When Sensors Age – AutoML Keeps Data on Track

L3S Best Publication of the Quarter (Q2/2025)
Kategorie: Anomaly Compensation

AutoML for Multi-Class Anomaly Compensation of Sensor Drift

Autoren: Melanie Schaller, Mathis Kruse, Antonio Ortega, Marius Lindauer, Bodo Rosenhahn

Veröffentlicht in: Journal of the International Measurement Confederation

Das Papier in Kürze:

Unsere Forschung befasst sich mit dem Problem der Sensordrift in industriellen Systemen, die zu ungenauen Daten und somit zu fehlerhaften Entscheidungsprozessen führen kann. Wir schlagen eine neue Methode vor, die automatisierte maschinelle Lerntechniken (Automated Machine Learning, AutoML) nutzt, um Sensordrift auszugleichen. Auf diese Weise verbessert unser Ansatz die Genauigkeit und Zuverlässigkeit von maschinellen Lernmodellen im Laufe der Zeit, selbst wenn sie sich die entwickelnde Sensordrift im Zuge von Sensoralterung verschlechtert. Darüber hinaus schlagen wir ein neuartiges Trainingsparadigma vor, um das Ausmaß der Sensordrift über die Zeit hinweg in den Daten besser zu verstehen.

Welches Problem lösen Sie mit Ihrer Forschung?

Wir lösen das Problem der Sensordrift, die auftritt, wenn die Messungen von Sensoren im Laufe der Zeit durch Umwelteinflüsse, Alterung oder Kontamination ungenau werden. Diese Drift kann zu einer schlechten Leistung von Systemen führen, die auf Sensordaten angewiesen sind. Unsere Forschung schlägt eine Methode vor, mit der diese Drifteffekte automatisch erkannt und ausgeglichen werden kann, um sicherzustellen, dass die Ausgabe von maschinellen Lernmodellen genau und zuverlässig bleibt.

Was ist neu an Ihrer Forschung?

Im Gegensatz zu herkömmlichen Methoden, die Sensordrift oft reaktiv behandeln, nutzt unser Ansatz automatisierte maschinelle Lerntechniken (AutoML), um Drift-Effekte proaktiv zu lernen und auszugleichen. Dadurch wird eine kontinuierliche Anpassung ermöglicht, die die langfristige Leistung von Systemen, die Sensordaten verwenden, verbessert. Unsere neuartige Trainingsstrategie stellt außerdem sicher, dass maschinelle Lernmodelle besser auf neue, unbekannte Driftmuster generalisieren können.

Welche potenziellen Auswirkungen haben Ihre Ergebnisse?

Unsere Ergebnisse können die Zuverlässigkeit und Genauigkeit von industriellen Systemen, autonomen Fahrzeugen und anderen intelligenten Geräten und CPS, die auf Sensoren angewiesen sind, erheblich verbessern. Durch die Verbesserung der Datenqualität und -genauigkeit kann unsere Methode zu besseren Entscheidungsprozessen führen, die Häufigkeit von Wartungseingriffen reduzieren und die Lebensdauer von sensorgestützten Systemen verlängern.

Link zum Paper: https://doi.org/10.1016/j.measurement.2025.117097