KontextMaschinengeräusche, seltene Fehler
AnsatzCNN + LSTM 1D, Desktop-App
Ergebnis17/17 Fehler, AUC 0,956
Kontext
Hackathon des Masters MESI (Universität Straßburg, September 2025), mit Robin Gras, Noa Hisler und Sylvain Wanke, betreut von Dominique Knittel. Es galt, anomale Geräusche rotierender Maschinen zu erkennen, ohne Labels und mit begrenzter Zeit. Danach habe ich das Thema allein weitergeführt.
Was ich gemacht habe
- Beim Hackathon haben wir mehrere Methoden in MATLAB verglichen (Kosinus-Distanz, k-means, DTW, Isolation Forest, Autoencoder, tiefe Modelle).
- Danach habe ich allein eine Python-Anwendung (PySide6, PyTorch) geschrieben, um zu trainieren, zu diagnostizieren, die ROC zu zeichnen und den Schwellwert zu kalibrieren.
- Ich habe PDF-Berichte, die Unterstützung mehrerer Maschinen und eine eigenständige ausführbare Datei ergänzt.
- Ich habe die Einstellungen nur anhand der Validierung gewählt, nie anhand der Testdatensätze.
Was mir aufgefallen ist und was ich gelernt habe
- Vom Hackathon-Prototyp zu einer nutzbaren Software zu kommen, ändert fast alles.
- In der vorausschauenden Instandhaltung ist es besser, eine intakte Maschine zu prüfen, als eine Störung zu übersehen.
Meine Fehler
- Der Datensatz ist immer noch zu klein. Das ist die größte Einschränkung.
Ergebnisse
- Platz 1 von 10 beim Hackathon, mit 13 von 17 Störungen, die die Gruppe erkannt hat.
- 17 von 17 Störungen mit der Anwendung und eine AUC von 0,956 in der Validierung.
- Dafür 7 Fehlalarme bei Challenge 1 und 4 bei Challenge 2. Der Schwellwert lässt sich per Schieberegler einstellen.
Tech-Stack
Python
PyTorch
scikit-learn
PySide6 (GUI)
CNN + LSTM 1D
Traitement du signal (log-mel / FFT)
ffmpeg
Exécutable autonome (.exe)