Physikalisches Wissen in neuronalen Netzen für die Anomalieerkennung in Fahrzeugsignalen

Kontext

Fahrzeuge werden zu softwaredefinierten Systemen: Funktionen werden zunehmend unabhängig von der Hardware ausgeliefert, aktualisiert und zur Laufzeit neu auf Rechenknoten verteilt. Die Kopplung zur Umwelt bleibt dabei bestehen. Über Sensoren und Aktoren wirkt Software auf physikalische Prozesse. Im offenen Straßenverkehr sind dessen Betriebsbedingungen zur Designzeit allerdings nicht vollständig erfassbar. Ob ein Sensorsignal plausibel ist, muss daher zur Laufzeit bewertet werden.
Dafür stehen zwei Wissensquellen mit komplementären Schwächen zur Verfügung. Physikalische Modelle sind interpretierbar und verifizierbar, aber auf die vorab bedachten Betriebsbedingungen beschränkt. Datengetriebene Anomalieerkennung erfasst auch unvorhergesehene Muster, ist aber schwer nachvollziehbar. Üblich ist, physikalisches Wissen um ein Netz herum einzubringen: als Zusatzeingang, als Strafterm im Loss oder als nachgelagerte Prüfung. Ansätze, die Vorwissen in die Netzstruktur selbst einbringen, nutzen bislang generische zeitliche Invarianten. Offen ist, ob und wie sich systemspezifische physikalische Zusammenhänge zwischen Signalen dort einbetten lassen.

Einstiegsliteratur

• E. A. Lee, S. A. Seshia: Introduction to Embedded Systems: A Cyber-Physical Systems Approach, 2nd ed., MIT Press, 2017.
• L. von Rueden et al., "Informed Machine Learning – A Taxonomy and Survey of Integrating Prior Knowledge into Learning Systems," in IEEE Transactions on Knowledge and Data Engineering, vol. 35, no. 1, pp. 614-633, 1 Jan. 2023, doi: 10.1109/TKDE.2021.3079836.
• Z. Zamanzadeh Darban et al.: Deep Learning for Time Series Anomaly Detection: A Survey, ACM Computing Surveys 57(1), 2025.
• S. Tuli, G. Casale, N. R. Jennings: TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data, Proc. VLDB Endowment 15(6), 2022.
• J. Xu, H. Wu, J. Wang, M. Long: Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy, ICLR, 2022.
• S. Maleki, N. Pourmoazemi: Pi-Transformer: A Prior-Informed Dual-Attention Model for Multivariate Time-Series Anomaly Detection, Applied Soft Computing, 2026.

Ziele

Ziel ist der Entwurf, die Implementierung und die Bewertung einer LSTM- oder Transformer-Architektur, in deren interne Struktur (z. B. Attention, Zellzustand, Gewichtsstruktur) bekannte physikalische Zusammenhänge eingebettet sind.

• Literaturrecherche zu physics-informed und prior-informed Architekturen für die Zeitreihen-Anomalieerkennung
• Entwurf eines Mechanismus zur Einbettung physikalischer Zusammenhänge in den Backbone
• Evaluation auf einem synthetischen Datensatz mit bekannten Relationen und injizierten Fehlern, im Vergleich zu (a) demselben Backbone ohne Vorwissen und (b) einem Ansatz mit generischem Prior (z. B. Pi-Transformer)

Voraussetzungen

• Python und PyTorch
• Grundlagen neuronaler Netze (LSTM/Transformer)
• Selbstständige Arbeitsweise