🔧 Sensor-Anomalie-Detektor — Autoencoder live

Ein Autoencoder ist ein neuronales Netzwerk, das darauf trainiert wird, seine eigene Eingabe durch eine schmale Flaschenhals-Schicht zu rekonstruieren, was es zwingt, eine komprimierte Darstellung der Daten zu lernen. Wenn es nur mit normalen Sensormesswerten trainiert wird, wird das Netzwerk sehr gut darin, die gesehenen Muster zu komprimieren und zu rekonstruieren, ist aber schlecht darin, nie zuvor angetroffene Muster zu rekonstruieren. Die Anomalieerkennung nutzt das aus: Man speist dem trainierten Netzwerk jeden neuen Messwert und misst den Rekonstruktionsfehler, die mittlere quadratische Abweichung zwischen der Eingabe und der Ausgabe des Netzwerks. Normale Messwerte werden mit geringem Fehler rekonstruiert; Messwerte, die außerhalb der gelernten Mannigfaltigkeit liegen, werden mit hohem Fehler rekonstruiert, weil der komprimierte Flaschenhals schlicht keinen effizienten Code für sie hat.

Wäre die verborgene Schicht so breit wie die Eingabe, könnte das Netzwerk eine triviale Identitätsabbildung lernen, die jeden Wert einfach durchreicht, und jede Eingabe, normal oder anomal, würde mit nahezu null Fehler rekonstruiert, was die Anomalieerkennung sinnlos machen würde. Der Encoder dieser Simulation komprimiert fünf Sensorkanäle auf einen 3-Einheiten-Flaschenhals, bevor ein gespiegelter Decoder sie wieder auf fünf Ausgaben erweitert. Dieser schmale Flaschenhals zwingt das Netzwerk, die niedrigdimensionale Struktur zu entdecken, die eine gesunde Maschine tatsächlich bestimmt, ihren gemeinsamen Lastzyklus, und alles außerhalb dieser Struktur zu verwerfen.

Bei jedem Animationsframe erzeugt die Simulation frische synthetische normale Messwerte, niemals echte Datendateien, führt sie durch das aktuelle Netzwerk in einem Vorwärtsdurchlauf, berechnet den mittleren quadratischen Rekonstruktionsfehler gegenüber derselben Eingabe als Trainingsziel und führt dann einen vollständigen Rückwärtsdurchlauf aus: Die Kettenregel wird Schicht für Schicht angewendet, um Gradienten für jedes Gewicht und jeden Bias zu berechnen, wobei tanh-Ableitungen für die verborgenen Schichten und eine einfache lineare Ableitung für die Ausgabeschicht verwendet werden, dann wird jeder Parameter um minus die Lernrate mal seinen Gradienten verschoben. Dies ist echte, von Grund auf in reinem JavaScript ohne Machine-Learning-Bibliothek implementierte Backpropagation und Gradientenabstieg, und man kann beobachten, wie die Verlustkurve mit fortschreitendem Training fällt.

Fünf Fehlermodi stehen zur Verfügung: ein Sensor-Spike, bei dem ein Kanal abrupt um mehrere normale Standardabweichungen springt, eine Sensor-Drift, bei der sich ein Kanal langsam von seinem gesunden Bereich entfernt, ein festsitzender Sensor, bei dem ein Kanal auf einem festen Wert einfriert, während sich die reale Last weiter ändert, ein Korrelationsbruch, bei dem sich alle Sensoren weiter bewegen, aber aufhören, sich gemeinsam zu bewegen, obwohl reale Maschinen ihre Sensoren über eine gemeinsame physische Last gekoppelt haben, und ein Rauschstoß, bei dem alle Kanäle weit rauschiger werden als alles im Training Gesehene. Da das Netzwerk nie mit einem dieser fünf Muster trainiert wurde, erzeugt jedes von ihnen typischerweise einen Rekonstruktionsfehler, der zehn- bis hundertmal höher ist als im Normalbetrieb.

Der Schwellenwert-Regler legt den Rekonstruktionsfehler-Wert fest, oberhalb dessen die Simulation ANOMALIE ERKANNT meldet. Setzt man ihn zu niedrig, lösen gewöhnliche, verrauschte, aber gesunde Messwerte Fehlalarme aus; setzt man ihn zu hoch, schlüpfen echte Fehler unentdeckt durch. Ein gängiger praktischer Ansatz, der hier gespiegelt wird, besteht darin, den Schwellenwert einige Standardabweichungen über dem mittleren Rekonstruktionsfehler zu setzen, der auf validierten Normaldaten beobachtet wurde, und ihn dann anzupassen, während man das Live-Fehlerdiagramm beobachtet, um Empfindlichkeit gegen Fehlalarmrate für die jeweils überwachte Maschine auszubalancieren.

Dies ist der entscheidende Kniff der autoencoder-basierten Anomalieerkennung: Da echte Anomalien selten, vielfältig und oft im Voraus unbekannt sind, ist es meist unpraktisch, einen gekennzeichneten Datensatz jedes möglichen Fehlermodus zu sammeln. Stattdessen benötigt das Netzwerk nur Beispiele dafür, wie normal aussieht, die reichlich vorhanden sind, und es lernt Anomalieerkennung als unüberwachtes Nebenprodukt des guten Komprimierens dieser ständig erzeugten Normaldaten. Diese Simulation trennt ihren Trainingsgenerator, der ausschließlich das gesunde korrelierte Sensormuster erzeugt, strikt von ihrem Live-Anomalie-Injektions-Codepfad, sodass jeder hohe Rekonstruktionsfehler, den man sieht, ein echtes, ungeprobtes Generalisierungsversagen ist, kein auswendig gelerntes Beispiel.

Ja. Die fünf leuchtenden Sensorknoten entsprechen den fünf Eingabekanälen des Netzwerks, Temperatur, Vibration, Druck, Strom und Drehzahl, und Farbe und Leuchtintensität jedes Knotens werden direkt vom quadratischen Rekonstruktionsfehler dieses Kanals im aktuellen Moment gesteuert, dem tatsächlichen Messwert minus der Rekonstruktion des Netzwerks, quadriert. Die Farbe des zentralen Gehäuses spiegelt den kombinierten Score gegenüber dem aktuellen Schwellenwert wider. Nichts ist geskriptet oder vorberechnet: Jeder Wert stammt aus dem Live-Vorwärtsdurchlauf desselben Netzwerks, das im Verlustdiagramm beim Training gezeigt wird.