Der voraus-AD-Datensatz für die Anomalieerkennung in Robotikanwendungen

Bei der Inbetriebnahme industrieller Roboter können ungewöhnliche Ereignisse die Sicherheit von Menschen und die Produktqualität gefährden. Bei der Datensammlung zur Erkennung solcher Fälle kann nicht garantiert werden, dass Daten aller potenziell auftretenden Fehler erfasst werden, da unvorhersehbare Ereignisse im Laufe der Zeit auftreten können. Daher bietet die Anomalieerkennung (Anomaly Detection, AD) eine praktikable Lösung, da sie lediglich mit normalen Daten arbeitet, um ungewöhnliche Ereignisse zu erkennen. Wir stellen ein Datenset vor, das die Schulung und Benchmarking von Anomalieerkennungsmethoden für roboterbasierte Anwendungen auf Basis von Maschinen-Daten ermöglicht und der Forschungsgemeinschaft öffentlich zur Verfügung gestellt wird. Als typische Roboteranwendung enthält das Datenset eine Pick-and-Place-Aufgabe, die Bewegungen, Aktionen des Endeffektors sowie Interaktionen mit Objekten der Umgebung umfasst. Da mehrere der enthaltenen Anomalien nicht auf eine spezifische Aufgabe beschränkt sind, sondern allgemeiner Natur sind, sind Evaluationen auf unserem Datenset auch auf andere roboterbasierte Anwendungen übertragbar. Zudem präsentieren wir MVT-Flow (Multivariate Time-Series Flow) als eine neue Baseline-Methode für die Anomalieerkennung: Sie basiert auf einer tiefen Lern-basierten Dichteschätzung mittels Normalisierungsflüssen und wurde an die Datenstruktur angepasst, indem deren Struktur in die Architektur integriert wurde. Unsere Evaluation zeigt, dass MVT-Flow die bisherigen Baselines um einen erheblichen Abstand von 6,2 Prozentpunkten im Bereich der AUC (Area Under the ROC Curve) übertrifft.