Neue Methode trennt Fehlfunktionen von Domain‑Shift in Industrie‑Datenströmen

In der Industrie sind Anomalie‑ und Fehlersuchverfahren unverzichtbar, um Abweichungen vom normalen Betriebszustand frühzeitig zu erkennen und Schäden zu verhindern. Langanhaltende Abweichungen deuten auf echte Fehler hin, während plötzliche, isolierte Änderungen meist Anomalien darstellen.

In vielen Anwendungen werden jedoch Veränderungen in den Daten fälschlicherweise als Fehler interpretiert, obwohl sie lediglich die natürliche Weiterentwicklung des Prozesses widerspiegeln – etwa beim Start eines neuen Produkts, also einem Domain‑Shift. Die Unterscheidung zwischen echten Fehlern und solchen „gesunden“ Änderungen ist entscheidend für die Zuverlässigkeit von Produktionsanlagen.

Forscher haben deshalb einen Ansatz entwickelt, der nicht nur Datenveränderungen und Anomalien erkennt, sondern auch zwischen Fehlern und normalen Domain‑Shifts differenziert. Der Kern bildet ein modifizierter Page‑Hinkley‑Change‑Point‑Detector, der sowohl Domain‑Shifts als auch mögliche Fehler identifiziert. Ergänzt wird er durch überwachte, domänenadaptierte Algorithmen, die schnelle, online Anomalieerkennung ermöglichen. Ein erklärbares KI‑Modul unterstützt den Bediener dabei, die Ergebnisse zu interpretieren und die Ursache – Fehler oder Domain‑Shift – eindeutig zu bestimmen.

Die Wirksamkeit des Verfahrens wurde an einem Datenstrom aus einer Stahlfabrik demonstriert, wo es erfolgreich zwischen Prozessveränderungen und tatsächlichen Fehlfunktionen unterscheiden konnte.