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

कल्पना कीजिए कि हमारे ऊपर का आकाश छोटे, उच्च गति वाले रोबोटों से भरा है जिन्हें उपग्रह (सैटेलाइट) कहा जाता है। ये केवल तैरते हुए कैमरे नहीं हैं; ये जटिल मशीनें हैं जिन्हें अपने काम करने के लिए, जैसे कि फोटो खींचने या सिग्नल भेजने के लिए, ऊर्जा की आवश्यकता होती है। वे अपना भोजन सूर्य से प्राप्त करते हैं, लेकिन सूर्य हमेशा उन पर चमकता नहीं रहता। जब वे पृथ्वी की छाया में प्रवेश करते हैं, तो उन्हें एक बैटरी पर निर्भर रहना पड़ता है, बिल्कुल वैसे ही जैसे आपका फोन तब करता है जब आप अपना चार्जर भूल जाते हैं। इन रोबोटों को नियंत्रित करने वाले ज़मीन पर मौजूद लोगों के लिए बड़ी चुनौती यह जानना है कि एक नया, ऊर्जा-खपत वाला कार्य करने के लिए पूछने से पहले उपग्रह के पास कितनी "बैटरी का रस" बचा है। यदि वे बहुत अधिक मांग लेते हैं, तो उपग्रह बेहोश हो सकता है और अपना मिशन विफल कर सकता है।

लंबे समय तक, इस पहेली को सुलझाना ऐसा था जैसे बादलों को देखकर मौसम का अनुमान लगाना और बस उम्मीद करना कि सब ठीक रहेगा। अनुभवी ऑपरेटर अपने अंतर्ज्ञान (गट फीलिंग) और वर्षों की याददाश्त का उपयोग करके यह तय करते थे कि उपग्रह के पास पर्याप्त शक्ति है या नहीं। लेकिन यादें धुंधली हो सकती हैं, और अलग-अलग लोग अलग-अलग अनुमान लगा सकते हैं। यह शोध पत्र इस पहेली को हल करने का एक नया तरीका पेश करता है, जो छह साल के इतिहास से सीखता हुआ एक "डिजिटल मस्तिष्क" है। यह दो प्रकार के स्मार्ट गणित को जोड़ता है: एक जो दोहराते पैटर्न को पहचानता है (जैसे सूर्य का उदय और अस्त होना) और दूसरा जो बिखरे हुए विवरणों से सीखता है। लक्ष्य एक अस्पष्ट भावना को एक स्पष्ट, लिखित सूची में बदलना है कि उपग्रह अभी सुरक्षित रूप से कौन से कार्य कर सकता है।

---

उपग्रह की ऊर्जा दुविधा

LAPAN-IPB से मिलिए, जो इंडोनेशिया के 500 किलोमीटर ऊपर कक्षा में घूम रहा है। यह एक ध्रुवीय (पोलर) उपग्रह है, जिसका अर्थ है कि यह उत्तरी और दक्षिणी ध्रुवों के ऊपर से तेज़ी से गुजरता है, और दिन में लगभग 15 बार पृथ्वी का चक्कर लगाता है। हर बार जब यह इंडोनेशिया के ऊपर से गुजरता है, तो इसे ग्राउंड स्टेशनों से बात करने के लिए एक छोटा सा समय मिलता है—लगв 10 से 15 मिनट। इस छोटे से अंतराल के दौरान, ज़मीन पर मौजूद ऑपरेटर इसे नए निर्देश भेज सकते हैं, जैसे "इस जंगल की तस्वीर लो" या "सागर का स्कैन करो।"

लेकिन यहाँ एक पेच है: उपग्रह एक बैटरी पर चल रहा है। इन छोटे अंतरालों के बीच, यह अंधेरे (ग्रहण/एक्लिप्स) में समय बिताता है, और अपनी संचित ऊर्जा पर जीवित रहता है। यदि बैटरी बहुत कम है, और ऑपरेटर एक ऐसा कमांड भेज देते हैं जिसमें बहुत अधिक बिजली लगती है, तो उपग्रह क्रैश हो सकता है या अपनी कार्य करने की क्षमता खो सकता है।

वर्षों से, इंडोनेशिया के राष्ट्रीय अनुसंधान और नवाचार एजेंसी (BRIN) के ऑपरेटरों को इन जीवन-मरण के निर्णयों को "टैसिट नॉलेज" (tacit knowledge) के आधार पर लेना पड़ता था। यह एक फैंसी तरीका है यह कहने का कि "अनुभव से बना अंतर्ज्ञान"। यदि किसी ऑपरेटर को वहाँ दस साल हो गए हैं, तो वे जान सकते हैं, "ओह, आज बैटरी थोड़ी कम लग रही है, तो चलिए भारी कैमरा मिशन को छोड़ देते हैं।" लेकिन यदि कोई नया ऑपरेटर कार्यभार संभालता, तो उसके पास वह अनुभव नहीं होता। वे गलत अनुमान लगा सकते थे, या दो ऑपरेटर एक ही स्थिति पर बहस कर सकते थे। वहाँ कोई लिखित नियम पुस्तिका नहीं थी, कोई स्पष्ट ऑडिट ट्रेल नहीं था, और यह साबित करने का कोई तरीका नहीं था कि कोई निर्णय क्यों लिया गया था।

नया "डिजिटल को-पायलट"

यह शोध पत्र एक नए सिस्टम का वर्णन करता है जिसे उस अनुमान की जगह एक डेटा-संचालित अनुशंसा इंजन (recommendation engine) से बदलने के लिए डिज़ाइन किया गया है। इसे एक को-पायलट के रूप में सोचें जो उपग्रह के महत्वपूर्ण संकेतों को पढ़ता है और ऑपरेटर को सुरक्षित कार्यों की एक रैंक की गई सूची सौंपता है। इस सिस्टम को छह साल के डेटा (जनवरी 2019 से दिसंबर 2024 तक) का उपयोग करके बनाया गया था, जिसमें उपग्रह के बैटरी वोल्टेज और करंट के 25,000 से अधिक रिकॉर्ड शामिल थे।

शोधकर्ताओं ने इस समस्या को तीन मुख्य चरणों में विभाजित किया, जिसमें पुराने सांख्यिकीय तरीकों और आधुनिक डीप लर्निंग का एक चतुर मिश्रण उपयोग किया गया।

1. भविष्य के वोल्टेज की भविष्यवाणी करना
सबसे पहले, सिस्टम को यह अनुमान लगाने की आवश्यकता है कि अगली बार जब उपग्रह ज़मीन से संपर्क करेगा, तो बैटरी वोल्टेज क्या होगा। इसे करने के लिए, उन्होंने एक "हाइब्रिड" मॉडल का उपयोग किया। कल्पना कीजिए कि आप ज्वार-भाटा (टाइड) की भविष्यवाणी करने की कोशिश कर रहे हैं। आप जानते हैं कि ज्वार नियमित चक्र में ऊपर और नीचे जाता है (यह आसान हिस्सा है)। लेकिन कभी-कभी, एक तूफान या तेज़ हवा पानी के स्तर को अप्रत्याशित रूप से बदल देती है (यह कठिन हिस्सा है)।

शोधकर्ताओं ने SARIMAX नामक एक सांख्यिकीय मॉडल का उपयोग किया ताकि बैटरी चार्जिंग और डिस्चार्जिंग के नियमित, अनुमानित चक्र को संभाला जा सके। फिर, उन्होंने एक डीप लर्निंग मॉडल (विशेष रूप से LSTM प्रकार का) का उपयोग किया ताकि बिखरे हुए, अप्रत्याशित विवरणों को समझा जा सके। दोनों को जोड़कर, उन्हें एक बहुत सटीक भविष्यवाणी मिली। अपने टेस्ट डेटा पर, यह हाइब्रिड मॉडल केवल 0.1042 V (वोल्ट) के औसत त्रुटि के साथ वोल्टेज की भविष्यवाणी करने में सक्षम था। यह अविश्वसनीय रूप से सटीक है, विशेष रूप से क्योंकि बैटरी वोल्टेज आमतौर पर 16 से 17 वोल्ट के आसपास रहता है।

2. "ऊर्जा फिंगरप्रिंट" को सीखना
इसके बाद, सिस्टम को यह जानने की आवश्यकता थी कि प्रत्येक विशिष्ट मिशन कितनी ऊर्जा का उपयोग करता है। उपग्रह के पास 20 अलग-अलग प्रकार के मिशन हैं (जैसे "फोटो लें," "सागर का स्कैन करें," आदि), और प्रत्येक अलग-अलग स्विच चालू करता है और अलग-अलग मात्रा में बिजली का उपयोग करता है।

शोधकर्ताओं ने एक रैंडम फॉरेस्ट क्लासिफायर (मशीन लर्निंग का एक प्रकार जो निर्णय वृक्षों की एक टीम की तरह काम करता है) को प्रत्येक मिशन के "ऊर्जा फिंगरप्रिंट" को पहचानने के लिए प्रशिक्षित किया। उन्होंने पिछले मिशनों के दौरान बैटरी करंट और वोल्टेज को देखा ताकि यह समझ सकें कि प्रत्येक मिशन कैसा "महसूस" होता है। हालाँकि, उन्हें सावधान रहना पड़ा। उपग्रह एक ही 15-मिनट के पास (pass) के दौरान कई बार डेटा भेजता है। यदि वे प्रत्येक डेटा पॉइंट को एक अलग सबक के रूप में मानते, तो कंप्यूटर भ्रमित हो जाता, यह सोचकर कि वह 25,000 अलग-अलग घटनाओं से सीख रहा है जबकि वह वास्तव में एक ही घटना को बार-बार देख रहा था। उन्होंने डेटा को "पास" (passes) में समूहित करके इसे ठीक किया, जिससे कंप्यूटर ने 25,000 भ्रमित डुप्लिकेट्स के बजाय 6,833 अद्वितीय घटनाओं से सीखा।

परिणाम? कंप्यूटर ने लगभग 82% की उच्च सटीकता के साथ 20 मिशन प्रकारों को पहचानने में महारत हासिल की, और दुर्लभ, कम सामान्य मिशनों के साथ भी बेहतरीन काम किया।

3. सुरक्षा जाँच और रैंकिंग
अंत में, सिस्टम इन सबको एक साथ लाता है। यह भविष्य के अनुमानित वोल्टेज को लेता है और इसकी तुलना प्रत्येक मिशन के लिए निर्धारित "सुरक्षा सीमा" (safety threshold) से करता है। ये सीमाएँ कहाँ से आईं? शोधकर्ताओं ने टकी अपर फेंस (Tukey upper fence) नामक एक चतुर सांख्यिकीय तकनीक का उपयोग किया। कल्पना कीजिए कि आपके पास डेटा का एक ढेर है जो दिखाता है कि अतीत में एक विशिष्ट मिशन को सफलतापूर्वक चलाने के दौरान बैटरी वोल्टेज कितना ऊंचा था। टकी फेंस उस ढेर की "सुरक्षित ऊपरी सीमा" को खोजता है। यदि अनुमानित वोल्टेज इस सीमा से अधिक है, तो मिशन सुरक्षित है।

इन सीमाओं को विश्वसनीय बनाने के लिए, उन्होंने दो तरह से जाँच की: एक कच्चे डेटा का उपयोग करके, और दूसरी मशीन लर्निंग मॉडल के आंतरिक तर्क का उपयोग करके। उन्होंने पाया कि सभी 20 मिशनों के लिए, दोनों विधियाँ लगभग पूरी तरह से सहमत थीं (अंतर 0.0843 V से कम था, जो स्वयं भविष्यवाणी त्रुटि से भी छोटा है)। इसका मतलब है कि सुरक्षा सीमाएँ पूरी तरह से ठोस हैं।

परिणाम: एक स्पष्ट, रैंक की गई सूची

जब उपग्रह ज़मीन के संपर्क में आने वाला होता है, तो सिस्टम एक त्वरित गणना करता है। यह बैटरी वोल्टेज की भविष्यवाणी करता है, इसकी तुलना 20 सुरक्षा सीमाओं से करता है, और एक रैंक की गई सूची प्रदान करता है।

• व्यवहार्य मिशन (Feasible Missions): ये वे कार्य हैं जिन्हें बैटरी निश्चित रूप से संभाल सकती है।
• रैंकिंग (The Ranking): सिस्टम केवल "हाँ" या "नहीं" नहीं कहता। यह "हाँ" वाले मिशनों को उनके ऊर्जा मार्जिन (energy margin) द्वारा रैंक करता है। ऊर्जा मार्जिन अनुमानित वोल्टेज और सुरक्षा सीमा के बीच का अंतर है।
  • एक मिशन जिसका मार्जिन बहुत बड़ा है (जैसे, +0.77 V) वह बहुत सुरक्षित है।
  • एक मिशन जिसका मार्जिन बहुत कम है (जैसे, +0.02 V) वह तकनीकी रूप से संभव है लेकिन जोखिम भरा है, जैसे रस्सी पर चलना।

यह ऑपरेटर को एक स्पष्ट, साक्ष्य-आधारित शुरुआती बिंदु देता है। अनुमान लगाने के बजाय, वे देख सकते हैं: "मिशन A एक बड़े बफर के साथ सुरक्षित है, लेकिन मिशन B बहुत करीब है।" यदि बैटरी कम है, तो सिस्टम कह सकता है, "आज केवल ये तीन कम-शक्ति वाले कार्य सुरक्षित हैं।" यदि बैटरी भरी हुई है, तो यह कह सकता है, "आप लगभग सब कुछ कर सकते हैं, लेकिन मिशन C सबसे सुरक्षित दांव है।"

यह क्यों महत्वपूर्ण है

सबसे बड़ी जीत यह नहीं है कि गणित काम करता है; बल्कि यह है कि अब यह प्रक्रिया पुनरुत्पादनीय (reproducible) और ऑडिट योग्य (auditable) है। पहले, यदि कोई मिशन विफल हो जाता था, तो आप यह सुनिश्चित नहीं हो सकते थे कि यह ऑपरेटर के गलत अनुमान के कारण हुआ या उपग्रह बदकिस्मत था। अब, हर निर्णय छह साल के डेटा और एक स्पष्ट, दस्तावेजी नियम द्वारा समर्थित है।

यह सिस्टम मानव ऑपरेटर की जगह नहीं लेता है; यह उन्हें एक सुपरपावर देता है। यह एक अस्पष्ट भावना को विकल्पों की एक सटीक, रैंक की गई सूची में बदल देता है, जिससे यह सुनिश्चित होता है कि चाहे शिफ्ट में कोई भी हो, उपग्रह को सर्वोत्तम संभव देखभाल मिले। शोधकर्ताओं ने पाया कि यह दृष्टिकोण स्थिर, विश्वसनीय और LAPAN-IPB उपग्रह को आने वाले वर्षों तक सुरक्षित रूप से उड़ने में मदद करने के लिए तैयार है।