Automated Anomaly Detection in Data Streams on Engine Test Benches Using Multi-Scale Convolutional Recurrent Encoder-Decoder

Die Analyse von Motorprüfstandsmessungen erfordert die Auswertung einer großen Anzahl von
Messsignalen in Form von Datenströmen. Die Datenströme eines Prüflings stellen eine zunehmende
Herausforderung für die Prüfingenieure dar, die Menge der verfügbaren Daten zu bewältigen.
Eine Auswertung hinsichtlich Anomalien ist nur dann in Echtzeit möglich, wenn der Großteil des
Testsystems automatisiert ist. Automatisierte Methoden verwenden oft statistische oder semistatistische, merkmalsbasierte Methoden wie Signalmittelwerte, Varianzen oder Schranken. Die
Leistungsfähigkeit dieser Methoden stößt jedoch bei hochdynamischen Daten an Grenzen. ... mehrIn
diesem Artikel wird eine Architektur zur automatischen Auswertung von aggregierten Daten auf
Anomalien im Verbrennungsmotorenprüfstandssystem vorgeschlagen. Dazu wird eine Methode aus
dem Bereich der künstlichen Intelligenz, der Multi-Scale Reccurrent-Encoder-Decoder, mit einer
neuartigen Anpassung für zusätzliche Metadaten verwendet, um Anomalien in den Messungen zu
erkennen sowie die ursächlichen Signale zu identifizieren. Auf diese Weise kann die anspruchsvolle
Aufgabe für einen Prüfingenieur durch die Überwachung der relevanten Signale komfortabler gestaltet oder bei einem kritischen Anomalie-Score automatisch ein Stop-Event ausgelöst werden. Im
Ergebnis wird die Effizienz des Prüfprozesses bei der Arbeit mit Multi-Signal-Datenströmen erhöht
und Schäden am Prüfling durch Fehler können durch die frühzeitige Erkennung schwerwiegender
Anomalien gemindert werden.

The analysis of engine test bed measurements requires the evaluation of a large number of
measured signals as data streams. The data streams from the device under test pose an increasing
challenge for test engineers to handle the amount of data available. An evaluation regarding
anomalies is only possible in real time if the majority of the test system is automated. Automated methods often use statistics or semi-statistical feature-based methods like signal means,
variances, or bounds. However, the performance of these methods is limited on highly dynamic
data. This article proposes an architecture to automatically evaluate aggregated data for anomalies
... mehr
in combustion engine test bench system. For this purpose, the artificial intelligence method of the
multi-scale convolutional recurrent encoder-decoder with a novel adaptation of the neural Network
for additional meta data is used to detect anomalies in the measurements as well as identify the
causal signals. Thus, the challenging task for a test engineer can be mode more comfortable by
supervising the relevant signals, or a stop event can be triggered automatically in a critical anomaly
score. Conclusively, the testing process efficiency when working with multi-signal data streams is
increased and damages of the device under test through faults may be mitigated by the early
detection serious anomalies.