13. März 2018

Anomalieerkennung – Problemstellung auf ganz unterschiedliche Dinge

Im Rahmen von Industrie 4.0 fällt immer häufiger das Wort „Anomalien“. Dabei bezieht sich dieser Begriff je nach Branche und Problemstellung auf ganz unterschiedliche Dinge.

Anomalien können falsche Sensormessungen, Hackerangriffe, Kreditkartenbetrüge,Herzrhythmusstörungen oder auch Fehler/Verschleiß in Maschinen darstellen. Um Anomalien verallgemeinert darzustellen, wird häufig die Definition benutzt, dass Anomalien seltene und deutlich andere Ereignisse sind.

Nichtsdestotrotz, mit der Vielfältigkeit der Problemstellungen wachsen auch die Anforderungen an die Methoden zur Anomalie-Erkennung. Ein genaues Prozess- und Datenverständnis hilft dabei diese zu spezifizieren und ist entscheidend für die Typisierung der zu erkennenden Anomalien in punktuelle, Kontext bezogene und kollektive Anomalien. Punktuelle Anomalien beziehen sich auf einzelne Datenpunkte, die deutlich anders sind als normale Beobachtungen. Häufig werden diese Anomalien als die klassischen „Outlier“ bezeichnet, die unter anderem mit statistischen Tests, Schwellwerten und Visualisierungsmethoden identifiziert werden können. Bei kontextbezogene Anomalien sind die Variablen-Werte in einer Beobachtung für sich betrachtet in einem gültigen Bereich, jedoch die Kombination ist hier das Ungewöhnliche, beispielsweise ein hoher Energieverbrauch trotz Maschinenstillstand. Der dritte Anomalie-Typ tritt bei sequenziellen Daten auf: Auch hier sind die einzelnen Datenpunkte nicht als Anomalien zu erkennen, aber die Häufung von gewissen aufeinanderfolgenden Messungen sind im Hinblick auf den gesamten Datensatz anormal. Die Methoden für die Erkennung der unterschiedlichen Anomalie-Typen sind breit gefächert: Von der bereits erwähnten Visualisierung, hinzu Cluster- und Residuen-Verfahren, bis hin zu komplexen Methodenkombinationen ist alles möglich und kann/sollte kundenspezifisch zugeschnitten werden.