Erklärbare Fehlerdiagnostik für Smart Cities
Zusammenfassung der Projektergebnisse
In diesem Projekt wurde ein allgemeingültiges Fehlerdiagnostik-Framework für das drahtlose Bauwerksmonitoring von „smarter“ Infrastruktur entwickelt, das das Konzept „Erklärbarer Künstlicher Intelligenz“ (engl. „Explainable Artificial Intelligence“, XAI) als zentralen Problemlösungsansatz implementiert. Im Gegensatz zu herkömmlichen Bauwerksmonitoringsystemen, die auf zentralisierter Datenverarbeitung mit begrenzter Transparenz basieren, wurde die automatisierte Fehlerdiagnostik in diesem Projekt als eigenständiges Klassifikationsproblem formuliert. Dadurch wird die Identifikation sowohl einzelner als auch kombinierter Sensorfehler durch maschinelles Lernen auf der Ebene der drahtlosen Sensorknoten ermöglicht, sodass die Bauwerksmonitoringsysteme skalierbarer, flexibler und transparenter als bisher werden. Zur Durchführung der Klassifikation wurden Long Short-Term Memory (LSTM)-Netzwerke unter Verwendung von Zeitreihen-Sensordaten implementiert, einschließlich sowohl fehlerfreier Signale als auch Signale mit künstlich injizierten Fehlern. Die LSTM-Netzwerke wurden für den Betrieb auf energieeffizienten drahtlosen Sensorknoten optimiert. Zur Erhöhung der Transparenz wurden erklärbare Methoden in die Modelle integriert, und zwar Shapley Additive Explanations (modellunabhängig) sowie Gradient × Input (modellspezifisch). Die erklärbaren LSTM- Netzwerke wurden unter Anwendung von Prinzipien des Internet of Things in die drahtlose Sensorknoten eingebettet, sodass eine automatisierte, lokale Identifikation und Erklärung von Sensorfehlern ermöglicht wurde. Für die Benutzerinteraktion und Visualisierung der Fehlertypen sowie der Relevanzwerte wurde ein Dashboard entwickelt, das auf dem leichtgewichtigen Message Queuing Telemetry Transport (MQTT)-Protokoll basiert. Das dezentrale XAI-Framework hat eine signifikante Reduktion des Bandbreitenverbrauchs erreicht und sich als geeignet für den Einsatz in ressourcenbeschränkten Umgebungen erwiesen. Validierungstest wurden sowohl mit künstlichen als auch mit realen Daten durchgeführt, einschließlich eines Bauwerksmonitoringsystems, das auf einer Fußgängerbrücke installiert wurde. Die Ergebnisse zeigten eine hohe Klassifikationsgenauigkeit (>90 %) sowie konsistente und interpretierbare Vorhersagen der LSTM-Netzwerke. Im Ergebnis bietet das Framework eine zuverlässige und transparente Lösung für das Monitoring smarter Infrastrukturen und stellt eine vielversprechende Grundlage für zukünftige Anwendungen in Smart Cities dar.
Projektbezogene Publikationen (Auswahl)
-
Automated decision making in structural health monitoring using explainable artificial intelligence. In: Proceedings of the 28th International Workshop on Intelligent Computing in Engineering (EG-ICE). Berlin, Germany, 06/30/2021.
Peralta, J., Fritz, H., Dadoulis, G., Dragos, K. & Smarsly, K.
-
A systematic survey of Internet of Things frameworks for smart city applications. Sustainable Cities and Society, 83, 103949.
Peralta Abadía, José Joaquín; Walther, Christian; Osman, Ammar & Smarsly, Kay
-
An Introduction and Systematic Review on Machine Learning for Smart Environments/Cities: An IoT Approach. Intelligent Systems Reference Library, 1-23. Springer International Publishing.
Peralta Abadía, José Joaquín & Smarsly, Kay
-
Internet of Things Frameworks for Smart City Applications—A Systematic Review. Computing in Civil Engineering 2021, 83-89. American Society of Civil Engineers.
Peralta Abadía, José Joaquín & Smarsly, Kay
-
SENSOR FAULT DIAGNOSIS COUPLING DEEP LEARNING AND WAVELET TRANSFORMS. Proceedings of the 13th International Workshop on Structural Health Monitoring. Destech Publications, Inc..
ABADÍA, JOSÉ JOAQUÍN PERALTA; FRITZ, HENRIEKE; DRAGOS, KOSMAS & SMARSLY, KAY
-
A deeplearning-based approach towards identifying combined faults in structural health monitoring. In: Proceedings of the 11th European Workshop on Structural Health Monitoring (EWSHM). Potsdam, Germany, 06/10/2024.
Al-Nasser, H., Al-Zuriqat, T., Dragos, K., Chillón Geck, C. & Smarsly, K.
-
AIoT- enabled decentralized sensor fault diagnosis for structural health monitoring. In: Proceedings of the 11th European Workshop on Structural Health Monitoring (EWSHM). Potsdam, Germany, 06/10/2024.
Chillón Geck, C., Al-Zuriqat, T., Elmoursi, M., Dragos, K. & Smarsly, K.
-
Identification of combined sensor faults in structural health monitoring systems. Smart Materials and Structures, 33(8), 085026.
Al-Nasser, Heba; Al-Zuriqat, Thamer; Dragos, Kosmas; Geck, Carlos Chillón & Smarsly, Kay
-
Identification of composite sensor faults in structural health monitoring systems using long short-term memory networks. In: Proceedings of the 2024 European Conference on Computing in Construction (EC3). Chania, Crete, Greece, 07/15/2024.
Al-Zuriqat, T., Al-Nasser, H., Dragos, K., Chillón Geck, C. & Smarsly, K.
-
Explainable sensor fault diagnosis for structural health monitoring. In: Proceedings of the 11th ECCOMAS Thematic Conference on Smart Structures and Materials (SMART 2025). Linz, Austria, 07/01/2025.
Al-Nasser, H., Dragos, K. & Smarsly, K.
