Autoencoder erkennen frühzeitig Ausfälle bei Hydraulikpumpen – LSTM vs. Feed‑Forward

Ein neuer Beitrag auf arXiv zeigt, wie moderne Autoencoder ohne vorheriges Fehlersignal die Zuverlässigkeit von industriellen Hydraulikpumpen verbessern können. Durch den Einsatz von zwei unterschiedlichen Netzarchitekturen – einem Feed‑Forward‑Modell, das einzelne Sensordatenpunkte analysiert, und einem LSTM‑Modell, das kurze Zeitfenster auswertet – lassen sich potenzielle Ausfälle bereits im Vorfeld erkennen.

Beide Modelle wurden ausschließlich mit gesunden Betriebsdaten trainiert. Die Trainingsmenge stammt aus einem minutengenauen Log, das 52 Sensorkanäle umfasst. Für die Bewertung wurde ein separater Datensatz verwendet, der sieben eindeutig annotierte Fehlintervalle enthält. Trotz des Fehlens von Fehlervorlagen im Trainingsmaterial erzielen die Autoencoder eine bemerkenswerte Erkennungsrate.

Die Ergebnisse deuten darauf hin, dass unüberwachtes Lernen mit Autoencodern ein vielversprechender Ansatz für die frühzeitige Fehlerdiagnose in komplexen Maschinen ist. Durch die Kombination von zeitunabhängigen und zeitabhängigen Modellen lassen sich unterschiedliche Fehlermuster abdecken, was die Gesamtzuverlässigkeit der Anlagen deutlich steigert.