Con la continua proliferación de satélites, determinar con precisión su estado operativo es crucial para el diseño de satélites y la detección de anomalías en órbita. Sin embargo, la investigación existente pasa por alto este aspecto crucial, quedando corta en su análisis. A través de un análisis de datos de telemetría de satélites en tiempo real, este documento pionero introduce cuatro estados operativos distintos dentro de los sistemas de control de actitud de satélites y explora los desafíos asociados con su clasificación y predicción. Considerando datos sesgados y dimensionalidad, proponemos el marco de la Red Neuronal Convolucional de Grafos de Dos Pasos (TS-GCN), integrando el remuestreo y una arquitectura simplificada como el punto de referencia del problema propuesto. Aplicando TS-GCN a un modelo de satélite específico produce un reconocimiento de estado del 98.93% y una precisión de predicción del 99.13%. En comparación con GCN Estándar, CNN Estándar y ResNet-18, la precisión de reconocimiento de estado aumentó en un 37.36-75.65%. Con menos parámetros, TS-GCN es adecuado para despliegue en órbita, mejorando la evaluación y la detección de anomalías.