Projektbeschreibung

Ziel des Vorhabens ist die Entwicklung eines neuartigen, KI-gestützten Analysesystems, das heterogene Sensordaten aus unterschiedlichen Fertigungsumgebungen in Echtzeit verarbeiten, klassifizieren und interpretieren kann. Dabei soll ein selbstlernendes Modell entstehen, das — im Gegensatz zu bestehenden regelbasierten Systemen — ohne manuelle Feature-Engineering-Schritte auskommt und sich automatisch an veränderte Prozessbedingungen anpasst. Im Kern geht es um die Überwindung einer zentralen Limitation des Stands der Technik: Aktuelle Systeme zur Prozessüberwachung erfordern domänenspezifische Vorverarbeitung und sind nicht in der Lage, neuartige Fehlermuster eigenständig zu erkennen. Das angestrebte System soll mittels Transformer-basierter Architekturen eine universelle Repräsentation von Sensorzeitreihen erlernen, die sowohl bekannte als auch unbekannte Anomalien zuverlässig identifiziert. Das quantifizierbare Ziel: +65 % Erkennungsrate bei bisher unbekannten Anomalietypen im Vergleich zu regelbasierten Systemen, bei gleichzeitiger Reduktion der Falsch-Positiv-Rate um mindestens 40 %.

Risiko 1 — Robustheit bei verrauschten Daten: Der hierarchische Cross-Attention-Mechanismus könnte bei stark verrauschten oder inkonsistenten Sensordaten nicht die erforderliche Stabilität erreichen. Abbruchkriterium: Wenn nach 3 Optimierungszyklen die Erkennungsrate unter Rauschen (SNR < 10 dB) weniger als 60 % beträgt, wird auf einen simpleren Attention-Mechanismus mit festen Gewichten zurückgegriffen. Risiko 2 — Übertragbarkeit des Pre-Trainings: Die synthetisch erzeugten Anomaliemuster könnten die reale Fehlerdistribution nur unzureichend abbilden. Abbruchkriterium: Wenn die Generalisierungsleistung auf ungesehenen Domains unter 45 % liegt, wird ein semi-supervised Ansatz mit minimaler manueller Annotation als Alternative B verfolgt. Risiko 3 — Echtzeitanforderungen auf Edge-Hardware: Es ist nicht gesichert, dass die adaptive Inferenzarchitektur die Ziellatenz von < 50 ms auf dem NVIDIA Jetson AGX Orin einhält. Alternativer Ansatz: Modell-Destillation auf ein kompakteres Netzwerk mit statischer Architektur.

Die Forschungsarbeiten folgen einer systematischen DOE-Methodik (Design of Experiments) und gliedern sich in drei Phasen: Phase 1 — Konzeption & Grundlagenuntersuchung (3 PM): Systematische Literaturrecherche zum Stand der Technik. Formale Spezifikation des Sensor-Aware Attention-Mechanismus mittels mathematischer Modellierung. Entwurf der Evaluierungsmethodik und Definition der Benchmark-Datensätze. Phase 2 — Experimentelle Entwicklung (6 PM): Implementierung der Modellarchitektur. DOE-basierte Experimente zu verschiedenen Aufmerksamkeitsvarianten (Full Factorial Design, 3 Faktoren, 5 Stufen). Kontrastives Vortrainierungsverfahren mit synthetischen Anomaliedaten. Iterative Optimierung mittels Bayesian Hyperparameter Search. Phase 3 — Validierung & Transfer (3 PM): Validierung auf industriellen Benchmark-Datensätzen (SECOM, PHM08). Transferuntersuchung auf 3 verschiedene Fertigungsdomänen. Echtzeit-Inferenzanalyse auf Jetson AGX Orin.