KI-Techniken verbessern die Fehlersuche bei Raumfahrzeugen

In Raumfahrzeugen ist es super wichtig, Probleme zu erkennen, bevor sie ernst werden. Failure Detection, Isolation and Recovery (FDIR) ist ein zentraler Prozess, der hilft, die Systeme des Raumschiffs zu überwachen und sicherzustellen, dass alles rund läuft. Traditionelle Methoden verlassen sich oft auf feste Schwellenwerte, um Probleme zu identifizieren, aber das kann dazu führen, dass Fehler übersehen werden, wenn sie ausserhalb der erwarteten Grenzen auftreten.

Neue Methoden, die Künstliche Intelligenz (KI) nutzen, kommen auf, um diese Lücken zu schliessen. Diese Forschung konzentriert sich auf zwei KI-basierte Ansätze, die darauf abzielen, zu erkennen, wann die Werte von Haltungssensoren des Raumfahrzeugs feststecken oder nicht mehr ändern. Diese Sensoren liefern wichtige Daten, die helfen, die Ausrichtung des Raumfahrzeugs zu steuern, und es ist entscheidend zu wissen, wann ihre Werte falsch sind, um sicher zu operieren.

#Projektübersicht

Das Projekt, das Astrone KI heisst, wird von Airbus Defence and Space in Deutschland durchgeführt und beinhaltet Partnerschaften mit verschiedenen Universitäten und Unternehmen. Es zielt darauf ab, ein drohnenähnliches Fahrzeug zu entwickeln, das kleine Himmelskörper im Weltraum, wie Asteroiden, erkunden kann. Dieses Fahrzeug wird fortgeschrittene KI für FDIR und visionsbasierte Navigation verwenden, um autonom in herausfordernden Umgebungen zu operieren.

Das Astrone KI-System ist so konzipiert, dass es sowohl mit KI-basierten als auch mit traditionellen FDIR-Methoden zusammenarbeitet. Durch die Kombination dieser beiden Ansätze soll die Erkennungsfähigkeit verbessert werden, während auch eine Backup-Option bereitgestellt wird, falls die KI ausfällt. Die KI wird Daten von Bord-Sensoren wie Beschleunigungssensoren und Inertial Measurement Units (IMUs) analysieren, um festgestellte Fehler zu identifizieren, also Szenarien, in denen die Sensorwerte sich nicht so ändern, wie sie sollten.

#Verständnis von Feststeckwerten

Feststeckwerte passieren, wenn die Sensordaten entweder bei einem vorherigen Wert einfrieren oder erratisch hüpfen. Diese Fehler sind tricky zu erkennen, besonders da traditionelle Methoden sie möglicherweise nicht erfassen, wenn die Werte innerhalb der erwarteten Bereiche bleiben, auch wenn sie falsch sind. Durch den Einsatz von KI-Techniken können wir versuchen, diese Fehler schneller zu identifizieren, gerade wenn sie auftreten, statt zu warten, bis sie sich verschlimmern.

#Einblicke aus der Literatur

Die Forschung zu KI-basierter Anomalieerkennung hat zugenommen, einschliesslich Arbeiten innerhalb und ausserhalb der Raumfahrttechnologie. Ein wichtiger Aspekt dieser Algorithmen ist, dass Raumfahrzeuge oft über begrenzte Rechenleistung verfügen, was die Art der Lösungen beeinflusst, die angewendet werden können.

Es gibt zwei Haupttypen von KI-Techniken: Machine Learning (ML) und Deep Learning (DL).

ML nutzt Algorithmen, die lernen, Daten entweder als normal oder fehlerhaft zu klassifizieren, basierend auf Mustern, die in vorhandenen Aufzeichnungen beobachtet werden. Zum Beispiel sind Support Vector Machines und Entscheidungsbäume gängige Methoden in dieser Kategorie. Ein beliebtes Beispiel ist XGBoost, das starke Leistungen in verschiedenen Datenherausforderungen gezeigt hat.

DL hingegen nutzt komplexere Modelle, die ohne viel Feature-Engineering aus Daten lernen können. Diese Modelle, wie z.B. neuronale Netze, können komplexe Muster in grossen Datensätzen erkennen, was sie ideal für Aufgaben macht, bei denen traditionelles ML möglicherweise versagt. DL kann für Aufgaben wie direkte Fehlerklassifikation und die Analyse von Zeitreihendaten für Vorhersagen oder Rekonstruktionen genutzt werden.

#Ansätze zur Erkennung von Feststeckwerten

Diese Forschung schlägt zwei verschiedene Methoden zur Erkennung von Feststeckwerten vor. Der erste ist ein ML-Ansatz mit XGBoost, der sich auf klare Regeln zur Identifizierung von Problemen in Daten konzentriert. Die zweite ist eine DL-Methode, die ein Convolutional Neural Network (CNN) nutzt, das hervorragend darin ist, komplexe Muster zu erkennen, selbst wenn die Ergebnisse weniger erklärbar sind.

#Machine Learning Ansatz (XGBoost)

Die XGBoost-Methode zielt auf hohe Interpretierbarkeit ab, was bedeutet, dass der Prozess zur Identifizierung von Feststeckwerten verständlich ist. Durch das Abstimmen der Einstellungen des Algorithmus funktioniert es ähnlich, wie Menschen diese Fehler erkennen würden.

#Deep Learning Ansatz (CNN)

Die CNN-Methode analysiert mehrere Signale gleichzeitig, was es ermöglicht, Informationen sowohl von Beschleunigungssensoren als auch von IMUs zu sammeln, um eine effektivere Erkennung zu ermöglichen. Obwohl diese Technik überlegene Leistungskennzahlen gezeigt hat, trade sie die Fähigkeit ein, zu verstehen, wie Entscheidungen getroffen werden.

#Experimentelles Setup

Bei den Tests dieser Methoden wurden Simulationen der Astrone KI-Sensoren durchgeführt, um ein Datenset für das Training und die Evaluierung der Algorithmen zu erstellen. Beide Arten von Fehlern, wie das Feststecken am aktuellsten Wert oder an einem zufälligen Wert, wurden in die Simulationen einbezogen. Der Fokus lag darauf, realistische Bedingungen zu schaffen, um zu beurteilen, wie gut jeder Ansatz die Fehler erkennen konnte.

Die Algorithmen arbeiten nach dem Prinzip, dass Feststeckfehler typischerweise plötzliche Abfälle in der Änderungsrate des Signals zeigen. Durch die Identifizierung dieser Momente können wir Fehler frühzeitig erkennen. Die Bedingungen zur Erkennung dieser Feststeckwerte umfassten die Erkennung von flachen Signalen und die Evaluierung von Änderungen über die Zeit.

#Leistungsvergleich von XGBoost und CNN

Beide Ansätze, XGBoost und CNN, wurden basierend auf ihrer Fähigkeit, Fehler genau zu identifizieren, verglichen. Im Allgemeinen schnitt das CNN besser ab als XGBoost, insbesondere hinsichtlich der Leistungskennzahlen. Ein bedeutender Nachteil des CNN ist jedoch die fehlende Interpretierbarkeit, was es schwieriger macht, zu verstehen, wie Entscheidungen getroffen werden.

Das XGBoost-Modell, das durch Feature Engineering unterstützt wurde, lieferte eine klare Struktur dafür, wie Daten klassifiziert wurden. Bei der Analyse der Entscheidungsregeln fanden wir heraus, dass das Modell insgesamt gut abschnitt, aber Schwierigkeiten hatte, wenn Rauschen die Messungen störte. In bestimmten Fällen konnte XGBoost das Feststecken von Werten übersehen, insbesondere wenn Rauschen vorhanden war.

Das CNN, obwohl insgesamt effektiver, hatte ebenfalls Schwierigkeiten, Fehler unter rauschenden Bedingungen zu erkennen. Dies hebt die Komplexität hervor, solche Probleme in realen Umgebungen anzugehen, wo Sensordaten von verschiedenen Faktoren beeinflusst werden können.

#Einschränkungen und Überlegungen

Bei der Wahl zwischen diesen beiden Ansätzen für reale Anwendungen ist es wichtig, die Bedeutung von Interpretierbarkeit im Vergleich zur Leistung abzuwägen. Für einige Missionen kann es wichtiger sein, zu verstehen, wie ein KI-System zu seinen Entscheidungen kommt, als rohe Genauigkeit, besonders wenn es um Sicherheit geht.

Ausserdem müssen beide Methoden an den spezifischen Kontext angepasst werden, in dem sie betrieben werden. Wenn sich beispielsweise die Eingabedaten signifikant von den während des Trainings verwendeten unterscheiden, müssen die Systeme möglicherweise angepasst oder neu trainiert werden, um ihre Effektivität zu erhalten.

#Fazit

Das Astrone KI-Projekt hebt die potenziellen Vorteile der Integration von KI in FDIR-Prozesse in Raumfahrzeugen hervor. Durch die Bewertung der Stärken und Schwächen von ML- und DL-Methoden zur Erkennung von Feststeckwerten können Forscher den am besten geeigneten Ansatz für bestimmte Missionen identifizieren.

Während die Technologie weiter voranschreitet, wird es notwendig sein, tiefer in die Nuancen dieser Algorithmen einzutauchen, um sicherzustellen, dass sie die anspruchsvollen Anforderungen der Raumfahrt erfüllen. Ob durch Verbesserung bestehender Methoden oder Entwicklung neuer Techniken, die Integration von KI in diesem Bereich verspricht, die Zuverlässigkeit und Sicherheit zukünftiger Missionen zu erhöhen.