KI-gestütztes FDIR- und Ressourcenmanagement für Satelliten
Das Projekt adressiert den wachsenden Bedarf an mehr Autonomie bei der Verwaltung großer Satellitenkonstellationen, da traditionelle erdgestützte Fehlerverwaltungsprozesse teuer, langsam und zunehmend unpraktisch sind. Die zentrale Herausforderung besteht darin, Fehler an Bord in Echtzeit zu erkennen, zu isolieren und zu beheben, während potenzielle Degradierungen vorhergesagt werden, bevor sie den Service beeinträchtigen.
Um dies zu erreichen, kombiniert das Konsortium fortschrittliche KI-Methoden mit neuromorpher Hardware, wodurch schnelle und energieeffiziente Entscheidungen direkt auf den Satelliten ermöglicht werden. Dieser Proof-of-Concept-Ansatz zeigt, wie predictive Monitoring und autonome Fehlerbehebung die Ausfall- und Wiederherstellungszeiten um eine Größenordnung reduzieren und den Weg für resiliente, selbstverwaltende Weltraumsysteme ebnen.
fortiss wird CNN-basierte Klassifikations- und Erkennungsalgorithmen auf der BrainChip Akida Plattform untersuchen. Darüber hinaus wird das Team Pattern-Matching-Techniken, Encoder und ergänzende Netzwerkarchitekturen erforschen, um heterogene Multikanal-Eingaben zu verarbeiten. Als erster Schritt wird der öffentliche ESA-Anomaliedatensatz verwendet, um geeignete Netzwerkmodelle für die Fehlererkennung zu identifizieren. Aufbauend auf diesen Ergebnissen werden die implementierten Algorithmen mit Echtzeitdaten von Kepler und dem OHB-Konstellationssimulator validiert.
01.09.2025 - 31.08.2027
