Hybrid-Framework kombiniert Datenlernen und Physik für präziser Zustandsmonitoring

In einer neuen Studie wird ein hybrides Verfahren vorgestellt, das datengetriebenes Lernen mit physikbasierten Erkenntnissen verbindet, um die Zuverlässigkeit von industriellen Zustandsmonitoring-Systemen zu erhöhen. Das Konzept nutzt primäre Sensorwerte, zeitlich verzögerte Merkmale und physikinformierte Residuen, die aus nominalen Ersatzmodellen abgeleitet werden.

Zwei Integrationsstrategien werden untersucht: Erstens eine Feature‑Level‑Fusion, bei der die Residuen und zeitlichen Informationen in den Eingaberaum eingebettet werden; zweitens ein Model‑Level‑Ensemble, bei dem verschiedene Klassifikatoren, die auf unterschiedlichen Feature‑Typen trainiert wurden, auf Entscheidungsebene kombiniert werden. Beide Ansätze zeigen eine signifikante Steigerung der Diagnosegenauigkeit im Vergleich zu Einzelquellen.

Die Evaluation erfolgte an einem kontinuierlichen Rührkessel (CSTR) Benchmark. Das beste Model‑Level‑Ensemble erreichte eine Verbesserung von 2,9 % gegenüber dem besten Baseline‑Ensemble. Zusätzlich wurde die Vorhersagezuverlässigkeit mit konformen Vorhersagen gemessen, um Abdeckung, Set‑Größe und Ablehnungsverhalten zu quantifizieren. Die Ergebnisse demonstrieren, dass die hybride Integration die Unsicherheitsverwaltung verbessert und kleinere, gut kalibrierte Vorhersage‑Sets bei gleicher Abdeckung liefert.

Diese Arbeit zeigt, dass leichte physikinformierte Residuen, zeitliche Erweiterung und Ensemble‑Learning effektiv kombiniert werden können, um sowohl die Genauigkeit als auch die Zuverlässigkeit von Zustandsmonitoring-Systemen in der Industrie zu steigern.