Data-Driven Mission Recommendation for LEO Satellites using Random Forest and Hybrid Deep Learning Forecasting

Stellen Sie sich vor, der Himmel über uns wäre voller winziger, schneller Roboter namens Satelliten. Dies sind nicht nur schwebende Kameras; es sind komplexe Maschinen, die Energie „essen“ müssen, um ihre Aufgaben zu erfüllen, wie etwa Fotos zu machen oder Signale zu senden. Ihre Nahrung beziehen sie von der Sonne, aber die Sonne scheint nicht immer auf sie. Wenn sie in den Erdschatten fliegen, müssen sie sich auf eine Batterie verlassen, ganz ähnlich wie Ihr Telefon, wenn Sie das Ladegerät vergessen haben. Die große Herausforderung für die Menschen am Boden, die diese Roboter steuern, besteht darin, genau zu wissen, wie viel „Batteriesaft“ noch übrig ist, bevor sie den Satelliten eine neue, energiehungrige Aufgabe stellen. Wenn sie zu viel verlangen, könnte der Satellit „ohnmächtig“ werden und seine Mission scheitern.

Lange Zeit war das Herausfinden dieser Sache so, als würde man versuchen, das Wetter anhand der Wolken zu erraten und einfach zu hoffen, dass man recht behält. Erfahrene Operatoren nutzten ihr Bauchgefühl und jahrelanges Gedächtnis, um zu entscheiden, ob ein Satellit genug Energie hatte. Aber Erinnerungen können lückenhaft sein, und verschiedene Menschen könnten unterschiedliche Vermutungen anstellen. Dieses Papier stellt einen neuen Weg vor, um dieses Rätsel zu lösen, indem ein „digitales Gehirn“ genutzt wird, das aus sechs Jahren Geschichte lernt. Es kombiniert zwei Arten von kluger Mathematik: eine, die sich wiederkehrende Muster erkennt (wie das Aufgehen und Untergehen der Sonne), und eine andere, die aus den chaotischen, verbleibenden Details lernt. Das Ziel ist es, ein vages Gefühl in eine klare, schriftliche Liste zu verwandeln, die exakt angibt, welche Aufgaben der Satellit im Moment sicher ausführen kann.

---

Das Energie-Dilemma des Satelliten

Treffen Sie LAPAN-IPB, einen Satelliten, der 500 Kilometer über Indonesien kreist. Es ist ein polarer Satellit, was bedeutet, dass er über den Nord- und Südpol rast und die Erde etwa 15 Mal am Tag umkreist. Jedes Mal, wenn er über Indonesien fliegt, hat er ein kurzes Zeitfenster – etwa 10 bis 15 Minuten – um mit Bodenstationen zu kommunizieren. Während dieses winzigen Fensters können die Operatoren am Boden ihm neue Anweisungen senden, wie zum Beispiel: „Mache ein Foto dieses Waldes“ oder „Scanne den Ozean“.

Aber hier liegt der Haken: Der Satellit wird mit einer Batterie betrieben. Zwischen diesen kurzen Fenstern verbringt er Zeit im Dunkeln (Eklipse) und lebt von seiner gespeicherten Energie. Wenn die Batterie zu schwach ist und die Operatoren einen Befehl senden, der zu viel Strom verbraucht, könnte der Satellit abstürzen oder seine Funktionsfähigkeit verlieren.

Jahrelang mussten die Operatoren beim National Research and Innovation Agency (BRIN) in Indonesien diese lebenswichtigen Entscheidungen auf Basis von „implizitem Wissen“ treffen. Das ist eine schicke Art zu sagen: „Bauchgefühl, das auf Erfahrung basiert“. Wenn ein Operator seit zehn Jahren dabei war, wusste er vielleicht: „Oh, die Batterie sieht heute etwas niedrig aus, lassen wir also die schwere Kamera-Mission ausfallen.“ Aber wenn ein neuer Operator übernahm, verfügte er nicht über diese Erfahrung. Er könnte falsch raten, oder zwei Operatoren könnten über dieselbe Situation streiten. Es gab kein schriftliches Regelwerk, keinen klaren Prüfpfad und keine Möglichkeit zu beweisen, warum eine Entscheidung getroffen wurde.

Der neue „digitale Co-Pilot“

Dieses Papier beschreibt ein neues System, das darauf ausgelegt ist, dieses Raten durch eine datengesteuerte Empfehlungsmaschine zu ersetken. Stellen Sie es sich wie einen Co-Piloten vor, der die Vitalwerte des Satelliten liest und dem Operator eine geordnete Liste sicherer Aufgaben überreicht. Das System wurde unter Verwendung von sechs Jahren Daten (von Januar 2019 bis Dezember 2024) entwickelt, die über 25.000 Datensätze der Batteriespannung und des Stroms des Satelliten enthielten.

Die Forscher unterteilten das Problem in drei Hauptschritte unter Verwendung einer geschickten Mischung aus klassischer Statistik und modernem Deep Learning.

1. Vorhersage der zukünftigen Spannung
Zuerst muss das System vorhersagen, wie hoch die Batteriespannung beim nächsten Mal sein wird, wenn der Satellit mit dem Boden kommuniziert. Um dies zu erreichen, verwendeten sie ein „hybrides“ Modell. Stellen Sie sich vor, Sie versuchen, die Gezeiten vorherzusagen. Sie wissen, dass die Gezeiten in einem regelmäßigen Zyklus steigen und fallen (das ist der einfache Teil). Aber manchmal verändert ein Sturm oder ein starker Wind unerwartet den Wasserstand (das ist der schwierige Teil).

Die Forscher verwendeten ein statistisches Modell namens SARIMAX, um den regelmäßigen, vorhersehbaren Auf-und-Ab-Zyklus des Aufladen und Entladen der Batterie zu handhaben. Dann verwendeten sie ein Deep-Learning-Modell (speziell eine Art namens LSTM), um die chaotischen, unvorhersehbaren Überreste zu erfassen. Durch die Kombination dieser beiden erhielten sie eine sehr genaue Vorhersage. In ihren Testdaten konnte dieses hybride Modell die Spannung mit einem durchschnittlichen Fehler von nur 0,1042 V (Volt) vorhersagen. Das ist unglaublich präzise, da die Batteriespannung normalerweise um 16 bis 17 Volt schwankt.

2. Das Erlernen der „Energiefingerabdrücke“
Als Nächstes musste das System wissen, wie viel Energie jede spezifische Mission verbraucht. Der Satellit hat 20 verschiedene Arten von Missionen (wie „ein Foto machen“, „den Ozean scannen“ usw.), und jede davon schaltet unterschiedliche Schalter ein und verbraucht unterschiedliche Mengen an Strom.

Die Forscher brachten einem Random Forest-Klassifikator (einer Art von maschinellem Lernen, das wie ein Team von Entscheidungsbäumen funktioniert) bei, den „Energiefingerabdruck“ jeder Mission zu erkennen. Sie betrachteten die Batterie-Stromstärke und -spannung während vergangener Missionen, um zu sehen, wie sich jede einzelne „anfühlte“. Dabei mussten sie jedoch vorsichtig sein. Der Satellit sendet Daten viele Male während eines einzigen 15-minütigen Durchgangs. Wenn sie jeden einzelnen Datenpunkt als separate Lektion behandelt hätten, wäre der Computer verwirrt worden und hätte geglaubt, er lerne aus 25.000 verschiedenen Ereignissen, obwohl er eigentlich nur dasselbe Ereignis immer wieder sieht. Sie lösten dies, indem sie die Daten in „Durchgänge“ gruppierten, sodass der Computer aus 6.833 einzigartigen Ereignissen lernte statt aus 25.000 verwirrenden Duplikaten.

Das Ergebnis? Der Computer lernte, die 20 Missionstypen mit einem hohen Maß an Genauigkeit zu identifizieren, wobei er die Missionstypen etwa 82 % der Zeit korrekt errät und auch bei den seltenen, weniger häufig vorkommenden Missionen eine großartige Leistung zeigt.

3. Der Sicherheitscheck und das Ranking
Schließlich führt das System alles zusammen. Es nimmt die vorhergesagte zukünftige Spannung und vergleicht sie mit einem „Sicherheitsschwellenwert“ für jede der 20 Missionen. Woher kamen diese Schwellenwerte? Die Forscher nutzten einen geschickten statistischen Trick namens Tukey Upper Fence. Stellen Sie sich vor, Sie haben einen Stapel Daten, die zeigen, wie hoch die Batteriespannung war, als eine bestimmte Mission in der Vergangenheit erfolgreich durchgeführt wurde. Der Tukey Fence findet die „sichere obere Grenze“ dieses Stapels. Wenn die vorhergesagte Spannung höher als diese Grenze ist, ist die Mission sicher.

Um sicherzustellen, dass diese Grenzwerte vertrauenswürdig sind, überprüften sie dies auf zwei Arten: einmal mit den Rohdaten und einmal mit der internen Logik des Modells für maschinelles Lernen. Sie fanden heraus, dass die beiden Methoden für alle 20 Missionen fast perfekt übereinstimmten (der Unterschied betrug weniger als 0,0843 V, was kleiner als der Vorhersagefehler selbst ist). Das bedeutet, dass die Sicherheitsgrenzen absolut solide sind.

Das Ergebnis: Eine klare, geordnete Liste

Wenn der Satellit kurz vor dem Kontakt mit dem Boden steht, führt das System eine schnelle Berechnung durch. Es sagt die Batteriespannung voraus, prüft sie gegen die 20 Sicherheitsgrenzen und gibt eine geordnete Liste aus.

• Machbare Missionen (Feasible Missions): Dies sind die Aufgaben, die die Batterie definitiv bewältigen kann.
• Das Ranking: Das System sagt nicht einfach nur „Ja“ oder „Nein“. Es rankt die „Ja“-Missionen nach ihrer Energiemarge. Dies ist die Differenz zwischen der vorhergesagten Spannung und dem Sicherheitslimit.
  • Eine Mission mit einer großen Marge (z. B. +0,77 V) ist super sicher.
  • Eine Mission mit einer winzigen Marge (z. B. +0,02 V) ist technisch zwar möglich, aber riskant, wie ein Seiltanz auf dem Drahtseil.

Dies gibt dem Operator einen klaren, evidenzbasierten Ausgangspunkt. Anstatt zu raten, kann er sehen: „Mission A ist sicher mit einem großen Puffer, aber Mission B ist knapp kalkuliert.“ Wenn die Batterie schwach ist, könnte das System sagen: „Nur diese drei stromsparenden Aufgaben sind heute sicher.“ Wenn die Batterie voll ist, könnte es sagen: „Sie können fast alles machen, aber Mission C ist die sicherste Wahl.“

Warum das wichtig ist

Der größte Gewinn besteht nicht nur darin, dass die Mathematik funktioniert; sondern darin, dass der Prozess nun reproduzierbar und prüfbar ist. Früher konnte man bei einem Missionsfehler nicht sicher sein, ob der Operator eine schlechte Vermutung angestellt hat oder ob der Satellit einfach nur Pech hatte. Jetzt wird jede Entscheidung durch sechs Jahre Daten und eine klare, dokumentierte Regel gestützt.

Das System ersetzt nicht den menschlichen Operator; es verleiht ihm eine Superkraft. Es verwandelt ein vages Gefühl in eine präzise, geordnete Liste von Optionen und stellt sicher, dass der Satellit – unabhängig davon, wer gerade Dienst hat – die bestmögliche Pflege erhält. Die Forscher fanden heraus, dass dieser Ansatz stabil und zuverlässig ist und bereit ist, dem LAPAN-IPB Satelliten dabei zu helfen, auch in den kommenden Jahren sicher weiterzufliegen.