KI-Trick zur Bereinigung von Maschinendaten
Lösung für fehlerhafte Trainingsdaten
Forschende der ZHAW School of Engineering haben eine Methode entwickelt, um Anomalien und Defekte in Maschinen effizienter zu erkennen, selbst wenn KI-Trainingsdaten verunreinigt sind.
Abnutzung, Defekte und Fehler frühzeitig erkennen: Immer mehr Industrieunternehmen setzen für diese Aufgaben KI ein. Das Prinzip, das dabei zur Anwendung kommt, heisst „Lernen aus der Normalität“. Algorithmen werden anhand von Daten aus einwandfrei funktionierenden Maschinen trainiert, um später Abweichungen zu erkennen. In der Praxis stehen jedoch häufig keine vollständig fehlerfreien Daten zur Verfügung. Das führt dazu, dass die Modelle nicht mehr zwischen normalen und fehlerhaften Betriebsbedingungen unterscheiden können.
Um dieses Problem zu lösen, haben Forschende der ZHAW School of Engineering ein neuartiges Framework entwickelt. Es basiert auf einer zentralen Beobachtung: Fehlerhafte Daten haben einen stärkeren Einfluss auf die Leistung eines KI-Modells als normale Proben. Gemäss diesem Prinzip wird jeder Datenprobe ein Score zugewiesen, der ihren Einfluss auf das Training misst. Proben mit einem hohen Score werden als potenziell fehlerhaft identifiziert und aus den Trainingsdaten entfernt. In Tests erzielten die so verfeinerten Daten eine vergleichbare Leistung wie manuell bereinigte Datensätze.
Die ZHAW hat die Methode an einer Vielzahl von Maschinentypen getestet, darunter Pumpen, Ventile, Ventilatoren und Triebwerke, und dabei vielversprechende Ergebnisse erzielt. In den meisten Fällen konnte das Framework den Mangel an fehlerfreien Trainingsdaten vollständig kompensieren.
