Autoencoder zeigen vielversprechende Fehlererkennung bei Hubschraubertriebwerken

Ungeplante Ausfälle von Hubschraubertriebwerken können zu gravierenden Betriebsunterbrechungen, Sicherheitsrisiken und hohen Reparaturkosten führen. In einer aktuellen Studie wurden zwei Strategien zur vorausschauenden Wartung verglichen: ein klassisches, überwacht lernendes Klassifikationsmodell und ein unüberwachtes Anomalieerkennungsverfahren auf Basis von Autoencodern (AE).

Das überwachte Verfahren nutzt gelabelte Beispiele sowohl für normale als auch fehlerhafte Betriebszustände. Im Gegensatz dazu lernt der Autoencoder ausschließlich aus gesunden Triebwerksdaten ein Modell des normalen Betriebs und erkennt Abweichungen als potenzielle Fehler. Beide Ansätze wurden anhand eines realen Datensatzes mit gelabelten Telemetrie-Snapshots von Hubschraubertriebwerken getestet.

Während die überwachten Modelle bei Verfügbarkeit von Fehlerlabels eine hohe Genauigkeit erzielen, erreicht der Autoencoder eine effektive Fehlererkennung ohne jegliche Fehlermeldungen. Dies macht ihn besonders attraktiv für Einsatzszenarien, in denen Fehlermeldungen selten oder unvollständig sind. Die Ergebnisse verdeutlichen die praktischen Kompromisse zwischen Genauigkeit, Datenverfügbarkeit und Einsatzfähigkeit und unterstreichen das Potenzial unüberwachter Lernmethoden für die frühzeitige Fehlererkennung in der Luftfahrt.