Automatisierte Anomalie Erkennung in Datenströmen am Motorenprüfstand unter Verwendung von Multi-Scale Convolutional Recurrent Encoder-Decoder

Autoren

J. Juhl MSc, T. Rudolf MSc, L. Kohout MSc, Dr.-Ing. S. Schwab, FZI Forschungszentrum Informatik, Karlsruhe; Dr.-Ing. G. Dummer, IAVF Antriebstechnik GmbH, Karlsruhe; Prof. Dr.-Ing. S. Hohmann, Prof. Dr.-Ing. W. Stork, Karlsruher Institut für Technologie (KIT), Karlsruhe:

Jahr

2021

Druckinfo

Eigenproduktion ÖVK

Zusammenfassung

Die Analyse von Motorprüfstandsmessungen erfordert die Auswertung einer großen Anzahl von Messsignalen in Form von Datenströmen. Die Datenströme eines Prüflings stellen eine zunehmende Herausforderung für die Prüfingenieure dar, die Menge der verfügbaren Daten zu bewältigen. Eine Auswertung hinsichtlich Anomalien ist nur dann in Echtzeit möglich, wenn der Großteil des Testsystems automatisiert ist. Automatisierte Methoden verwenden oft statistische oder semistatistische, merkmalsbasierte Methoden wie Signalmittelwerte, Varianzen oder Schranken. Die Leistungsfähigkeit dieser Methoden stößt jedoch bei hochdynamischen Daten an Grenzen. In diesem Artikel wird eine Architektur zur automatischen Auswertung von aggregierten Daten auf Anomalien im Verbrennungsmotorenprüfstandssystem vorgeschlagen. Dazu wird eine Methode aus dem Bereich der künstlichen Intelligenz, der Multi-Scale Reccurrent-Encoder-Decoder, mit einer neuartigen Anpassung für zusätzliche Metadaten verwendet, um Anomalien in den Messungen zu erkennen sowie die ursächlichen Signale zu identifizieren. Auf diese Weise kann die anspruchsvolle Aufgabe für einen Prüfingenieur durch die Überwachung der relevanten Signale komfortabler gestaltet oder bei einem kritischen Anomalie-Score automatisch ein Stop-Event ausgelöst werden. Im Ergebnis wird die Effizienz des Prüfprozesses bei der Arbeit mit Multi-Signal-Datenströmen erhöht und Schäden am Prüfling durch Fehler können durch die frühzeitige Erkennung schwerwiegender Anomalien gemindert werden.

Anzahl der Seiten

13 Bestellen