Kontext
Drei Praktika des KI-Moduls im ersten Masterjahr (MESI), betreut von Ivan Vazquez-Munoz und Dominique Knittel, im März 2026. Der rote Faden bleibt über die drei Sitzungen gleich, Anomalien an den Signalen einer rotierenden Maschine aufzuspüren, was den Kern der vorausschauenden Wartung bildet. Ich arbeite am selben Satz von sechs Signalen, A bis F, mit zwei gesunden Zuständen (A und E) und zwei Fehlerfamilien (B und D, dann C und F). Jedes Praktikum geht das Problem mit einer anderen Lernfamilie an, und alles wird in MATLAB umgesetzt.
Ansatz / Lösung
TP1, unüberwachtes Lernen. Ich extrahiere zuerst neun Zeitbereichs-Merkmale aus den Signalen (Shannon-Entropie, Effektivwert und weitere), dann schicke ich sie durch mehrere Methoden, um zu sehen, welche die Zustände gut trennen. Ich vergleiche ein K-Means, eine DTW-Distanz, eine One-Class SVM und einen Isolation Forest auf denselben Daten. TP2, überwachtes Lernen. Ich trainiere und vergleiche ein KNN, ein CNN und ein LSTM auf diesen Merkmalen. Anschließend füge ich Überlappung zwischen den Zeitfenstern hinzu, eine Möglichkeit, die Datenmenge künstlich zu vergrößern. TP3, halbüberwachtes Lernen. Ich wandle die Signale in Bilder um, FFT-Spektrogramme und dann Wavelet-Skalogramme, und ich trainiere einen Autoencoder allein auf dem gesunden Signal (A). Ein Signal, dessen Rekonstruktionsfehler einen Schwellenwert überschreitet, gilt als anomal.
Ergebnisse
Eine Erkenntnis kehrt über die drei Praktika wieder, der Datensatz ist zu klein für die schweren Modelle. Mit 125 Fenstern, und nur 49 Spektren für den Autoencoder, überanpassen das CNN und das LSTM schnell. Ein einfaches KNN bleibt oft zuverlässiger, und keine Methode genügt allein. Erst der Abgleich mehrerer Modelle schafft Vertrauen in das Urteil. Im unüberwachten Teil war die One-Class SVM am rigorosesten. Der Isolation Forest verpasste die milden Fehler (B und D), erkannte aber die klaren (C und F). Die DTW-Distanz liefert ein sehr lesbares visuelles Bild, ist aber rechenintensiv. Im überwachten Teil wirkt die Fensterüberlappung wie eine Datenaugmentierung, mit einem deutlichen Gewinn bis 75 % Überlappung. Im halbüberwachten Teil hat die Normierung der Spektrogramme zwischen 0 und 1 das Training stark stabilisiert. Der Rekonstruktionsfehler trennt das gesunde Signal gut von den Fehlern, außer bei sehr kurzen Stößen, die im Mittelwert untergehen. Ich ziehe daraus eine Ingenieursregel, das richtige Werkzeug hängt vom Ziel ab. Um die Überwachung in der Fabrik zu automatisieren, behalte ich einfache und robuste Methoden, ein KNN auf Merkmalen oder einen Autoencoder auf dem FFT-Spektrogramm. Um den physikalischen Ursprung eines Fehlers zu finden (Lager, Zahnrad oder Motor), wechsle ich zum Wavelet-Skalogramm, schwerer, aber für das Auge weit besser lesbar. Ein Teil vor einem Produktionsstopp zu wechseln, ist oft mehr wert, als dem letzten Genauigkeitspunkt nachzujagen. Was ich noch vertiefen könnte, mehr Daten gewinnen, denn das ist der eigentliche Engpass, einen variationalen Autoencoder testen, die Kontamination des Isolation Forest einstellen und die Bereiche Zeit, Frequenz und Wavelet in einer einzigen Diagnose verbinden.