Hybrid‑Autoencoder‑IF‑Ansatz verbessert Anomalieerkennung bei Cyclotron‑Daten

Der C70XP‑Cyclotron von ARRONAX, der für die Produktion radioaktiver Isotope in der Medizin und Forschung eingesetzt wird, arbeitet mit hochkomplexen und kostenintensiven Systemen, die häufig ausfallen und betriebliche Unterbrechungen verursachen. Um die Zuverlässigkeit zu erhöhen, wurde ein neuer Ansatz zur frühzeitigen Erkennung von Anomalien aus Sensordaten entwickelt.

Isolation Forest (IF) ist ein bewährtes Verfahren zur Anomalieerkennung, doch seine Beschränkung auf Achsen-parallele Teilungen erschwert die Detektion subtiler Abweichungen, insbesondere wenn diese nahe dem Mittelwert der normalen Daten liegen. Der neue Hybridansatz kombiniert einen vollständig verbundenen Autoencoder (AE) mit IF. Dabei wird der Mean Cubic Error (MCE) der vom AE rekonstruierten Sensordaten als Eingabe für das IF-Modell verwendet.

In einer Validierung mit Zeitreihen der Protonenstrahlintensität zeigte der Ansatz eine deutliche Verbesserung der Erkennungsleistung. Die Ergebnisse bestätigen, dass die Kombination von AE und IF die Sensitivität für feine Anomalien erhöht und damit die Betriebssicherheit des Cyclotrons nachhaltig stärkt.