Master's Thesis Viet Tiep Do

Wissensbasierte Mustererkennung und -visualisierung von Fehleraufzeichnungen zeitbasierter Motor-Sensordaten: Anforderungsanalyse und Werkzeugunterstützung

Abstract

In den letzten Jahren hat die immense Entwicklung in Sensor- und Messtechnik die Gewinnung größer Menge von Messdaten ermöglicht. Die Messdaten sind zeitbasiert und liegen daher im Form sequentieller Daten oder Zeitreihen vor. Verschiedene Analysetechnik und Expertenwissen werden benötigt, um wertvollen Informationen aus diesen großen Datenmengen herauszukristallisieren. Eine der wichtigsten Wissenentdeckung aus diesen Daten ist die Mustererkennung, die aus regel- und wissensbasierte Bedingungen zusammensetzt.

Diese Masterthesis wird in Zusammenarbeit mit Firma IAV angefertigt. Im Kundendienst, wenn Fehlfunktionen im Motor erkannt werden, verschiedene Messwerten werden automatisch im Verbindung mit dem Ereignis aufgezeichnet. Die Auswertung dieser zeitbasierten Messdaten dient dazu, besseren Verständnis der Motorprobleme und Rückschluss auf den technischen Ursachen zu gewinnen. Zur Unterstützung der Root-Cause Analyse wird ein iteratives Vorgehen durchgeführt, indem zunächst Daten manuell bewertet und dadurch wissensbasierte Fehlermuster erkannt werden. Die Fehlermustererkennungsprozess, die Fehlermustervisualisierung und anschließend die Prüfung alle vorliegenden zeitbasierten Messdateien auf die erarbeiteten Fehlermuster benötigt die Auswertung und Analyse von Messdaten in großen Umfang.

Die Bedingungen eines Fehlermusters basieren einerseits auf einem Vergleich von statischen Zeitreihen (Zeitreihe mit gleichgroßen oder wenig verändernden Elementen) und andererseits auf die Ähnlichkeitssuche nach einer vorgegebenen Verlauf eines dynamischen Messsignals, die als Musterzeitreihe angesehen kann. Nicht nur die Erkennung von ähnlichen Zeitreihen spielt eine signifikante Rolle, sondern auch die Ähnlichkeitsgrad zwischen zwei Zeitreihen sollen mit geeigneter Methode, auf Basis des Euklidischer Abstandes und der Diskrete Fourier-Transformation untersucht werden. Mit Hilfe der Unschärfe der Fuzzy Logik wird ferner versucht, die Grenze zwischen den Aussagen „Fehlermuster X erfüllt“ und „Fehlermuster X nicht erfüllt“ aufzuweichen.  Diese Art von Erfüllungsgrad kann weiterhin als Entscheidung oder Orientierungshilfe dienen bei der Analyse von Dateien, die nicht deutlich einem Fehlermuster zugeordnet werden kann.

Zur Unterstützung der Fehlermustererkennung, -visualisierung und -prüfung wird eine automatisierte Werkzeugsunterstützung entwickelt.