Anomalieerkennung

Das Auffinden von Ausreißern


Arten von Anomalien

Anomalien sind einzelne Messpunkte oder Gruppen von Messpunkten, welche Unregelmäßigkeiten in Daten darstellen. So kann eine Anomalie beispielsweise ein unerwartet hoher Drehmoment-Messwert in der Anfangsphase eines Produktionsprozesses sein. Auch temporäre Unregelmäßigkeiten in der zeitlichen Entwicklung von Messgrößen, wie man sie beispielsweise bei Herzrhythmusstörungen in einem EKG-Bild findet, stellen Anomalien dar. Ob ein einzelner Messwert oder der zeitliche Verlauf einer Messgröße anomal sind, ist im Allgemeinen kontext- bzw. zustandsabhängig. So kann beispielsweise ein hoher Drehmomentmesswert in der Anfangsphase einer Produktion anomal sein, während er in der Endphase absolut unauffällig ist.          


Methoden zur Anomalieerkennung

Um Anomalien zu erkennen, existiert eine Vielzahl von Ansätzen, deren Verwendung sich nach der Art der Daten, dem Typ der Anomalie und dem zur Verfügung stehenden Domänenwissen richtet. Eine Möglichkeit besteht beispielsweise in der Verwendung von Clusteranalyseverfahren, welche Datenpunkte als Ausreißer klassifizieren, die sich keinem identifizierten Cluster zuordnen lassen. Andere Ansätze, speziell zur Analyse von Zeitseriendaten, verwenden rekurrente neuronale Netze, welche auf Basis vergangener Messwerte den aktuellen Messwert vorhersagen. Weichen vorhergesagter Wert und aktueller Messwert zur stark voneinander ab, wird der Messwert als Ausreißer klassifiziert.           

Anomaliedetektion von Sensordaten in Echtzeit

Die zur Laufzeit erfolgte Erkennung und Beseitigung von Ausreißern ist gerade für in Echtzeit agierende Analysesysteme von zentraler Bedeutung. Somit wird verhindert, dass sich beispielsweise Messfehler in späteren Analyseschritten fortpflanzen und Ergebnisse verfälschen. Im Gegensatz zu Detektionsverfahren, welche auf klassischen Clusteranalyse-Verfahren beruhen, erlaubt die hier gezeigte Lösung sowohl die Erkennung als auch die Beseitigung von Ausreißern in Echtzeit.    

Die Abbildung zeigt einen Snapshot der Ausreißerkennung von in Echtzeit einströmenden Sensordaten. Die Messwerte außerhalb des Toleranzbereichs (hellblau) werden als Ausreißer (rote Kreise) erkannt. Die Form des Toleranzbandes wird durch das zugrundeliegende Modell bestimmt, dessen Parameter durch maschinelles Lernen optimal bestimmt werden. Die rechte Seite der Abbildung zeigt hierzu den Parameterraum mit geschätzter Zielfunktion. Der dunkelgraue Punkt kennzeichnet die aktuelle Parameterwahl.

Ihr Nutzen aus der Anomalieerkennung

Fehler
frühzeitig erkennen

Risiko
mindern

Qualität
steigern

Ausfallzeiten
reduzieren

Haben Sie Fragen? Wir beraten Sie gerne.

Der Datenanalysebereich Katana der USU-Gruppe verfügt über langjährige Erfahrung in der Anwendung von maschinellen Lernverfahren im industriellen Bereich. Nutzen Sie unser Wissen und unsere Lösungen zur Optimierung Ihrer Produktionsprozesse um Kosten zu senken und Qualität zu steigern.

 

Datengetriebene Services erfolgreich entwickeln

Leitfaden für Voraussetzungen, Herausforderungen und das richtige Vorgehen bei der Entwicklung maßgeschneiderter Smart Services.

Download White Paper