AUSGEWÄHLTE

PROJEKTE.

Terminal-Ausgabe der synthetischen Datenpipeline: Orbitradien, Raumfahrzeugmasse, Isp und Manövertyp werden zufällig gesampelt; die Physik-Engine berechnet den exakten Delta-v- und Treibstoffmassen-Grundwahrheitswert für jedes Szenario. Das Ergebnis wird als orbital_data.csv gespeichert.

Das Terminal protokolliert alle fünf Stufen: Datensatz laden → StandardScaler-Vorverarbeitung → 80/20-Aufteilung → MLPRegressor-Training → Auswertung auf 40.000 zurückgehaltenen Stichproben. Endergebnis: R² = 0,9993, MAE = 16,47 m/s, RMSE = 30,56 m/s, MAPE = 2,88 %. Modell und Scaler mit Joblib serialisiert.

Triebwerke verhalten sich bei verschiedenen Höhen und Drosselstellungen unterschiedlich. K-Means auf Sensoren 7 & 12 erkennt diese Betriebsmodi automatisch. Die Ähnlichkeit jedes Punktes zu Clusterzentren (X) wird zum „Gesundheitssignatur"-Merkmal.

Die vollständige Vorverarbeitungsarchitektur: Log-Transformationen für exponentiell abklingende Sensoren, K-Means-Ähnlichkeitsinjektion und automatisches Entfernen der Einheits-IDs. Ein Gruppen-Split nach Triebwerks-ID verhindert Datenlecks über die Zeit.

Die Basislinie „verschmiert": Vorhersagen streuen weit um die perfekte Linie. Triebwerksdegradation ist exponentiell und nichtlinear — eine Gerade kann die Ausfall-Kurve nicht erfassen.

Eine engere Anpassung an die perfekte Vorhersagelinie, aber noch Übergeneralisierung an den Extremen. Random Forest fehlt das „Gedächtnis" — er betrachtet eine Zeile nach der anderen ohne Sinn für Degradationsgeschwindigkeit.

Zwei gestapelte LSTM-Schichten (64 → 32 Einheiten) mit Dropout(0.2). Eingabe: (Stichproben, 30 Zeitschritte, Merkmale) — die letzten 30 Flugzyklen, damit das Modell Degradationsgeschwindigkeit und -beschleunigung lernt, nicht nur absolute Werte.

Trainings- und Validierungsverlust konvergieren sauber. Keine Divergenz zwischen den Kurven bestätigt, dass die Dropout-Regularisierung funktioniert — das Modell generalisiert, anstatt auswendig zu lernen.

Sicherheitsanalyse der Random-Forest-Basislinie. Ein Schwanz von Vorhersagen fällt in die Gefahrenzone (Überschätzung). Eine 1-in-8-Chance, ein tatsächlich ausfallendes Triebwerk als sicher vorherzusagen, ist für sicherheitskritische Betriebe inakzeptabel.

Das Standard-LSTM reduziert gefährliche Überschätzungen von 12,41 % auf 10,26 % — eine echte Verbesserung. Aber 1 von 10 ist immer noch zu hoch. Genauigkeit allein reicht für sicherheitskritische Wartung nicht aus.

Die K-Means-Cluster-Ähnlichkeitsmerkmale dominieren die Wichtigkeit — was die Pipeline-Designentscheidung bestätigt. „Cluster_0_similarity" allein macht ~37 % der Vorhersagekraft aus und bestätigt, dass Betriebsmodusbewusstsein das entscheidende konstruierte Signal ist.

Keras Tuner optimiert die LSTM-Architektur mathematisch über Schichten, Einheiten und Dropout hinweg. Loguniforme Verteilungen erkunden Lernraten über Größenordnungen hinweg effizient und bringen den RMSE auf 13,32 Zyklen.

Das optimierte Modell konvergiert schneller und zu einem niedrigeren Verlustboden. Trainings- und Validierungskurven bleiben über alle 22 Epochen eng gekoppelt — kein Overfitting trotz erhöhter Modellkapazität.

Das abgestimmte Modell ist genauer als das Basis-LSTM, aber der Standard-MSE-Verlust behandelt Über- und Unterschätzung noch gleich. Der Risikofaktor bleibt bei 9,60 % — Genauigkeit und Sicherheit sind separate Probleme.

Eine benutzerdefinierte TensorFlow-Verlustfunktion wendet einen 10-fachen Strafterm auf Überschätzungsfehler an. Der Gradientenabstieg ist mathematisch gezwungen, die „Gefahrenzone zu fürchten". Das Risiko fällt von 9,60 % → 1,09 % — ein Sicherheitsdurchbruch.

Grüne Vorhersagen haben sich unter die Diagonale verschoben — das Modell irrt nun systematisch auf der Seite der Vorsicht. Wartungsteams werden immer gewarnt, bevor ein Ausfall kritisch wird, nicht danach.

Die KI (grün) verfolgt den Grundwahrheitswert (schwarz gestrichelt) eng über alle 160 Flugzyklen, bleibt aber leicht darunter — sicherer Konservatismus in Aktion. Dies ist die ideale Mensch-Maschine-Interaktionssignatur für vorausschauende Wartung.

Test auf einem vollständig zurückgehaltenen Satz von Triebwerken, die während Training und Validierung nie gesehen wurden. RMSE von 18,79 Zyklen spiegelt den Realgeneralisierungsaufwand wider — aber das Sicherheitsprofil hält: Vorhersagen vermeiden konsequent gefährliche Überschätzungszonen.