Exploration und Erklärung von Anomalien in multivariaten Zeitreihen

• Antragstellerin: Professorin Dr. Heike Leitte
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Technische Thermodynamik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459419731

Die Anomalieerkennung (anomaly detection, AD) in multivariaten Zeitreihen ist eine zentrale Aufgabe für Daten aus der chemischen Verfahrenstechnik (CPE). Sie unterstützt die Arbeit von technischem Überwachungspersonal in Großanlagen und ermöglicht den Weg zur digitalen Transformation der chemischen Industrie. In diesem Projekt werden wir Methoden entwickeln, die die Ergebnisse der lernbasierten AD für den Menschen interpretierbar machen. Verständnis und Interprätierbarkeit bilden die Grundlage für die Integration von lernbasierten Methoden in sicherheitskritische Anwendungen. Wir unterstützen diese beiden Punkte, indem wir Explorations- und Erklärungstechniken entwickeln, die ein Verständnis der Daten, der darin erkannten Anomalien und entsprechend verwendeten Detektionsalgorithmen erlauben. Die notwendige Forschung konzentriert sich auf drei Kernthemen: 1. Wir erforschen Analysemethoden zur Überwachung von Anomalien in multivariaten Zeitreihen von CPE Prozessen mit Dutzenden von verrauschten und heterogenen Sensorkanälen. 2. Wir integrieren semantische Erklärungstechniken für AD-Routinen basierend auf layer-wise relevance propagation (LRP). 3. Wir entwickeln und integrieren eine Wissensdatenbank, die gesammeltes Wissen über den Analyseprozess speichert und über die Überwachungssoftware bereitstellt. Die Kombination dieser drei Bausteine hilft nicht nur dabei Anomalien zu erkennen und zu erklären, sondern gibt auch Unterstützung bei deren Beseitigung. In enger Zusammenarbeit mit den A-Projekten werden wir so die Grenzen der Anomlieerkennung in multivariaten Zeitreihen erweitern und in Zusammenarbeit mit den B-Projektion an der ML-basierte digitale Transformation der chemischen Industrie arbeiten.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5359: KI-FOR: Deep Learning auf dünnbesetzten, chemischen Prozessdaten
• Mitverantwortlich: Professor Dr. Klaus-Robert Müller