileri Üzerinde Büyük Veri Teknolojisinin Uygulanması
Merhabalar, bu yazımda incelediğim bir IEEE makalesini genel hatlarıyla özetleyeceğim. Makaleyi Türkçeye çevirip öz kısmını sunacağım da diyebiliriz. Makalenin orijinalini incelemek isteyenler buradan ulaşabilirler.
De March ve ekip arkadaşları, yaptığı bu çalışma ile PMM verilerinin (ne olduğuna değineceğiz) işlenmesi ve analizlenmesi konusunda yenilikçi bir yaklaşım geliştirdiklerinden bahsetmekte. Büyük veri uygulamalarına örnek arayanlar için dilerseniz yavaş yavaş konuya girelim. Ancak şunu da unutmayalım ki makalenin orijinalinde, anlatılmak istenenler, görsellerle güçlendirilmiştir. Bu sebeple daha derin bir inceleme için orijinaline başvurmanızı tavsiye ederim çünkü dediğim gibi bu yazı tamamen makalenin özünden oluşacaktır.
Hadi Özetleyelim
Makalede bahsedilen bu çalışma, büyük veri uygulamalarının uzay alanında gerçekleştirilmesine bir örnektir. Çalışmanın özü, telemetri verilerinin büyük veri yaklaşım ve teknikleri kullanılarak geleneksel veri işleme yöntemlerinden daha efektif, hızlı ve kolay şekilde analizler elde edilmesini kapsamaktadır.
Telemetri kavramı, bir sistem ya da tesisin erişilemeyen bölümünün kablolu ya da kablosuz olarak izlenmesidir. Uzay istasyonu (ISS) görevini asıl olarak uzayda, yörüngede gerçekleştirmektedir. Dolayısıyla ulaşılamayacak uzaklıkta bulunmaktadır. Makalede sıkça geçen telemetri verisi kavramı ise yörüngede bulunan bu uzay istasyonundan elde edilen veriler olarak kabul edilebilir.
Uzaydaki görevler düşünüldüğünde genellikle bu görevler uzun süreli olmaktadır. Bu sebeple bu görevlerdeki verilerle ilgilenen operatörler için uzun vadede biriken birçok veri bulunmaktadır. Aynı zamanda bu verilerin gerçek zamanlı olarak işlenmesi de görevlerin aksamaması adına önemli bir husustur. Bu durum çalışmanın en büyük gerekçelerinden sayılabilir.
Makalede çalışmanın ana amacı “kaynakların ve analizlerin kullanıcılar arasında paylaşılabildiği ve mevcut yaklaşımlara göre daha entegre şekilde kullanılabilen bir ortam”ın oluşturulmasıdır. Düşünüldüğünde veriler kendi özlerinde anlam içerseler dahi diğer verilerle birlikte değerlendirildiklerinden kendi bağlamlarından farklı bilgilere de dönüştürülebilirler. Bu sebeple verilerin kullanıcılar bir başka deyişle operatörler arasındaki paylaşımı da göz önünde tutulmuştur ki farklı verileri inceleyen operatörler arasında gerçekleşecek bilgi paylaşımıyla bahsedilen bu ilişkilendirme bir başka deyişle birlikte değerlendirme süreci gerçekleşebilsin.
Çalışma kapsamında geliştirilen ortam ASDP(ALTEC Space Data Processing)’dir. ASDP, hava taşıtı ve uzay aracı verilerinin dünya üzerinden işlenmesi ve dönüştürülmesini sağlayan dağıtık bir veri işleme frameworküdür. Framework modüler yapıda olduğundan uyarlanabilirlik ve esneklik özelliklerine sahip olmasıyla birlikte farklı alanlarda da kullanılabilir durumdadır. Diğer bir ifadeyle frameworkün çalışma amacına uygun olan başka alanlara da hizmet edebilmektedir.
ASDP framework, her bir işlem için en uygun görülen teknolojiler kullanılarak tasarlandığından bünyesinde birçok farklı teknolojiyi bir arada barındırır. Bu bir aradalık sebebi ile çalışmada, konteyner teknolojisinin kullanılması uygun görülmüştür. Kullanılan tüm teknolojiler, mesajlaşma ve küme yönetimi için AKKA, dağıtımda esneklik için Docker, dosya depolama için Apache Parquer ve Apache ORC, veritabanı için Apache Cassandra, hesaplamalar için Apache Spark, python derlemeleri için Jupyter notebook şeklinde özetlenebilir.
ASDP’de 2 farklı işlem türü mevcuttur. Bunlardan ilki alınan verilerden günlük işlemler ve raporları oluşturan basit düzeydeki temel analizler şeklindedir. İkincisi ve asıl olan ise gelişmiş veri analizleridir. Bu gelişmiş veri analizleri, jupyter notebook aracılığıyla yönetilen fonksiyonlar ile gerçekleştirilir. Bu fonksiyon hesaplamaları ise Apache Spark’ın içerisinde gerçekleştirilmektedir. Jupyter notebook ise Cassandra veritabanında bulunmaktadır. Gelişmiş analizler için Apache Spark’ın veri bölümleme, paralel map reduce gibi yaklaşımlarından faydalanılmaktadır.
Verilerin analizlenmesi, çalışmadaki asıl unsur olduğundan burada PMM modülünün çok sayıda telemetri girdi verisi olması nedeniyle bu modül verileri, örnek veriler olarak ele alınmıştır.
PMM modülü Leonardo olarak da bilinmekle birlikte uzay istasyonunun bir parçasıdır. Ve teçhizat, yük durumları için kullanılan bir lojstik modülüdür. Modül, 6 farklı alt sistemden oluşmaktadır. Bunlar, yapı-mekanizma, çevre kontrol-yaşam destek sistemi, termal alt kontrol sistemi, aviyonik-güç alt sistemleri, komut-veri işleme ve yazılım şeklindedir.
PMM modülünün tüm verileri NASA ile doğrudan bağlantı kurularak ALTEC’te depolanmaktadır. Elde böyle büyük miktarda verinin mevcut olması, ASDP veri analizlerinin performansını değerlendirme açısından önemli bir senaryo oluşturmaktadır. Ayrıca bu kadar verinin varlığı ilerleyen süreçlerde oluşturulabilecek analiz teknikleri için de önemli olarak görülmektedir.
Eldeki veriler içerisinde bakım faaliyetlerine ilişkin verilerin de olması hata tahmini için geliştirilen tekniklerin test edilmesine olanak sağlamaktadır. Şöyle ki önceki arıza-bakım faaliyetlerinin, tahmini arıza değeri ile karşılaştırılarak bu tahmini değerlerin performansında iyileştirmeye gidilebilir.
ASDP’deki tanımlayıcı analizi ilk aşamayı temsil eder ve burada günlük raporların otomatik oluşturulması söz konusudur. Raporların gösteriminde, arayüzde sensör filtreleme seçeneği mevcuttur. Yine raporlar için değişken parametreler düzenlenebilmektedir. Anormalliklerin algılanması için ise kümeleme algoritmaları, gürültü analizi gibi yaklaşımlar kullanılmaktadır. ASDP’nin bir diğer ve en önemli çalışma işlevi ise sensörlerden ölçülecek verileri tahmin etmek ve eksik, bilinmeyen değerleri değiştirmektir. Bu durum için gelişmiş makine öğrenimi algoritmalarından faydalanılmaktadır. Gözetimli ve gözetimsiz öğrenim modelleri, bileşenlerin kullanım ömürleri ve kullanım miktarları arasındaki ilişkinin kurulması amacıyla çalışmada yer almaktadır. Burada ilişkilerin kurulması için sinir ağları, rastgele ormanlar, gradient boosted ağaçları gibi metodlar uygulanmıştır. Ancak şunu vurgulamakta fayda var ki makalenin sonuç kısmında, testlerde en iyi uygulama, rastgele ormanlar algoritması olarak belirtilmiştir.
ASDP birçok farklı bileşen için önemli işlevler taşımakta bunlardan biri de kabin fan düzeneği bileşenidir. ASDP ile kabin fan düzeneğindeki hız parametresinin izlenerek hızdaki ani artışların tespitini sağlamaktadır. Çok miktardaki fan veri setinin işlenmesi ekipmanın uzun vadedeki performansının tahminlenmesi için önemli bir durumdur. Çalışma kapsamında, sadece PMM modülünün değil diğer ISS (International Space Station) modüllerinden elde edilen fan veri setleri de bu fan veri setleriyle ilişkilendirilmiş şekilde (korelasyon ve kümeleme yöntemleriyle) incelenmiş olup hızdaki söz konusu ani artış durumlarının bizzat o modüle özgü olup olmadığı konusu üzerinde de durulmuştur.
ASDP’den aynı zamanda kabin basıncı konusunda da yararlanılmaktadır. PMM modülünde kabin basıncını ölçen 3 sensör mevcuttur. Farklı sensörler aynı miktarda veri ölçümü gerçekleştirdiğinden veriler üzerinde ilişkilendirme ve her veri kümesi için anormallik tespiti gerçekleştirilebilmektedir. Buradaki amaç farklı sensör verilerindeki benzerlik ve tutarlılıkların zaman içindeki davranışlarının saptanmasıdır. Çalışma sonunda gürültüye sahip veri setleri dışında diğer verilerin homojen olduğu gözlemlenmiştir. Tam olarak periyodik olmamakla birlikte bu basınç veri seti modellerinde bir tekrarlama söz konusu olduğundan bir başka analizleme türü olan model analizi uygulanmıştır. Çalışma kapsamında, Öklid mesafesi kullanarak değerlendirme ve belirli bir saat aralığı ile bu saat aralığının öncesindeki bir saat aralığında bulunan verilerin karşılaştırılarak değerlendirilmesi söz konusudur.
ASDP’nin kabuk ısıtıcılar konusundaki işlevi ise ısıtıcı zincirlerinin her biri için akım, elektrik direnci, dağılan güç kavramlarının eğilim analizi ile incelenmesidir. Aynı zamanda ısıtıcı akımları ve PMM içindeki kabin hava sıcaklığı arasında ilişki bulunduğu sürece farklı ısıtıcı zincirleri arasında da ilişkilendirmeler yapılabilmektedir. Kabuk ısıtıcı dediğimiz yapı, uzay istasyonu yüzeyinin uzayda sıcak kalmasını sağlayan yapıdır. Bu yapı doğru çalışmadığı taktirde ISS yüzeyinin soğuk kalması durumunda yüzeydeki yoğuşmadan kaynaklı çiğ taneleri oluşabilmekte ve bu su birikintileri de devrelere sızarak arızaya sebep olabilmektedir. Dolayısıyla kabuk ısıtıcının çalışma performansı da bir uzay istasyonu için oldukça önemlidir.
ASDP tüm bu bileşenlere ek olarak genel ışık montajı olan GLA modülü için de donanım performansına ilişkin sonuçlar üretmekte. Donanım performansı çıkarımının yapılması aslında bir tanımlayıcı analizdir. Ancak ASDP’nin GLA modülü üzerinde çalışmasının asıl amacı ileriye dönük tahminlemeler gerçekleştirmektir. Bu hususta GLA bileşenleri arasındaki akımın eğilimi ve çeşitli parametreler kullanılarak bileşenlerde oluşabilecek potansiyel bir arıza için zaman tahmini üretilmektedir. Kullanılan parametreler kısaca: Akımın uyarı eşiği değerine ulaştığı zaman, alarm eşiklerinden biri aşıldıktan sonra akımın başarısızlık eşik değerine ulaştığı zaman ve GLA açıldığında algılanan akım yükselmesinin boyutu bir başka deyişle ani akımdır.
Makalede sonuç olarak, ASDP gibi bir ortamın, çok sayıda bilginin kontrol altında olmasını sağladığı çıkarımı yapılmıştır. Aynı zamanda PMM modülündeki sorunların giderilmesi kapsamında, büyük veri üzerinde yapılan karmaşık analizlerin bugüne kadar kullanılan klasik yaklaşımlardan daha basit ve daha etkin araçlar olduğu da gözlemlenmiştir.
Tekrar belirtmekte fayda var: Kaynak
