Kaltstartmotor-Zustandsüberwachung mittels Multisensor-Signalen und pseudoüberwachtem maschinellem Lernen

Zusammenfassung

Multisensor-Telemetriedaten (Strom, Spannung, Temperatur, Feuchtigkeit, Vibration) von Servomotoren werden mittels unüberwachter struktureller Clusterung, isolationsbasierter Anomalieerkennung und physikbasierter Risikokartierung verarbeitet. Dieses Framework liefert deterministische binäre Pseudo-Labels und hochpräzise Echtzeit-Diagnosezustände für die Zustandsüberwachung.

Zusammenfassung

Während die prädiktive Wartung vom datenzentrierten Paradigma von Industrie 4.0 hin zum nachhaltigen, menschenzentrierten Rahmen von Industrie 5.0 übergeht, steht die Diagnose von Servomotorzuständen vor den doppelten Herausforderungen von Datenknappheit und einem tiefgreifenden Mangel an gekennzeichneten Fehlerproben. Um dieses Kaltstartproblem zu lösen, präsentieren wir ein pseudoüberwachtes maschinelles Lern-Framework, das auf einem maßgeschneiderten Fünfkanal-Datensatz aus 199 Servomotor-Telemetrieproben (Strom, Spannung, Temperatur, Luftfeuchtigkeit und Vibration) ausgewertet wird. Die Methodik integriert harte strukturelle Partitionierung (k-Mittel) und weiche posteriore Konfidenzschätzung (Gaußsche Mischmodelle), um Betriebsmodi ohne vorherige Annotation zu charakterisieren. Gleichzeitig quantifiziert ein Isolation Forest-Modell die Anomalieintensität und legt eine dynamische, quantilbasierte Schwelle fest. Eine entscheidende Innovation dieser Forschung ist die deterministische Risikokartierung, die aus technischen Vorwerten abgeleitet ist; Er definiert den "Hochrisiko"-Zustand (abnormalen) Zustand durch umgekehrte Gewichtung der physischen Sicherheitsmargen der Sensoren. Dieser Mechanismus bildet unüberwachte Cluster strikt auf binäre Pseudolabels ab. Diese Labels werden anschließend verwendet, um nachgelagerte Diskriminatoren (Random Forest und Support Vector Machine) zu überwachen. Die abschließende Online-Diagnose liefert eine Score-Level-Fusion der Klassifikatorwahrscheinlichkeit und des GMM-Posterior, gesteuert durch die Anomalie-Schwelle. Die quantitative Bewertung zeigt, dass das Random Forest-Modell einen perfekten F1-Wert von 1,000 erreichte, während der vergleichende SVM einen F1-Wert von 0,997 ergab, was das Framework als robuste, interpretierbare und hochpräzise Lösung für die Cold-Start-Gesundheitsüberwachung der industriellen Gesundheit beweist.

Einleitung

Die Zuverlässigkeit von Servomotorsteuerungssystemen war historisch ein kritischer Leistungsindikator in der industriellen Automatisierung. Während sich die prädiktive Wartung vom datenzentrierten Paradigma von Industrie 4.0 hin zum nachhaltigen, menschenzentrierten Rahmen von Industrie 5.0 entwickelt, müssen Systeme hohe Präzision sicherstellen und gleichzeitig Energieeffizienz und betriebliche Resilienz^{aktiv fördern.} Störungen, die während langfristiger Ionen unter rauen Bedingungen auftreten, können zu katastrophalen Abschaltungen von Geräten, schweren strukturellen Schäden und erheblichen wirtschaftlichen Verlusten^{führen 4,5,6}. Folglich hat sich die frühe Diagnose beginnender Fehler von einem Luxus zu einer Kernanforderung entwickelt. Um eine robuste Zustandsbewertung zu erreichen, setzen moderne Industriesysteme zunehmend auf Multisensor-Technologie. Durch das gleichzeitige Erfassen verschiedener Signalmodalitäten – wie Strom, Spannung, Temperatur und Schwingung – können Ingenieure eine umfassende, hochdimensionale Übersicht über^{den Zustand des} Motors ^erstellen. Die Verschmelzung von Multi-Source-Sensordaten erhöht die Robustheit und Genauigkeit von Diagnosesystemen im Vergleich zu Single-Sensor-Ansätzen ^9,10 erheblich.

Trotz Fortschritten in der Sensorfusion und im maschinellen Lernen bleibt ein kritischer Engpass in der realen Implementierung bestehen: die "Cold-Start"-Herausforderung. In einer typischen Produktionsumgebung arbeiten Maschinen für den Großteil ihres Lebenszyklus normal, was zu extremen Klassenungleichgewichten führt, bei denen gesunde Proben fehlerhafte bei weitem übertreffen. Standardisierte überwachte Deep-Learning-Modelle erfordern massive, ausgewogene und präzise annotierte Datensätze, um effektiv zu konvergieren^11,12. Wenn Labels völlig unverfügbar oder zu teuer zu erwerben sind, spalten diese überwachten Paradigmen¹³ auf. Daher besteht das grundlegende Problem, das in dieser Studie behandelt wird, unbeschriftete Multisensor-Motordaten in ein zuverlässiges, binäres diagnostisches Warnsignal umzuwandeln, ohne dass manuell beschriftete Trainingsdaten erforderlich sind.

Als Reaktion auf die Herausforderung der Datenknappheit hat sich die jüngste Forschung auf unüberwachte Anomalie-Erkennungstechniken ausgerichtet. Gängige Ansätze umfassen One-Class Support Vector Machines (OC-SVM), Deep Autoencoder und direkte isolationsbasierte Anomalie^{Scoring 14}. Obwohl diese Methoden statistische Abweichungen effektiv markieren, stellt ihre direkte Anwendung bei der Diagnose motorischer Störungen erhebliche Einschränkungen dar. OC-SVMs sind berüchtigt sensibel für die nichtstationären Eigenschaften dynamischer industrieller Lasten und liefern oft hohe Falsch-Positiv-Raten. Autoencoder, obwohl leistungsstark bei der Minimierung von Rekonstruktionsfehlern⁽¹⁵), fungieren als uninterpretierbare Black Boxes; Sie haben Schwierigkeiten, einen mathematischen Rekonstruktionsverlust in eine verwertbare, physikalische Störungskategorie¹⁶ zu übersetzen. Darüber hinaus zeigen direkte Anomaliebewertungsansätze, wie Standard-Isolationswälder¹⁷, lediglich darauf hin, dass eine Stichprobe ein statistischer Ausreißer ist. Sie schaffen es nicht, eine deterministische Entscheidungsgrenze zwischen "funktionierenden" und "Scheitern"-Zuständen zu etablieren, die in technischen Realitäten verwurzelt ist. Im Wesentlichen fehlt diesen Ansätzen die semantische Brücke, die erforderlich ist, um unüberwachte Datencluster auf explizite diagnostische Labels zuzuordnen.

Um diese methodologische Lücke zu schließen, schlägt diese Studie ein einheitliches, pseudoüberwachtes maschinelles Lernsystem vor. Die Designlogik des vorgeschlagenen Arbeitsablaufs unterscheidet sich grundlegend von der eigenständiger Anomaliedetektoren. Anstatt sich auf einen einzelnen globalen Rekonstruktionsfehler oder -rand zu verlassen, teilt die Pipeline zunächst den Multisensor-Feature-Raum mithilfe unüberwachter Hard-Soft-Clustering (k-means und Gaußsche Mischmodelle) auf, um unterschiedliche Betriebsmodi zu identifizieren. Anschließend wird statt beliebiger Labels eine deterministische Risikoabbildungsfunktion auf Basis etablierter technischer Vorgaben (d. h. der physikalischen Sicherheitsmargen für Vibration und Temperatur) konstruiert. Diese physische Abbildung wirkt als heuristischer Anker, der den unüberwachten Clustern automatisch binäre Pseudolabels ("Working" oder "Failure") zuweist. Diese physikbasierten Pseudo-Labels werden dann genutzt, um überwachte Diskriminatoren (Random Forest und SVM) darin zu trainieren, komplexe, nichtlineare Grenzen zu lernen. Gleichzeitig dient ein Isolationswald als unabhängiges Anomalie-Tor, das extreme Ausreißer filtert, die keinem etablierten Cluster entsprechen. Diese kombinierte Pipeline ist sehr vorteilhaft, da sie die diskriminierende Wirkung des überwachten Lernens nutzt und gleichzeitig die labelfreie Autonomie unüberwachter Clusterbildung beibehält.

Das primäre wissenschaftliche Ziel dieser Forschung ist die Entwicklung eines automatisierten Zustandsüberwachungssystems, das unter strengen Kaltstartbedingungen arbeiten kann. Wir testen explizit die Hypothese, dass die Kopplung von unüberwachtem strukturellem Clustering mit einem von der Ingenieurvorgang gesteuerten Pseudo-Labeling-Mechanismus zu einer überwachten Klassifikationsgrenze führen kann, deren diagnostische Leistung mit der von Modellen konkurriert, die mit manuell annotierten Daten trainiert sind. Durch die Validierung dieses halbüberwachten Frameworks auf einem maßgeschneiderten Multisensor-Servomotor-Datensatz zeigt diese Studie, dass die Integration klassischer Merkmal-Interpretierbarkeit mit Anomaly Gating eine hochpräzise Fehlerklassifizierung ohne markierte Trainingsdaten ermöglicht, wodurch die kognitive Belastung für Feldingenieure reduziert und das kollaborative Ethos von Industry 5.0 vorangebracht wird.

Protokoll

1. Versuchsaufbau und Datenvorverarbeitung

HINWEIS: Das in dieser Studie vorgeschlagene Datenverarbeitungs- und Modellierungs-Framework wurde mithilfe von benutzerdefinierten Skripten in einer hochstufigen Programmiersprache implementiert, die Standard-Open-Source-Bibliotheken für numerische Berechnung und maschinelles Lernen nutzt. Die experimentelle Validierung wurde auf einer leistungsstarken Rechenstation durchgeführt, die mit einem Mehrkernprozessor und einer diskreten Grafikeinheit (GPU) ausgestattet war. Spezifische Details zu allen Softwareumgebungen, Rechenhardware und Sensorkomponenten sind in der Materialtabelle enthalten. Eine schematische Übersicht des vorgeschlagenen Frameworks, die den Datenfluss vom unbeaufsichtigten Offline-Lernen bis zum Online-Dual-Threshold-Entscheidungsprozess veranschaulicht, ist in Abbildung 1 dargestellt. Der Datensatz umfasst 203 aggregierte Zeitfensterproben anstelle von sofortigen Rohwerten, die während des Betriebs des Servomotors unter unterschiedlichen Lastregimen gesammelt wurden, um realistische Bedingungen auf dem Werkstattboden zu simulieren.

1. Positioniere strategisch Sensorknoten.
2. Vibrationsbeschleunigungsmesser werden am Motorgehäuse montiert, während Strom-, Spannungs- und Temperatursonden in die Antriebsschaltung integriert wurden.
3. Synchronisieren Sie alle Sensorsignale über eine zentralisierte Datenerfassungstafel (DAQ) bei einer Abtastfrequenz von 10 kHz.
4. Wenden Sie standardisierte Kalibrierungsverfahren und digitale Tiefpassfilterung an, um hochfrequentes elektromagnetisches Rauschen vor der Feature-Extraktion zu eliminieren.
5. Extrahieren Sie eine statistische Zusammenfassung (z. B. Mittelwert oder Root Mean Square) aus einem 1-Sekunden-Messzyklus für jede der 203 Stichproben. Diese spezifischen fünf Variablen – Strom (A), Spannung (V), Temperatur (°C), Luftfeuchtigkeit (%) und Schwingung (mm/^{s 2} oder g) – wurden bewusst ausgewählt.
6. Entferne Datensätze mit fehlenden Werten (NaN), um die Modellierung stabil zu stellen und so einen verfeinerten Datensatz von 199 gültigen Stichproben zu etablieren.
7. Wenden Sie die Z-Score-Normalisierung auf jeden Sensorkanal für jede Probe an, um Skalenunterschiede zu eliminieren, die für fernbasierte strukturelle Lernalgorithmen entscheidend sind:
   (1)
   wobei x_ij den Rohwert darstellt, μ_j der Mittelwert des Merkmals j ist und σ_j die Standardabweichung ist.
8. Speichere die normalisierte Matrix als X_s für alle nachfolgenden Verarbeitungsschritte.
   HINWEIS: Die Hauptkomponentenanalyse (PCA) wurde ausschließlich zur Visualisierung verwendet, indem X_s in eine zweidimensionale Einbettungsmatrix projiziert wurde (Abbildung 5), und diente nicht als Eingabe für die nachgelagerten Modelle.

2. Unüberwachtes Strukturlernen

1. Bestimmen Sie die optimale Anzahl von Clustern (K*) durch Bewertung von Kandidaten-K-Werten (von 2 bis 10).
2. Berechnen Sie die Quadratsumme innerhalb des Clusters (WCSS), um eine Ellbogenkurve zu erzeugen (Abbildung 3):
   (2)
3. Berechnen Sie gleichzeitig den Silhouettenkoeffizienten S(I) für jedes K (Abbildung 4), um strukturelle Kohäsion und Trennung zu bewerten:
   (3)
4. Stellen Sie die optimale Clusterzahl beim maximalen durchschnittlichen Silhouette-Score fest (z. B. K*=2).
5. Wenden Sie den k-means-Algorithmus auf X_s an, wobei das WCSS minimiert wird, um die Schwerpunkte μ_c und die harten Clusterlabels für jede Probe zu erhalten.
6. Trainieren Sie ein Gaußsches Mischmodell (GMM) mit K*-Komponenten, um die inhärente Unsicherheit der Bedingungsgrenzen zu erfassen.
7. Berechnen Sie die posteriore Wahrscheinlichkeit für jede Stichprobe nach der Schätzung der Parameter , und extrahieren Sie die maximale posteriore Wahrscheinlichkeit als weiche Konfidenzmetrik:
   (4)

3. Anomaliemodellierung und dynamische Schwellenwerte

1. Trainieren Sie ein Isolation Forest-Modell auf X_s, um Ausreißer zu identifizieren, die von den Hauptclusterstrukturen abweichen.
2. Berechnen Sie den Anomaliewert s_wenn(z), der von 0 bis 1 reicht, basierend auf der erwarteten Pfadlänge E[h(z)]:
   (5)
3. Bestimmen Sie die statische Anomalie-Schwelle τ_Anom , indem Sie die Anomalie-Score-Verteilung (s_if) analytisch mit Kernel Density Estimation (KDE) modellieren.
4. Leite das Quantil mathematisch ab, um das 90%-Konfidenzintervall der normalen operativen Varianz zu begrenzen.
   HINWEIS: In diesem Datensatz ergab dies eine deterministische Schwelle von τ_Anom = 0,592, wobei Proben mit s_if(z) > 0,592 als Anomalien markiert wurden.
5. Legen Sie ein gleitendes Fenster fest, das die aktuellsten N Telemetrieproben abdeckt, um die Anomalie-Score-Verteilung periodisch neu zu berechnen.
6. Aktualisieren Sie die Schwelle dynamisch mit einem exponentiell gewichteten gleitenden Durchschnitt (EWMA): , wobei α als Vergessensfaktor dient und Y_lokal das Quantil ist, das aus dem aktuellen Betriebsfenster abgeleitet wird.

4. Pseudo-Label-Generierung durch Risikokartierung

1. Berechnen Sie den Risikowert r_i für jede Stichprobe als lineare Kombination der normalisierten Merkmale, um die semantische Lücke zu überbrücken:
   (6)
2. Definieren Sie den Risikowert R für jedes Cluster-Schwerpunkt, indem Sie eine gewichtete lineare Kombination der normalisierten Merkmalsmittelwerte anwenden.
3. Berechnen Sie den spezifischen Wert jedes Gewichts (w_j) als Inverse der physischen Sicherheitsmarge des entsprechenden Sensorkanals.
4. Normalisieren Sie diese inversen Margen mit folgender Gleichung, wobei v_j die inverse Sicherheitsmarge für den Kanal darstellt:
   (7)
   \mu_r()g\max_cm
5. Validieren Sie diese initialisierten Gewichtungen, indem Sie eine positive Spearman-Rangkorrelation () zwischen den Cluster-Risikowerten und den medianen Isolation Forest-Anomaliewerten sicherstellen.
6. Berechnen Sie den mittleren Risikoscore für jeden k-Means-Cluster.
7. Identifizieren Sie den Cluster mit dem maximalen mittleren Risiko als Ausfallmodus: .
8. Generiere binäre Pseudo-Labels y_super für alle Stichproben, wobei 0 (Fehler) dem Hochrisiko-Cluster und 1 (Funktionierend) sonst zugeordnet werden:
   (8)

5. Beaufsichtigte Schulung von Klassifikatoren und Online-Fusion

1. Implementieren Sie ein fünffaches Kreuzvalidierungsschema, um die Modellleistung rigoros zu bewerten und Informationslecks zu verhindern.
2. Beschränke die gesamte Pseudo-Labeling-Pipeline strikt auf die Trainingsaufteilung innerhalb jeder Falte.
3. Transformieren Sie den isolierten Validierungssplit nur mit den ausschließlich aus dem Training Fold gelernten Parametern.
4. Trainieren Sie einen Random Forest (RF) Klassifikator, der X_s als Merkmale und das dynamisch generierte _y-Super als Ziel verwendet. Das Modell liefert die Wahrscheinlichkeitsschätzung für die Arbeiterklasse, bezeichnet als p_rf(z).
5. Trainieren Sie eine Support Vector Machine (SVM), die mit einem RBF-Kernel ausgestattet ist, um als vergleichenden Validator einen Entscheidungsfunktionswert f(z) zu erzeugen.
6. Setzen Sie während der Online-Inferenzphase einen Score-Level-Fusionsmechanismus ein.
7. Synthetisieren Sie einen fusionierten Score s(z) für eine neu erworbene Stichprobe, indem Sie die überwachte HF-Wahrscheinlichkeit und die unüberwachte GMM-Konfidenz kombinieren:
   (9)
8. Klassifiziere den Endstatus mit einer Dual-Threshold-Logik: Ein Zustand wird genau dann als "Working" klassifiziert, wenn UND .
   (.

Ergebnisse

Das vorgeschlagene Framework wurde mit einem selbst gesammelten Multisensor-Datensatz validiert. Nach Entfernung unvollständiger Datensätze umfasste der endgültige Datensatz 199 gültige aggregierte Zeitfensterproben. Die Systemumgebung und die Algorithmusparameter sind in Tabelle 1 detailliert dargestellt.

Merkmalskorrelation und Datensatzzusammensetzung
Um die Redundanz und Komplementarität der Sensorkanäle vor der Modelli...

Diskussion

Dieses Protokoll bietet eine robuste Methodik zur Identifikation motorischer Erkrankungen in Kaltstart-Szenarien, in denen beschriftete Daten fehlen. Durch die Integration von unüberwachtem Strukturlernen mit pseudoüberwachter Klassifikation überwindet die Methode die Grenzen des traditionellen überwachten Lernens, das stark auf menschlicher Annotation^beruht 13,18,19. Ein entscheidender Schritt ...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Kategorie			Komponente und Version
Betriebssystem			Windows 11 Professional 23H2
Prozessor			Intel Core i9-14900HX
Arbeitsspeicher			32 GB
Grafikprozessor			NVIDIA GeForce RTX 4070 Laptop GPU (8 GB)
Python			3.12
NumPy			1.26
pandas			2.2
scikit-learn			1.5
Matplotlib			3.8
Seaborn			0.13
Zufallssamen