Wien, 01.10.2026 (PresseBox) - Europas Raumfahrt wächst zu einem hochvernetzten Industrieökosystem. Doch je komplexer, autonomer und wiederverwendbarer Space Assets werden, desto wichtiger wird eine zusätzliche Frage: In welchem physischen Zustand befindet sich das System selbst? Das Wiener Deep-Tech-Unternehmen SF2 Systems entwickelt eine Technologie, die aus Telemetrie, Testdaten und Engineering-Wissen eine vergleichbare Zustandsrepräsentation erzeugt ? von der Komponente über das Subsystem bis zum gesamten Space Asset.

Europas Raumfahrt ist keine Nische mehr. Mehr als 5.000 Unternehmen sind europaweit in Raumfahrt- und Satellitentechnologien aktiv, die Branche erwirtschaftet laut APEX Ventures rund 8,8 Milliarden Euro jährlich und beschäftigt mehr als 60.000 Ingenieurinnen, Ingenieure und Wissenschaftler. Die European Space Tech Ecosystem Landscape zeigt, wie breit dieses Ökosystem inzwischen geworden ist ? von Satellitenbau und Trägersystemen über Kommunikation und Energie bis zu In-Orbit Services, Space Logistics und Space Situational Awareness.

Gerade diese letzte Kategorie macht eine zweite Perspektive sichtbar: Space Situational Awareness beschreibt, was sich um ein Raumfahrzeug herum abspielt. Doch wie lässt sich der physische Zustand des Space Assets selbst als Ganzes beschreiben und vergleichen?

Sensoren liefern Telemetrie. Avionik transportiert Daten. Health-Monitoring- und FDIR-Systeme überwachen technische Systeme und reagieren auf definierte Zustände und Fehler. Dazwischen liegt jedoch eine grundsätzliche Frage: Verhält sich das System noch wie in einem bekannten nominalen oder qualifizierten Zustand ? oder beginnt sich sein Gesamtverhalten zu verändern?

SF2 Systems bezeichnet diese zusätzliche Ebene als Space Asset State Intelligence.

?Ein Grenzwert sagt, ob etwas einen definierten Bereich verlassen hat. Er zeigt aber nicht, wie weit sich ein komplexes System insgesamt von einem bekannten guten Zustand entfernt hat?, sagt Christoph Gretzmacher, Business Development bei SF2 Systems. ?Sensoren messen Signale. Uns interessiert, welchen physischen Zustand diese Signale gemeinsam beschreiben.?

Vom Signal zum Zustand

Die von SF2 entwickelte Semantic Folding Sensor Fusion verdichtet viele unterschiedliche Sensor- und Betriebsdaten zu einem kompakten State Fingerprint. Temperatur, Strom, Spannung, Druck, Vibration, Bewegung oder andere technische Größen werden dabei nicht nur einzeln betrachtet, sondern in ihrem gemeinsamen Kontext. Ähnliche Zustände erzeugen ähnliche Fingerprints. Dadurch wird vergleichbar, ob das aktuelle Systemverhalten einem bekannten Zustand entspricht, ob ein Übergang stattfindet, Drift entsteht oder ein bislang unbekannter Zustand auftritt.

State Fingerprints sind spärliche binäre Repräsentationen, die sich über ihre Überlappung effizient vergleichen lassen. Das Modell lernt aus vorhandenen Betriebs- und Testdaten und ist nicht auf große Sammlungen beschrifteter Fehlerfälle angewiesen. Sobald ein Modell fixiert und versioniert ist, bleibt die Laufzeitauswertung reproduzierbar. Die Verarbeitung kann direkt am Edge oder On-Premises erfolgen. Eine externe Cloud ist nicht zwingend erforderlich.

SF2 positioniert sich damit nicht einfach als weiterer Algorithmus für Anomalieerkennung. Die Technologie schafft eine vergleichbare Zustandsrepräsentation, die Engineering, Health Monitoring und Wartungsentscheidungen ergänzen und später auch autonome Systeme unterstützen kann.

Sensors tell you what is measured. SF2 tells you what state the system is in.

Das Wissen der Hersteller wird im Betrieb nutzbar

Der entscheidende Punkt liegt nicht nur in der Datenanalyse, sondern im Engineering. Wer eine Komponente entwickelt und testet, kennt ihre Konstruktion, relevante Belastungen, nominale Betriebszustände und jene Zustände, bei denen eine technische Maßnahme erforderlich wird. Gerade in der Raumfahrt entstehen während Entwicklung, Acceptance, Qualification und Testing hochwertige Daten über das reale Verhalten von Komponenten und Systemen.

SF2 kann diese im Engineering verifizierten Zustände als Referenz-Fingerprints abbilden und später mit dem aktuellen physischen Zustand vergleichen. Dann geht es nicht mehr nur um die Frage: Hat ein Messwert eine Grenze überschritten? Sondern auch darum: Wie ähnlich ist das aktuelle Systemverhalten einem Zustand, den die Entwickler aus Test und Qualifikation kennen? Das Engineering-Wissen bleibt beim Hersteller. SF2 macht es als vergleichbare Zustandsreferenz über den weiteren Lebenszyklus nutzbar. SF2 ersetzt dabei weder Telemetrie noch FDIR, Health Monitoring, Engineering oder Safety. Die Technologie ergänzt diese Ebenen um eine zusätzliche Repräsentation des physischen Zustands.

Von der Komponente zum gesamten Space Asset

Besonders relevant wird der Ansatz, wenn State Intelligence nicht an einer einzelnen Komponente endet. Ein State Fingerprint einer unteren Ebene kann als Eingang für die nächsthöhere Ebene dienen. So entsteht eine hierarchische Architektur:

Komponente ? Subsystem ? Space Asset ? perspektivisch Flotte

Mehrere Komponenten können gemeinsam den Zustand eines Thermal-, Power- oder Propulsion-Subsystems beschreiben. Mehrere Subsystemzustände können wiederum zu einer übergeordneten Repräsentation des gesamten Space Assets beitragen.

Das Prinzip ist in der SF2-Architektur bereits für industrielle Systeme angelegt: Komponenten-Fingerprints können auf Subsystemebene weiterverarbeitet werden, Subsystemzustände wiederum zu einer übergeordneten Systemrepräsentation beitragen. Für die Raumfahrt ergibt sich daraus ein interessantes Zielbild: Nicht nur tausende Messwerte, sondern eine Hierarchie vergleichbarer Zustände.

Wo sich Zustandswissen besonders rechnet: Reusability

Bei wiederverwendbaren Raumfahrtsystemen bekommt diese Frage unmittelbare wirtschaftliche Bedeutung. Raketenstufen, Space Tugs und andere wiederverwendbare Plattformen müssen nach Tests und Missionen verlässlich beurteilt werden, bevor sie erneut zum Einsatz kommen. Inspektion, Wartung und Turnaround bestimmen deshalb wesentlich die Wirtschaftlichkeit wiederverwendbarer Systeme.

Die State-Intelligence-Frage lautet:

Wie hat sich der reale multivariate Zustand des Systems zwischen Test, Flug, Rückkehr und nächstem Einsatz verändert? Ein aktueller State Fingerprint, verglichen mit verifizierten Referenzzuständen aus dem Engineering, könnte Inspektion und Einsatzentscheidung um eine zusätzliche objektive Informationsbasis ergänzen.

Daraus könnte langfristig eine State Margin für definierte Zustände entstehen. Sie würde nicht nur anzeigen, dass sich etwas verändert hat, sondern auch, wie nahe sich ein Asset einem definierten Referenz- oder Eingriffszustand befindet. Das ist keine pauschale Prognose der Restlebensdauer, sondern eine messbare Beziehung zwischen aktuellem Zustand und bekannten Referenzzuständen.

Der Einstieg muss nicht im Orbit beginnen

Für einen ersten Anwendungsfall ist kein fliegendes System erforderlich. Geeignete Ausgangspunkte sind Bereiche, in denen ohnehin hochwertige technische Daten entstehen: AIT und Qualification, Prüfstände und Testkampagnen, Ground Support Equipment sowie Pumpen-, Kühl-, Antriebs- und andere technische Hilfssysteme.

Vorhandene historische Daten können genutzt werden, um Referenzzustände abzubilden und konkrete Anwendungen zu untersuchen, noch bevor ein späterer On-Board-Einsatz mit seinen zusätzlichen Anforderungen an Zielhardware, Missionsumgebung und Space Qualification relevant wird. Auch öffentliche Raumfahrtdaten bieten einen Einstieg. Mit ESA-ADB steht ein reproduzierbarer Benchmark auf Basis annotierter realer Telemetrie aus ESA-Missionen zur Verfügung.

Der nächste Schritt ist die anwendungsspezifische Validierung an realen Telemetrie-, Test- und Qualifikationsdaten: Wie lassen sich reale Missionszustände als State Fingerprints repräsentieren? Wie unterscheiden sich nominale Zustände und Übergänge? Und welchen zusätzlichen Informationswert liefert eine vergleichbare Zustandsrepräsentation?

In industriellen Daten bereits erprobt

Die SF2-Technologie arbeitet bereits mit Daten aus realen Industrieanlagen. In einem Wasserpumpensystem analysierte SF2 52 Sensorkanäle und mehr als 220.000 Messpunkte. In einer untersuchten Sequenz wurde eine relevante Veränderung des Gesamtzustands rund vier Tage vor einem dokumentierten Pumpenausfall sichtbar. Die Modellbildung dauerte weniger als 15 Minuten auf einem Laptop.

Daraus lässt sich keine allgemeine Vier-Tage-Prognose ableiten. Der Fall zeigt vielmehr, dass das Zusammenspiel vieler physischer Signale Zustandsveränderungen sichtbar machen kann, die aus einzelnen Messwerten allein nicht unmittelbar zu erkennen sind. Für Raumfahrtanwendungen muss dieses Prinzip nun auf konkrete Datenstrukturen, Testumgebungen, Anwendungen und Zielhardware übertragen werden.

Ein europäisches Nervensystem braucht Signale ? und Bedeutung

Wie eng Raumfahrt, Verteidigung und kritische Infrastruktur technologisch zusammenwachsen, zeigt die aktuelle Neuaufstellung von TTTech. Mit Wirkung zum 1. Oktober 2026 bündelt das Wiener Technologieunternehmen diese Bereiche in der neuen TTTech Systems SE. Das Portfolio reicht von Komponenten und Produkten bis zu Plattformlösungen für sicherheitsrelevante Anwendungen ? unter anderem für Satelliten, Raumfahrzeuge und Trägerraketen.

TTEthernet ist Teil der Avionik-Architektur der NASA-Raumkapsel Orion und kommt auch bei Ariane 6 zum Einsatz. TTTech beschreibt das Avioniksystem selbst als eine Art ?Nervensystem? des Raumfahrzeugs. Ein solches Nervensystem sorgt dafür, dass Informationen zuverlässig und deterministisch dort ankommen, wo sie benötigt werden. Das führt zu einer komplementären Architekturebene: Ein Nervensystem transportiert Signale zuverlässig. Space Asset State Intelligence beschreibt, welchen physischen Zustand diese Signale gemeinsam repräsentieren.

Kommunikation, Computing und State Representation erfüllen unterschiedliche, aber komplementäre Aufgaben innerhalb zunehmend autonomer und resilienter technischer Systeme.

Der nächste Schritt: State Intelligence in reale Space-Architekturen bringen

SF2 entwickelt State Intelligence als zusätzliche technologische Fähigkeit für bestehende Komponenten, Plattformen und Systemarchitekturen. Für Raumfahrtanwendungen liegt der nächste Schritt in der anwendungsspezifischen Übertragung auf reale Telemetrie-, Test- und Qualifikationsdaten. Der Einstieg kann bewusst überschaubar beginnen: mit einem abgegrenzten Datensatz, einem bestehenden Testprozess oder einer konkreten technischen Fragestellung.

Die Perspektive reicht darüber hinaus: von der Zustandsrepräsentation einzelner Komponenten über Subsysteme bis zum gesamten Space Asset. Dort, wo Unternehmen darin einen strategischen Mehrwert für ihre eigenen Systeme und Plattformen sehen, ist SF2 offen für gemeinsame Validierung, Integration und Technologiepartnerschaften.

Je autonomer Space Assets werden, desto wichtiger wird nicht nur, was sie messen ? sondern in welchem Zustand sich das System befindet.

SF2 ? Space Asset State Intelligence.

From Telemetry to State.

SF2 Systems ist ein Wiener Deep-Tech-Unternehmen für die softwarebasierte Zustandsanalyse komplexer Maschinen, Anlagen und Prozesse in Industrie, Energie und kritischer Infrastruktur. Die sensor- und herstellerunabhängige Technologie führt vorhandene Sensor- und Betriebsdaten zu vergleichbaren Zustands-Fingerprints zusammen und macht Drift und schleichende Veränderungen früh sichtbar – reproduzierbar, nachvollziehbar, ohne Black-Box-Modell und ohne große gelabelte Fehlerdatensätze. Als Ergänzung bestehender Condition-Monitoring- und Automatisierungssysteme ist SF2 für Brownfield- und OT-Umgebungen ausgelegt, läuft lokal am Edge bzw. On-Premises ohne Cloud-Abhängigkeit und hält sensible Produktionsdaten im Unternehmen. So können Zustandsveränderungen früher erkannt, ungeplante Stillstände reduziert sowie Wartung und Betrieb planbarer werden. Darüber hinaus untersucht SF2 die Übertragbarkeit der Technologie auf ausgewählte Anwendungen in Biotechnologie und Life Sciences.