2026年3月11日

 

• 特殊演算法可偵測鐵路、電力網路或衛星運作中的錯誤。
• 您也可以找出技術問題的原因。
• 這些新發現可以改善關鍵基礎設施的維護和運行，並使其更能抵禦中斷。
• 德國航空航天中心數據科學研究所領導了 CausalAnomalies 計畫並開發了相關演算法。
• 關鍵領域：航空、航太、交通、安全、數位化、資料科學

 

無數感測器已經監測地球上的電力和鐵路網路以及太空中的衛星的運作。例如，它們會收集各種組件的位置、電池電量和溫度等資料。一旦出現問題，這些數據就能指示例如開關是否有故障或衛星電池電壓是否不足。檢測技術運作中的偏差稱為異常檢測。德國航空航天中心 (DLR) 正在 CausalAnomalies 專案中開發針對地球、空中和太空六個應用領域的軟體原型。

這些新型原型機的特別之處在於：它們不僅能偵測故障是否發生，還能在資料流中追蹤故障根源。在鐵路運輸領域，這些演算法可以識別道岔或號誌箱故障的原因，有助於減少列車延誤和不必要的維修。

 

尋找根

為了開發這種透明的演算法，研究人員需要了解感測器讀數之間的關聯和相互影響。數據科學將發現和量化這些關係稱為「因果推論」。 「利用因果推斷，我們不僅可以確定數據之間是否存在關聯，還可以識別因果關係以及異常的真正觸發因素，」德國航空航天中心（DLR）耶拿數據科學研究所的Julia Fligge-Niebling博士解釋道。她負責CausalAnomalies專案。

在鐵路網絡等龐大且相互關聯的系統中，這種觸發因素通常隱藏在複雜的資料流中。然而，借助機器學習，演算法可以「理解」這些資料流的典型特徵，並及早發現偏差。訓練後的演算法隨後會系統性地在海量資料中搜尋問題的根本原因。從技術角度來說，這被稱為“根本原因”或問題的“根源”。

 

舉兩個例子：

• 如果地球觀測衛星的電池電壓意外下降，可能有多種原因。此演算法可以判斷異常是由太陽能板故障、儀器故障還是陽光不足引起的。為此，它會比較和分析大量的測量數據。

• 這同樣適用於鐵路基礎建設。例如，如果道岔卡住，演算法會檢查道岔馬達的資料或道岔片的位置。透過這些整體訊息，程式可以確定哪個部件出現故障或被堵塞。

 

理想情況下，這應該在異常情況影響到交換器、信號箱或衛星的運作之前完成。這樣，新的演算法就能使複雜的系統更能抵禦干擾。

 

用於異常檢測的數位工具包

目前，這些新演算法正在進一步開發成一個數位化工具箱。該工具箱最初將在德國航空航天中心 (DLR) 內部用於研究用途。它包含專門針對地球、空中和太空環境設計的演算法。這將有助於未來分析 DLR 機隊執行的飛行和測量活動。在能源研究領域，這些演算法可以用於監測太陽能熱能測試設施。展望未來，這些程序也適用於與公共利害關係人進行知識交流以及向工業界進行技術轉移。

 

[照片]

(A) 探測軌道異常（符號影像）

新的演算法還能搜尋衛星遙測資料中的異常情況及其原因。這使得衛星及其儀器能夠更好地抵禦干擾。

(B) 及早發現開關故障（示意圖）

在鐵路網路中，因果演算法可以快速識別道岔故障的原因，並有可能縮短維護時間和軌道封閉時間。

(C) 正常測量序列與異常測量序列的比較。

當衛星上使用儀器時，系統溫度可能會略微升高（正常現象）。如果系統溫度出現較大波動（異常現象），因果演算法會找出偏差的可能原因。