Die Suche nach der Nadel im Heuhaufen

Steinbeis-Software erkennt Anomalien in „Big Data“

Im Bereich des Data Mining wird oft die Suche nach der „Nadel im Heuhaufen“ zur Veranschaulichung der hohen Komplexität herangezogen. Das Finden von Anomalien in Massendaten ist allerdings weitaus schwieriger als die sprichwörtliche Suche im Heuhaufen, da zu Beginn überhaupt nicht klar ist, wie die gesuchte „Nadel“ aussieht. Zu Beginn muss aus der Menge der vorliegenden Daten das Objekt ermittelt werden, das auffällig zu sein scheint, damit auf dieser Basis weitere Untersuchungen angestellt werden können. Das Steinbeis-Transferzentrum Softwaretechnik in Esslingen forscht an der Analyse von Big Data.

In der Automobilindustrie ist die Erfassung von Messdaten während Erprobungsfahrten oder im Labor heutzutage selbstverständlich, um auf Fehlzustände im Fahrzeug schließen zu können. Das Steinbeis-Transferzentrum Softwaretechnik in Esslingen untersuchte in einem mehrjährigen Forschungsprojekt verschiedene Ansätze, um in den beim Testen eines Fahrzeugs anfallenden Massendaten automatisch die Anomalien zu erkennen.

Ein Fahrzeug enthält eine Vielzahl kommunizierender eingebetteter Systeme, die über Sensoren und Aktuatoren mit der Umwelt des Fahrzeugs interagieren. Während der Durchführung von Versuchsfahrten mit Forschungsoder Entwicklungsfahrzeugen werden die Messdaten aufgezeichnet, die eine spätere Fehleranalyse ermöglichen. Millionen von Messwerten werden protokolliert, was eine manuelle Auswertung mit herkömmlichen Mitteln unmöglich macht. Eine in den Messdaten gefundene Anomalie kann jedoch auf einen Fehler in der Software, Elektronik oder Mechanik des Fahrzeugs hindeuten. Daher besteht ein großes wirtschaftliches Interesse daran, Anomalien zu erkennen, bevor das Fahrzeug in die Serie geht – zum einen, um die Reputation des produzierenden Unternehmens zu wahren und zum anderen, um kostspielige Rückrufaktionen zu vermeiden.

Das Steinbeis-Team am Esslinger Steinbeis-Transferzentrum Softwaretechnik untersuchte zwei grundlegende Möglichkeiten zur Erkennung von Anomalien:

  • Zum einen eine intelligente Darstellung und benutzergeführte Auswertung der Daten mit Methoden der „Visual Analytics“ (des Visual Data Mining). Dies funktioniert für wenige Aufzeichnungen und einmalige Analysen sehr gut.
  • Daneben wurden Klassifikationsverfahren aus dem Bereich der künstlichen Intelligenz untersucht und ein autonom arbeitender Klassifikator geschaffen, der automatisch Anomalien erkennt. Ein selbstlernendes System wurde entwickelt, das mittels der Ein-Klassen-Stützvektor- Maschine „SVDD“ aus den vorhandenen Trainingsdaten lernt und anschließend neue Testdaten automatisch klassifiziert.

Im Moment erfolgt ein Transfer der Forschungsergebnisse in den industriellen Bereich, wobei die Anwendbarkeit nicht allein auf die Automobilindustrie beschränkt ist. Vielmehr bieten die entwickelten Klassifikationsverfahren der künstlichen Intelligenz neuartige Möglichkeiten zur Datenauswertung für alle Bereiche, in denen technische Messdaten anfallen, beispielsweise in der Automatisierungstechnik oder an Prüfständen. Die Experten am Steinbeis-Transferzentrum übernehmen die erfolgreichen Ansätze inkrementell in die neuartige Messdatenanalyse- Software „Tedradis-DataMiner“.

Seite teilen