Fallstudie AI4FDIR – AI for fault detection, isolation & recovery
Mit der zunehmenden Größe moderner Satellitenkonstellationen stoßen klassische, erdgestützte Fehleranalysen an ihre Grenzen. fortiss verlagert im Projekt AI4FDIR zentrale Intelligenz direkt an Bord der Satelliten, um Fehler in Echtzeit zu erkennen, zu isolieren und zu beheben.
Dafür entwickelt das Institut ein autonomes On-Board-System für die Fehlererkennung, -Isolation und -Behebung (FDIR). Durch die Kombination von Machine Learning, Deep Learning und extrem energieeffizienter neuromorpher Datenverarbeitung können dadurch Ausfall- und Wiederherstellungszeiten erheblich reduzieren und damit resiliente, selbstverwaltende Weltraumsysteme ermöglicht werden.
Herausforderung
Die autonome Verwaltung großer Satelliten-Telekommunikationskonstellationen stellt hohe Anforderungen an Geschwindigkeit, Zuverlässigkeit und Ressourceneffizienz. Bestehende Ansätze basieren überwiegend auf bodengestützten Systemen, wodurch Fehler erst mit Verzögerung erkannt und behoben werden können. Gleichzeitig wächst die Komplexität der Systeme kontinuierlich, während an Bord nur stark begrenzte Rechen- und Energieressourcen zur Verfügung stehen. Dadurch wird es zunehmend schwierig, Fehler in Echtzeit zu identifizieren, deren Ursache eindeutig zu isolieren und geeignete Gegenmaßnahmen einzuleiten, bevor es zu spürbaren Auswirkungen auf den Kommunikationsdienst kommt.
Lösung
Ein zentraler Lösungsansatz ist die Verlagerung intelligenter Entscheidungsprozesse direkt an Bord der Satelliten. Dafür werden moderne Methoden des Machine Learning und Deep Learning mit extrem energieeffizienter neuromorpher Datenverarbeitung kombiniert, um schnelle und energiesparende Inferenz unter Echtzeitbedingungen zu ermöglichen. Das System analysiert kontinuierlich heterogene Telemetriedaten, erkennt Anomalien frühzeitig und leitet automatisch Maßnahmen zur Fehlerisolierung und Wiederherstellung ein.
Ergänzend werden verschiedene KI-Architekturen untersucht und auf neuromorpher Hardware evaluiert. Die Entwicklung erfolgt schrittweise von der Analyse öffentlicher ESA-Anomaliedaten über die Validierung mit realistischen Missions- und Simulationsdaten bis hin zu einem neuromorphen Proof-of-Concept auf Raumfahrtebene, der die Machbarkeit autonomer FDIR-Funktionalität im Satellitenbetrieb demonstriert.
Ergebnis
- Entwicklung und Erprobung von KI-Modellen zur Klassifikation von Anomalien in Satelliten-Telemetriedaten auf der neuromorphen BrainChip-Akida-Plattform
- Erfolgreiche Identifikation und Nutzung relevanter Fehler- und Degradationsmuster aus dem öffentlichen ESA-Anomaliedatensatz für das Modelltraining
- Ableitung geeigneter KI-Modellarchitekturen für energieeffiziente On-Board-FDIR-Anwendungen mit Fokus auf Echtzeitfähigkeit
- Validierung der entwickelten Ansätze mit realitätsnahen Daten aus dem Kepler-Satellitensystem sowie dem OHB-Konstellationssimulator
- Nachweis der Robustheit der Modelle unter variierenden Missions- und Betriebsbedingungen sowie zuverlässige Früherkennung von Anomalien
- Umsetzung eines neuromorphen Proof-of-Concepts für On-Board-FDIR auf Raumfahrtsystemebene
- Demonstration der technischen Machbarkeit von KI-gestützter Fehlererkennung, -isolation und -reaktion direkt an Bord von Satelliten
- Reduktion der Abhängigkeit von bodengestützter Analyse durch frühzeitige, autonome Entscheidungsfähigkeit im Systemkontext
Fazit
fortiss zeigt, dass die Kombination aus Deep Learning und neuromorpher Datenverarbeitung autonome, schnelle und energieeffiziente Fehlerbehandlung direkt im Satelliten ermöglicht. Damit wird der Weg für zukünftige Weltraumkonstellationen geebnet, die sich selbst überwachen, diagnostizieren und stabilisieren können.
Projektpartner
