Vorhersagen, wann ein Messgerät aus der Toleranz gerät

Kontext

Messgeräte werden in festen Intervallen kalibriert. Zwischen zwei Terminen bleibt ihr Zustand unbekannt. Daraus ergeben sich zwei Fälle, und an den meisten Standorten treten beide auf.

Im einen Fall wird ein Gerät ausgebaut und kalibriert, obwohl es noch deutlich innerhalb der Toleranz liegt. Die Kalibrierung ist damit nicht vergeblich, denn sie erzeugt den vom Qualitätsmanagementsystem geforderten Nachweis. Das Intervall hätte sich jedoch ohne zusätzliches Risiko verlängern lassen.

Im anderen Fall zeigt die Kalibrierung eine Toleranzüberschreitung. Da sich der Zeitpunkt der Überschreitung nicht bestimmen lässt, muss der Betreiber beurteilen, ob die seit der vorherigen Kalibrierung gewonnenen Messwerte beeinträchtigt wurden, und entsprechend handeln. Je nach Beurteilung kann es erforderlich sein, den betroffenen Umfang einzugrenzen und Korrekturmaßnahmen einzuleiten.

Das Kalibrierintervall folgt meist der betrieblichen Gewohnheit und nicht dem Zustand des einzelnen Geräts.

Was wir untersucht haben

Bei jeder Kalibrierung wird die Abweichung des Geräts gegenüber dem Referenznormal festgehalten. Diese Folge erfasster Abweichungen bildet die Eingangsgröße des Modells.

Das Modell schätzt die verbleibende Nutzungsdauer bis zum Erreichen der Toleranzgrenze und gibt dabei kein einzelnes Datum aus, sondern ein Prognoseintervall. Grundlage ist eine Klasse leichtgewichtiger Machine-Learning-Verfahren (Reservoir Computing), die sich für Zeitreihensignale und den Embedded-Einsatz eignet. Validiert wurde das Modell auf einer öffentlich verfügbaren, mehrjährigen Aufzeichnung von Gerätedrift.

Was sich gezeigt hat

Sobald die Drift eingesetzt hat, lässt sich die verbleibende Nutzungsdauer deutlich vor Erreichen der Toleranzgrenze abschätzen, versehen mit einem Prognoseintervall.

Die Schätzung bleibt nachvollziehbar: Das Modell weist aus, welcher Teil der jüngeren Kalibrierhistorie sie bestimmt.