Eliminierung manueller Parametereinstellungen durch KI – Peak-Detektion in Echtzeit

Unser Kunde ist eine weltweit tätige Technologiegruppe mit langjähriger Erfahrung in der Entwicklung von Lösungen für Industrie und Labore. Das Unternehmen ist auf Flüssigkeitstransportsysteme spezialisiert – darunter Pumpen und Dosiersysteme –, die in der Chemie-, Pharma-, Lebensmittel-, Wasser-/Abwasser- und Umwelttechnik eingesetzt werden.

Im Rahmen eines Entwicklungsprojekts arbeitete das Unternehmen an der Optimierung der Signalanalyse für ein Gerät zur Messung des Stickstoffgehalts in festen Proben. Der kritische Punkt war die Detektion von Peaks – also von Signalstellen, die z. B. auf Stickstoff im untersuchten Material hinweisen.

Der bisherige Prozess erforderte die manuelle Einstellung mehrerer Parameter wie:

• Peak-Höhenschwelle
• Mindestbreite
• Abstand zwischen Peaks
• Empfindlichkeit gegenüber Rauschen
• Basisliniengrenzen

Diese manuelle Konfiguration führte zu mehreren Problemen:

• Hohe Einstiegshürde – nur erfahrene Anwender konnten alle Parameter korrekt setzen
• Mangelnde Reproduzierbarkeit – Ergebnisse variierten je nach Nutzer und Einstellungen
• Lange Analysezeiten – das manuelle Tuning konnte mehrere Minuten pro Signal dauern
• Fehleranfälligkeit – kleine Parameteränderungen führten zu drastischen Ergebnisunterschieden
• Schlechte Skalierbarkeit – schwierige Sicherstellung konsistenter Messungen über mehrere Geräte und Standorte hinweg

Ziel des Proof of Concept (PoC) war es, einen Algorithmus zu entwickeln, der vollautomatisch funktioniert, keine Benutzereinstellungen erfordert und direkt auf Edge-Geräten des Kunden (z. B. Raspberry Pi) betrieben werden kann – bei gleichzeitig hoher Genauigkeit und stabiler Performance.

Das Projektteam entwickelte einen vollständigen Algorithmus zur Peak-Detektion, basierend auf Signalverarbeitungslogik und optimiert für Geräte mit begrenzten Rechenressourcen.

Daten und Methodik

Es wurden reale Daten aus den chemischen Detektoren des Kunden verwendet, die während der Analyse des Stickstoffgehalts gesammelt wurden. Die Datensätze umfassten:

• Rohsignale (mit Rauschen und Basisliniendrift),
• vom Kundenteam vorverarbeitete, entrauschte Signale,
• manuell annotierte Referenzdaten mit Start-/Endpunkten und Fläche unter der Kurve.

Die Daten wurden in drei Stufen bereitgestellt, was eine schnelle Entwicklung und Validierung ermöglichte:

1. Unmarkierter Datensatz – zur visuellen Analyse und Verständnis der Signalstruktur
2. Kleiner markierter Datensatz – zur Validierung erster Detektionsregeln
3. Vollständig markierter Datensatz – für die finale Evaluierung

Diese Struktur erlaubte regelmäßige Entwicklungsiterationen mit kontinuierlicher Validierung durch die Fachexperten des Kunden.

Technischer Ansatz

• Der Algorithmus arbeitet mit Rohdaten ohne Vorverarbeitung – bewusst wurde auf Filterung, Basislinienkorrektur oder Normalisierung verzichtet.
• Lokale Maxima-Erkennung – Peaks werden als Punkte erkannt, die höher als ihre Nachbarn sind; bei flachen Spitzen wird der Mittelpunkt gewählt.
• Fester Schwellenwert – ein konstanter Wert (z. B. 0) wurde für alle Signale verwendet, was die Logik vereinfachte, und die Reproduzierbarkeit erhöhte.
• Prominenz Berechnung – Differenz zwischen Peak-Höhe und höchstem Basiswert (links/rechts), zur genauen Abgrenzung.
• Zwei Grenzmodi – klassisch (gemeinsame Basislinie) und „side-aware“ (getrennte linke/rechte Linien) für schwierigere Signalverläufe.
• Minimale Hardwareanforderungen – alle Berechnungen erfolgen in unter 60 Sekunden pro Signal auf einem Raspberry Pi.

• Vereinfachte Nutzung der Geräte – durch vollständige Automatisierung kann das System auch von Anwendern ohne Fachkenntnisse in Physik oder Chemie bedient werden, was den Einsatz in weniger entwickelten Regionen erleichtert.
• Marktpotenzial erweitert – durch Absenkung der Kompetenzschwelle lassen sich neue geografische und industrielle Märkte erschließen.
• 100 % Automatisierung – keine Benutzerkonfiguration notwendig, weniger Fehler, konsistente Ergebnisse.
• Expertenähnliche Genauigkeit – über 95 % Übereinstimmung mit Referenzwerten, ideal für Labor- und Industrieanwendungen.
• Hohe Rechenleistung – Analysezeiten unter 1 Minute pro Signal auf Embedded-Hardware bei stabiler Systemleistung.
• 70 % Zeitersparnis – automatische Parameterwahl beschleunigt die Analyse deutlich gegenüber der manuellen Methode.
• Produktionsreife Lösung – sofort einsatzbereit, mit Erweiterungsmöglichkeiten für adaptive Schwellen oder komplexe Signalstrukturen.