Hierarchische, baumstrukturierte Belief-Rule-Base zur Fehlerdiagnose komplexer mechatronischer Systeme

Intelligentere Sicherheitsprüfungen für Maschinen

Moderne Züge, Fabriken und Flugzeuge verlassen sich auf komplexe mechatronische Systeme, die mit Sensoren und Steuerungen vollgepackt sind. Wenn ein verborgener Fehler unentdeckt bleibt, können die Folgen teuer oder sogar gefährlich sein. In diesem Beitrag wird eine neue Methode vorgestellt, solche Probleme früh zu erkennen: ein geschichtetes Schlussfolgerungssystem, das ingenieurwissenschaftliche Expertise mit Maschinendaten verknüpft und dabei die Logik so transparent hält, dass Expertinnen und Experten sie verstehen und vertrauen können.

Warum sich verborgene Fehler nur schwer erfassen lassen

Große Maschinen, etwa Permanentmagnetmotoren in Hochgeschwindigkeitszügen, sind auf hohe Zuverlässigkeit ausgelegt. Echte Fehler treten selten auf, sodass nur wenige fehlerhafte Beispiele zur Verfügung stehen, um Standard-Modelle des maschinellen Lernens zu trainieren. Gleichzeitig sind die von diesen Systemen gelieferten Signale reichhaltig und komplex: viele Sensoren, viele Betriebsbedingungen und Fehler, die konstant, langsam wachsend oder plötzlich und zufällig auftreten können. Traditionelle physikbasierte Modelle sind oft zu aufwändig, um sie detailliert zu erstellen, und rein datenbasierte Modelle können wie Blackboxen agieren, die zwar genaue Antworten liefern, aber ihre Schlussfolgerung nicht erklären. Bestehende regelbasierte Systeme, die Expertenwissen mit Daten kombinieren wollen, stoßen häufig auf ein anderes Problem: Mit zunehmender Zahl von Sensoreigenschaften explodiert die Anzahl möglicher Regeln, sodass der Ansatz in der Praxis zu unhandlich wird.

Ein geschichteter Baum aus benutzerfreundlichen Regeln

Die Autorinnen und Autoren begegnen dieser Regel-Explosion, indem sie die Organisation der Regeln neu gestalten. Statt einer großen flachen Regel-Tabelle, die jede Merkmalskombination ausprobiert, bauen sie einen Baum aus kleineren Regelblöcken. Jeder kleine Block betrachtet nur wenige sorgfältig ausgewählte Merkmale und liefert eine Wahrscheinlichkeitsaussage darüber, in welchem Fehlerzustand sich die Maschine befindet. Diese Blöcke sind hierarchisch angeordnet: Obere Ebenen verarbeiten die informativsten Merkmale, während niedrigere Ebenen die Entscheidung mit zusätzlichen Details verfeinern. Ein evolutionsbasierter Suchprozess erkundet automatisch viele mögliche Baumstrukturen und behält jene, die Genauigkeit und Einfachheit ausbalancieren, sodass Ingenieurinnen und Ingenieure nicht die gesamte Struktur per Hand entwerfen müssen.

Die richtigen Signale auswählen

Schon vor dem Aufbau des Baums wählt die Methode die nützlichsten Sensormerkmale aus. Sie misst, wie stark jedes Merkmal mit den Fehlertypen zusammenhängt, anhand von Konzepten der Informationstheorie, und passt diese Werte mit Expertenwissen darüber an, wie Fehler Ströme, Vibrationen und andere Signale tatsächlich beeinflussen. Ein Merkmal, das sich häufig mit Drehzahl oder Last ändert, aber nicht mit Fehlern, wird herabgestuft, während ein Merkmal, das ein bestimmtes Fehlermuster abbildet, aufgewertet wird. Die endgültige Bewertung jedes Merkmals vereint Datenevidenz, physikalische Einsicht und Erfahrungswissen über verschiedene Betriebszustände. Nur die höchstbewerteten Merkmale bleiben erhalten, wodurch der Eingangsraum beschnitten und die Entstehung unnötiger Regeln von vornherein verhindert wird.

Überlappende Hinweise kombinieren, ohne sie doppelt zu zählen

Weil der Baum mehrere Regelblöcke enthält, die auf verwandten Signalen beruhen können, sind deren Ausgaben nicht unabhängig. Wird diese Überlappung ignoriert, kann eine Standard-Fusionsmethode dasselbe Beweisstück mehrfach einfließen lassen und die Enddiagnose verzerren. Um das zu vermeiden, passen die Autorinnen und Autoren ein Framework namens MAKER an, das misst, wie ähnlich die Ausgaben verschiedener Blöcke sind, einschließlich subtiler nichtlinearer Zusammenhänge. Jeder Block erhält eine Zuverlässigkeit basierend auf seiner bisherigen Genauigkeit, ein Gewicht, das seine Bedeutung widerspiegelt, und ein Korrelationsmaß, das angibt, wie viel seiner Information bereits an anderer Stelle vorhanden ist. Diese Faktoren werden zusammen benutzt, um den Einfluss jedes Blocks auf die endgültige Entscheidung zu justieren, sodass starke aber redundante Hinweise abgeschwächt werden, während einzigartige, vertrauenswürdige Hinweise mehr Gewicht tragen.

Erprobung der Methode an realen Motoren

Zur Validierung nutzten die Forschenden ein reales elektrisches Antriebssystem mit einem Permanentmagnet-Synchronmotor, ähnlich denen in Hochgeschwindigkeitszügen. Sie injizierten vier Arten von Sensorfehlern in die Strommessungen: konstanten Offset, falsche Verstärkung, langsames Drift über die Zeit und zufällige, intermittierende Spitzen, neben einem gesunden Zustand. Aus einfachen zeitbasierten Stromstatistiken, etwa Energie- und Spitzenmaße, wählte die Methode ein kompaktes Set von sechs Merkmalen aus und baute einen hierarchischen Regelbaum. Mit nur 480 Datensamples erreichte sie eine Genauigkeit, die mit mehreren fortgeschrittenen Machine-Learning-Modellen mithalten oder diese übertreffen konnte, während sie deutlich weniger Regeln als ein herkömmliches Belief-Rule-System verwendete und jeden Schritt der Schlussfolgerung nachvollziehbar hielt. Die Baumstruktur beschleunigte zudem Training und Echtzeit-Inferenz, ein wichtiger Punkt für die industrielle Überwachung.

Was das für sicherere Maschinen bedeutet

Einfach gesagt zeigt die Studie, dass komplexe Maschinen mit einem Regelwerk überwacht werden können, das handhabbar bleibt, seine Entscheidungen erklärt und auch dann gut funktioniert, wenn nur wenige Fehlerbeispiele vorliegen. Indem zuerst die informativsten Signale ausgewählt, dann kleine Regelblöcke zu einem Baum organisiert und deren Ausgaben korrelationsbewusst fusioniert werden, vermeidet die Methode das übliche Anwachsen der Regeldichte und die Undurchsichtigkeit vieler Lernmodelle. Für Betreiberinnen und Betreiber von Zügen, Fabriken und anderen sicherheitskritischen Systemen eröffnet das einen Weg zu Diagnosewerkzeugen, die sowohl genau als auch verständlich sind und es Fachleuten erlauben, automatisierte Warnungen zu prüfen und zu verfeinern statt sie blind zu akzeptieren.

Zitation: Chen, M., Su, T., Cheng, C. et al. Hierarchical tree-structured belief rule base for fault diagnosis of complex electromechanical systems. Sci Rep 16, 15267 (2026). https://doi.org/10.1038/s41598-026-45997-x

Schlüsselwörter: Fehlerdiagnose, mechatronische Systeme, Belief-Rule-Base, Sensorfehler, hierarchische Modellierung