Erklärbare KI-gestützte cyber-physische Kollaboration für eine nachhaltige Fertigung in Industrie 5.0

Zusammenfassung

Diese Studie stellt einen erklärbaren KI-gestützten Cyber-Physischen-Kollaborationsrahmen für Industry 5.0 vor, der eine CNN-Transformer-Architektur und SHAP für die akustische Anomalieerkennung im MIMII-Datensatz verwendet. Die Integration von Edge-Computing ermöglicht eine interpretierbare, menschenzentrierte vorausschauende Wartung.

Zusammenfassung

In dieser Studie stellen wir einen innovativen Ansatz zur nachhaltigen Herstellung industrieller Bauteile mithilfe eines auf erklärbarer künstlicher Intelligenz (XAI) basierenden cyber-physischen Kollaborationssystems für Industrie 5.0 vor. Bisherige cyber-physische Mensch-Systeme (CPHS) haben nur in begrenztem Maße KI integriert und weisen oft einen Mangel an Erklärbarkeit auf. Daher besteht Bedarf, ihre Skalierbarkeit und Flexibilität im Einklang mit den Grundsätzen der Industrie 5.0 – Widerstandsfähigkeit, langfristige Lebensfähigkeit und Menschzentriertheit – zu verbessern. Um diese Mängel zu beheben, führen wir eine Architektur ein, die Deep Learning und erklärbare KI in das Cyber-physische System (CPS) einbettet, um intelligente und nachvollziehbare Entscheidungsfindung zu ermöglichen. Konkret nutzen wir den Datensatz zur Untersuchung und Inspektion industrieller Maschinen mit Fehlfunktionen (MIMII) zur Erkennung von Maschinenfehlern anhand akustischer Signale. Audiosignale werden einer spektralen Transformation unterzogen, um Spektrogrammbilder zu erzeugen, die anschließend von einem faltenden neuronalen Netzwerk (CNN) zur räumlichen Merkmalsextraktion und einem Transformer-Encoder zur zeitlichen Merkmalsextraktion verarbeitet werden. Um die Transparenz zu erhöhen und die Zusammenarbeit mit menschlichen Akteuren zu erleichtern, hilft der auf Shapley-Additive-Erklärungen (SHAP) basierende Ansatz den Bedienern, den Entscheidungsprozess des Systems zu verstehen, indem er Eingabemerkmale hervorhebt, die die Modellvorhersagen beeinflussen. Darüber hinaus wird das Framework in einem auf Edge-Computing basierenden cyber-physischen System angewendet, um geringe Latenz und geringen Energieverbrauch zu erreichen und gleichzeitig zeitnahe Reaktionen zu gewährleisten, wodurch eine nachhaltige Produktionsumgebung unterstützt wird. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene CNN-Transformer-Architektur eine Genauigkeit von 98,5 % erreicht und bestehende CPHS-Systeme übertrifft, während sie gleichzeitig eine geringe Latenz aufrechterhält. Der Einsatz erklärbarer KI in einem solchen cyber-physischen Kollaborationssystem erhöht das Vertrauen der Bediener erheblich und ermöglicht eine nahtlose Mensch-Maschine-Zusammenarbeit.

Einleitung

Der Übergang von der Industrie 4.0, die Technologie, Mechanisierung und Kommunikation betonte, zum neuen Modell der Industrie 5.0, das technologischen Fortschritt mit Anpassungsfähigkeit, nachhaltiger Entwicklung und einer menschenzentrierten Ausrichtung verbindet, hat die dynamische Weiterentwicklung industrieller Systeme beeinflusst.^1,2Die Europäische Kommission definiert Industry 5.0 als Paradigma, das nicht nur auf Produktivität und Effizienz, sondern auch auf die drei Säulen der Menschzentrierung, Nachhaltigkeit und Resilienz ausgerichtet ist. Es ist wichtig anzumerken, dass aktuelle Forschungsergebnisse die Rolle von KI-Systemen, der Mensch-Maschine-Zusammenarbeit sowie der nachhaltigen Fertigung als zentrale Treiber von Industry-5.0-Umgebungen hervorheben.^3,4. Herkömmliche Wartungsmethoden sind in diesem sich wandelnden industriellen Umfeld nicht mehr ausreichend. Um in komplexen, instabilen Kontexten Resilienz zu gewährleisten, muss die Wartung sich zu einer anpassungsfähigeren und systemischeren Form weiterentwickeln.⁵Seit 2011 ist die Industrie 4.0 das vorherrschende Modell für die industrielle Transformation in Europa und fördert die digitale Umgestaltung von Unternehmen, um die Abläufe zu verbessern und die verfügbaren Ressourcen optimal zu nutzen.⁴Die Steigerung der Effizienz in der Produktion, ohne die menschliche Arbeitskraft zu ersetzen, unter gleichzeitiger Wahrung der Gesundheit und Sicherheit der Arbeitnehmer, ist daher unerlässlich. Aus diesem Grund haben Unternehmen und Wissenschaftler begonnen, die Grundsätze des Industry-5.0-Paradigmas zu definieren.^5,6,7, teilweise motiviert durch das japanische Konzept der Gesellschaft 5.0^8,9,10,11Trotz der zunehmenden Betonung nachhaltiger Instandhaltung in der aktuellen Literatur bleiben die meisten vorhandenen systematischen Bewertungen fragmentiert oder auf bestimmte Fachgebiete beschränkt und verfügen nicht über einen umfassenden Rahmen, der Resilienz, Nachhaltigkeit und Künstliche Intelligenz (KI) integriert. Beispielsweise untersuchen die Autoren nachhaltige Instandhaltungspraktiken für spezifische Systeme oder Strategien, wie die nachhaltige totale productive Instandhaltung (STPM), während andere Forscher die Einbindung von Nachhaltigkeitsaspekten in Instandhaltungsmethoden diskutieren.^12,13,14. Autor führte eine umfassende Bewertung der Kriterien für die Einführung von Nachhaltigkeit durch und hob technologische Faktoren hervor, die es der verarbeitenden Industrie ermöglichen, eine positive nachhaltige Wirkung zu erzielen¹⁵Trotzdem sind im Rahmen des Industry-5.0-Paradigmas Nachhaltigkeit, Resilienz und auf KI basierende Entscheidungsfindung in keiner dieser Arbeiten vollständig integriert. Folglich werden Nachhaltigkeitsaspekte häufig durch separate Wartungsmethoden berücksichtigt. SHAP hebt sich unter den anderen erklärbarkeitsorientierten KI-Methoden (XAI) durch sein theoretisch fundiertes Verfahren zur Merkmalzuschreibung hervor.^16,17,18.

Die datengestützte Entscheidungsfindung wird durch KI ermöglicht, aber genaue Modelle erfordern oft große Datenmengen. Herkömmliche maschinelle Lernverfahren (ML), wie Entscheidungsbäume, logistische Regression und lineare Regression, erzielen bei stark nichtlinearen Gegebenheiten häufig schlechte Ergebnisse, da sie relativ einfache Datenverteilungen annehmen¹⁹. Tiefe neuronale Netze (DNNs) umgehen diese Einschränkungen, indem sie komplexe Merkmalsdarstellungen aus umfangreichen Datensätzen erlernen²⁰. Untersuchungen zeigen, dass tiefere Netze bei komplexen Entscheidungsaufgaben oft besser abschneiden als flachere Strukturen²¹, doch mit zunehmender Tiefe und Parameterkomplexität wird das Modell weniger interpretierbar²².

Ein Cyber-Physisches System (CPS) ist eine entscheidende Schlüsseltechnologie für die Industrie-5.0-Produktion, da es verteilte Intelligenz, eingebettete Computer, physikalische Prozesse und Kommunikation kombiniert. Um flexible, intelligente und echtzeitfähige industrielle Abläufe zu ermöglichen, integrieren moderne CPSs zunehmend Edge-Computing, Edge-AI und das grüne Internet der Dinge (G-IoT)^23,24. Nachhaltigkeit und Resilienz wurden in jüngsten Studien zu Wartung 4.0 und intelligenter Wartung hervorgehoben. Während frühere Arbeiten die Bedeutung der Wartung-4.0-Technologie in der nachhaltigen Fertigung untersucht und Modellierungsrahmenwerke für eine nachhaltige Wartung vorgeschlagen haben, haben bibliometrische und systematische Studien intelligente Wartungstechnologien bewertet^25,26,27,28. Weitere Forschungsarbeiten haben die Integration nachhaltiger Wartung in Industrie-4.0-Umgebungen sowie auf Nachhaltigkeit ausgerichtete Produktionssysteme untersucht^29,30,31,32. Das Konzept des Operators 4.0³³, menschenzentrierte Industrie-5.0-Rahmenwerke³⁴ und sozioökonomische Perspektiven³⁵ haben allesamt erhebliche Aufmerksamkeit für die menschenzentrierte Wartung erregt. Zudem wurden Fortschritte bei der digitalen Wartung³⁶, der prädiktiven und präskriptiven Wartung^37,38 sowie nachhaltigen Wartungsstrategien^39,40 in jüngsten Studien betont. Trotz dieser Fortschritte bleibt die Forschung verstreut, und nur wenige Studien bieten ein kohärentes Paradigma, das erklärbares KI, Nachhaltigkeit, Resilienz und menschenzentrierte cyber-physische Zusammenarbeit integriert. Cyber-Physische Systeme (CPSs) haben trotz zunehmender Implementierung keine vollständige Autonomie erreicht, und das Paradigma der Industrie 5.0 befürwortet dies auch nicht. Vielmehr legt die Industrie 5.0 stärkeren Wert auf menschliche Überwachung, Kooperation und Entscheidungsfindung. Durch die Einbindung menschlichen Denkens und Zusammenarbeit in cyber-physische Prozesse erweitern cyber-menschliche Systeme wie Cyber-Physische Systeme mit Mensch-in-der-Schleife (HiLCPSs)⁴¹, menschenzentrierte CPSs (HCPSs)^42,43 und cyber-physisch-menschliche Systeme (CPHSs)⁴⁴ die traditionellen CPSs. Diese Integration verbessert Anpassungsfähigkeit, Transparenz, Sicherheit und Resilienz, indem sie eine Echtzeit-Zusammenarbeit zwischen intelligenten Systemen und menschlichen Bedienern ermöglicht^45,46.

Die industrielle Audio-Anomalieerkennung wurde durch neue Architekturen wie den Vision Transformer (ViT), den Audio Spectrogram Transformer (AST), den Conformer und das selbstüberwachte Lernen erheblich verbessert; ihre Integration in erklärungsorientierte cyber-physische Systeme für Industrie 5.0 bleibt jedoch begrenzt. Solange Erklärbarkeit, Edge-Deployment und menschliche Entscheidungsunterstützung nicht in einem einzigen Framework integriert sind, konzentriert sich die aktuelle Forschung hauptsächlich auf Klassifizierungsgenauigkeit oder auf nachträgliche, auf XAI basierende Interpretierbarkeit. Diese Studie schlägt eine neuartige, auf Erklärbarer KI basierende CNN-Transformer-Architektur für die Zusammenarbeit in cyber-physischen Systemen vor, die Edge-Computing, Modellierung zeitlicher Abhängigkeiten, SHAP-basierte Erklärbarkeit, räumliches Merkmalslernen und eine menschenzentrierte Entscheidungsunterstützung kombiniert, um eine nachhaltige Fertigung in der Industrie 5.0 zu ermöglichen und diese Einschränkungen zu überwinden.

Daher besteht weiterhin ein erheblicher Forschungsbedarf. Aktuelle akustische Anomalieerkennungsverfahren auf Basis von CNNs oder Transformatoren legen den Schwerpunkt auf Klassifizierungsgenauigkeit, weisen jedoch einen Mangel an cyber-physischer Zusammenarbeit und Erklärbarkeit auf. Während Industrie-5.0-Rahmenwerke konzeptionell menschenzentrierte Modelle bieten, integrieren sie nicht erklärbare Deep-Learning-Verfahren, Edge-Intelligenz und nutzerunterstützte Entscheidungsfindung in einem einzigen System. XAI-basierte prädiktive Wartungstechniken erhöhen zwar die Transparenz, arbeiten jedoch unabhängig von CPHS-Architekturen. Ein einziges Industrie-5.0-Cyber-physisches Mensch-System, das präzise akustische Anomalieerkennung, SHAP-basierte Erklärbarkeit, Edge-fähige Implementierung und menschliche Einbindung in den Entscheidungsprozess integriert, fehlt daher nach wie vor.

Dieser Artikel stellt ein neuartiges, auf Erklärbarer KI basierendes CNN-Transformer-Cyber-Physical-Collaboration-Paradigma für die Industrie 5.0 vor, um diese Einschränkungen zu überwinden. Die vorgeschlagene Architektur integriert die Bereitstellung am Edge-Computing, die räumliche Merkmalsextraktion auf Basis von CNNs, das Lernen zeitlicher Abhängigkeiten mithilfe von Transformern, Erklärbarkeit auf Basis von SHAP sowie die Entscheidungsunterstützung durch menschliche Beteiligung in einem einzigen CPHS-Rahmenwerk. Im Gegensatz zu bestehenden Ansätzen, die diese Aspekte unabhängig voneinander behandeln, bietet das vorgeschlagene Rahmenwerk eine integrierte Lösung, die gleichzeitig die Leistung bei der Anomalieerkennung, die Transparenz des Modells, die betriebliche Effizienz und die menschzentrierte Zusammenarbeit für eine nachhaltige Produktion verbessert.

Das Hauptziel dieser Studie ist es, ein erklärbares KI-gestütztes cyber-physisches Mensch-System (CPHS) für eine nachhaltige Industrie-5.0-Produktion zu entwickeln, indem Erklärbarkeit auf SHAP-Basis, Edge-Computing und eine Entscheidungsunterstützung mit Einbeziehung des Menschen mit einem hybriden, akustischen Ansatz zur Anomalieerkennung auf Basis von CNN-Transformer kombiniert werden. Insbesondere zielt der vorgeschlagene Rahmen darauf ab, die Genauigkeit der Anomalieerkennung zu verbessern, gleichzeitig klare und verständliche Vorhersagen zu liefern, eine effiziente Bereitstellung am Edge zu ermöglichen und die kooperative Entscheidungsfindung zwischen intelligenten Systemen und menschlichen Bedienern zu fördern. Durch die gleichzeitige Erreichung hoher Erkennungsleistung, Erklärbarkeit, Betriebs mit geringer Latenz und einer menschenzentrierten cyber-physischen Zusammenarbeit behebt diese integrierte Architektur die Schwächen bestehender Ansätze zur akustischen Anomalieerkennung, XAI-basierten prädiktiven Wartung sowie CPHS-Systemen.

Die vorgeschlagene Architektur stellt im Gegensatz zu aktuellen Verfahren zur akustischen Anomalieerkennung, die hauptsächlich auf Klassifikationsgenauigkeit abzielen, ein einheitliches erklärbares KI-gestütztes cyber-physisches Mensch-System (CPHS) für Industrie 5.0 vor. In einer einzigen Architektur kombiniert sie räumliche Merkmalsextraktion basierend auf CNNs, zeitliche Modellierung mittels Transformer, Erklärbarkeit auf Basis von SHAP, Edge-Computing und die Einbindung menschlicher Entscheidungsträger. Die vorgeschlagene Architektur adressiert zentrale Aspekte wie Transparenz, Unterstützung der Bediener und cyber-physische Zusammenarbeit, indem sie präzise Anomalieerkennung mit nachvollziehbarem Entscheidungsprozess und echtzeitfähiger Implementierung am Edge verbindet. Der wesentliche wissenschaftliche Beitrag dieser Arbeit liegt in der systemweiten Integration, wodurch sich der vorgeschlagene Ansatz von früheren Arbeiten unterscheidet, die entweder allein auf Anomalieerkennung, erklärbare KI oder Frameworks für Industrie 5.0 fokussiert waren.

Protokoll

Die vorgeschlagene Methodik verwendet einen systembasierten Ansatz des cyber-physischen Mensch-Systems (CPHS) gemäß Industrie 5.0, der erklärbares Deep Learning mit einem durch Edge Computing ermöglichten cyber-physischen Zusammenarbeitssystem kombiniert, um nachhaltige Fertigungsprozesse zu unterstützen. Zunächst wird das Problem angegangen, indem bestimmte Grenzen bestehender CPHS-Lösungen erkannt werden, wie beispielsweise der Mangel an KI-gestützter Intelligenz, Erklärbarkeit und menschenzentrierter Zusammenarbeit. Um die Herausforderungen zu bewältigen, nutzt die vorgeschlagene Lösung den MIMII-Datensatz für die Überwachung des Zustands industrieller Maschinen mittels akustischer Signalverarbeitung.

Der vorgeschlagene Ansatz beginnt damit, die erzeugten Spektrogramme einem CNN-Modell zuzuführen, das räumliche Merkmale extrahiert, indem es signifikante Frequenzmuster erkennt, die mit verschiedenen Maschinenzuständen assoziiert sind. Die extrahierten räumlichen Merkmale werden anschließend in Sequenzen umgewandelt und einem Transformer-Encoder-Modul zugeführt, um zeitliche Abhängigkeiten mittels Selbst-Attention zu erfassen. Die transformierte Merkmalsdarstellung wird danach an ein vollverknüpftes Klassifizierungsmodul weitergeleitet, um Maschinenzustände als normal oder abnormal einzustufen. Zusätzlich wird zur Gewährleistung von Transparenz und zur Unterstützung menschzentrierter Entscheidungsfindung der SHAP-Erklärbarkeitsansatz verwendet, um Vorhersagen zu erläutern, indem bedeutende Zeit-Frequenz-Bereiche in der Modellausgabe ausgewählt werden. Das entwickelte Modell wird in einer CPS-Umgebung mit Edge-Funktionalität implementiert, wodurch Echtzeit-Inferenz mit geringer Rechenlatenz und geringem Energieverbrauch ermöglicht wird. Außerdem wird ein Mensch-in-der-Schleife-Konzept integriert, sodass menschliche Bediener mithilfe der Erklärbarkeitsergebnisse Validierungen vornehmen können. Die Leistung wird anhand von Genauigkeit, Präzision, Sensitivität und F1-Score sowie weiteren systembezogenen Metriken wie Latenz und Energieeffizienz überprüft.

Der vorgeschlagene Rahmen ist ein XAI-gestützter CPHS-Mechanismus für nachhaltige Produktion im Kontext von Industry 5.0, und sein Workflow wird als Pipeline von der Datenerfassung bis zur intelligenten Entscheidungsfindung und -durchführung dargestellt, wie in Abbildung 1 gezeigt. In der Anfangsphase des Datenerfassungsverfahrens werden Schallsignale von Maschinen in Branchen wie Motoren, Pumpen und Lagern mithilfe von Datensätzen wie MIMII erfasst. Die so erhaltenen Datensignale werden an die nächste Stufe weitergeleitet, die als Daten-Präprozessierung bezeichnet wird, wo sie Filterung, Normalisierung und Segmentierung durchlaufen. Die segmentierten Datensignale werden abschließend in der Schicht der Merkmalsdarstellung mittels der Kurzzeit-Fourier-Transformation (STFT) in ein Spektrogramm umgewandelt.

Anschließend verwendet die KI-Modellschicht die Spektrogrammbilder, um mithilfe des CNN-Moduls Merkmale zu extrahieren und räumliche Muster sowie Anomalien zu identifizieren. Danach werden die extrahierten Merkmale umgeformt und in den Transformer-Encoder eingespeist, der zeitliche Abhängigkeiten und langreichweitige Beziehungen durch Selbstbeachtungsmechanismen lernt. Die resultierenden Merkmalsvektoren werden mittels der Klassifikationsschicht als normal oder abnormal klassifiziert. Um Transparenz im Vorhersageprozess sicherzustellen, verwendet die Erklärbarkeitsschicht SHAP, um bedeutende Zeit-Frequenz-Bereiche im Spektrogramm hervorzuheben.

Zusätzlich gibt es einen menschlich überwachten Prozess, bei dem Bediener die Ergebnisse des Modells interpretieren und Rückmeldungen dazu geben. In der Einsatzschicht läuft das Modell auf einer edge-basierten CPHS-Infrastruktur, wodurch eine schnelle Inferenz und ein geringer Energieverbrauch sichergestellt werden, und kann optional mit Cloud-Systemen für Speicherbedarf oder erweiterte Analysen verbunden sein. Insgesamt gewährleistet das Framework eine genaue Fehlererkennung, Nachvollziehbarkeit und einen effizienten Echtzeitbetrieb, die den Anforderungen von Industry 5.0 entsprechen.

Problembeschreibung und Anforderungsanalyse

Cyber-physikalische Mensch-Systeme (CPHS) in Industrie-5.0-Umgebungen versprechen Intelligenz, Nachhaltigkeit und eine menschenzentrierte Herangehensweise. Dennoch sind aktuelle Frameworks zur Entwicklung von CPHS durch einen Mangel an fortschrittlichen, KI-gestützten Fähigkeiten, Erklärbarkeit und ausreichender Unterstützung für die Mensch-Maschine-Zusammenarbeit eingeschränkt. Tatsächlich basieren herkömmliche CPHS auf regelbasierten oder nicht interpretierbaren Modellen, was die Anpassung an wechselnde industrielle Bedingungen erschwert und das Vertrauen der Bediener in die Automatisierung begrenzt. Zudem können herkömmliche CPHS hochkomplexe Daten, wie industrielle akustische Signale mit räumlichen (d. h. frequenzabhängigen) und zeitabhängigen Komponenten, die für die vorausschauende Wartung wichtig sind, nicht effektiv analysieren. Daher ist es notwendig, ein Framework zu entwickeln, das Maschinenanomalien mit hoher Genauigkeit erkennen, Erklärungen liefern und am Netzrand (Edge) arbeiten kann, wodurch CPS ermöglicht werden.

Hier ist x(t) das akustische Eingangssignal, S(f,t) ist die Spektrogrammdarstellung des Signals,  ist die Bezeichnung und θ ist der Parametersatz der CNN-Transformer-Architektur. Symbole, die in nachfolgenden Gleichungen verwendet werden, werden direkt nach ihrem ersten Auftreten eingeführt, um die mathematische Korrektheit zu gewährleisten.

Aus mathematischer Sicht lässt sich die Aufgabe als überwachtes Lernproblem formalisieren. Sei das industrielle akustische Signal mit x(t) bezeichnet. Die STFT von x(t) wird gemäß der folgenden Formel berechnet:

   (1)

wo ω(.) ist die Fensterfunktion und f ist die Frequenz. Das erzeugte Spektrogramm  dient als Eingabe für den Deep-Learning-Algorithmus. Das Ziel besteht darin, die Abbildungsfunktion zu trainieren

    (2)

wobei  die Klassenbezeichnung (entweder normal oder abnormal) ist und wobei S die spektrogrammbasierte Eingabe, y die vorhergesagte Ausgabebezeichnung und θ die Menge der lernbaren Parameter der CNN-Transformer-Architektur ist. Das Optimierungsproblem wird als Minimierung des Klassifizierungsverlusts formuliert:

  (3)

unter Berücksichtigung der Einschränkungen durch minimale Latenz , Energieeffizienz und Interpretierbarkeit, wobei die Erklärung ∅(SHAP) die Bedeutung der Merkmale im Vorhersageprozess erfasst,

   (4)

wobei  der Beitrag jedes einzelnen Merkmals ist. Entsprechend dem Vorstehenden umfasst die Konstruktionsanforderungen Folgendes: (i) zuverlässige Anomalieerkennung basierend auf hybriden Deep-Learning-Verfahren, (ii) interpretierbare Ausgaben für menschliches Eingreifen und (iii) Implementierung in einem edge-erweiterten CPS-Framework.

Erwerbung und Vorverarbeitung des Datensatzes

Zur Bewertung des vorgeschlagenen erklärbarkeitsbasierten CPHS-Frameworks auf KI-Basis wurde in diesem Zusammenhang der MIMII-Datensatz¹³ ausgewählt. Dieser Datensatz ist ein weithin genutzter Benchmark zur Erkennung von Anomalien in industriellen Maschinen mithilfe akustischer Signale. Die Datenbank enthält Tonaufnahmen verschiedener Maschinen, wie zum Beispiel von Schiebeschienen, Ventilatoren, Pumpen und Ventilen, sowohl unter normalen als auch unter fehlerhaften Betriebsbedingungen. Für jede Maschine variieren die Aufnahmen je nach unterschiedlichen Einstellungen und Geräuschumgebungen. Dadurch eignet sich der Datensatz gut zum Trainieren und Evaluieren von Modellen unter echtzeitnahen industriellen Bedingungen.

Während der MIMII-Datensatz in vielen Studien zur unüberwachten Anomalieerkennung verwendet wird, die ausschließlich auf normalen Beispielen während des Trainings beruhen, enthält er explizite Annotationen sowohl normaler als auch anormaler Maschinenzustände. Das Problem wird als überwachte binäre Klassifizierungsaufgabe formuliert, um die Fähigkeit der vorgeschlagenen erklärbarkeitsbasierten CNN-Transformer-Architektur zu testen, gesunde von fehlerhaften Maschinenzuständen zu unterscheiden. Dabei werden speziell die offiziellen MIMII-Kennzeichnungen verwendet, wobei die Klasse 0 normalen Beispielen und die Klasse 1 anormalen Beispielen zugewiesen wird.

Tabelle 1 zeigt die Details zur Datensatzbeschreibung. In der vorliegenden Studie wurden etwa 12.000 Aufzeichnungen akustischer Signale berücksichtigt, darunter sowohl normale als auch fehlerhafte Maschinenbetriebszustände. Gemäß den Anforderungen wurden alle Aufzeichnungen in dieser Studie mit 16 kHz abgetastet und sind jeweils 10 s lang. Obwohl der Datensatz etwa 12.000 Aufzeichnungen umfasst, wurde allein zur Visualisierung der Konfusionsmatrix ein klassenbalancierter Teildatensatz aus 2.000 Testaufzeichnungen ausgewählt. Alle angegebenen Leistungsmetriken wurden anhand des vollständigen Testdatensatzes (etwa 2.400 Aufzeichnungen) berechnet. Darüber hinaus erfolgte die Aufteilung von Trainings- und Testdaten im Verhältnis 80:20 zur Modelltrainierung. Diese Datenbank eignet sich besonders gut für Anwendungen im Bereich Industrie 5.0, da sie Echtzeit-Störgeräusche enthält. Die in dieser Studie verwendete Verteilung der Aufzeichnungen ist in Tabelle 2 dargestellt. Aus diesem Datensatz wurden etwa 12.000 Aufzeichnungen, die alle Maschinentypen und Signal-Rausch-Verhältnis-(SNR-)Bedingungen abdecken, für Experimente zur überwachten binären Klassifizierung unter Verwendung einer 80:20-Trainings-/Test-Aufteilung ausgewählt; diese zeigt die industriellen Maschinentypen, die entsprechenden Maschinenkennungen, die Gesamtanzahlen normaler und anormaler akustischer Aufzeichnungen, die SNR-Bedingungen sowie die für die überwachte binäre Klassifizierung verwendete experimentelle Aufteilung in Trainings- und Testdaten.

Das Experiment wurde mit dem MIMII-Datensatz (Malfunctioning Industrial Machine Investigation and Inspection), Version 1.0, durchgeführt, der vier Arten von Industriemaschinen umfasst: Ventilatoren, Pumpen, Ventile und Schiebeschienen. Die Daten wurden von verschiedenen Maschinen-IDs (ID00–ID06, abhängig vom Maschinentyp) und unter verschiedenen Bedingungen erfasst. Die MIMII-Datenbank enthält Daten, die bei Signal-Rausch-Verhältnissen (SNR) von −6 dB, 0 dB und +6 dB aufgezeichnet wurden. Normale Daten entsprechen dem gesunden Zustand der Industriemaschine, während anormale Daten einem anomalen Zustand entsprechen. Die Klassen wurden basierend auf der Annotation der Datenbank festgelegt, wobei normale Daten als Klasse 0 und anormale Daten als Klasse 1 gekennzeichnet wurden.

Ein faires Evaluierungsverfahren erforderte, dass die Aufteilung in Trainings- und Testmengen auf Ebene der ursprünglichen Audioaufnahmen erfolgte, bevor irgendwelche Teilungen, Datenaugmentierungen oder Erzeugungen von Spektrogrammen durchgeführt wurden. Dadurch konnten Audiodatenabschnitte aus derselben Aufnahme nicht sowohl in der Trainings- als auch in der Testmenge vorkommen. Für das Evaluierungsexperiment wurden Aufnahmen mit unterschiedlichen Signal-Rausch-Verhältnissen (−6 dB, 0 dB und +6 dB) verwendet, was die Möglichkeit bot, das vorgeschlagene Framework unter verschiedenen industriellen Bedingungen zu bewerten.

Um Datenlecks zu vermeiden, erfolgte die Aufteilung in Trainings- und Testmenge basierend auf der ursprünglichen Audiodatei, bevor eine Segmentierung oder Spektrogrammerzeugung durchgeführt wurde. Segmente aus der gleichen 10-s-Audioaufnahme wurden ausschließlich entweder der Trainings- oder der Testmenge zugeordnet, wobei keine Segmente in beiden Mengen vorhanden waren. Anschließend wurden die Spektrogramme separat für jeden Datensatz erzeugt und erweitert. Auf diese Weise wird das Problem von Datenlecks vermieden, wodurch eine übermäßig optimistische Bewertung der Leistung verhindert wird.

Vorverarbeitung des Datensatzes

Die unbehandelten akustischen Signale aus dem MIMII-Datensatz werden anschließend verarbeitet, um die Signalqualität zu verbessern und eine effektive Merkmalsextraktion zu ermöglichen. Das Eingangssignal wird mit x(t) bezeichnet, wobei t die Zeit darstellt. Der erste Schritt ist die Rauschfilterung, bei der Hintergrundgeräusche mithilfe einer Filterfunktion herausgefiltert werden, sodass gilt:

   (5)

wobei ∗ den Faltungsprozess und h(t) die Impulsantwort des Filters darstellt. Dieser Prozess verbessert die Klarheit des akustischen Signals und minimiert die Auswirkungen von Rauschen, das in industriellen Umgebungen häufig auftritt. Die Signalnormalisierung dient dazu, sicherzustellen, dass die Amplituden aller Audiosignale vergleichbar sind, bevor sie in das Deep-Learning-Modell eingespeist werden. Das normalisierte Signal, bezeichnet als x_n(t), wird berechnet als:

   (6)

wobei  μ und σ der Mittelwert und die Standardabweichung des Eingangssignals sind. Alle Eingangssignale weisen aufgrund dieses Verfahrens garantiert einen Mittelwert von null und Varianzen von eins auf. Schließlich wird das normalisierte Eingangssignal zur Verarbeitung in mehrere kleine Abschnitte unterteilt. Unter der Annahme, dass die Länge des gesamten Signals T beträgt, wird es mithilfe einer gleitenden Fensterfunktion in N überlappende Frames zerlegt, wobei jeder eine Länge L aufweist:

   (7)

wobei H die Hop-Größe ist. Das Spektrogramm kann durch die folgende Formel definiert werden:

   (8)

Die auf diese Weise gewonnenen Spektrogramme werden in das auf CNN-Transformern basierende Framework eingespeist, um räumliche und zeitliche Merkmale für eine erfolgreiche Anomalieerkennung zu extrahieren. Abbildung 2 zeigt die Vorverarbeitungspipeline.

Abbildung 2 veranschaulicht eine vertikale Vorverarbeitungspipeline, die für akustische Daten aus der Industrie verwendet werden kann. Zunächst werden die Rohaudiosignale aus dem MIMII-Datensatz extrahiert und zur Rauschunterdrückung weitergeleitet, um Störgeräusche zu reduzieren. Anschließend erfolgt die Normalisierung des Signals, um Amplitudenunterschiede auszugleichen und eine konsistente Signalqualität sicherzustellen. Danach wird das Signal in kleinere, sich überlappende Abschnitte unterteilt. Nach der Segmentierung werden STFT-Transformationen auf die Daten angewendet, um die Signale vom Zeitbereich in den Zeit-Frequenz-Bereich zu überführen. Daraufhin wird das Leistungsspektrum zur Erzeugung des Spektrogramms des Signals berechnet. Die vorverarbeiteten Spektrogramme sind somit das Ergebnis dieses Prozesses und werden im vorgeschlagenen CNN-Transformator-Modell verwendet.

Erzeugung von Spektrogrammen

Nach der Datennormalisierung und -segmentierung werden akustische Signale mithilfe der Kurzzeit-Fourier-Transformation (STFT) in eine Zeit-Frequenz-Darstellung umgewandelt. Das resultierende Spektrogramm liefert eine bildhafte Darstellung der Änderungen in der Frequenzzusammensetzung über den Analysezeitraum hinweg. In industriellen Anwendungen zeigen sich Maschinenstörungen gewöhnlich als Frequenzmuster, wodurch Spektrogramme besonders nützlich zur Erkennung von Maschinenanomalien sind.

Die resultierenden verarbeiteten Daten werden daher in Spektrogrammbilder umgewandelt, um zwischen normalen und abnormalen Fällen innerhalb der Maschinen zu unterscheiden. Die Audiodaten werden in mehrere Spektrogramme umgewandelt, damit das Lernmodell lokale Frequenzkomponenten und zeitliche Veränderungen im Maschinenprozess analysieren kann. Diese Bilder dienen als Eingabedaten für das CNN-Transformer-Modell, wobei das CNN räumliche (Frequenz-)Muster verarbeitet und die Transformer zeitliche Beziehungen erfassen.

Algorithmus 1: Erzeugung eines Spektrogramms aus akustischen Signalen

Eingabe: Roh-Audiosignal x(t)

Ergebnis: Spektrogramm S(t, f)

Schritt 1: Audiosignal  x(t) laden

Schritt 2: Anwenden der Rauschfilterung

Schritt 3: Signal x_n(t) normalisieren

Schritt 4: Signal in Rahmen segmentieren:

für k = 1 bis N ausführen

Ende für

Schritt 5: Eine Fensterfunktion w(t) auf jedes Segment anwenden

Schritt 6: Berechnung der STFT:

  (9)

Schritt 7: Betrag berechnen:

   (10)

Schritt 8: Spektrogramm S(t, f) speichern

Schritt 9: Spektrogrammdatensatz zurückgeben 

Der Prozess der Erzeugung von Spektrogrammen beginnt mit der Erfassung des ursprünglichen Audiosignals, gefolgt von Vorverarbeitungsschritten wie Rauschunterdrückung und Signalnormalisierung, um Integrität und Qualität des Signals sicherzustellen. Danach wird das normalisierte Audio in mehrere sich überlappende Fenster unterteilt, um die zeitlichen Eigenschaften sowohl über längere als auch kürzere Zeiträume hinweg zu erfassen. Um Spektralleckage zu vermeiden, wird jeder Ausschnitt vor der Weiterleitung an die Kurzzeit-Fourier-Transformation mit einer Fensterfunktion multipliziert. Anschließend wird das transformierte Signal als komplexwertige Funktion im Frequenzbereich dargestellt, und seine Beträge werden quadriert. So wird die Energie der Frequenzen über die gegebene Zeit durch die Spektrogramme repräsentiert. Schließlich werden sie als bilddatenähnliche Daten gespeichert und dem neuronalen Netzwerk zum Training zugeführt.

Räumliche Merkmalsextraktion unter Verwendung eines CNN

Nach dem Erstellen der Spektrogramme werden die resultierenden Zeit-Frequenz-Bilder als Eingaben verwendet und einem Faltungs-Neuronalen Netzwerk (CNN) zugeführt. Dabei wird das Eingabe-Spektrogramm als , angenommen, wobei H den Frequenzbereich und W den Zeitbereich darstellt. Der Zweck der Verwendung des CNNs besteht darin, diskriminierende räumliche Merkmale aus dem Eingabe-Spektrogramm zu erlernen. Diese diskriminierenden räumlichen Merkmale ermöglichen es, zwischen normalem und abnormalem Maschinenverhalten in einer industriellen Umgebung zu unterscheiden.

Eine grundlegende Operation, die vom Faltungs-Neuronalen Netzwerk (CNN) durchgeführt wird, ist die Faltung. Die Faltung mit einem gegebenen Filter   wird wie folgt angegeben:

   (11)

Der oben beschriebene Vorgang ermöglicht es dem neuronalen Netzwerk, lokale räumliche Merkmale wie Kanten, Frequenzen und harmonische Anteile im Spektrogramm zu erkennen. Dies erfolgt durch mehrere Filteroperationen, die verschiedene Merkmalsdarstellungen erzeugen und mehrere Merkmalskarten generieren. Auf die Faltung folgt eine nichtlineare Aktivierungsfunktion, wie unten dargestellt:

  (12)

Diese Nichtlinearität ermöglicht es dem Netzwerk, komplexe Beziehungen zwischen Variablen zu erfassen und darzustellen. Die nächste Stufe in einem faltenden neuronalen Netzwerk umfasst die Anwendung von Pooling-Operationen. Die gängige Technik des Max-Pooling wird mathematisch wie folgt ausgedrückt:

   (13)

wobei Ω das Pooling-Fenster bezeichnet. Das Pooling trägt zur Erreichung von Translationsinvarianz bei und behält nur die relevanten Informationen bei, während Redundanzen verworfen werden. Von niedrigstufigen Variablen wie Frequenzen bis hin zu komplexem Maschinenverhalten können höherstufige Merkmale hierarchisch mithilfe eines faltenden neuronalen Netzwerks extrahiert werden. Folglich können Merkmalskarten verwendet werden, um die endgültige Ausgabe des Netzwerks darzustellen:

   (14)

wobei die lernbaren Parameter des CNN darstellt. Die Merkmalskarten enthalten umfassende räumliche Informationen und werden in Sequenzen umgewandelt, um als Eingaben für den Transformer-Encoder in der nächsten Phase zu dienen. Der oben beschriebene Prozess der räumlichen Merkmalsextraktion ist entscheidend, um dem Modell die Erkennung minimaler Anomalien in industriellen akustischen Signalen zu ermöglichen.

Abbildung 3 zeigt, wie räumliche Merkmale mithilfe eines CNN-Modells horizontal aus dem Spektrogramm-Eingang extrahiert werden. Zunächst liegt das Eingabespektrogramm vor, das die Zeit-Frequenz-Eigenschaften des Audiosignals in bildlicher Form kodiert. Das Eingabespektrogramm wird anschließend über eine Faltungsschicht geleitet, in der verschiedene Filtertypen räumliche Merkmale wie Frequenzbänder, Kanten und Texturen extrahieren und dabei Merkmalskarten erzeugen. Danach durchlaufen die extrahierten Merkmalskarten eine nichtlineare Aktivierungsfunktion, die rectified linear unit (ReLU), wodurch das neuronale Netzwerk Abhängigkeiten in den Eingabedaten erkennen kann. Die Merkmalskarten werden danach über eine Pooling-Schicht geleitet, in der die Kartengröße reduziert wird, während ihre wichtigsten Merkmale erhalten bleiben. Dieser Prozess aus Faltungs-, Aktivierungs- und Pooling-Schichten wiederholt sich mehrfach und erzeugt eine Hierarchie der Merkmalsdarstellung, die mit einfachen Merkmalen beginnt und sich hin zu komplexeren Merkmalen entwickelt, die mit Maschinenoperationen zusammenhängen.

Zeitliche Modellierung unter Verwendung eines Transformer-Encoders

Sobald die räumlichen Merkmale mithilfe des CNN extrahiert wurden, besteht der nächste Schritt darin, Merkmalskarten auf hoher Ebene abzuleiten, die frequenzbasierte Muster erfassen, die aus dem Spektrogramm gelernt wurden. Die resultierenden Merkmalskarten werden anschließend abgeflacht und als Sequenzen umgeformt, um zeitliche Informationen im akustischen Signal zu erfassen. Unter der Annahme, dass die Merkmalskarten durch dargestellt werden, wobei H', W', und C jeweils Höhe, Breite und Kanäle bezeichnen, wird die folgende Sequenz abgeleitet:

    (15)

wobei T die Sequenzlänge und d die Merkmalsdimension darstellt. Der Transformer nutzt die obige Sequenz, um mithilfe eines Selbst-Attention-Mechanismus langfristige Abhängigkeiten zu modellieren. Im Gegensatz zu herkömmlichen rekurrenten Modellen verarbeitet das Transformer-Modell jedes Element der Sequenz parallel und verwendet Attention-Gewichte, um die relative Relevanz der einzelnen Elemente zu bestimmen. Der Attention-Mechanismus funktioniert, indem er Query-Q-, Key-K- und Value-V-Vektoren verwendet, die für jeden Eingang x_t gemäß folgender Vorschrift erzeugt werden:

   (16)

wobei W_Q, W_K, W_V trainierbare Gewichte sind. Die Ähnlichkeiten zwischen den Elementen werden mithilfe folgender Gleichung bestimmt:

   (17)

d_k ist die Dimension der wichtigen Vektoren. Dieses Verfahren erleichtert es dem Modell, Abhängigkeiten aus entfernt liegenden Zeitpunkten des Signals zu lernen und sich ausschließlich auf die relevanten Zeitabschnitte zu konzentrieren. Um die Lernkapazität des Netzwerks zu erhöhen, wird die Multi-Head-Attention verwendet, bei der mehrere Attention-Köpfe parallel aus der Eingabe lernen:

  (18)

Jeder Kopf verarbeitet unterschiedliche Merkmale der zeitlichen Eingabesequenz. Dies wird gefolgt von feed-forward-Neuronalen Netzen und Residualverbindungen:

   (19)

Die resultierende kodierte Sequenz erfasst sowohl die räumlichen als auch die zeitlichen Merkmale des Eingabesignals. Diese Sequenz wird zur Anomalieerkennung an die Klassifizierungsschicht gesendet.

Abbildung 4 zeigt den gesamten Prozess der zeitlichen Modellierung mithilfe eines Transformer-Encoders auf Merkmalen, die aus dem CNN extrahiert wurden. Zunächst werden die aus dem CNN extrahierten Merkmalskarten verwendet, die räumliche Informationen aus dem Spektrogramm enthalten. Die Merkmalskarten werden zu einer Sequenz abgeflacht, wobei jedes Element einem Zeitstempel entspricht. Anschließend durchläuft die Sequenz eine lineare Transformation, die die Daten in Vektoren einer bestimmten Dimension abbildet. Da Transformator-Modelle nicht in der Lage sind, zeitliche Abhängigkeiten zu erfassen, wird den Einbettungsvektoren zusätzlich eine Positions-Codierung hinzugefügt, um die zeitliche Struktur der Sequenz zu bewahren. Schließlich durchläuft die Sequenz einen Transformer-Encoder, der aus einem Stapel mehrerer Schichten besteht, in denen ein Multi-Head-Self-Attention-Mechanismus eingesetzt wird, um dem Modell das Erlernen von Zusammenhängen zwischen den Zeitstempeln in der Sequenz zu ermöglichen. Das Feed-Forward-Neurale-Netzwerk verbessert diese Einbettungen weiter, während Residualverbindungen sicherstellen, dass die Gradienten effizient weitergeleitet werden. Der Prozess wird über die gestapelten Transformer-Encoder-Schichten hinweg wiederholt, wodurch zunehmend komplexere zeitliche Wechselwirkungen erfasst werden. Am Ende werden die Sequenzeinbettungen durch Pooling (z. B. Mittelwert-Pooling oder das Klassifikationstoken (CLS)) zu einer Darstellung fester Länge kombiniert, wodurch eine globale zeitliche Merkmalsdarstellung entsteht.

Klassifikationsschicht

Nach der zeitlichen Kodierung mittels des Transformer-Encoders bestehen die Ausgaben aus einer Sequenz kodierter Vektoren, von denen jeder Merkmale enthält, die sowohl die räumlichen als auch die zeitlichen Aspekte des Eingangssignals betreffen. Der erste Schritt zur Klassifizierung anhand der kodierten Ausgaben besteht darin, all diese Merkmale zu einem einzigen Vektor zusammenzufassen. Dies wird entweder erreicht, indem auf die Sequenz der Merkmalsvektoren eine Mittelwert-Pooling-Operation angewendet wird, oder indem das sogenannte „Klassifizierungstoken“ verwendet wird. Angenommen, die Ausgabe des Transformers ist , wobei jeder . Das aggregierte Merkmal h wird berechnet als:

   (20)

Anschließend stellt der aggregierte Merkmalsvektor h die Eingabe in kompakter Form dar und dient als Eingabe für den Klassifikator. Der Klassifikationsteil besteht aus einer oder mehreren dichten Schichten, die die gelernte Darstellung in den Ausgaberaum transformieren. Eine dichte Schicht implementiert eine Transformation, die wie folgt definiert ist:

   (21)

wobei o die Ausgabe (Logits), b der Bias-Vektor und W die Gewichtungsmatrix ist. Letztere stellen die Klassenscores in nicht normalisierter Form dar. Um Nichtlinearität in das Modell einzubauen, werden häufig Aktivierungsfunktionen wie ReLU verwendet. Abschließend wird eine Softmax-Aktivierungsfunktion auf die Logits angewendet, um die Wahrscheinlichkeit für jede Klasse zu erhalten:

   (22)

wobei C die Anzahl der Klassen darstellt (C = 2; normal und abnormal). Die Klassenvorhersage basiert auf dem maximalen Wahrscheinlichkeitswert. Während des Trainings werden die optimalen Werte der Modellparameter durch Minimierung des Cross-Entropy-Verlusts zwischen den tatsächlichen und vorhergesagten Beschriftungen ermittelt, wodurch eine genaue Klassifizierung der Maschinenzustände erreicht wird. Zusammenfassend erfüllt die Klassifizierungsschicht eine wesentliche Funktion bei der Umwandlung der mit der Transformer-Architektur extrahierten zeitlichen Merkmale in praktische Entscheidungen. Durch eine geeignete Unterscheidung zwischen gesunden und fehlerhaften Maschinenzuständen wird die Anomalieerkennung und eine intelligente Entscheidungsfindung im Rahmen des Industry-5.0-Paradigmas ermöglicht.

Abbildung 5 zeigt, wie die Klassifizierungsschicht funktioniert, die auf den Transformer-Encoder folgt. Der Prozess beginnt mit der codierten Sequenz-Ausgabe, bei der jeder Vektor zeitliche Informationen enthält, die aus der Eingabe gelernt wurden. Diese Vektoren werden zu einem einzigen Vektor kombiniert, der als globaler Merkmalsvektor bekannt ist. Im nächsten Schritt wird der globale Merkmalsvektor durch mehrere dichte neuronale Netzwerkschichten geleitet. In jeder dichten Schicht werden Matrixmultiplikationsoperationen durchgeführt, um lineare Kombinationen der Eingaben zu erzeugen. Danach kann eine nichtlineare Aktivierungsfunktion wie ReLU angewendet werden, um die Flexibilität beim Lernen von Entscheidungsgrenzen zu erhöhen. Am Ende der letzten dichten Schicht liegen Logit-Scores für jede Klasse vor. Diese Logit-Scores können in die Softmax-Funktion eingespeist werden, um Wahrscheinlichkeitswerte für jede Klasse zu berechnen. Mithilfe dieser Wahrscheinlichkeitswerte wird bestimmt, ob die Eingabe zur Klasse 0 (Normal) oder Klasse 1 (Abnormal) gehört.

Erklärbarkeit mithilfe von SHAP

Nachdem das Modell Eingangssignale klassifiziert hat, werden Vorhersagen daraufhin generiert, ob die Maschine normal oder abnormal arbeitet. Innerhalb der Industrie-5.0-Umgebung reicht die Erzeugung von Vorhersagen jedoch nicht aus; das System muss zudem Transparenz und Erklärbarkeit bieten, um die menschliche Entscheidungsfindung zu unterstützen. Der folgende Ansatz verwendet SHAP, ein auf der Spieltheorie basierendes Modell, das die Bedeutung jeder einzelnen Merkmalsausprägung für die getroffene Vorhersage quantifiziert. Auf diese Weise weist SHAP den Merkmalen Gewichtungen zu, wodurch man die relative Bedeutung verschiedener Abschnitte der Spektrogramm-Eingabe für die Gesamtvorhersage bewerten kann.

Die mathematische Formulierung von SHAP basiert auf einer Zerlegung des Modells f(x):

   (23)

wobei ∅₀ der Basiswert (mittlere Modellausgabe) ist, ∅_i der Einfluss des i-ten Merkmals ist und M die Anzahl der Eingabemerkmale angibt. Im Rahmen dieser Studie handelt es sich bei den Merkmalen um die Zeit-Frequenz-Bins des Spektrogramms. SHAP-Werte sind positiv, wenn sie zur Wahrscheinlichkeit des abnormalen Zustands beitragen, andernfalls negativ. Diese Formulierung gewährleistet eine eindeutige, lokal konsistente Erklärung für jede Vorhersage. Die SHAP-Methode kann auf ein trainiertes CNN-Transformer-Modell angewendet werden, um eine Erklärung basierend auf der Merkmalsrelevanz zu liefern. Die visuelle Darstellung zeigt die wichtigsten Zeit-Frequenz-Bins im Spektrogramm, die den Entscheidungsprozess beeinflussen. Beispielsweise kann ein abnormales Verhalten der Ausrüstung bestimmte frequenzreiche Bereiche mit hoher Energie erzeugen, die das SHAP-Framework als wichtige Beiträge zum Entscheidungsprozess identifiziert.

Darüber hinaus kann SHAP die Zusammenarbeit zwischen Menschen und Maschinen in einer cyber-physischen Umgebung fördern. Dies liegt daran, dass die Vorhersagen mithilfe intuitiver Visualisierungen erklärbar sind, wodurch die Bediener und Entscheidungssysteme die Vorhersagen überprüfen, das Problem analysieren und geeignete Maßnahmen ergreifen können. Dies erhöht nicht nur das Vertrauen, sondern macht auch künstliche Intelligenz-basierte Fertigungsprozesse zuverlässig und nachvollziehbar. Durch die Integration von Deep-Learning-Algorithmen, die den aktuellen Leistungsstandards entsprechen, mit SHAP, das Erklärbarkeit bietet, erfüllt die vorgeschlagene Architektur die Anforderungen von Industrie 5.0.

Algorithmus 2: SHAP-basierte Erklärbarkeit für Modellvorhersagen

Eingabe: Trainiertes Modell f(x), Eingabespektrogramm S

Ergebnis: SHAP-Werte  und Erklärungskarte

Schritt 1: Spektrogramm S in ein trainiertes Modell eingeben

Schritt 2: Vorhersage berechnen: y = f(S)

Schritt 3: Initialisieren Sie einen auf maschinelles Lernen ausgerichteten SHAP-Erklärer

Schritt 4: Berechnung der SHAP-Werte:

Schritt 5: Für jedes Merkmal i in S:

Berechnung des Beitrags 

Schritt 6: Erklärungskarte generieren:

Markieren Sie Bereiche mit hohem 

Schritt 7: Visualisierung der Merkmalswichtigkeit (Heatmap)

Schritt 8: SHAP-Werte und Erklärungskarte zurückgeben

Der auf SHAP basierende Erklärbarkeitsalgorithmus beginnt damit, ein vorverarbeitetes Spektrogrammbild als Eingabe zu erhalten und es in die trainierte CNN-Transformer-Architektur einzuspeisen, um Vorhersagen zu treffen (z. B. normaler oder abnormaler Maschinenzustand). Nachdem mit der trainierten Architektur Vorhersagen getroffen wurden, wird die SHAP-Methode verwendet, um das Modell zu interpretieren. Insbesondere werden die SHAP-Werte (ϕ) für jedes Eingabemerkmals berechnet, um herauszufinden, welche Zeit-Frequenz-Komponenten der Eingabe am stärksten zur Vorhersage beitragen. Um diese Werte zu berechnen, müssen die Modellausgaben für Eingaben mit und ohne bestimmte Merkmale verglichen werden.

Nach der Berechnung der SHAP-Werte für jedes Merkmal kann dessen Einfluss auf die Vorhersage anhand des Vorzeichens und der Größe des SHAP-Werts beurteilt werden. Beispielsweise beeinflussen Merkmale mit höheren SHAP-Werten das Ergebnis wahrscheinlicher, wobei ein positives oder negatives Vorzeichen angibt, dass das Merkmal die Vorhersage in Richtung der normalen beziehungsweise abnormalen Klasse lenkt. Basierend auf den Ergebnissen kann eine Erklärungskarte in Form einer Wärmekarte erstellt werden.

Abschließend gibt der Algorithmus sowohl die SHAP-Werte als auch die Visualisierungen aus, wodurch Einblicke in die Analyse der Modellentscheidungen durch Menschen ermöglicht werden. Die Methode erhöht die Transparenz des Prozesses und erlaubt es Menschen, sich an Entscheidungen zu beteiligen, wodurch sichergestellt wird, dass sowohl die Vorhersagen des Algorithmus als auch deren Zuverlässigkeit in der KI-gestützten Industrie erreicht werden. Repräsentative Testsamples wurden aus korrekt diagnostizierten anomalen Fällen verschiedener Maschinentypen ausgewählt, um die Zuverlässigkeit der Erklärbarkeitsanalyse zu verbessern. Während eine globale SHAP-Analyse der Merkmalswichtigkeit durch Aggregation der SHAP-Werte über den gesamten Testdatensatz durchgeführt wurde, um durchgängig einflussreiche Zeit-Frequenz-Bereiche zu identifizieren, wurden für diese repräsentativen Fälle lokale SHAP-Erklärungen erstellt. Diese integrierte lokale und globale Analyse bietet ohne Notwendigkeit einer Expertenannotation eine zuverlässige Interpretation der Modellvorhersagen.

Integration von CPS mit Edge-Funktionalität

Diese vorgeschlagene Lösung wird innerhalb des Edge-fähigen cyber-physischen Systems (CPS) eingesetzt, das Effizienz, Nachhaltigkeit und Echtzeit-Industrieoperationen anstrebt. Sobald das Modell trainiert wurde, wird der CNN-Transformer über einen Edge-Computing-Ansatz bereitgestellt. Die betreffende Edge-Computing-Schicht befindet sich in der Nähe von Geräten des industriellen Internets der Dinge (IIoT), einschließlich Sensoren und Maschinen. Anstatt alle gesammelten Daten in die Cloud zu übertragen, führt das Edge-Gerät die Inferenz des eintreffenden akustischen Signals durch, ohne es zuvor dorthin zu übermitteln. Dadurch kann das System Maschinenstörungen nahezu sofort erkennen und die erforderlichen Maßnahmen ergreifen, bevor sich die Situation weiter verschlechtert. Ein weiterer Vorteil dieses Edge-fähigen Ansatzes ist die verbesserte Latenz und Effizienz, da die Daten nahe dem Entstehungsort analysiert werden. Mit anderen Worten, im Gegensatz zum Cloud-Ansatz, bei dem die Inferenzzeit T_inf

   (24)

Die Latenz wird im Allgemeinen erheblich durch eine Verringerung von T_{communication} reduziert. Ein weiterer Vorteil besteht in geringerem Bandbreitenverbrauch und weniger Energieaufwand beim kontinuierlichen Übertragen von Daten. Daher ist dieses System für große Industrieanlagen mit zahlreichen vernetzten Geräten skalierbar und nachhaltig. Außerdem ermöglicht das CPS die Interaktion mit der physikalischen Schicht (Maschinen), der KI (rechnerischen Schicht) und der menschlichen Schicht.

Mensch-zentrierte Zusammenarbeit

Eine Schlüsselkomponente des vorgeschlagenen Industry-5.0-CPS, das menschliche Bediener umfasst, die aktiv gemeinsam mit KI-Modellen in den Entscheidungsprozess eingebunden sind, ist die Mensch-in-der-Schleife-Zusammenarbeit. Demnach wird das System gemäß dem entworfenen Rahmenwerk keine autonome Black-Box, sondern ermöglicht es Bedienern, mit ihm zu interagieren und nachvollziehbare Vorhersageergebnisse in Form von SHAP-Erklärungen zu beobachten. Die betreffenden Vorhersagen beziehen sich auf die Ergebnisse (normal/abnormal) und werden begleitet von Visualisierungen der Teile der Spektrogramme, die für deren Erstellung verwendet wurden.

Eine solche Interaktion hilft den Bedienern, besser zu verstehen, wie die Vorhersage zustande kommt und welche Faktoren zu ihr beitragen. Die Einbindung von Menschen beinhaltet die Überprüfung der Systemergebnisse und ermöglicht es den Bedienern, diese bei Bedarf auf der Grundlage ihres fachlichen Urteils zu überschreiben. Die Zusammenarbeit mit menschlichen Bedienern macht das System vertrauenswürdiger, effizienter, sicherer und zuverlässiger und hilft, Fehler zu vermeiden.

Ergebnisse

Das vorgestellte erklärbarkeitsbasierte KI-gestützte cyber-physische Kollaborationssystem wurde experimentell anhand von etwa 12.000 Audiodaten der MIMII-Datensammlung getestet, die sowohl normale als auch abnormale Maschinenzustände enthält. Der Trainingsdatensatz bestand aus ungefähr 9.600 Datensätzen, während der Testdatensatz etwa 2.400 Audiosignale umfasste. Basierend auf den Ergebnissen erreichte das vorgeschlagene CNN-Transformer-Modell eine Klassifikationsgenauigkeit von 98,5 % auf dem Testdatensatz, mit einem Bereich von 0,97–0,98. Dies bezieht sich auf die Angaben in Tabelle 3, die Konfusionsmatrix sowie die Analyse der statistischen Stabilität. Die Integration des Transformer-Encoders verbessert die zeitliche Modellierungsfähigkeit der Architektur, während der CNN diskriminierende räumliche Merkmale aus dem Eingangsspektrogramm extrahiert.

Neben der Klassifikationsleistung wurden auch andere systembezogene Eigenschaften bewertet. Erstens überstieg die Inferenzlatenz für eine Edge-basierte Implementierung nicht 20 ms, wodurch eine Echtzeiterkennung von Anomalien ermöglicht wurde. Zweitens trug das vorgestellte System durch die Reduzierung des Kommunikationsbedarfs zur Verbesserung der Energieeffizienz bei. Schließlich bietet der vorgeschlagene Erklärbarer-KI-Ansatz (Explainable AI) SHAP-Interpretierbarkeit, wodurch das Modell aus der Sicht eines fachkundigen Experten leichter analysierbar wird. Die MIMII-Daten wurden mithilfe der Kurzzeit-Fourier-Transformation (STFT) in Spektrogramme umgewandelt, wobei eine Fenstergröße von 1024, eine Hop-Größe von 512 und eine FFT-Größe (Fast Fourier Transform) von 1024 verwendet wurden. Die resultierenden logarithmischen Mel-Spektrogramme wurden auf 224 × 224 Pixel skaliert und anschließend mittels z-Score-Normalisierung vorverarbeitet. Zur Steigerung der Robustheit des trainierten Modells kamen Methoden der Datenvermehrung (Data Augmentation) zum Einsatz, darunter Zeitmaskierung, Frequenzmaskierung und Hinzufügen von Gaußschem Rauschen. Die Architektur des CNN bestand aus vier Faltungsschichten mit jeweils 32, 64, 128 und 256 Filtern sowie Batch-Normalisierung, ReLU- und Max-Pooling-Schichten. Die extrahierten Merkmalskarten wurden in Sequenzen umgewandelt und als Eingaben für den Transformer-Encoder verwendet, der aus vier Encodern, acht Attention-Heads, einem 256-dimensionalen Embedding und einer 1024-dimensionalen Feed-Forward-Dimension bestand. Eine Dropout-Wahrscheinlichkeit von 0,3 wurde angewandt, um Überanpassung (Overfitting) zu minimieren. Zum Training wurde der Adam-Optimierer mit einer Lernrate von 0,0001 und einer Gewichtsreduzierung (Weight Decay) von 1 × 10⁻⁵ verwendet. Die Anzahl der Epochen und die Batch-Größe beim Training betrugen jeweils 100 und 32. Der Zufallsstartwert (Random Seed) wurde auf 42 festgelegt, um die Reproduzierbarkeit des Experiments sicherzustellen. Zur Überprüfung der statistischen Gültigkeit der Ergebnisse wurden folgende Methoden angewandt: Alle Experimente wurden unabhängig 10-mal mit unterschiedlichen Zufallsstartwerten und Datenmischungen durchgeführt. Die Durchschnittswerte und Standardabweichungen von Genauigkeit (Accuracy), Präzision (Precision), Sensitivität (Recall), F1-Score, Fläche unter der ROC-Kurve (ROC-AUC) und Fläche unter der Präzisions-Recall-Kurve (PR-AUC) wurden berechnet. Außerdem wurden 95 % Konfidenzintervalle berechnet, um die Unsicherheit der Leistung abzuschätzen. Schließlich wurde ein gepaarter t-Test durchgeführt, um die Ergebnisse unseres CNN-Transformer-Ansatzes mit dem leistungsstärksten Baseline-Modell zu vergleichen. Die Methode des frühen Abbruchs (Early Stopping) wurde mit einer Geduld (Patience) von 10 Epochen angewandt. Tabelle 4 zeigt den Umgebungsaufbau und die Hyperparameter-Konfiguration, und Tabelle 5 enthält die Details der Simulationsumgebung.

Das Bewertungsexperiment in der vorliegenden Arbeit wurde mithilfe des MIMII-Datensatzes durchgeführt, der verschiedene Maschinenbetriebszustände und akustische Fehler-Szenarien umfasst. Obwohl die Ergebnisse des vorgeschlagenen Frameworks das Modell bestätigen, ist eine weitere Validierung anhand verschiedener Industriedatensätze und Fertigungsumgebungen erforderlich.

Der vorgeschlagene Rahmen wurde auf einer Edge-Computing-Plattform implementiert, die mit einem Multicore-Prozessor, 16 GB Systemspeicher und einem Grafikprozessor (GPU)-basierten Edge-Beschleuniger ausgestattet ist, um die Echtzeit-Inferenz und Erklärbarkeit zu unterstützen. Industrielle akustische Sensoren übertrugen Audiodatenströme über die IIoT-Kommunikationsschicht an das Edge-Gateway. Edge-Knoten wurden zur Durchführung von Aufgaben wie der Erstellung von Spektrogrammen, der Anomalie-Inferenz und der Generierung von SHAP-Erklärungen genutzt, während der Cloud-Server zur Speicherung langfristiger Daten und zum Aktualisieren des Modells verwendet wurde. Eine solche Konfiguration reduziert nicht nur den erforderlichen Kommunikationsaufwand, sondern ermöglicht auch die Echtzeit-Interaktion zwischen Sensoren, KI-Modulen und menschlichen Bedienern in cyber-physischen Systemen.

Der oben eingeführte CNN-Transformer-Ansatz wird mit mehreren bestehenden Methoden verglichen, einschließlich herkömmlicher ML-Modelle wie Support Vector Machine (SVM) und Random Forest, CNN-Modellen ohne Transformer sowie auf Long Short-Term Memory (LSTM) basierenden Verfahren. Während herkömmliche ML-Modelle aufgrund mangelnder Fähigkeit, räumliche und zeitliche Korrelationen in den Daten zu verarbeiten, keine zufriedenstellenden Ergebnisse erzielen, können CNN-Modelle räumliche Merkmale effizient verarbeiten, während LSTM-Modelle die zeitlichen Aspekte akustischer Signale bewältigen können. Dennoch sind erstere hinsichtlich Rechenaufwand und Fähigkeit zur parallelen Verarbeitung den letzteren unterlegen.

Um einen fairen Vergleich zwischen dem vorgeschlagenen CNN-Transformer-Modell und den Baseline-Modellen zu gewährleisten, wurde ersteres mit derselben Aufteilung des MIMII-Datensatzes (80 % Training und 20 % Test), denselben Vorverarbeitungsschritten, dem gleichen Verfahren zur Erstellung der Spektrogramme und denselben Evaluationsmaßen trainiert und bewertet. Bei der SVM-Methode kam der Radial-Basisfunktion (RBF)-Kernel mit C = 10 und γ = 0,01 zum Einsatz. Die Random-Forest-Methode umfasste 200 Bäume mit einer maximalen Baumtiefe von 20. Was das CNN betrifft, so enthielt es vier Faltungsschichten (32, 64, 128 und 256 Filter), denen volle Verbindungen ohne ein Transformer-Modul folgten. Schließlich wurden für die LSTM-Methode zwei gestapelte LSTM-Schichten mit 128 versteckten Einheiten und einer Dropout-Rate von 0,3 verwendet.

Im Gegenteil ermöglicht die Verwendung des CNN-Transformer-Frameworks die besten Ergebnisse, da sowohl die räumlichen als auch die zeitlichen Eigenschaften akustischer Signale effizient genutzt werden. Außerdem erlaubt der Einsatz von Edge-Computing eine Reduzierung der Rechenkosten, verbesserte Latenzzeiten und Energieeinsparungen. Darüber hinaus kann die Erklärbarkeit von Vorhersagen, die mithilfe von SHAP implementiert wird, als weiterer Vorteil angesehen werden, der die vorgeschlagene Methode von bestehenden Techniken unterscheidet.

Trotz jüngster Fortschritte bei der Entwicklung neuartiger Modelle für die akustische Anomalieerkennung, wie beispielsweise dem Vision Transformer (ViT), dem Audio Spectrogram Transformer (AST), dem Conformer und modellbasierten Ansätzen mit selbstüberwachtem Lernen, wurde im vorliegenden Studie kein experimenteller Vergleich dieser Architekturen durchgeführt. In Zukunft ist geplant, diese Modelle als Referenzwerte zur Bewertung des vorgeschlagenen Frameworks zu verwenden.

Metriken wie Genauigkeit, Präzision, Sensitivität (Recall) und F1-Score dienen zur Bewertung der Leistung des vorgeschlagenen Modells. Während die Präzision das Verhältnis der richtigen Positiven zur Gesamtanzahl der richtigen und falschen Positiven misst, bewertet die Genauigkeit die Gesamtkorrektheit der Vorhersagen. Die Sensitivität liefert eine Schätzung der Fähigkeit des Modells, Anomalien in einem bestimmten System vorherzusagen. Dies ist entscheidend, da das Versäumen einer Fehlerprognose zu Systemausfällen führen könnte. Die folgenden Formeln zeigen, wie sich diese Metriken mathematisch berechnen lassen:

   (25)

   (26)

   (27)

   (28)

Neben diesen werden zusätzliche Metriken bezüglich der Systemleistung, wie Latenz, Energieverbrauch und Skalierbarkeit, bei der Bewertung der realen Leistung des vorgeschlagenen CPS-Modells basierend auf Edge-Computing berücksichtigt.

Neben standardmäßigen Leistungsmessverfahren gibt es viele weitere Maßnahmen, die helfen können, die vorgeschlagene Lösung aus einer ganzheitlicheren Perspektive zu bewerten, insbesondere angesichts ihrer Anwendbarkeit auf reale, unausgeglichene und strombasierte Datenfallstudien. Beispielsweise wird die Fähigkeit des Algorithmus, zwischen den beiden Gruppen anhand unterschiedlicher Schwellenwerte zu unterscheiden, durch die Fläche unter der Receiver-Operating-Characteristic-Kurve (ROC-AUC) gemessen. Aufgrund seiner Robustheit und Trennfähigkeit sollte der ROC-AUC-Wert hoch sein. Außerdem ist das Precision-Recall-Flächen-unter-der-Kurve-Maß (PR-AUC) wichtig für die Anomalieerkennungs-Fallstudie, da die abnormalen Klassen selten sind.

Ein wichtiges Maß, das berücksichtigt werden sollte, ist der Matthews-Korrelationskoeffizient (MCC). Er berücksichtigt alle vier Elemente der Konfusionsmatrix und liefert auch bei Klassenungleichgewicht eine genaue Bewertung. Dieses Maß wird wie folgt berechnet:

   (29)

Die Werte des MCC liegen zwischen -1 und +1, wobei +1 einer vollständig korrekten Vorhersage entspricht. Eine weitere anwendbare Metrik ist die Spezifität (True Negative Rate), die in einer industriellen Anwendung nützlich wäre, um zu beurteilen, ob falsch-positive Vorhersagen vorliegen:

    (30)

Um sicherzustellen, dass keine Inkonsistenz zwischen der Konfusionsmatrix und den Leistungskennzahlen bestand, wurden alle Evaluierungskriterien basierend auf dem endgültigen Testdatensatz berechnet. In den folgenden Gleichungen werden durchgehend die Bezeichnungen für true positive (TP), true negative (TN), false positive (FP) und false negative (FN) verwendet. Genauigkeit (Accuracy), Präzision (Precision), Sensitivität (Recall), Spezifität (Specificity), F1-Score und MCC wurden gemäß den Gleichungen (25)–(30) ermittelt. Zusätzlich wurden ROC-AUC und PR-AUC anhand der Wahrscheinlichkeitsausgaben des CNN-Transformer-Modells durch unabhängige Schwellwertbewertung berechnet.

Zu den wichtigsten Kennzahlen auf Systemebene gehören Latenz, Durchsatz und Rechenaufwand. Die Latenz ist die Zeit, die für eine Vorhersage benötigt wird. Der Durchsatz gibt die Anzahl der pro Sekunde verarbeiteten Datensätze an. Der Rechenaufwand, der die Energieeffizienz widerspiegelt, ist entscheidend, um eine effiziente Berechnung sicherzustellen. Darüber hinaus können auch Erklärbarkeitskennzahlen wie SHAP-Konsistenz und Stabilität der Merkmalswichtigkeit bei der Bewertung des Modells berücksichtigt werden.

Aus den Ergebnissen in Tabelle 3 für den MIMII-Datensatz geht hervor, dass das vorgeschlagene CNN-Transformer-Modell alle anderen maschinellen Lern- und Deep-Learning-Verfahren übertrifft. Die Leistung der SVM- und Random-Forest-Modelle ist akzeptabel, jedoch begrenzt, mit Genauigkeiten von 88,6 % bzw. 91,2 %. Dies lässt sich durch die Unfähigkeit dieser Modelle erklären, komplexe zeitliche und räumliche Merkmale aus akustischen Signalen zu extrahieren. LSTM übertrifft hingegen SVM und Random Forest und erreicht eine Genauigkeit von 94,5 %, indem es Zeitreihendaten modelliert. Der vorgeschlagene CNN-Transformer-Ansatz weist jedoch die beste Leistung auf, mit verbesserter Genauigkeit (98,5 %), Präzision (98,06 %), Sensitivität (99,02 %) und F1-Score (98,54 %). Somit kann der vorgeschlagene Algorithmus normale und abnormale Maschinenzustände präzise klassifizieren. Die verbesserte Spezifität (97,96 %) zeigt die Wirksamkeit des Ansatzes bei der Reduzierung falsch positiver Ergebnisse, was für die Industrie von entscheidender Bedeutung ist. Es ist anzumerken, dass die Leistung des CNN-Transformers durch die Kombination aus CNN und Transformer erklärt werden kann, wobei ersteres diskriminierende Merkmale extrahiert und letzteres zeitliche Beziehungen in langen Sequenzen erfasst.

Die ROC-Kurve in Abbildung 6 zeigt die vergleichende Leistung von SVM, zufälligem Wald, LSTM und dem vorgeschlagenen CNN-Transformer-Ansatz hinsichtlich ihrer Klassifikationsfähigkeit bezüglich des MIMII-Datensatzes. Wie in Abbildung 6 dargestellt, wurde für den vorgeschlagenen CNN-Transformer die höchste Fläche unter der Kurve (AUC) mit einem Wert von 0,994 beobachtet. Offensichtlich bietet die vorgeschlagene Methode eine bessere diskriminative Leistung bei der Unterscheidung zwischen normalen und abnormalen Kategorien. Im Gegensatz dazu erzielt LSTM leicht niedrigere Ergebnisse als der vorgeschlagene CNN-Transformer-Ansatz, sodass seine AUC bei etwa 0,97 liegt. Sowohl der zufällige Wald als auch SVM weisen relativ niedrige AUC-Werte von etwa 0,958 bzw. 0,913 auf. Dies wird auf die Unfähigkeit beider Ansätze zurückgeführt, komplexe akustische Muster aus den vorliegenden Daten zu lernen.

Bei der Anomalieerkennung, bei der abnormale Proben selten sind, ermöglicht die Precision-Recall-(PR)-Kurve eine bessere Analyse. In der PR-Kurve erreicht das CNN-Transformer-Modell die höchste durchschnittliche Präzision (Average Precision, AP) von etwa 0,97–0,98, was auf eine überlegene Fähigkeit hinweist, abnormale Instanzen mit weniger Fehlalarmen zu erkennen, wie in Abbildung 7 dargestellt. Umgekehrt belegt der LSTM-Klassifikator den zweiten Platz mit einer AP zwischen 0,92 und 0,94. Der Zufallswald (Random Forest) und der SVM-Klassifikator belegen hingegen den dritten bzw. vierten Platz mit AP-Werten von 0,88 und 0,84. Der vorgeschlagene hybride Klassifikator erreicht über alle Recall-Stufen hinweg eine höhere Genauigkeit, was für praktische industrielle Anwendungen wichtig ist, da diese sowohl eine hohe Präzision als auch eine geringe Zahl an Fehlalarmen erfordern.

Das CNN-Transformer-Modell wurde anhand des MIMII-Datensatzes mit bestehenden Modellen anhand der in Tabelle 6 gezeigten erweiterten Leistungsmetriken verglichen. Der ROC-AUC-Wert zeigt die Diskriminationsfähigkeit des Modells zwischen den beiden Klassen über verschiedene Schwellenwerte hinweg an. Die SVM- und Random-Forest-Klassifikatoren erreichen ROC-AUC-Werte von 0,913 bzw. 0,958, während das LSTM-Modell einen ROC-AUC-Wert von 0,970 erreicht und das CNN einen Wert von 0,98 erzielt. Der vorgeschlagene CNN-Transformer-Ansatz erreicht den höchsten ROC-AUC-Wert von 0,994 und demonstriert damit eine überlegene Unterscheidung zwischen normalen und abnormalen Maschinenzuständen. Ebenso zeigen die PR-AUC-Werte, dass das vorgeschlagene Modell mit Klassenungleichgewicht effektiv umgehen kann, was ein entscheidender Faktor bei der Anomalieerkennung ist. Der vorgeschlagene CNN-Transformer erreicht den höchsten PR-AUC-Wert (durchschnittliche Präzision) von 0,982, gefolgt von CNN (0,950), LSTM (0,912), Random Forest (0,891) und SVM (0,765), was eine überlegene Präzisions- und Rückrufleistung für die industrielle akustische Anomalieerkennung anzeigt. Darüber hinaus zeigt der Matthews-Korrelationskoeffizient (MCC), der das Gleichgewicht der Modellleistung misst, für das vorgeschlagene Modell einen relativ hohen Wert von 0,97 an. Frühere Methoden wie SVM (0,73) und Random Forest (0,78) wiesen hingegen eine geringere Vorhersagegenauigkeit auf.

Um die Stabilität des vorgestellten Ansatzes zu überprüfen, wurde dasselbe Experiment 10-mal mit unterschiedlichen Initialisierungsseeds und Datenmischungsverfahren durchgeführt. Die Ergebnisse in Tabelle 7 für die CNN-Transformer-Architektur waren wie folgt: Genauigkeit = 98,50 % ± 0,19 %, Präzision = 98,06 % ± 0,23 %, Sensitivität = 99,02 % ± 0,22 % und F1-Score = 98,54 % ± 0,24 %. Die relativ geringe Standardabweichung weist auf die Stabilität des Modells hin. Die 95-%-Konfidenzintervalle wurden für alle Evaluierungsmaße berechnet. Es zeigte sich, dass das Konfidenzintervall für die Genauigkeit [98,1 %, 98,9 %] betrug, was darauf hindeutet, dass das Modell konsistent gut abschneidet. Auch für ROC-AUC, PR-AUC und MCC ergaben sich enge Konfidenzintervalle. Der gepaarte t-Test zum Vergleich des vorgeschlagenen CNN-Transformer-Modells mit dem leistungsstärksten Baseline-Modell (LSTM) ergab einen p-Wert < 0,05, was darauf hinweist, dass der beobachtete Leistungszuwachs signifikant ist und nicht zufällig zustande kam.

Um die Robustheit der vorgeschlagenen CNN-Transformer-Architektur zu überprüfen, wurden die Experimente 10-mal mit unterschiedlichen Zufallsinitialisierungs-Seeds und Mischkonfigurationen wiederholt, wie in Abbildung 8 dargestellt. Die durchschnittlichen Werte für Genauigkeit, Präzision, Sensitivität und F1-Score, die vom Modell erzielt wurden, betrugen jeweils 98,50 % ± 0,19 %, 98,06 % ± 0,23 %, 99,02 % ± 0,22 % und 98,54 % ± 0,24 %. Aus der Boxplot-Analyse geht hervor, dass die Leistungskennzahlen des Modells nur geringfügige Schwankungen aufweisen, was auf Stabilität und Robustheit hinweist. Folglich zeigt der vorgeschlagene Ansatz über mehrere Experimente hinweg eine hohe Stabilität ohne signifikante Variationen, was auf gute Generalisierungsfähigkeiten des Modells schließen lässt.

Zusätzlich wurde ein statistischer Test basierend auf den Ergebnissen mehrerer Durchläufe des Experiments durchgeführt. Die geringen Standardabweichungen bei allen Evaluierungsmaßen deuten auf eine geringe Anfälligkeit gegenüber Zufallsvariationen oder Trainingseinflüssen hin. Dies bestätigt, dass das vorgeschlagene CNN-Transformer-Modell stabile und konsistente Leistungen in realen cyber-physikalischen Fertigungssystemen erbringen kann.

Die SHAP-Heatmap vermittelt einen Eindruck von der Bedeutung der Zeit-Frequenz-Bereiche im Spektrogramm für die Vorhersage, ob sich der Maschinenzustand im Normal- oder im Fehlerzustand befindet. SHAP-Werte zeigen den Beitrag jedes Prädiktors zur endgültigen Vorhersage an.

In der SHAP-Wert-Heatmap in Abbildung 9A stellen positive SHAP-Werte (z. B. zwischen +0,6 und +1,2) einen Beitrag zur Abnormalität dar, während negative SHAP-Werte (d. h. zwischen −0,3 und −0,8) einen Beitrag zur Normalitätskategorie anzeigen. Der intensivste SHAP-Wert wurde im mittleren Frequenzbereich (40–80 Frequenzbänder) in den Zeitfenstern 50–100 gefunden. Diese Bereiche sind die entscheidenden Regionen, in denen kritische Fehler signale in akustischen Messungen erfasst werden. Außerdem zeigt das niederfrequente Band (weniger als 20 Bänder) SHAP-Werte nahezu null (−0,1 bis +0,1), was auf eine vernachlässigbare Auswirkung auf die Entscheidungsfindung des Modells hinweist. Dies zeigt, dass das Modell Hintergrundgeräusche, die für die Fehlervorhersage irrelevant sind, ignoriert. Die zeitliche Konsistenz hoher SHAP-Werte innerhalb bestimmter Zeitbänder unterstreicht zudem die Fähigkeit des Transformer-Moduls, langreichweitige Abhängigkeiten in akustischen Signalen zu erfassen. Zusammenfassend macht die SHAP-Heatmap deutlich, dass das CNN-Transformer-Modell auf spezifische Zeit-Frequenz-Bänder mit hoher Diskriminierungskraft fokussiert. Dies verbessert die Interpretierbarkeit des Modells und hilft dem menschlichen Bediener, Fehler visuell zu erkennen.

Es wird gezeigt, dass die SHAP-Methode ausschließlich als Interpretierbarkeitstechnik eingesetzt wird und nicht Teil des Trainingsprozesses des CNN-Transformer-Modells ist. Die Klassifizierungsgenauigkeit wird ausschließlich durch die Parameter bestimmt, die von den CNN- und Transformer-Komponenten gelernt wurden. SHAP wird nach dem Modell-Inferenzschritt verwendet, um die Vorhersagen zu interpretieren, indem die einflussreichsten Zeit-Frequenz-Fenster identifiziert werden, die die Vorhersagen in Richtung normaler oder abnormer Kategorien lenken. Dadurch verbessert SHAP die Transparenz und das Verständnis für den Menschen, ohne die Klassifizierungsgenauigkeit zu beeinflussen. Die vom vorgeschlagenen Framework bereitgestellten SHAP-Werte ermöglichen eine klare Visualisierung, die Wartungsoperatoren dabei unterstützt, Modellvorhersagen zu überprüfen, indem sie erkannte Bereiche mit dem tatsächlichen Maschinenverhalten und Wartungsdatensätzen vergleichen. Somit wird die Zusammenarbeit zwischen Mensch und Maschine bei vorausschauenden Wartungsmaßnahmen erleichtert.

Zur Bewertung des Erklärbarkeitsgrads wurde eine globale SHAP-Analyse der Merkmalswichtigkeit durchgeführt, wie in Abbildung 9B veranschaulicht. Die Ergebnisse zeigen, dass einige mittlere Frequenzkomponenten eine bedeutende Rolle bei der Anomalieerkennung spielen. Darüber hinaus zeigt eine in Abbildung 9C dargestellte Fallstudie, dass SHAP fehlerrelevante Bereiche in abnormalen Maschinenspektrogrammen korrekt identifiziert. Die Studie umfasste eine qualitative Fallstudie unter Verwendung abnormaler Datensätze von Pumpen und Ventilen aus dem MIMII-Datensatz. Bei defekten Pumpen identifizierte SHAP Frequenzbereiche von 2–4 kHz, die mit Kavitation und Verschleiß assoziiert sind. Im Fall defekter Ventile war die SHAP-Aktivierung in Bereichen mit wiederholten harmonischen Signalen, die auf Leckagen hindeuten, am stärksten ausgeprägt. Bei repräsentativen Testbeispielen identifizierten die SHAP-Visualisierungen zuverlässig diskriminierende Zeit-Frequenz-Zonen, die mit anomalen Maschinenzuständen verbunden sind. Indem sie die Spektralbereiche hervorheben, die am stärksten zu jeder Vorhersage beitragen, liefern diese Erklärungen Einblicke in die Entscheidungsfindung des Modells. Die SHAP-Analyse wird als Interpretationswerkzeug zum Verständnis des Modellverhaltens angeboten, nicht jedoch als durch Experten validierte Fehlerverifizierung, da eine formale Validierung durch Wartungsfachleute außerhalb des Untersuchungsumfangs lag.

Die Konfusionsmatrix verdeutlicht, wie gut das vorgeschlagene CNN-Transformer-Modell die Klassifizierung des in Abbildung 10 gezeigten MIMII-Datensatzes durchführt. Insgesamt wurden 960 normale Proben korrekt als normal identifiziert (True Negatives), während 20 normale Proben fälschlicherweise als abnormal eingestuft wurden (False Positives). Darüber hinaus wurden von allen Proben insgesamt 1010 abnormale Proben korrekt erkannt (True Positives), während 10 abnormale Proben als normal klassifiziert wurden (False Negatives).

Daher wurde eine hohe Erkennungsleistung erzielt, insbesondere bei anomalen Proben, die für die vorausschauende Wartung entscheidend sind. Wie in Abbildung 10 gezeigt, tritt ein Fehlalarm vom Typ „False Negative“ äußerst selten auf (10 Proben) – dies ist für jede Industrie von zentraler Bedeutung, um Sicherheit und Zuverlässigkeit sicherzustellen. Umgekehrt kommt der Fehler vom Typ „False Positive“ (20 Proben) etwas häufiger vor, bleibt jedoch auf einem relativ niedrigen Niveau. Die in Abbildung 10 dargestellte Konfusionsmatrix wurde anhand einer ausgewogenen Teilmenge von 2.000 Testaufnahmen (mit gleicher Anzahl normaler und anormaler Proben) erstellt, um eine klare Visualisierung der Klassifikatorleistung zu ermöglichen. Alle angegebenen Evaluierungsmetriken, einschließlich Genauigkeit, Präzision, Sensitivität, Spezifität und F1-Score, wurden anhand des vollständigen Testdatensatzes (etwa 2.400 Aufnahmen) berechnet.

Unter Berücksichtigung der in Abbildung 10 dargestellten Konfusionsmatrix und von Tabelle 8 (TN = 960, FP = 20, TP = 1010, FN = 10) lassen sich folgende Berechnungen durchführen: Genauigkeit = (TP + TN) / (TP + TN + FP + FN) = 98,50 %, Präzision = TP/(TP + FP) = 98,06 %, Sensitivität = TP/(TP + FN) = 99,02 %, Spezifität = TN / (TN + FP) = 97,96 %, F1-Score = 98,54 % und MCC = 0,97. Außerdem betrugen die ROC-AUC- und PR-AUC-Werte 0,994 bzw. 0,982. Die in Abbildung 10 gezeigte Konfusionsmatrix wurde mithilfe einer ausgewogenen, repräsentativen Teilmenge von 2.000 Aufnahmen aus den Testdaten lediglich zu Visualisierungszwecken erstellt. Alle in dieser Studie angegebenen quantitativen Leistungsmetriken wurden anhand des vollständigen Testdatensatzes (etwa 2.400 Aufnahmen) berechnet. Insgesamt zeigen die Ergebnisse, dass die vorgeschlagene CNN-Transformer-Architektur eine Klassifizierungsgenauigkeit von 98,5 % erreicht, was mit den in Tabelle 8 angegebenen Ergebnissen und der Ablassanalyse übereinstimmt.

Zur Überprüfung der Effektivität der kantenbasierten Implementierung wurden zusätzliche Messungen durchgeführt. Die durchschnittliche Inferenzlatenz des vorgeschlagenen Modells beträgt 18,7 ms/Probe, wodurch etwa 53 Proben pro Sekunde verarbeitet werden können, wie in Tabelle 9 gezeigt. Der Energieverbrauch während der Inferenz betrug 8,9 W und führte zu einem geschätzten Energieverbrauch von 0,167 J/Vorhersage. Zur Bewertung der Nachhaltigkeitsauswirkungen des vorgeschlagenen Ansatzes in Tabelle 10 wurden Kommunikationsaufwand, Energieverbrauch und Ressourcennutzung berücksichtigt. Da der Inferenzprozess lokal auf Edge-Knoten erfolgt, werden nur zusammengefasste Diagnosedaten an die Cloud-Umgebung übertragen. Die experimentellen Ergebnisse zeigten einen Rückgang des Kommunikationsaufwands um 73 % im Vergleich zu herkömmlichen, cloud-basierten CPS-Systemen. Außerdem verringerte die lokale Inferenz den Energieverbrauch um 32 %, während sich die Kommunikationszeit von 75 ms auf 20 ms reduzierte.

Abtragungsstudie

Der MIMII-Datensatz wird einer Ablationsforschung unterzogen, um die Auswirkungen jeder Komponente der auf erklärbarem KI-basierten CPHS-Architektur zu bewerten. Diese Ablationsstudie untersucht die Effekte der Verwendung einer CNN zur Erfassung räumlicher Merkmale, eines Transformer-Encoders zur Erfassung zeitlicher Merkmale sowie des SHAP-Erklärbarkeitsalgorithmus selbst. Mehrere Modifikationen des vorgeschlagenen Modells werden betrachtet, und zwar: (i) eine nur CNN-basierte Version, (ii) eine nur Transformer-basierte Version, (iii) das Modell mit kombinierter CNN- und Transformer-Architektur, jedoch ohne SHAP-Algorithmus, und (iv) das vollständige vorgeschlagene Modell mit kombinierter CNN- und Transformer-Architektur sowie SHAP. Zur Bewertung werden gängige Metriken wie Genauigkeit, Präzision, Sensitivität und F1-Score verwendet.

Diese Ergebnisse der Ablationsstudie verdeutlichen die Bedeutung jedes Elements im Rahmenwerk, das in Tabelle 11 dargestellt ist. Das ausschließlich auf CNN basierende Modell erreicht eine Genauigkeit von 93,8 %, was zeigt, dass die Extraktion räumlicher Merkmale aus Spektrogrammen wirksam ist, jedoch keine zeitlichen Abhängigkeiten in akustischen Signalen erfassen kann. Ähnliches gilt für das ausschließlich auf dem Transformer basierende Modell, das eine leicht niedrigere Genauigkeit (92,6 %) erreicht, da es zwar zeitliche Merkmale extrahiert, dabei aber räumliche Informationen vernachlässigt. Schließlich erzielte das vorgeschlagene CNN-Transformer-Modell eine Genauigkeit von 98,5 %, eine Präzision von 98,06 %, einen Recall von 99,02 % und einen F1-Score von 98,54 %, was mit den Ergebnissen des Hauptexperiments übereinstimmt. Da SHAP nur für die nachträgliche Interpretation und nicht für das Modelltraining verwendet wird, entspricht die Klassifikationsgenauigkeit der des trainierten CNN-Transformer-Modells. Anschließend wird SHAP verwendet, um Erklärungen zur Merkmalzugehörigkeit zu erstellen. Der verbesserte Recall (99,02 %) zeigt, dass das Modell effektiv dabei ist, abnormale Zustände in den Maschinen zu erkennen, wodurch sichergestellt wird, dass keine fehlerhaften Bauteile übersehen werden – eine entscheidende Voraussetzung für die Implementierung eines Systems zur vorausschauenden Wartung.

VERFÜGBARKEIT VON DATEN:

Der in dieser Studie verwendete Datensatz „Malfunctioning Industrial Machine Investigation and Inspection“ (MIMII) ist öffentlich im offiziellen Zenodo-Repository verfügbar. Die Experimente wurden mithilfe der öffentlich zugänglichen Audiodaten und Annotationen durchgeführt, die von den Autoren des Datensatzes bereitgestellt wurden. Auf den Datensatz kann unter https://zenodo.org/records/3384388 zugegriffen werden. Der Implementierungscode, der dieser Studie beigefügt ist, steht öffentlich über das Zenodo-Repository unter https://zenodo.org/records/21405292 zur Verfügung. Das Repository enthält den Implementierungscode für den vorgeschlagenen Ansatz, einschließlich der Daten-Preprocessing-Pipeline, der Modellarchitektur, des Trainingsablaufs, der Evaluierungsskripte, Konfigurationsdateien und unterstützender Hilfsprogramme, um das Verständnis und die unabhängige Reproduktion der vorgeschlagenen Methodik zu erleichtern. Der MIMII-Datensatz wird nicht zusammen mit dem Implementierungscode weiterverbreitet und muss separat aus dem offiziellen Repository bezogen werden.

Abbildung 1: Aufbau der vorgeschlagenen Arbeit. Architektonisches Design eines erklärbarkeitsbasierten, KI-gesteuerten cyber-physischen Mensch-System, das die Vorverarbeitung, räumliches Lernen auf Basis von CNNs, zeitliche Modellierung auf Basis von Transformatoren, SHAP-basierte Erklärbarkeit und Edge-Computing für eine nachhaltige Produktion kombiniert. Klicken Sie bitte hier, um eine vergrößerte Darstellung dieser Abbildung anzusehen.

Abbildung 2: Verarbeitungspipeline für die Vorverarbeitung. Die Vorverarbeitungspipeline für akustische Signale umfasst Rauschunterdrückung, Normalisierung, Segmentierung, STFT-Transformation und die Extraktion des Spektrogramms. Klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Abbildung 3: Räumliche Merkmalsextraktion mittels CNN. Architektur zur räumlichen Merkmalsextraktion durch Faltungsschichten (CNNs) unter Verwendung von Spektrogrammen über die Prozesse der Faltung, Aktivierung und des Poolings. Klicken Sie hier, um eine vergrößerte Ansicht dieser Abbildung anzuzeigen.

Abbildung 4: Zeitliche Modellierung mithilfe eines Transformer-Encoders. Architektur eines Transformer-Encoders, um zeitliche Abhängigkeiten und langreichweitige Abhängigkeiten durch die Repräsentation einer Spektrogrammsequenz zu erfassen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 5: Klassifizierungsschicht. Eine Klassifizierungsschicht, die die kodierten zeitlichen Merkmale auf Wahrscheinlichkeitswerte abbildet, um den Maschinenzustand vorherzusagen. Klicken Sie bitte hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Abbildung 6: Ergebnis der ROC-Kurve. Vergleich der ROC-Kurven für SVM-, Random-Forest-, LSTM-, CNN- und vorgeschlagene CNN-Transformer-Algorithmen auf dem MIMII-Datensatz. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7: Ergebnis der Präzisions-Recall-Kurve. Vergleich der Präzisions-Recall-Kurven, der die Effizienz der Anomalieerkennung verschiedener Methoden des maschinellen Lernens und des Deep Learnings darstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 8: Analyse der Stabilität der Leistung bei mehrfacher Durchführung. Boxplot, der die Stabilität der Leistung hinsichtlich Genauigkeit, Präzision, Rückruf und F1-Score-Ergebnisse zeigt, die aus zehn unabhängigen Experimenten mit der vorgeschlagenen CNN-Transformer-Architektur erzielt wurden. Die geringen Schwankungen deuten auf Stabilität und Robustheit des Modells hin. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 9: SHAP-basierte Erklärbarkeitsanalyse des vorgeschlagenen Anomalieerkennungs-Frameworks. (A) SHAP-basierte Erklärbarkeitsanalyse. Heatmap, die die SHAP-Methode verwendet, um die relevantesten Zeit-Frequenz-Bereiche anzuzeigen, die zur Identifizierung anomalen Verhaltens führen. (B) Analysen der Merkmalswichtigkeit mithilfe des globalen SHAP-Ansatzes zur Identifizierung der einflussreichsten Merkmale. (C) Visualisierung der SHAP-Erklärbarkeit für eine fehlerhafte Maschine. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 10: Konfusionsmatrix für den MIMII-Datensatz. Die Konfusionsmatrix zeigt die Klassifikationsleistung des vorgeschlagenen CNN-Transformator-Algorithmus. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Parameter	Beschreibung
Datensatzname	MIMII (Malfunctioning Industrial Machine Investigation and Inspection) Datensatz
Typen von Maschinen	Armaturen, Pumpen, Gebläse, Schiebeschienen
Gesamtanzahl verwendeter Stichproben	Ungefähr 12.000 Audiodateien
Klassen	Normal, Anomal
Abtastrate	16 kHz
Dauer pro Stichprobe	10 Sekunden
Audioformat	WAV
Merkmalsdarstellung	Spektrogrammbilder auf STFT-Basis
Vorverarbeitungsschritte	Rauschfilterung, Normalisierung, Segmentierung, STFT-Transformation
Kennzeichnung der Klassen	Normale Aufnahmen sind als Klasse 0 gekennzeichnet; anormale Aufnahmen sind als Klasse 1 gekennzeichnet gemäß MIMII-Anmerkungen
Trainings-Test-Aufteilung	80 % Training (≈9.600 Stichproben), 20 % Testen (≈2.400 Stichproben)
Strategie zur Datenaufteilung	Aufteilung auf Ebene der Audiodateien vor der Segmentierung, um Datenlecks zu vermeiden
Industrielle Schallbedingungen	Realistische industrielle akustische Umgebungen, enthalten in den MIMII-Aufnahmen
Anwendungsgebiet	Vorbeugende Wartung und Erkennung von Maschinenanomalien
Ziel der Industrie 5.0	Erklärbare, menschenzentrierte und nachhaltige Fehlererkennung

Tabelle 1: Datensatzbeschreibung. Beschreibung des MIMII-Datensatzes hinsichtlich Maschinentyp, Stichprobenverteilung, Signalcharakteristika, Merkmalsdarstellung und Anwendungsaspekten.

Maschinentyp	Maschinen-IDs	Normale Aufnahmen	Anomale Aufnahmen	SNR-Bedingungen (dB)	Experimentelle Aufteilung
Lüfter	ID00–ID06	8.400	1.600	−12 bis −9	80 % Training / 20 % Test
Getriebe	ID00–ID06	7.124	1.147	−17 bis −15	80 % Training / 20 % Test
Pumpe	ID00–ID06	7.200	1.800	−18 bis −9	80 % Training / 20 % Test
Schiebeschiene	ID00–ID05	7.000	1.800	−14 bis −12	80 % Training / 20 % Test
Ventil	ID00–ID05	7.000	1.800	−12 bis −9	80 % Training / 20 % Test

Tabelle 2: Beschreibung des im vorliegenden Studium verwendeten MIMII-Datensatzes. Industrielle Maschinentypen, Maschinen-IDs, Anzahl der normalen und anomalen Aufnahmen, SNR-Bedingungen sowie die zur überwachten binären Klassifizierung verwendete Aufteilung in Trainings- und Testdatensatz.

Modell	Genauigkeit (%)	Präzision (%)	Erkennungsrate (%)	F1-Wert (%)	Spezifität (%)
SVM	88,6	86,9	85,4	86,1	90,2
Random Forest (RF)	91,2	89,8	88,5	89,1	92,6
LSTM	94,5	93,2	92,8	93	95,1
CNN	96,3	95,4	94,9	95,1	96,8
CNN–Transformer (vorgeschlagen)	98,5	98,06	99,02	98,54	97,96

Tabelle 3: Klassifizierungsergebnis für den MIMII-Datensatz. Vergleich der Leistung von maschinellen und tiefenlernbasierten Klassifikatoren anhand von Genauigkeit, Präzision, Sensitivität, F1-Score und Spezifität.

Parameter	Wert
Datensatz	MIMII Dataset
Gesamtanzahl der Stichproben	~12.000
Aufteilung Trainings- und Testdaten	80 % / 20 %
Eingabetyp	Spektrogrammbilder
CNN-Schichten	3–5 Faltungsschichten
Transformer-Schichten	2–4 Encoder-Schichten
Batch-Größe	32
Lernrate	0,001
Optimierer	Adam
Epochen	100
Hardware	Edge-Gerät + GPU (zum Training)
STFT-Fensterlänge	1024
Hubgröße	512
FFT-Größe	1024
Auflösung des Spektrogramms	224 × 224
Normalisierung	Z-Score
Datenaugmentierung	Zeitmaskierung, Frequenzmaskierung, Gaußsches Rauschen
CNN-Schichten	4
CNN-Filter	32, 64, 128, 256
Transformer-Schichten	4
Attention-Heads	8
Einbettungsdimension	256
Feed-Forward-Dimension	1024
Dropout	0,3
Zufallsstartwert	42
Geduld bei frühem Abbruch	10

Tabelle 4: Umgebungssetup und Hyperparameter-Konfiguration. Parameter des Trainings und der Experimente, die zur Implementierung der vorgeschlagenen CNN-Transformer-Architektur verwendet wurden.

Komponente	Spezifikation
Programmiersprache	Python
Framework	TensorFlow / PyTorch
Prozessor	Intel i7 / Ryzen 7
GPU	NVIDIA GTX 1660 / RTX Series
Edge-Gerät	Raspberry Pi / NVIDIA Jetson
Visualisierung	Matplotlib, SHAP
Edge-Gerät	NVIDIA Jetson Xavier NX
CPU	6-Kern-ARM v8.2
Arbeitsspeicher (RAM)	16 GB
Betriebssystem	Ubuntu 20.04
Deep-Learning-Framework	TensorFlow/PyTorch
Datensatzgröße	12.000 MIMII-Proben
Konnektivität	Ethernet/Wi-Fi
Modellparameter	8,4 Millionen
Modellgröße	32,7 MB
Framework	PyTorch + TensorRT
Batch-Größe	1
Quantisierung	FP16
Pruning	Nein
Durchschnittliche Latenz	17,8 ms
Median-Latenz	17,2 ms
Latenz im 95. Perzentil	19,6 ms
Throughput	56 Proben/s
Speicherauslastung	1,4 GB
Leistungsaufnahme	11,3 W

Tabelle 5: Simulationsumgebung. Hardware und Software wurden verwendet, um das vorgeschlagene Modell zu trainieren, bereitzustellen und zu evaluieren.

Modell	ROC-AUC	PR-AUC	MCC
SVM	0.913	0.765	0.73
Zufallswald (RF)	0.958	0.891	0.78
LSTM	0.97	0.912	0.86
CNN	0.98	0.95	0.9
CNN–Transformer (vorgeschlagen)	0.994	0.982	0.97

Tabelle 6: Vergleich der experimentellen Ergebnisse für ROC-AUC, PR-AUC und MCC. Vergleich zwischen verschiedenen Modellen basierend auf den Maßen ROC-AUC, PR-AUC und Matthews-Korrelationskoeffizient.

Metrik	Mittelwert (%) + Std (%)	95 % Konfidenz
Genauigkeit	98,50 ± 0,19	[98,1, 98,9]
Präzision	98,06 ± 0,23	[98,0, 98,2]
Recall	99,22 ± 0,22	[98,8, 99,4]
F1-Score	98,54 ± 0,24	[98,1, 98,9]
ROC-AUC	0,984	0,004
PR-AUC	0,982	0,005
MCC	0,97	0,007

Tabelle 7: Ergebnis der statistischen Analyse bei mehrfacher Durchführung. Robustheitsstatistiken für die vorgeschlagene CNN-Transformer-Architektur über 10 Experimente hinweg, einschließlich Mittelwert, Standardabweichung, 95 %-Konfidenzintervall und Signifikanz für verschiedene Leistungskennzahlen.

Metrik	Wert
Genauigkeit	98,50 %
Präzision	98,06 %
Erkennungsrate (Recall)	99,02 %
Spezifität	97,96 %
F1-Score	98,54 %
MCC	0,97
ROC-AUC	0,994
PR-AUC	0,982

Tabelle 8: Endgültiger Testdatensatz der Konfusionsmatrix. Die Konfusionsmatrix des vorgeschlagenen Architekturansatzes für den Testdatensatz, die die Klassifizierung normaler und abnormer Zustände der Maschinen zeigt, auf deren Grundlage die Evaluierungsmetriken berechnet wurden.

Metrik	Cloud-Deployment	Edge-Deployment
Inferenz-Latenz (ms)	85,6	18,7
Durchsatz (Stichproben/s)	22	53
Netzwerkauslastung (MB/min)	120	18
Energie pro Vorhersage (J)	0,52	0,17
Echtzeitfähigkeit	Mäßig	Hoch

Tabelle 9: Ergebnis der Inferenz-Latenz. Die Latenzleistung des Edge-Deployments des erklärbaren KI-fähigen CPHS-Frameworks, einschließlich Verarbeitungszeit, Durchsatz, Speicherverbrauch und weiterer Echtzeiteigenschaften.

Metrik	Cloud-basiertes CPS	Vorgeschlagenes Edge-fähiges CPHS	Verbesserung
Datenübertragung pro Stunde	100%	35%	65% Reduktion
Kommunikationslatenz	75 ms	20 ms	73,3% Reduktion
Energieverbrauch	100%	68%	32% Reduktion
Geschätzte Kohlenstoffemission	100%	70%	30% Reduktion

Tabelle 10: Nachhaltigkeitsbewertung des Edge-fähigen CPHS. Messungen des Kommunikationsaufwands, des Energieverbrauchs, der Ressourcennutzung und der Latenz werden zur Bewertung der Nachhaltigkeit des Edge-fähigen CPHS herangezogen.

Modellvariante	Genauigkeit (%)	Präzision (%)	Erinnerung (%)	F1-Wert (%)
Nur CNN	93,8	92,5	94,2	93,3
Nur Transformer	92,6	91,2	93,5	92,3
CNN + Transformer	98,5	98,06	99,02	98,54

Tabelle 11: Ergebnis der Ablationsstudie. Ergebnis der Ablationsstudie, das den Einfluss der CNN-, Transformer- und SHAP-Module auf die Leistung des vorgeschlagenen Modells verdeutlicht.

Diskussion

Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene CNN-Transformer-Architektur einzelne Algorithmen übertrifft, indem sie das Lernen räumlicher und zeitlicher Merkmale effektiv integriert. Laut der Ablationsstudie verbessert der Transformer-Encoder die Modellleistung, indem er langreichweitige zeitliche Abhängigkeiten in akustischen Signalen erfasst, obwohl der CNN frequenzbasierte diskriminative Merkmale aus Spektrogrammen extrahiert. Darüber hinaus zeigt die Konfusionsmatrix nur sehr wenige falsch negative Ergebnisse, was darauf hindeutet, dass das vorgeschlagene Modell Maschinenanomalien effektiv identifizieren kann. Diese Architektur führte zu verbesserten Klassifizierungsergebnissen mit einer Genauigkeit von 98,5 % und einer Recall-Rate von 99,02 %. Dieses Ergebnis ist für industrielle Fehlererkennungssysteme von entscheidender Bedeutung, da das Modell keine defekten Maschinen übersehen sollte. Experimentelle Ergebnisse haben gezeigt, dass der vorgeschlagene XAI-unterstützte CNN–Transformer-Ansatz erfolgreich hohe Genauigkeit bei der Anomalieerkennung, Interpretierbarkeit und Echtzeit-Implementierung am Rand kombiniert. Die Kombination der beiden Module ermöglicht die gleichzeitige Extraktion räumlicher und zeitlicher Merkmale aus akustischen Daten, während SHAP-Erklärungen die Erklärbarkeit und Zuverlässigkeit verbessern. Diese Ergebnisse entsprechen den Prinzipien von Industry 5.0, die menschzentrierte Entscheidungsfindung, Nachhaltigkeit und Synergien zwischen cyber- und physikalischen Bereichen betonen. Eine gründlichere Evaluierung mit weiteren industriellen Datensätzen und eine praktische Implementierung sind jedoch erforderlich, um die Generalisierbarkeit des vorgeschlagenen Ansatzes einzuschätzen.

Die Anwendung von SHAP zur Erklärbarkeit verbessert nicht nur die Effizienz des Systems, sondern erhöht auch das Verständnis für die zugrundeliegende Logik des Modells erheblich. Dabei liegt der Fokus besonders auf den Zeit-Frequenz-Bändern, die für diese Entscheidungen von Bedeutung sind. Dies ist entscheidend in Szenarien der Industrie 5.0, in denen Menschen und KI-Systeme Vertrauen zueinander aufbauen müssen. Aus den SHAP-Wärmekarten wird deutlich, dass das Modell bestimmte mit Störungen assoziierte Frequenzbänder erkannt hat, wodurch eine Übereinstimmung mit der Realität sichergestellt wird. Die Neuheit dieser Studie beruht nicht allein auf der Verwendung von CNN-Transformer- oder SHAP-Verfahren, die beide bereits in der bestehenden wissenschaftlichen Literatur erwähnt wurden. Vielmehr ergibt sie sich aus deren integrierter Anwendung im Rahmen der cyber-physischen Zusammenarbeit der Industrie 5.0, wodurch Erklärbarkeit, Nachhaltigkeit, Edge-Intelligenz und menschenzentrierte Entscheidungsunterstützung gleichzeitig adressiert werden. Obwohl der vorgeschlagene Rahmen Konzepte der Industrie 5.0 wie menschenzentrierte Zusammenarbeit, Erklärbarkeit, Resilienz und nachhaltiges Edge-Computing aufgreift, bewertet die vorliegende Studie die technische Leistung ausschließlich anhand der Genauigkeit bei der Anomalieerkennung, Latenz, Energieverbrauch und Interpretierbarkeit. Eine direkte Bewertung menschenzentrierter Aspekte wie Vertrauen des Bedieners, kognitive Belastung, Entscheidungsqualität und Akzeptanz lag außerhalb des Rahmens des aktuellen Forschungsdesigns. Zukünftige Untersuchungen werden Experimente mit menschlicher Beteiligung umfassen, um die Effektivität der kollaborativen Entscheidungsfindung im vorgeschlagenen Rahmen zu messen. Theoretisch gesehen leistet diese Arbeit einen wertvollen Beitrag zur Weiterentwicklung hybrider Deep-Learning-Modelle, indem sie die Wirksamkeit der Kombination von faltenden neuronalen Netzen und Transformer-Architekturen zur Verarbeitung industrieller räumlich-zeitlicher Daten aufzeigt. Tatsächlich erweitert die Arbeit die Ansätze von CPS und CPHS, indem das Konzept der erklärlichen KI (XAI) im gesamten Entscheidungsprozess implementiert wird. Darüber hinaus liefert die Anwendung der SHAP-Methode als Werkzeug zur Bewertung des Beitrags verschiedener Zeit-Frequenz-Merkmale Belege für die theoretische Fundierung erklärbarkeitsbasierter KI-Systeme. Insgesamt ebnet ein solcher Ansatz den Weg zu einem neuen Paradigma, bei dem Deep-Learning-Modelle nicht nur genauer, sondern auch für Menschen interpretierbar werden – im Einklang mit der Idee der Industrie 5.0.

Praktisch umgesetzt ist das vorgeschlagene System eine hervorragende Lösung für die Echtzeit-Erkennung von Anomalien in der Industrie und für vorausschauende Wartung. Durch den Einsatz von CPHS-Architekturen am Netzwerkrand ermöglicht das System eine zeitnahe Verarbeitung akustischer Signale und eignet sich besonders gut für die Implementierung in intelligenten Fertigungsanlagen. Die hohe Rückrufrate (99,02 %) verringert die Wahrscheinlichkeit unentdeckter Fehler, erhöht dadurch die Betriebssicherheit und verhindert unerwartete Maschinenausfälle. Darüber hinaus ermöglicht die Verwendung von auf SHAP basierenden Erklärungen, dass Menschen die Modellergebnisse nachvollziehen können, was besonders wichtig ist, wenn in kritischen Situationen menschliches Eingreifen erforderlich ist. Die Ergebnisse der experimentellen Implementierung verdeutlichen eindeutig die Vorteile von Edge-Computing gegenüber herkömmlichem Cloud-Computing. Der Grund hierfür liegt darin, dass die Inferenz am Netzwerkrand die Latenzzeiten minimiert und die Effizienz durch eine höhere Durchsatzleistung verbessert. Zudem trägt die Reduzierung des Energieverbrauchs pro Vorhersage dazu bei, die Ziele einer nachhaltigen Fertigung gemäß den Industrie-5.0-Standards zu erreichen. Trotz dieser ermutigenden Ergebnisse weist der beschriebene Ansatz jedoch mehrere Einschränkungen auf. Erstens wurde das Framework hauptsächlich anhand des MIMII-Datensatzes validiert; obwohl dieser recht umfangreich ist, könnte es dennoch versäumen, alle möglichen Szenarien abzudecken, die in einer tatsächlichen industriellen Umgebung und bei verschiedenen Maschinentypen auftreten können. Die zweite Einschränkung besteht darin, dass die Verwendung von SHAP zur Erklärbarkeit die rechnerische Komplexität erhöht, was bei der Bereitstellung des Frameworks in stark eingeschränkten Edge-Umgebungen problematisch sein könnte. Schließlich beschränkt sich das bestehende Modell allein auf akustische Signale, während industrielle Systeme multimodale Verarbeitung erfordern, beispielsweise auch Vibrationen und Temperatur.

Obwohl die Verwendung des MIMII-Datensatzes reale Fehler-Szenarien in der industriellen Akustik gewährleistet, könnte die Validierung an weiteren Benchmark-Datensätzen wie ToyADMOS, DCASE-Daten zur industriellen Anomalieerkennung, IMS-Lagerdaten und CWRU-Lagerfehlerdaten die Generalisierbarkeit des vorgeschlagenen Frameworks weiter verbessern. In zukünftigen Arbeiten planen wir, querschnittliche Validierungen hinsichtlich Maschinentypen, Messverfahren und Fertigungsumgebungen durchzuführen, um die Generalisierung des erklärbaren KI-basierten cyber-physischen Zusammenarbeitsframeworks sicherzustellen. Eine weitere Einschränkung der vorliegenden Studie ist das Fehlen vergleichender Experimente mit kürzlich entwickelten Systemen zur akustischen Anomalieerkennung, wie beispielsweise Vision Transformers, Audio Spectrogram Transformers, Conformern und neuartigen Techniken des selbstüberwachten Lernens. Obwohl das CNN-Transformer-Modell starke Ergebnisse und eine gute Interpretierbarkeit aufweist, wird zukünftig eine Benchmarking-Untersuchung gegenüber diesen fortschrittlichen Technologien durchgeführt werden. Ein weiterer Nachteil der aktuellen Forschung besteht darin, dass die Bewertung von Merkmalen der Industrie 5.0, wie Resilienz und Nachhaltigkeit, indirekt über systemebenen Metriken wie Inferenz-Latenz und Energieverbrauch erfolgte. Eine gründlichere Bewertung der Resilienz gegenüber Kommunikations- und Sensorausfällen sowie der Nachhaltigkeit hinsichtlich CO₂-Fußabdruck und Ressourcennutzung wurde in der vorliegenden Studie nicht durchgeführt. Diese Faktoren sollten in zukünftigen Untersuchungen evaluiert werden.

Es sollte jedoch darauf hingewiesen werden, dass das in dieser Studie beschriebene Paradigma der menschzentrierten Zusammenarbeit theoretisch ist und dazu dienen soll, die Nutzung erklärbarer KI-Ausgaben für Entscheidungsprozesse in cyber-physischen Systemen der Industrie 5.0 zu veranschaulichen, die vom Bediener unterstützt werden. Die experimentelle Validierung mit menschlichen Operatoren sowie die Analyse von Benutzerfreundlichkeit, Reaktionszeit und Expertenbewertung liegen außerhalb des Untersuchungsumfangs dieser Arbeit. In dieser Arbeit wird ein neues, von erklärbarer KI gestütztes Modell für die cyber-physische Zusammenarbeit im Kontext der nachhaltigen Fertigung in der Industrie 5.0 vorgestellt. In dem entwickelten System kommt eine hybride CNN-Transformer-Architektur zum Einsatz, um räumliche und zeitliche Eigenschaften akustischer Spektrogramme effizient zu lernen und dadurch Anomalien in industriellen Maschinen zu erkennen. Das vorgeschlagene Modell arbeitet in vier Schritten: Vorverarbeitung akustischer Daten zu Spektrogrammen, Erlernen räumlicher Merkmale mittels eines CNN, Erfassung zeitlicher Abhängigkeiten durch einen Transformer-Encoder und anschließende Klassifizierung. Die mit der vorgeschlagenen Methode auf dem MIMII-Datensatz erzielten Ergebnisse zeigen, dass das vorgeschlagene Modell die Baseline-Modelle übertraf und eine Genauigkeit von 98,5 % sowie eine Rückrufrate von 99,02 % erreichte. Darüber hinaus verbessert die Einbindung von Erklärbarkeit die Transparenz des Systems. Obwohl das vorgeschlagene Framework für die erklärbarkeitsbasierte cyber-physische Zusammenarbeit auf dem MIMII-Benchmark-Datensatz gut abschnitt, beschränkt sich die Studie derzeit auf experimentelle Validierung. Das Framework muss noch in einer großtechnischen industriellen Umgebung evaluiert werden, in der Maschinen heterogen sind, Bedingungen variieren und die Implementierung langfristig erfolgt. Außerdem sollten zukünftige Arbeiten Vergleiche mit Architekturen wie ViT, AST, Conformer und modellen des selbstüberwachten Lernens umfassen. Mit anderen Worten: Obwohl das Framework zeigt, dass die Integration erklärbarer KI, cyber-physischer Zusammenarbeit und menschzentrierter Interaktion prinzipiell machbar ist, ist eine umfassendere Validierung erforderlich, bevor es in der Industrie im großen Maßstab eingesetzt werden kann. Zukünftige Arbeiten werden das vorgeschlagene Framework an verschiedenen Benchmark-Datensätzen für Fehlerdiagnosen in der Industrie sowie in branchenübergreifenden Fertigungsanwendungen weiter untersuchen, um dessen Robustheit, Übertragbarkeit und Anwendbarkeit in ökologisch nachhaltigen Fertigungssystemen nachzuweisen. Zukünftige Validierungen werden menschzentrierte Experimente, Resilienz-Benchmarking unter störanfälligen industriellen Bedingungen sowie lebenszyklusbezogene Bewertungen im Kontext der Nachhaltigkeit umfassen.

Zur Reproduzierbarkeit werden in dieser Arbeit Details zur Datenpräprozessierung, zur Aufteilungsstrategie, zu den Einstellungen der Spektrogrammerzeugung, zur Architektur des CNN-Transformers, zum Optimierer, zu den Hyperparametern und zu den Metriken zur Bewertung der Modellleistung bereitgestellt. Die Zufallsseeds wurden vor den Experimenten festgelegt. Um die Nachvollziehbarkeit sicherzustellen, wurden die Experimente auf dem öffentlich zugänglichen MIMII-Datensatz (Malfunctioning Industrial Machine Investigation and Inspection) durchgeführt. Der Link zum Datensatz lautet wie folgt: DOI: 10.5281/zenodo.3384388. Der Implementierungscode dieser Studie wurde über das Zenodo-Repository öffentlich zugänglich gemacht: https://zenodo.org/records/21405292. Die Audiosignale wurden mit 16 kHz abgetastet und mithilfe der STFT in Log-Mel-Spektrogramme umgewandelt, wobei eine Fenstergröße von 1024, eine Hop-Länge von 512 und eine FFT-Größe von 1024 verwendet wurden. Die vorgeschlagene CNN-Transformer-Architektur umfasste vier konvolutionelle Schichten (mit 32, 64, 128 und 256 Filtern), gefolgt von einem Transformer-Encoder mit vier Schichten, acht Attention-Köpfen, einer Embedding-Dimension von 256 und einer Feed-Forward-Dimension von 1024. Der Trainingsprozess verwendete die Adam-Optimierung mit einer Lernrate von 0,0001 und einer Batch-Größe von 32 über 100 Epochen. Die Algorithmen 1 und 2 beschreiben die Datenpräprozessierungsstufe und das Erklärbarkeitsverfahren. Der vollständige Algorithmus einschließlich Implementierungsdetails wird dargestellt.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Skala zur sozialen Unterstützung	Veröffentlichte akademische Skala; ursprünglich entwickelt von Park und überarbeitet/ergänzt von Kim	25-Item-Version; Antwortformat nach Likert mit 5 Punkten; keine kommerzielle Katalognummer	Misst die wahrgenommene soziale Unterstützung bei angehenden Erzieherinnen für die frühe Kindheit in den Bereichen emotionale Unterstützung, informative Unterstützung, materielle Unterstützung und evaluative Unterstützung. Gesamt-Cronbach’s Alpha = 0,96.
Skala zur Lehrerselbstwirksamkeit	Veröffentlichte akademische Skala; ursprünglich entwickelt von Enochs und Riggs; chinesisch-adaptierte Studienversion	25-Item-Version; Antwortformat nach Likert mit 5 Punkten; keine kommerzielle Katalognummer	Beurteilt die Lehrerwirksamkeit im chinesischen Kontext der Ausbildung für die frühe Kindheit in den Dimensionen allgemeine Lehrerselbstwirksamkeit und persönliche Lehrerselbstwirksamkeit. Gesamt-Cronbach’s Alpha = 0,96.
Skala zur Lehrer-Kind-Interaktion	Veröffentlichte akademische Skala; entwickelt von Lee und von einem Expertengremium der Studie für die Anwendung in China überprüft	30-Item-Version; Antwortformat nach Likert mit 5 Punkten; keine kommerzielle Katalognummer	Beurteilt die selbstberichtete Kompetenz in der Interaktion zwischen Lehrkraft und Kind, nicht die beobachtete Qualität der Klassenrauminteraktion. Enthält emotionale Interaktion, verbale Interaktion und verhaltensbezogene Interaktion; Gesamt-Cronbach’s Alpha = 0,94.
Fragebogen zur Erhebung demografischer Informationen	Forschungsteam, Kooperation zwischen der Sichuan University of Arts and Science und der Daegu University	Individuell gestalteter Fragebogenabschnitt; keine kommerzielle Katalognummer	Erfasst Teilnehmermerkmale wie Geschlecht, Bildungshintergrund, Berufskategorie, Praktikumsort, Praktikumsdauer, Praktikumstyp und Kindergartentyp.
Informationen für Teilnehmer und Skript zur Einholung der informierten Einwilligung	Forschungsteam; genehmigt vom Ethikkomitee der Daegu University	Ethikgenehmigungsnummer: XXX; lokaler Genehmigungsnachweis zur Überprüfung	Wird vor der Verteilung des Fragebogens verwendet, um Ziel und Inhalt der Studie zu erläutern und die informierte Einwilligung der angehenden Erzieherinnen für die frühe Kindheit einzuholen.
Pilotbefragung – Fragebogenpaket	Forschungsteam und Expertengremium	Pilotversion verwendet vom 1.–5. Juni 2024; keine kommerzielle Katalognummer	Testete die Klarheit und Angemessenheit der Skalen zur beruflichen Wahrnehmung, sozialen Unterstützung, Lehrerselbstwirksamkeit, Lehrer-Kind-Interaktion sowie der demografischen Items an 50 angehenden Erzieherinnen für die frühe Kindheit.
Verfahren der Expertengremien-Überprüfung	Forschungsteam; Expertengremium bestehend aus zwei Professoren für frühe Kindheitserziehung, einer Leiterin eines Kindergartens, drei Praktikumsbetreuerinnen und dem Forschungsteam	Inhaltsüberprüfung auf Konsensbasis; kein kommerzielles Modell	Wurde verwendet, um die Skalenitems hinsichtlich Mehrdeutigkeit, Angemessenheit, semantischer Klarheit, entwicklungsbezogener Eignung und kultureller Relevanz vor der Hauptbefragung zu überarbeiten.
Gedruckte, vor-Ort-Fragebögen	Forschungsteam; lokale institutionelle Umfrageunterlagen	Papierbasierte Fragebögen; keine kommerzielle Katalognummer	Wurden zur vor-Ort-Durchführung der Befragung verwendet. In der endgültigen Stichprobe wurden 336 gültige vor-Ort-Fragebögen erhoben, bevor sie mit den Online-Fragebögen kombiniert wurden.
WeChat	Tencent	WeChat-Mobilanwendung; Version sollte anhand der Geräte-/App-Aufzeichnung vom Juni–Juli 2024 überprüft werden	Wurde als Online-Verbreitungskanal für die Befragung genutzt; 27 vollständig ausgefüllte Online-Fragebögen wurden über den Online-/WeChat-Weg gesammelt.
Telefonische und persönliche Rekrutierungsprozedur	Forschungsteam	Standardisiertes Rekrutierungsverfahren; keine kommerzielle Katalognummer	Wurde verwendet, um Institutionen/Teilnehmer zu kontaktieren, Ziel und Inhalt der Studie zu erläutern und die informierte Einwilligung vor der Befragung zu unterstützen.
SPSS Statistics	IBM	Version 27,0	Wurde für deskriptive Statistiken, Pearson-Korrelationskoeffizienten, Reliabilitätsanalysen nach Cronbach’s Alpha, Normalitätsprüfungen mittels Schiefe und Kurtosis sowie den Harman’schen Ein-Faktor-Test zur Prüfung von Bias durch gemeinsame Methoden verwendet.
SPSS Amos	IBM	Version 26,0	Wurde für die konfirmatorische Faktorenanalyse, Strukturgleichungsmodellierung, Testung der Messinvarianz in mehreren Gruppen, Bootstrap-Tests indirekter Effekte sowie den Vergleich alternativer Modelle verwendet.
Microsoft Excel	Microsoft	Microsoft 365 Excel oder lokal installierte Excel-Version; genaue lokale Version vor Einreichung überprüfen	Empfohlen/verwendet als Arbeitsumgebung zur Organisation codierter Umfragedaten, des Datenwörterbuchs, ergänzender Tabellen und der JoVE-Materialtabelle. Die genaue lokale Version sollte von den Autoren überprüft werden.
Kriterien für Anpassungsindizes bei der Strukturgleichungsmodellierung	Veröffentlichte methodische Leitlinien; in der Arbeit zitierte Referenzen von Schreiber et al. und Kline	Keine kommerzielle Katalognummer; Kriterien wurden im statistischen Analyseplan angewandt	Definiert und berichtet Anpassungsindizes des Modells, darunter Chi-Quadrat-Statistik, Chi-Quadrat geteilt durch Freiheitsgrade, Tucker-Lewis-Index, Vergleichsfit-Index, Adjustierter Goodness-of-Fit-Index, Incremental Fit Index, Root Mean Square Error of Approximation und Standardized Root Mean Square Residual.
Verfahren zum Bootstrap-Mediationstest	SPSS Amos / statistischer Analyseplan des Forschungsteams	5.000 Bootstrap-Stichproben; 95 % bias-korrigierte Konfidenzintervalle	Wurde verwendet, um indirekte Zusammenhänge über die Lehrerselbstwirksamkeit zu testen. Indirekte Effekte wurden als signifikant angesehen, wenn das 95 % bias-korrigierte Konfidenzintervall nicht die Null enthielt.
Verfahren zur Testung der Messinvarianz	SPSS Amos / statistischer Analyseplan des Forschungsteams	Mehrfachgruppen-konfirmatorische Faktorenanalyse; ΔCFI < ,010 und ΔRMSEA < ,015 als Kriterien	Wurde verwendet, um die konfigurale, metrische und skalare Invarianz hinsichtlich Geschlecht, Studiengangstyp, Praktikumsdauer und Institution zu prüfen, bevor die gepoolten SEM-Schätzungen interpretiert wurden.