Neue Algorithmen erklären Unregelmäßigkeiten im All und auf der Erde
11. März 2026 | Fehlerursachen datenbasiert erkennen
Neue Algorithmen erklären Unregelmäßigkeiten im All und auf der Erde
Anomalien im Orbit aufspüren (Symbolbild)
Neue Algorithmen suchen auch in Telemetriedaten von Satelliten nach Unregelmäßigkeiten und ihren Ursachen. Damit können sie Satelliten und ihre Instrumente widerstandsfähiger gegen Störungen machen.
Im Schnienennetz können kausale Algorithmen die Gründe für Weichenstörungen zügig erkennen und potenziell Wartungszeiten und Streckensperrungen verkürzen.
Zahllose Sensoren überwachen schon heute den Betrieb unserer Strom- und Schienennetze auf der Erde und unserer Satelliten im All. Sie erfassen beispielsweise Daten über die Position, Batterieladung, oder Temperatur von verschiedenen Bauteilen. Im Problemfall zeigen diese Daten an, wenn beispielsweise eine Weiche gestört ist oder ein Satellit zu wenig Batteriespannung hat. Das Aufspüren von Abweichungen im technischen Betrieb wird Anomaliedetektion genannt. Das Deutsche Zentrum für Luft- und Raumfahrt (DLR) entwickelt im Projekt CausalAnomalies Softwareprototypen für insgesamt sechs Anwendungsfelder auf der Erde, in der Luft und im All.
Das Besondere: Die neuen Prototypen erkennen nicht nur, ob ein Problem auftritt, sondern spüren in den Datenströmen auch die Problemursache auf. Im Bahnverkehr könnten die Algorithmen den Grund für eine Weichen- oder Stellwerkstörung erkennen. Zugverspätungen und überflüssige Reparaturen könnten damit eingedämmt werden.
Die Suche nach der Wurzel
Um solche transparenten Algorithmen zu entwickeln, müssen die Forscherinnen und Forscher verstehen, wie die Messwerte von Sensoren zusammenhängen und sich gegenseitig beeinflussen. Das Finden und Quantifizieren dieser Zusammenhänge nennt die Datenwissenschaft „kausale Inferenz“. „Mittels kausaler Inferenz können wir nicht nur feststellen, ob Daten miteinander zusammenhängen, sondern auch, welche Wirkzusammenhänge bestehen und was der eigentliche Auslöser einer Anomalie ist“, erklärt Dr. Julia Fligge-Niebling vom DLR-Institut für Datenwissenschaften in Jena. Sie leitet das Projekt CausalAnomalies.
Normale Messreihe und Anomalie im Vergleich.
Wenn Instrumente auf einem Satelliten genutzt werden, kann die Temperatur des Systems leicht ansteigen (Normalverhalten). Bei stärkeren Temperaturschwankungen im System (anomales Verhalten) suchen die kausalen Algorithmen nach der möglichen Ursache der Abweichung.
In weit verzweigten und vernetzten Systemen wie dem Schienennetz ist dieser Auslöser häufig in komplexen Datenströmen verborgen. Mit Machine Learning kann ein Algorithmus jedoch „verstehen“, wie diese Datenströme normalerweise aussehen und Abweichungen frühzeitig erkennen. Der trainierte Algorithmus durchsucht die Datenflut anschließend gezielt nach dem ursprünglichen Auslöser des Problems. Dieser wird in der Fachsprache „Root Cause“, also die „Wurzel“ eines Problems genannt.
Zwei Beispiele:
Wenn auf einem Satelliten zur Erdbeobachtung die Batteriespannung unerwartet absinkt, kommen dafür zahlreiche Gründe infrage. Der Algorithmus kann herausfinden, ob die Anomalie etwa durch einen defekten Solarkollektor, ein Instrument oder durch fehlendes Sonnenlicht ausgelöst wurde. Dazu vergleicht und interpretiert er unzählige Messwerte.
Gleiches gilt für die Bahninfrastruktur. Klemmt beispielsweise eine Weiche, prüft der Algorithmus die Daten aus dem Weichenmotor oder die Stellung der Weichenzungen. Mit diesem Gesamtbild kann das Programm herausfinden, welches Bauteil defekt oder blockiert ist.
Idealerweise geschieht das, bevor die Anomalie den Betrieb von Weichen, Stellwerken oder Satelliten beeinträchtigt. Auf diese Weise können die neuen Algorithmen komplexe Systeme widerstandsfähiger gegen Störungen machen.
Digitaler Werkzeugkasten zur Anomaliedetektion
Aktuell werden die neuen Algorithmen zu einer digitalen Toolbox, also einer Art Werkzeugkasten, weiterentwickelt. Die Toolbox ist zunächst innerhalb des DLR zu Forschungszwecken verfügbar. Die Toolbox enthält speziell angepasste Algorithmen für den Einsatz auf der Erde, in der Luft oder im Weltraum. So könnten zukünftig auch Flüge und Messkampagnen der DLR-Flugzeugflotte analysiert werden. In der Energieforschung könnten die Algorithmen beispielweise Testanlagen für Solarthermie überwachen. Perspektivisch kommen die Programme auch für den Wissensaustausch mit öffentlichen Stakeholdern oder den Transfer in die Wirtschaft infrage.
Im Projekt „CausalAnomalies“ haben die Forschenden sechs Anwendungsfälle untersucht. Dazu zählen die Überwachung von Transportinfrastruktur (Schiene), einzelner Flugzeugsysteme und kompletter Luftfahrzeuge wie zum Beispiel UAV (Unmanned Aerial Vehicle). Weitere Anwendungsgebiete sind die Überwachung von Kommunikationstechnik, sowie des Satellitenbetriebs auf Basis von Telemetriedaten und die Verbesserung von Klimamodellen. Das DLR-Institut für Datenwissenschaften hat das Projekt geleitet, beteiligt waren außerdem die DLR-Institute für Physik der Atmosphäre, für Verkehrssystemtechnik, für Flugsystemtechnik, das Deutschen Fernerkundungsdatenzentrum (DFD) sowie das Nationale Raumfahrtkontrollzentrum GSOC.
