EngineAD: neues Fahrzeug-Engine-Fehler-Dataset für reale Anomalie-Erkennung

Die Entwicklung von Anomalie-Erkennungssystemen für sicherheitskritische Bereiche wie den Transport steht vor einer großen Herausforderung: Es fehlen echte, umfangreiche Testdatensätze. EngineAD löst dieses Problem, indem es ein neu erstelltes, multivariates Datenset präsentiert, das aus hochauflösenden Sensordaten von 25 kommerziellen Fahrzeugen über einen Zeitraum von sechs Monaten besteht.

Im Gegensatz zu synthetischen Modellen enthält EngineAD authentische Betriebsdaten, die von Experten annotiert wurden. Diese Kennzeichnungen unterscheiden normale Betriebszustände von subtilen Anzeichen für beginnende Motorschäden. Die Rohdaten wurden in Segmente von 300 Zeitschritten unterteilt und anschließend auf acht Hauptkomponenten reduziert, um die Analyse zu erleichtern.

Zur Bewertung der Anomalie-Erkennung wurden neun verschiedene One-Class-Modelle eingesetzt. Die Ergebnisse zeigen, dass die Leistung stark zwischen den Fahrzeugen variiert, was die Schwierigkeit der Generalisierung über unterschiedliche Fahrzeuge hinweg unterstreicht. Interessanterweise erwiesen sich klassische Verfahren wie K‑Means und One‑Class‑SVM in dieser segmentbasierten Bewertung oft genauso gut oder sogar besser als moderne Deep‑Learning‑Ansätze.

Durch die öffentliche Freigabe von EngineAD bietet die Forschungsgemeinschaft ein realistisches und anspruchsvolles Werkzeug, um robuste und einsatzbereite Anomalie-Erkennungs- und Vorhersagesysteme für die Automobilindustrie zu entwickeln.