Anomalieerkennung an rotierenden Maschinen mit KI

Kontext

Drei Praktika des KI-Moduls im Master 1 MESI, betreut von Ivan Vazquez-Munoz und Dominique Knittel, im März 2026. Derselbe Satz von sechs Signalen dient in jedem Praktikum, mit zwei fehlerfreien Zuständen und zwei Fehlerfamilien. Jedes Praktikum wechselt die Lernfamilie.

Was ich gemacht habe

• Im unüberwachten Teil habe ich neun Merkmale im Zeitbereich extrahiert und dann K-means, DTW, One-Class SVM und Isolation Forest getestet.
• Im überwachten Teil habe ich KNN, CNN und LSTM getestet, mit überlappenden Fenstern, um die Daten zu vermehren.
• Im halbüberwachten Teil habe ich einen Autoencoder nur mit dem fehlerfreien Signal trainiert, erst auf Spektrogrammen, dann auf Skalogrammen.

Was mir aufgefallen ist und was ich gelernt habe

• Einfache und robuste Methoden eignen sich zur Überwachung einer Fabrik. Das Skalogramm hilft, die Ursache eines Fehlers zu finden.
• Keine Methode reicht allein. Erst der Abgleich der Ergebnisse schafft Vertrauen.

Meine Fehler

• Der Datensatz ist für große Modelle zu klein (125 Fenster). CNN und LSTM überanpassen schnell.
• Der Isolation Forest hat die schwachen Fehler übersehen. Die Einstellung seiner Kontamination steht noch aus.

Ergebnisse

• Die One-Class SVM ist die strengste der unüberwachten Methoden.
• Eine Überlappung der Fenster bis 75 % bringt einen deutlichen Gewinn.
• Der Autoencoder trennt fehlerfrei und fehlerhaft gut, außer bei sehr kurzen Stößen.
• Ein einfacher KNN ist oft zuverlässiger als die tiefen Modelle.

Tech-Stack