LSTM-Modelle mit statistischer Relabeling steigern Anomalie-Erkennung um 29 %

Für die Entscheidung „Go/No‑Go“ vor dem Start eines Raketenantriebs ist es entscheidend, die Echtzeit‑Telemetrie gegen die während der Designqualifikation festgelegten Grenzwerte zu prüfen. Traditionell werden dafür Daten aus Bodenprüfungen oder früheren Flügen herangezogen, was jedoch stark von der Einschätzung der Ingenieure abhängt und bei neuen Fahrzeugen fehleranfälliger ist.

In der aktuellen Studie wird ein Long‑Short‑Term‑Memory (LSTM)-Netzwerk eingesetzt, um Zeitreihenanomalien zu klassifizieren. Da die anfänglichen Trainingslabels aus simulierten Anomaliedaten stammen, können sie durch unterschiedliche Anomalie‑Stärken und -Einstellungszeiten verzerrt sein. Um dieses Problem zu lösen, wurde ein neuer statistischer Detektor entwickelt, der die Mahalanobis‑Distanz und Vor‑ und Rückwärts‑Erkennungsanteile nutzt, um die Labels automatisch zu korrigieren.

Der Ansatz wurde an digitalen Zwillingen eines Bodenantriebs getestet, der pro Versuch 20,8 Minuten Betriebszeit simuliert und über etwa 10^8 Trainingsschritte verfügt. Durch die statistische Relabeling stiegen die Präzision und der Recall des LSTM‑Klasseurs um 7 % bzw. 22 %. Damit wird nicht nur die Genauigkeit der Anomalieerkennung deutlich verbessert, sondern auch die Qualität der Telemetriedaten für kritische Startentscheidungen erhöht.