Hierarchische Multi-Attention-Neuronale Netze zur Sensorfehlerdiagnose und -minderung in digitalen Zwillingen

Warum intelligente Fabriken vertrauenswürdige Sinne brauchen

Wenn Fabriken, Stromnetze und Wasserversorgungen immer intelligenter werden, verlassen sie sich auf tausende kleine elektronische „Augen und Ohren“, die Daten an ihre digitalen Zwillinge liefern—virtuelle Abbilder, die zur Überwachung und Steuerung realer Anlagen dienen. Wenn jedoch auch nur wenige Sensoren aufgrund von Verschleiß, Störungen oder Ausfällen falsche Werte liefern, kann der digitale Zwilling erheblich in die Irre geführt werden, was zu Fehlentscheidungen und in Extremfällen zu kaskadierenden Ausfällen führt. Diese Arbeit stellt einen neuen Ansatz vor, um fehlerhafte Sensormessungen kontinuierlich zu erkennen und unauffällig durch verlässliche virtuelle Schätzwerte zu ersetzen, damit der digitale Zwilling—und das dahinterstehende physische System—stabil bleibt.

Von physischen Maschinen zu ihrem virtuellen Spiegel

Digitale Zwillinge fungieren als Live‑Spiegel mit hoher Genauigkeit physischer Systeme wie Transformatoren oder Wasserspeichernetzwerken. Sie sind auf Messdatenströme angewiesen—Temperaturen, Drücke, Durchflüsse—um Was‑wäre‑wenn‑Szenarien zu testen, Wartungen zu planen und Regelungen anzupassen. Traditionelle Schutzmaßnahmen gegen fehlerhafte Sensoren bestehen oft darin, drei physische Sensoren parallel zu installieren und per Mehrheitsentscheidung zu verfahren—ein einfacher, aber teurer Ansatz. Neuere Ansätze nutzen stattdessen datengetriebene Methoden: Modelle lernen aus historischen Daten, wie Sensoren sich verhalten sollten, und markieren Abweichungen. Viele dieser Verfahren stoßen jedoch an Grenzen, wenn Daten komplex sind, Fehler subtil auftreten oder viele Sensoren in komplexer Weise interagieren. Die Autoren argumentieren, dass ein intelligenterer Einsatz moderner Attention‑Mechanismen in neuronalen Netzen diese Beschränkungen überwinden kann.

Dem virtuellen Sensor beibringen, die Realität zu „erwarten“

Der erste Baustein der vorgeschlagenen Architektur ist ein Virtual‑Sensor‑Modul—eine Software‑Vertretung für jeden physischen Sensor. Es lernt vorherzusagen, was jeder Sensor lesen sollte, indem es jüngste Daten aller Sensoren über ein kurzes Zeitfenster betrachtet. Dafür nutzt das Modul zwei unterschiedliche neuronale Zweige parallel. Einer basiert auf einem Transformer‑Encoder, der hervorragend darin ist, langfristige Muster über die Zeit zu erkennen. Der andere ist ein bidirektionales rekurrentes Netzwerk, das sowohl vorwärts als auch rückwärts die Sequenz betrachtet, um zu erfassen, wie verschiedene Sensoren in jedem Zeitpunkt zusammenhängen. Ein Cross‑Attention‑Mechanismus lässt diese Zweige Informationen austauschen, hebt übereinstimmende Merkmale hervor und dämpft Rauschen. Das Ergebnis ist eine hochpräzise Erwartung dessen, was jeder gesunde Sensor zu jedem Zeitpunkt melden sollte.

Diskrepanzen in klare Warnsignale verwandeln

Sobald der virtuelle Sensor seine Vorhersagen gemacht hat, vergleicht das System diese mit den tatsächlichen Messwerten. Die absolute Differenz zwischen beiden—der Residualwert—ist das Rohmaterial für die Fehlererkennung. Kleine Residuen deuten auf normales Verhalten hin, größere können auf Probleme hinweisen. Reale Daten sind jedoch unordentlich, und selbst gute Sensoren stimmen selten perfekt mit dem virtuellen Modell überein. Um harmlose Schwankungen von echten Fehlern zu trennen, übergeben die Autoren Residualsequenzen an ein zweites zentrales Modul: einen Fehlerdiagnoseblock, aufgebaut aus konvolutionalen neuronalen Netzen. Auch hier spezialisieren sich zwei parallele Zweige auf unterschiedliche Aspekte. Einer nutzt eine sogenannte Squeeze‑and‑Excitation‑Technik, um Kanäle automatisch neu zu gewichten und sich auf die informativsten Muster zu konzentrieren. Der andere wendet globale Attention an, um wichtige Bereiche über die gesamte Residualkarte hervorzuheben. Cross‑Attention verschmilzt diese globalen und lokalen Hinweise und ermöglicht dem Klassifikator, zwischen Normalbetrieb und drei Fehlertypen zu unterscheiden: konstanter Bias, schleichende Drift und verstärkte (Gain‑)Fehler.

Automatisches Austauschen fehlerhafter Sensoren

Erkennen allein reicht nicht aus; das System muss den digitalen Zwilling auch während auftretender Fehler reibungslos betreiben. Zu diesem Zweck enthält die Architektur einen Entscheidungsblock, der wie ein automatischer Verkehrslotsen wirkt. Für jeden Sensor erhält er sowohl die reale Messung als auch die virtuelle Vorhersage sowie das Diagnoseergebnis, das anzeigt, ob ein Fehler vorliegt. Wenn ein Sensor als gesund beurteilt wird, gelangt seine reale Messung an den digitalen Zwilling. Wird er als fehlerhaft markiert, schaltet der Block sofort auf die virtuelle Messung um. Diese dynamische Substitution erfolgt für viele Sensoren parallel, ohne menschliches Eingreifen, und verhindert, dass fehlerhafte Daten sich in weiterreichende Steuerungs‑ und Optimierungsalgorithmen ausbreiten.

Wie gut der neue Ansatz in der Praxis funktioniert

Die Forschenden testeten ihre Methode an zwei öffentlichen Datensätzen: einem mit Temperaturaufzeichnungen von Leistungstransformatoren und einem weiteren mit Druckdaten aus einem Netzwerk von 100 miteinander verbundenen Wassertanks. Sie injizierten realistische künstliche Fehler verschiedener Art und Dauer in echte Messdaten, trainierten das System und evaluierten es. Der virtuelle Sensor lieferte genauere Vorhersagen als mehrere starke Alternativen, darunter Standard‑Rekurrentnetze und reine Transformer‑Modelle. Das Diagnosemodul übertraf ebenfalls konkurrierende Klassifikatoren und Autoencoder, insbesondere in schwierigen Fällen, in denen unterschiedliche Fehlertypen überlappten oder mehrere Fehler gleichzeitig auftraten. Die Genauigkeitsgewinne waren besonders ausgeprägt bei komplexen Mehrfachfehler‑Szenarien, in denen traditionelle Einzelzweigmodelle häufig verwirrt sind.

Was das für zukünftige intelligente Systeme bedeutet

Kurz gesagt zeigt die Studie, dass ein sorgfältig entworfener „Wachhund“ auf Basis von Multi‑Attention‑Neuronalen Netzen fehlerhafte Sensormessungen in Echtzeit sowohl erkennen als auch korrigieren kann und damit die Robustheit digitaler Zwillinge deutlich verbessert. Durch die Kombination komplementärer Blickwinkel auf zeitliche Muster und Sensorbeziehungen und durch das automatische Umschalten auf virtuelle Messwerte, wenn nötig, trägt die vorgeschlagene Architektur dazu bei, dass der digitale Spiegel auch bei Ausfall einiger physischer Augen treu bleibt. Dies wiederum unterstützt einen sichereren, zuverlässigeren Betrieb kritischer Infrastrukturen wie Stromnetze und Wasserversorgungen, während sie weiter in die Ära von Industrie 5.0 vordringen.

Zitation: Pan, L., Li, H., Li, X. et al. Hierarchical multi-attention neural networks for sensor fault diagnosis and mitigation in digital twins. Sci Rep 16, 8665 (2026). https://doi.org/10.1038/s41598-026-42046-5

Schlüsselwörter: digitaler Zwilling, Sensorfehlersdiagnose, industrielles IoT, Neuronale Netze, Aufmerksamkeitsmechanismus