Deep Learning: Anomalieerkennung in Raumfahrzeugen – selbst auf CubeSat

Die sichere Durchführung von Weltraummissionen hängt stark von der schnellen Erkennung von Anomalien in der Telemetrie ab. Doch die Installation komplexer Deep‑Learning‑Modelle an Bord stellt wegen der begrenzten Rechenleistung und des geringen Speicherplatzes von Raumfahrzeugen eine große Herausforderung dar.

In der vorliegenden Studie wurden drei unterschiedliche Ansätze zur Anomalieerkennung untersucht: eine Vorhersage‑und‑Schwellenwert‑Methode, eine direkte Klassifikation und eine Bildklassifikation. Die Basis‑Experimente zeigten, dass die Vorhersage‑und‑Schwellenwert‑Strategie mit einem korrigierten Ereignis‑F0.5‑Score von 92,7 % die beste Leistung erzielte und damit die Ausgangsbasis für weitere Optimierungen bildete.

Durch die Anwendung einer Pareto‑optimierten neuronalen Architekturoptimierung wurden die Modelle für den Einsatz auf Edge‑Geräten angepasst. Das optimierte Vorhersage‑und‑Schwellenwert‑Modell behielt einen Score von 88,8 % bei, während der Speicherbedarf um 97,1 % auf lediglich 59 KB reduziert und die Anzahl der Operationen um 99,4 % gesenkt wurde.

Eine Analyse der Einsatzfähigkeit zeigte, dass die optimierten Modelle nur 0,36 % bis 6,25 % des verfügbaren RAMs eines CubeSats beanspruchen. Damit ist die Echtzeit‑Anomalieerkennung selbst auf stark eingeschränkten Plattformen praktikabel und erfordert keine zusätzlichen Hardwareerweiterungen.

Diese Ergebnisse demonstrieren, dass hochentwickelte Deep‑Learning‑basierte Anomalieerkennung zuverlässig in die begrenzten Rechenumgebungen von Raumfahrzeugen integriert werden kann. Die Modelle liefern nahezu sofortige Warnungen, ohne die Hardwaregrenzen zu überschreiten, und tragen damit wesentlich zur Sicherheit und Zuverlässigkeit von Weltraummissionen bei.