Erklärbare Fehlerdiagnostik für Smart Cities

• Antragsteller: Professor Dr.-Ing. Kay Smarsly
• Fachliche Zuordnung: Konstruktiver Ingenieurbau, Bauinformatik und Baubetrieb
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 443128409

Smart Cities basieren auf drahtlosen Sensornetzen. Eine zuverlässige Diagnostik von Sensorfehlern wird besonders bei Smarter Infrastruktur, einer wesentlichen Komponente von Smart Cities, deutlich, da unbemerkte Fehler die autonomen Entscheidungsfindungsprozesse nachhaltig beeinträchtigen können. Smarte Infrastruktur zeichnet sich durch drahtlose Sensornetze aus, die selbständig Strukturdaten erfassen, analysieren und kommunizieren, was üblicherweise als intelligentes Bauwerksmonitoring bezeichnet wird. Obwohl Konzepte autonomer Fehlerdiagnostik in verwandten Forschungsbereichen lange bekannt sind, konnten diese Konzepte nicht mit der fortschreitenden "Smartifizierung" Schritt halten und sind nicht ohne weiteres auf Smarte Infrastruktur übertragbar. Das Ziel dieses Projekts ist die Entwicklung eines allgemeingültigen Fehlerdiagnostik-Frameworks für drahtlose Sensornetze in Smarter Infrastruktur, das Künstliche Intelligenz (KI) als zentralen Problemlösungsansatz vorsieht. Die Novität des KI-basierten Frameworks liegt insbesondere in der mathematischen Formulierung eines Deep Learning-Konzepts zur dezentralen Einbettung von Convolutional Neural Networks (CNN) in drahtlose Sensornetze, unter besonderer Berücksichtigung der begrenzten Ressourcen drahtloser Sensorknoten. Darüber hinaus wird eine allgemeingültige klassifikationsbasierte, mathematische Formulierung des Fehlerdiagnostikproblems erarbeitet, deren Hauptvorteil im Verzicht auf analytischen Redundanzen liegt, da die Fehlerdiagnostik allein auf mathematische, in Sensordaten inhärenten Merkmalen ("Features") aufbaut. Das fehlende Vertrauen in KI-Algorithmen mit "Black-Box"-Charakter ist gemeinhin bekannt. Deshalb wird das KI-basierte Fehlerdiagnostik-Framework durch ein so genanntes "Explainable Interface" ergänzt, das auf der klassifikationsbasierten mathematischen Formulierung aufbaut und die Black-Box-Algorithmen in Glas-Box-Algorithmen wandelt, sodass sie transparenter und nachvollziehbarer sind. Abschließend wird das Fehlerdiagnostik-Framework mithilfe einer dualen Verifizierungs- und Validierungsstrategie, die auf den Arbeiten eines kürzlich an der Bauhaus-Universität Weimar abgeschlossenen DFG-Graduiertenkollegs aufbaut, verifiziert und validiert. Hierzu werden drahtlose Sensornetze in Laborversuche getestet sowie Sensordaten einer in Betrieb befindlichen Eisenbahnbrücke verwendet. Es wird erwartet, dass Smarte Infrastruktur aufgrund der KI-Algorithmen des Fehlerdiagnostik-Frameworks, die erklärbar und transparent sind, in die Lage versetzt wird, Sensorfehler und Fehlkalibrierungen zuverlässig selbst zu erkennen – ohne dass mehrfach redundante Sensoren, "First Principle"-Modelle (wie FE-Modelle) oder a priori Wissen über die physikalischen Prinzipien Smarter Infrastruktur erforderlich sind. Die Zuverlässigkeit von drahtlosen Sensornetzen in Smarter Infrastruktur kann somit erhöht und die autonomen Entscheidungsfindungsprozesse in Smart Cities verbessert werden.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortlich: Dr. Dmitrii Legatiuk