Elektronische Mess- und Diagnosetechnik

Automatisierte Auswahl von Merkmalen zur Diagnose mechatronischer Prozesse

Im Rahmen des Projekts "Automatische Merkmalsauswahl für die Diagnose mechatronischer Prozesse", das im September 2019 in Kooperation mit der IAV GmbH startet, werden neue Deep-Learning-Ansätze für die maschinelle Diagnose untersucht.

Die klassische Mustererkennung hat in der Predictive Maintenance zwei entscheidende Herausforderungen, die Fehlerklassen sind meist schlecht besetzt und es sind häufig nicht alle Fehlerklassen bekannt.

Eine schlechte Besetzung der Fehlerklassen ist durch die Kosten und die Zeit bedingt, die durch den Messaufwand sowie durch die Zerstörung von Prüflingen entstehen. Oftmals ist es notwendig, die Daten für die Fehlerklassen durch synthetische Tests zu erzeugen, da das Eintreten eines Fehlers lange dauern kann. Ein weiterer großer Nachteil ist, dass oft nicht alle Fehlerklassen bekannt sind, somit keine Daten vorliegen oder nicht gemessen werden können.

Mithilfe der One-Class-Classifikation wird der Vorteil genutzt, dass die fehlerfreie Klasse sehr gut besetzt und damit das normative Verhalten der Klasse wohl bekannt ist. Im Gegensatz zur Multi- Class-Classification soll nicht eine bestimmte Fehlerklasse erkannt werden, sondern es soll nur das Auftauchen eines beliebigen Fehlers detektiert werden. Es soll also das Abweichen vom normativen Verhalten erkannt werden.