DSN-Daten automatisiert: KI erkennt Anomalien in Echtzeit

NASA’s Deep Space Network (DSN) ist das größte Netzwerk von Antennenanlagen, das enorme Mengen multivariater Zeitreihen erzeugt. Durch jahrelange Abnutzung können Antennen und Sender ausfallen, was zu kostspieligen Unterbrechungen des Datenflusses führt und die Verbindung zu zahlreichen Raumfahrzeugen gefährdet.

In dieser Studie wurden verschiedene Methoden getestet, um JPL-Ingenieuren zu ermöglichen, Ausfälle und Verschleiß direkt aus den gesammelten Daten zu erkennen. Dabei kamen moderne Machine‑Learning‑Techniken zum Einsatz, die Daten vollständig rekonstruieren und Anomalien in Echtzeit anhand statistischer Schwellenwerte identifizieren.

Zusätzlich wurde ein Reinforcement‑Learning‑Subsystem integriert, das erkannte Anomalien nach Schweregrad klassifiziert. Ein Large‑Language‑Model liefert für jede Anomalie eine erklärende Beschriftung, die kontinuierlich durch menschliches Feedback verfeinert werden kann.

Für die DSN‑Sender wurde ein kompletter Daten‑Pipeline‑Prozess entwickelt, der Extraktion, Parsing und Verarbeitung nahtlos verbindet – ein entscheidender Schritt, um die Wartung und den Betrieb des Netzwerks für zukünftige Weltraummissionen zu sichern.