Advanced Technologies for High Energetic Atmospheric Flight of Launcher Stages
ATHEAt
Das DLR-Projekt AHTEAt forscht an Techniken für wiederverwendbare Raumtransportsysteme, die eine hohe Kosteneffizienz aufweisen. So sollen im Hinblick auf bessere Wirtschaftlichkeit die Wiederverwendbarkeit der Trägerraketen zuverlässiger sowie die Sicherheitsmargen reduziert werden. Im Rahmen des Projekts ATHEAt findet der praktische Test der entwickelten Technologien in zwei Raumflügen und in Bodentests statt.
Das Institut für Softwaretechnologie ist im Projekt ATHEAt (Advanced Technologies for High Energetic Atmospheric Flight of Launcher Stages) zuständig für die Analyse von ausgewählten Bodentest- und Raketenflugdaten mit Hilfe von Algorithmen aus dem Bereich der künstlichen Intelligenz. Die Analyse gliedert sich in mehrere Detailaufgaben.
Zum einen handelt es sich um die Bestimmung des Masseverlustes der Materials von Raketen-Finnen in Bodenanlagen und die Bestimmung der Regressionsrate beim Abbrand des Treibstoffs mit Hilfe optischer Methoden. Dafür wenden wir neuronale Netze auf Basis einer U-Net-Architektur auf Hochgeschwindigkeits-Bilddaten an, um Strukturen wie die Testmodelle der Raketenfinne oder den Raketentreibstoff automatisch zu detektieren. Die Unsicherheiten unserer Detektionsergebnisse bestimmen wir über statistische Verfahren (Uncertainty Quantification).
Zum anderen untersuchen wir Boden- und Flugtestdaten auf Anomalien, um Störungen und Probleme frühzeitig zu erkennen. Zur Anomaliedetektion nutzen wir sowohl dichtebasierte Algorithmen als auch angepasste neuronale Netze auf Basis von Autoencodern oder Vision Transformern.
Aufnahme des Abbrand-Experiments der Raketenfinne (links) und Vergleich zweier Ansätze zur Segmentierung der Verbrennungsflamme (mitte und rechts).
In der Bildmitte wird das Ergebnis eines klassischen Filters aus der Bildverarbeitung (Computer Vision) gezeigt. Ähnliche Ergebnisse, aber mit höherer Robustheit, lassen sich mit neuronalen Netzen auf Basis einer U-Net-Architektur erzielen (rechts). Quelle: DLR-Institut für Softwaretechnologie, Abteilung High-Performance Computing und DLR-Institut für Aerodynamik und Strömungstechnik, Abteilung Über- und Hyperschalltechnologien
Automatische Detektion von Anomalien in den Bodentestdaten eines Raketenmotors
Jedem Testbild wird ein „outlier score“ zugeordnet, der aus Sicht des Algorithmus die Wahrscheinlichkeit für eine Anomalie angibt. Zum Vergleich zeigen die roten vertikalen Linien Anomalien, die ein Experte manuell im Datensatz gefunden hat. Quelle: DLR-Institut für Softwaretechnologie, Abteilung High-Performance Computing und DLR Raumflugbetrieb und Astronautentraining, Abteilung Mobile Raketenbasis
