Rückgratunabhängige Pareto‑evidentielle Netze für vertrauenswürdige Fehlerdiagnose und Erkennung von Ausreißern

Warum intelligentere Fehleralarme wichtig sind

Moderne Fabriken verlassen sich auf Sensoren und Algorithmen, um frühe Anzeichen von Problemen an Maschinen zu erkennen – von winzigen Lagern bis hin zu großen rotierenden Wellen. Diese Systeme funktionieren gut, wenn sie mit bekannten Problemen konfrontiert werden, die in den Trainingsdaten vorkamen, können aber gefährlich überzuversichtlich werden, wenn etwas wirklich Neues auftritt. Dieses Papier stellt eine Methode namens Pareto‑gesteuertes Evidential Dual‑Head‑Netz (PEDNet) vor, die Diagnosealgorithmen nicht nur dabei helfen soll zu sagen, welcher Fehler am wahrscheinlichsten ist, sondern auch wann sie zugeben sollten: „Ich bin mir nicht sicher“, damit Menschen eingreifen können, bevor Schäden oder Unfälle passieren.

Die Herausforderung unbekannter Fehler

Traditionelle Fehlerdiagnosesysteme behandeln die Welt so, als wären alle möglichen Fehlertypen bereits bekannt. Sie werden auf gelabelten Vibrationssignalen trainiert – von gesunden Lagern und einer begrenzten Menge an Fehlerzuständen – und sollen dann jedes zukünftige Signal einer dieser Kategorien zuordnen. In realen Fabriken jedoch altern Maschinen, Lasten ändern sich und neue Kombinationen von Ausfällen treten auf, die nie im Trainingssatz waren. Solche unbekannten Situationen werden als Out‑of‑Distribution (OOD)‑Ereignisse bezeichnet. Konventionelle tiefe Netze neigen dazu, diese unbekannten Fälle mit hoher Sicherheit dem nächstliegenden bekannten Label zuzuordnen, was das Wartungspersonal in die Irre führen und das Vertrauen in die automatisierte Überwachung untergraben kann.

Zwei Köpfe sind besser als einer

Um dem zu begegnen, verwendet PEDNet eine einfache, aber wirksame Idee: Aufteilung der Entscheidungsfindung des Netzes in zwei koordinierte Teile, oder „Köpfe“, die sich dieselben gelernten Merkmale teilen. Ein Kopf konzentriert sich auf die übliche Aufgabe – zu entscheiden, welches Fehlermuster am besten zum eingehenden Signal passt. Der andere Kopf schätzt, wie vertrauenswürdig diese Entscheidung ist, indem er Unsicherheit auf eine prinzipielle Weise modelliert. Statt einen einzelnen harten Score auszugeben, repräsentiert dieser Unsicherheitskopf, wie viel stützende „Evidenz“ das Modell für jede mögliche Klasse hat. Wenn die Evidenz schwach oder inkonsistent ist, sinkt das Gesamtkonfidenzniveau des Modells und signalisiert, dass der Input ungewöhnlich sein oder außerhalb bisheriger Erfahrungen liegen könnte.

Balance zwischen Genauigkeit und Vorsicht

Der bloße Zusatz eines zweiten Kopfes erzeugt nicht automatisch verlässliches Verhalten: Die beiden Aufgaben – bei bekannten Fehlern genau zu sein und bei unbekannten vorsichtig zu bleiben – können das geteilte Netzwerk während des Trainings in unterschiedliche Richtungen ziehen. PEDNet begegnet dem mit einem Pareto‑basierten Gewichtungsschema, das sich die Gradienten bzw. die Aktualisierungsrichtungen anschaut, die von jedem Kopf in jedem Trainingsbatch kommen. Anstatt feste oder händisch abgestimmte Gewichte zu verwenden, findet die Methode analytisch eine Kompromissrichtung, die beide Ziele so weit wie möglich gleichzeitig reduziert. Dieser „dynamische Waffenstillstand“ lenkt das Lernen zu Lösungen, bei denen das Modell sowohl scharf darin ist, bekannte Muster zu erkennen, als auch ehrlich in seiner Unsicherheit, wenn etwas ungewöhnlich erscheint.

Nachweis des Nutzens an realen Maschinendaten

Die Autoren testen PEDNet an zwei öffentlichen Lagerdatensätzen, die realistische Fabrikszenarien nachbilden. Der eine enthält Mischungen aus Einzel‑ und zusammengesetzten Fehlern über zwei Lager hinweg, sodass bestimmte Kombinationen nur zur Testzeit auftreten und wie tatsächlich neue Fehlerarten wirken. Der andere erhöht schrittweise die Schadensschwere und behandelt das schwerste Niveau als während des Trainings ungesehen. Über vier unterschiedliche Backbone‑Architekturen – von einem kleinen konvolutionalen Netz bis hin zu spezialisierten Designs – verbessert PEDNet durchgehend die Fehlerklassifikationsgenauigkeit und senkt gleichzeitig deutlich die Rate, mit der unbekannte Fälle fälschlich als bekannt akzeptiert werden. Es liefert auch besser kalibrierte Konfidenzwerte, das heißt, seine angegebene Sicherheit stimmt besser mit der tatsächlichen Trefferquote überein. Sogar unter harten Tests, bei denen das Modell auf einem Datensatz trainiert und auf einem anderen mit anderen Sensoren und Maschinenstrukturen evaluiert wird, bleiben seine Unsicherheitssignale informativ, wobei die Autoren betonen, dass dennoch eine domänenspezifische Feinabstimmung nötig ist.

Was das für sicherere Maschinen bedeutet

Praktisch bietet PEDNet eine Plug‑in‑Trainingsstrategie, die auf viele existierende neuronale Netzdesigns aufgesetzt werden kann, ohne deren interne Struktur zu verändern. Das erleichtert die Nachrüstung aktueller Diagnosesysteme mit einem zweiten Sinn: nicht nur wahrscheinliche Fehler zu erkennen, sondern auch Messwerte zu kennzeichnen, die außerhalb bekannter Gebiete liegen. Zwar beseitigt der Ansatz nicht die Notwendigkeit sorgfältiger Schwellenwertsetzung oder menschlicher Aufsicht – besonders wenn sich Ausrüstung oder Betriebsbedingungen drastisch ändern – er schafft jedoch eine vertrauenswürdigere Basis für die automatisierte Überwachung. Indem er Algorithmen hilft zu lernen, wann sie selbstbewusst sein sollten und wann sie an Menschen verweisen sollten, bringt PEDNet die industrielle Fehlerdiagnose einen Schritt näher an das vorsichtige, transparente Verhalten, das für sicherheitskritische Anwendungen erforderlich ist.

Zitation: Shi, J., Tang, M. & Tan, L. Backbone agnostic Pareto evidential networks for trustworthy fault diagnosis and out of distribution detection. Sci Rep 16, 10096 (2026). https://doi.org/10.1038/s41598-026-40463-0

Schlüsselwörter: Fehlerdiagnose, Erkennung von Aus‑of‑Distribution, unsicherheitsbewusste KI, industrielles Monitoring, Multi‑Task‑Learning