Kommt es während einer Messung zu kurzzeitigen Störungen von Sensoren, siehe blaue Kurve im Defektbereich, so ist häufig die gesamte Messung unbrauchbar. Da die Durchführung von Messungen in vielen Fällen sehr zeit- und kostenintensiv ist, will man auch auf diese Messreihen nicht verzichten.

Mit Hilfe der von uns entwickelten Lösungen, lassen sich fehlerhafte Messintervalle korrigieren – vgl. blaue und grüne Kurve im Defektbereich – und Messwerte beispielsweise bzgl. ihres Driftverhaltens anpassen – vgl. rote Kurve.

Die zur Laufzeit erfolgte Erkennung und Beseitigung von Ausreißern ist gerade für in Echtzeit agierende Analysesysteme von zentraler Bedeutung. Somit wird verhindert, dass sich durch Ausreißer induzierte Fehler in späteren Verarbeitungsschritten fortpflanzen und somit Analyseergebnisse verfälschen.

Im Gegensatz zur klassischen Cluster-Analyse erlaubt unsere Lösung sowohl die Erkennung als auch die Beseitigung von Ausreißern in Sensordaten zur Laufzeit.

Anomalien stellen Unregelmäßigkeiten in den Messdaten von Maschinen dar und spielen damit eine zentrale Rolle in der Identifikation von Fehlverhalten. Mit Hilfe der von uns entwickelten Anomalieerkennung werden aus historischen Daten unterschiedliche Betriebsphasen der Maschine automatisch identifiziert und phasenspezifische Toleranzschwellwerte berechnet. Die Sensitivität der Anomalieerkennung ist vom Benutzer individuell einstellbar. Dadurch lassen sich während des Maschinenbetriebs selbst geringe Abweichungen vom Normalverhalten in Echtzeit identifizieren.

Neben der Echtzeiterkennung von Anomalien in Sensordaten, spielt auch eine langfristige Vorhersage der zeitlichen Entwicklung relevanter Kenngrößen eine zentrale Rolle. Kenngrößen könnten beispielsweise die Laufleistung oder die Ölqualität einer Maschine sein. Kann die zeitliche Entwicklung dieser Kenngrößen ausreichend genau vorhergesagt werden, können rechtzeitig Ersatzteile bestellt und Servicetechniker für die Wartung eingeplant werden. Damit werden kostspielige Ausfälle verhindert. 

Prädiktionsansätze, welche auf einer linearen Fortschreibung von Messgrößen beruhen, führen zu teils sehr ungenauen Prädiktionen. Die von uns entwickelten Ansätze basieren auf maschinellen Lernverfahren und bieten eine verbesserte Prädiktion mit Zusatzinformation über die Unsicherheit der Vorhersage, siehe Abbildung.

Sowohl komplexe Maschinen als auch IT-Systeme beschreiben ihren Zustand durch die Ausgabe von diskreten Ereignissen in Form von Protokolldaten. Diese beinhalten in der Regel wichtige Informationen über den Zustand und die zeitliche Entwicklung der Systeme.

Unsere Lösungen sind durch selbstlernende Verfahren in der Lage, Protokolldaten zustrukturieren und plötzlich eintretenden Ereignissen ihre wahrscheinlichsten Ursachen zuzuordnen. Damit machen wir relevante Zusammenhänge sichtbar.