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

Stel je voor dat de lucht boven ons gevuld is met piepkleine, razendsnelle robots die satellieten worden genoemd. Dit zijn niet zomaar zwevende camera's; het zijn complexe machines die energie moeten "eten" om hun werk te doen, zoals het maken van foto's of het verzenden van signalen. Ze halen hun voedsel uit de zon, maar de zon schijnt niet altijd op hen. Wanneer ze in de schaduw van de aarde vliegen, moeten ze vertrouwen op een batterij, net zoals je telefoon doet wanneer je je oplader verge forget. De grote uitdaging voor de mensen op de grond die deze robots besturen, is precies weten hoeveel "batterijsap" er nog over is voordat ze de satelliet een nieuwe, energieverslindende taak vragen. Als ze te veel vragen, kan de satelliet flauwvallen en faalt zijn missie.

Lama de tijd was het uitzoeken hiervan alsof je het weer probeerde te voorspellen door naar de wolken te kijken en te hopen op het beste. Ervaren operators gebruikten hun intuïtie en jarenlange ervaring om te beslissen of een satelliet genoeg stroom had. Maar herinneringen kunnen wazig zijn, en verschillende mensen kunnen verschillende inschattingen maken. Dit artikel introduceert een nieuwe manier om dit puzzelstukje op te lossen met een "digitaal brein" dat leert van zes jaar aan geschiedenis. Het combineert twee soorten slimme wiskunde: één die herhalende patronen opspoort (zoals de zonsopgang en zonsondergang) en een andere die leert van de rommelige, overgebleven details. Het doel is om een vaag gevoel te veranderen in een duidelijke, geschreven lijst van exact welke taken de satelliet op dit moment veilig kan uitvoeren.

---

Het Energieprobleem van de Satelliet

Maak kennis met LAPAN-IPB, een satelliet die 500 kilometer boven Indonesië draait. Het is een polaire satelliet, wat betekent dat hij over de Noord- en Zuidpool raast en de aarde ongeveer 15 keer per dag rondjes draait. Elke keer dat hij over Indonesië vliegt, heeft hij een kort venster — ongeveer 10 tot 15 minuten — om met grondstations te communiceren. Tijdens dit minuscule venster kunnen de operators op de grond nieuwe instructies sturen, zoals "maak een foto van dit bos" of "scan de oceaan".

Maar hier komt de crux: de satelliet werkt op een batterij. Tussen deze korte vensters door brengt hij tijd door in het donker (eclips) en leeft hij van zijn opgeslagen energie. Als de batterij te laag is en de operators een commando sturen dat te veel stroom verbruikt, kan de satelliet crashen of zijn vermogen verliezen om te functioneren.

Jarenlang moesten de operators bij de National Research and Innovation Agency (BRIN) in Indonesië deze leven of dood beslissingen nemen op basis van "tacit knowledge" (stilzwijgende kennis). Dat is een chique manier om te zeggen: "een onderbuikgevoel opgebouwd door ervaring". Als een operator al tien jaar aanwezig was, wist hij misschien: "Oh, de batterij ziet er vandaag wat laag uit, laten we de zware cameramissie overslaan." Maar als een nieuwe operator het overnam, had die niet die ervaring. Die zou het misschien verkeerd raden, of twee operators zouden over dezelfde situatie kunnen discussiëren. Er was geen geschreven regelboek, geen duidelijk controlepad en geen manier om te bewijzen waarom een beslissing werd genomen.

De Nieuwe "Digitale Co-piloot"

Dit artikel beschrijft een nieuw systeem dat is ontworpen om die gokwerk te vervangen door een op data gebaseerd aanbevelingsmechanisme. Denk aan een co-piloot die de vitale functies van de satelliet leest en de operator een gerangschikte lijst van veilige taken overhandigt. Het systeem is gebouwd met behulp van zes jaar aan gegevens (van januari 2019 tot december 2024), die meer dan 25.000 records van de batterijspanning en stroom van de satelliet bevatten.

De onderzoekers deelden het probleem op in drie hoofdstappen, waarbij ze een slimme mix gebruikten van klassieke statistiek en moderne deep learning.

1. De Toekomstige Spanning Voorspellen
Eerst moet het systeem raden wat de batterijspanning zal zijn op het volgende moment dat de satelliet met de grond communiceert. Hiervoor gebruikten ze een "hybride" model. Stel je voor dat je het getij probeert te voorspellen. Je weet dat het getij in een regelmatige cyclus op en neer gaat (dat is het makkelijke deel). Maar soms verandert een storm of een sterke wind het waterniveau onverwacht (dat is het moeilijke deel).

De onderzoekers gebruikten een statistisch model genaamd SARIMAX om de regelmatige, voorspelbare op-en-neergaande cyclus van het opladen en ontladen van de batterij te verwerken. Vervolgens gebruikten ze een Deep Learning-model (specifiek een type genaamd LSTM) om de rommelige, onvoorspelbare restverschillen te begrijpen. Door deze te combineren, kregen ze een zeer nauwkeurige voorspelling. Op hun testdata was dit hybride model in staat om de spanning te voorspellen met een gemiddelde fout van slechts 0,1042 V (Volt). Dat is ongelooflijk nauwkeurig, vooral omdat de batterijspanning meestal rond de 16 tot 17 Volt schommelt.

2. De "Energievingerafdrukken" Leren
Vervolgens moest het systeem weten hoeveel energie elke specifieke missie verbruikt. De satelliet heeft 20 verschillende soorten missies (zoals "maak een foto", "scan de oceaan", enzovoort), en elke missie zet verschillende schakelaars om en gebruikt verschillende hoeveelheden stroom.

De onderzoekers leerden een Random Forest-classifier (een type machine learning dat werkt als een team van beslissingsbomen) om de "energievingerafdruk" van elke missie te herkennen. Ze keken naar de batterijstroom en -spanning tijdens eerdere missies om te zien hoe elke missie "voelde". Ze moesten echter voorzichtig zijn. De satelliet stuurt veel gegevens tijdens een enkele pass van 15 minuten. Als ze elk datapunt als een aparte les zouden behandelen, zou de computer in de war raken door te denken dat hij leerde van 25.000 verschillende gebeurtenissen, terwijl hij eigenlijk gewoon dezelfde gebeurtenis herhaaldelijk zag. Ze losten dit op door de gegevens te groeperen in "passes", zodat de computer leerde van 6.833 unieke gebeurtenissen in plaats van 25.000 verwarrende duplicaten.

Het resultaat? De computer leerde de 20 soorten missies met een hoge mate van nauwkeurigheid te identificeren, waarbij hij het type missie ongeveer 82% van de tijd correct raadde, en ook heel goed presteerde bij de zeldzame, minder voorkomende missies.

3. De Veiligheidscontrole en Rangschikking
Ten slotte brengt het systeem alles samen. Het neemt de voorspelde toekomstige spanning en vergelijkt deze met een "veiligheidsdrempel" voor elk van de 20 missies. Waar kwamen deze drempels vandaan? De onderzoekers gebruikten een slimme statistische truc genaamd de Tukey upper fence. Stel je voor dat je een stapel gegevens hebt die laat zien hoe hoog de batterijspanning was wanneer een specifieke missie in het verleden succesvol werd uitgevoerd. De Tukey fence vindt de "veilige bovengrens" van die stapel. Als de voorspelde spanning hoger is dan deze limiet, is de missie veilig.

Om te controleren of deze limieten betrouwbaar waren, controleerden ze dit op twee manieren: één keer met de ruwe gegevens en één keer met de interne logica van het machine learning-model. Ze ontdekten dat de twee methoden voor alle 20 missies bijna perfect overeenkwamen (het verschil was minder dan 0,0843 V, wat kleiner is dan de voorspellingsfout zelf). Dit betekent dat de veiligheidslimieten ijzersterk zijn.

Het Resultaat: Een Duidelijke, Gerangschikte Lijst

Wanneer de satelliet bijna contact maakt met de grond, voert het systeem een snelle berekening uit. Het voorspelt de batterijspanning, controleert deze tegen de 20 veiligheidslimieten en spuwt een gerangschikte lijst uit.

• Haalbare Missies: Dit zijn de taken die de batterij zeker aankan.
• De Rangschikking: Het systeem zegt niet alleen "Ja" of "Nee". Het rangschikt de "Ja"-missies op basis van hun energiemarge. Dit is het verschil tussen de voorspelde spanning en de veiligheidslimiet.
  • Een missie met een grote marge (bijv. +0,77 V) is superveilig.
  • Een missie met een kleine marge (bijv. +0,02 V) is technisch gezien mogelijk, maar riskant, zoals over een koord dansen.

Dit geeft de operator een duidelijk, op bewijs gebaseerd startpunt. In plaats van te gokken, kunnen ze zien: "Missie A is veilig met een grote buffer, maar Missie B komt dichtbij de limiet." Als de batterij laag is, kan het systeem zeggen: "Alleen deze drie missies met een laag energieverbruik zijn vandaag veilig." Als de batterij vol is, kan het zeggen: "Je kunt bijna alles doen, maar Missie C is de veiligste optie."

Waarom Dit Belangrijk Is

De grootste overwinning hier is niet alleen dat de wiskunde werkt; het is dat het proces nu reproduceerbaar en controleerbaar is. Voorheen, als een missie mislukte, kon je niet zeker weten of het kwam door een slechte inschatting van de operator of dat de satelliet gewoon pech had. Nu wordt elke beslissing ondersteund door zes jaar aan gegevens en een duidelijke, gedocumenteerde regel.

Het systeem vervangt de menselijke operator niet; het geeft hem een superkracht. Het verandert een vaag gevoel in een precieze, gerangschikte lijst van opties, waardoor er geen twijfel bestaat over wie er ook dienst heeft: de satelliet krijgt de best mogelijke zorg. De onderzoekers ontdekten dat deze aanpak stabiel en betrouwbaar is, en klaar is om de LAPAN-IPB satelliet nog jarenlang veilig te laten blijven vliegen.