Advanced Backbone for Service-Oriented Orchestration of Linked Universal Twins
ABSOLUT
Das Projekt ABSOLUT (Advanced Backbone for Service-Oriented Orchestration of Linked Universal Twins) setzt sich das Ziel, das Forschungsdatenmanagement in der Luftfahrtforschung voranzutreiben und die Wiederverwertbarkeit und Langzeitverfügbarkeit von großen Datensätzen nach den FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable) zu verbessern. Aufbauend auf den Ergebnissen der vorhergegangenen Projekte DigTwin und DigECAT entwickelt ABSOLUT die Plattform twinstash von einem funktionalen Prototypen zu einem operativen, institutsübergreifend genutzten System weiter. Die Plattform dient als Herzstück der Datenverwaltung und legt ein besonderes Augenmerk auf die Zitierbarkeit der Daten, um wissenschaftliche Nachnutzung klar nachvollziehbar zu machen und Publikationen direkt mit den zugrunde liegenden Daten zu verknüpfen. Zusätzlich bildet ABSOLUT die technischen und infrastrukturellen Grundlagen zur Anwendung von KI-Methoden als End-to-End-Prozess, was den Nutzenden einfachen Zugriff auf moderne Software-Tools wie Mustererkennung, Anomaliedetektion oder prädiktive Wartung ermöglicht.
Im Rahmen dieses Projekts leistet das Institut für Datenwissenschaft einen Beitrag zur Erkennung und Erklärung von Anomalien wie zum Beispiel Sensor-Fehlfunktionen oder andere Probleme in Forschungsdaten. Derartige Anomalien können sowohl die Nutzung der Daten in der Forschung erschweren – besonders wenn Forschende diese ohne Warnung begegnen – als auch Hinweise auf notwendige Wartungsarbeiten liefern und so Ressourcen sparen. Eine besondere Herausforderung stellen dabei die hochdimensionale und diverse Natur der Forschungsdaten dar: Forschungsflugzeuge können hunderte verschiedene Messwerte mit hoher zeitlicher Abtastrate mittels verschiedenster Sensoren aufnehmen – von räumlicher Position und Ausrichtung über Umgebungsinformationen wie Luftdruck und Temperatur bis hin zu technischen Anzeigen. Die schiere Größe der verfügbaren Forschungsdaten macht eine manuelle Prüfung unpraktisch. Deshalb entwickelt ABSOLUT automatisierte kausale Anomalieerkennungsalgorithmen, die durch die Kombination von maschinellem Lernen und kausaler Inferenz effizient Auffälligkeiten in Daten markieren und zu ihrem Ursprung zurückverfolgen können.
Durch diese Kombination soll insbesondere der "Black-Box"-Charakter vieler KI-Methoden vermieden werden. Hierbei handelt es sich um das Problem, dass besonders bei leistungsstarken Methoden des maschinellen Lernens die Nutzer oft keine Möglichkeit haben zu erfahren, wie die verschiedenen Methoden ihre Entscheidungen oder Vorhersagen treffen. Kausale Inferenz unterstützt bei diesem Problem, indem sie den Fokus von „Was passiert?" zu „Warum passiert es?" verschiebt. Diese Verschiebung liefert Erklärungen, die über verschiedene Umgebungen (zum Beispiel unterschiedliche Forschungsflugzeuge) hinweg stabiler und fairer sind als reine KI-Methoden und aus denen sich konkrete Handlungsanweisungen ableiten lassen. Gemeinsam erlauben also maschinelles Lernen und kausaler Inferenz eine transparente und effiziente Analyse der Forschungsdaten, auf welche sich Nutzer verlassen können. Zusätzlich wird durch die Verbindung von datengetriebener Analyse und vorhandenem Expertenwissen Prozessverständnis ausgebaut und nutzbar gemacht werden, um Forschende und Ingenieurinnen und Ingenieure zu unterstützen.
Kernziele des Instituts für Datenwissenschaft im Projekt ABSOLUT sind:
• Entwicklung von domänenspezifischen Modellen zur Wissensrepräsentation, die effektiv Weiternutzung durch Fachanwender ermöglichen.
• Entwicklung einer Zustandsüberwachung für alle Forschungsflugzeugsensoren der Einrichtung für Flugexperimente des DLR in Form von Zustandsindices.
• Implementierung eines Software-Tools für die effektive Detektion von Anomalien in Zeitreihen von Forschungsflugzeugsensoren und Identifikation von deren Grundursachen.
Diese Ziele erhöhen die Fähigkeit der Forschenden und Ingenieure, komplexe Probleme in den Luftfahrtforschung zu analysieren und zu lösen.
