KI-Modelle zur Erkennung von Schäden an Weltraum-Solarzellen

KAIRO / LONDON (IT BOLTWISE) – Die Entwicklung von Künstlicher Intelligenz (KI) schreitet in verschiedenen Bereichen rasant voran, und nun hat ein Forscherteam in Ägypten einen bedeutenden Beitrag zur Raumfahrttechnologie geleistet. Sie haben KI-Modelle entwickelt, die Schäden an Solarzellen im Weltraum erkennen können.

Die Forscher des National Research Institute of Astronomy and Geophysics sowie der Beni Suef University in Ägypten haben innovative KI-Modelle entwickelt, um Schäden an Solarzellen im Weltraum zu erkennen. Diese Zellen sind entscheidend für die Energieversorgung von Satelliten und anderen Raumfahrzeugen. Die Studie konzentrierte sich auf Bilder von Solaranlagen, die durch Lichtbögen beschädigt wurden. Diese Lichtbögen entstehen, wenn Hochspannungssolarzellen mit Plasma im Weltraum interagieren, was zu elektrischen Entladungen führt.

Die Forscher betonen, dass Lichtbögen erhebliche Schäden an den Zellverbindern verursachen können, da sie hohe Spitzenströme erzeugen. Dies beeinträchtigt die Leistung und Zuverlässigkeit von Raumfahrtsystemen erheblich. Die Studie ergab, dass Lichtbögen am häufigsten in den mittleren Zellen, Verbindern und an den Rändern der Solarzellen auftreten, wo die elektrischen Felder am stärksten sind.

Um das Verhalten von Lichtbögen besser zu verstehen, setzten die Wissenschaftler auf Deep Learning. Sie nutzten Convolutional Neural Networks (CNNs) und Transfer Learning, um defekte Zellen anhand von Bilddaten zu klassifizieren und zu erkennen. Insgesamt wurden 2.624 Schwarz-Weiß-Bilder von Solarzellen aus 44 verschiedenen Modulen analysiert. Einige der Zellen funktionierten normal, während andere deutliche Mängel wie Risse und Oberflächenkontamination durch Lichtbögen aufwiesen.

Die Forscher testeten zwei verschiedene KI-Modelle, um herauszufinden, welches am besten funktioniert. Das erste Modell, ein von Grund auf neu entwickeltes Netzwerk, erreichte eine beeindruckende Genauigkeit von 95,98 % bei den bereits bekannten Bildern. Bei neuen Bildern sank die Genauigkeit jedoch auf 83,24 %, was auf eine geringere Zuverlässigkeit außerhalb des Labors hinweist.

Das zweite Modell nutzte Transfer Learning mit einem vortrainierten EfficientNetV2L-Modell. Diese Version erreichte eine Validierungsgenauigkeit von 89,05 % und erwies sich als besser geeignet für die Verarbeitung neuer Bilder. Beide Modelle konnten Schäden durch Lichtbögen erkennen, insbesondere an den Teilen der Solarzellen, wo Entladungen am wahrscheinlichsten sind, wie Verbindern, Rändern und mittleren Zellbereichen.

Die Forscher kamen zu dem Schluss, dass Deep Learning ein effektiver Ansatz zur Identifizierung von Lichtbogenschäden an Solarzellen ist. Sie betonten, dass diese Arbeit wertvolle Einblicke in die Bildverarbeitung und -analyse bietet und Empfehlungen für weitere Anwendungen von KI in der Ingenieur- und Luftfahrtindustrie gibt. Die Forschung könnte das Verständnis der Lichtbogenprozesse verbessern und die Vorhersagefähigkeiten von KI-Modellen stärken, was die Entwicklung robusterer Solaranlagensysteme für Weltraumanwendungen unterstützt.

Zukünftige Forschungen werden Simulationen umfassen, um das Verhalten von Lichtbogenereignissen mit maschinellen Lerntechniken vorherzusagen, die auf Szenarien mit Lichtbogenströmen, Potenzialen und Überschlägen auf Solaranlagen angewendet werden.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!