Root cause analysis is essential in industrial settings. Counterfactual formulations from causal inference assess whether failures would occur under different conditions, enabling system improvements via hypothetical interventions. However, the hypothetical nature of counterfactual distributions makes them inherently ambiguous, which is particularly challenging in continuous settings. If the underlying system is dynamic, as it is typically the case in industrial processes, this increases complexity, particularly with regard to scalability. This work tackles three challenges: uncertainties in counterfactual estimation, root cause identification in dynamic systems, and unobserved variables. To address uncertainties, we propose a Bayesian approach for improved reliability. For automatic root cause identification from a single faulty observation, we present an auto-regressive model with sampling-based estimation. Additionally, we sketch deconfounding techniques for unobserved variables. These methods enhance counterfactual reasoning, enabling faster, more accurate root cause identification and simplifying quality control.
Die Ursachenanalyse ist in der Industrie essenziell. Kontrafaktische Formulierungen aus der Kausalinferenz bewerten, ob Ausfälle unter anderen Bedingungen auftreten würden, und ermöglichen so Systemverbesserungen durch hypothetische Eingriffe. Der hypothetische Charakter kontrafaktischer Verteilungen macht sie jedoch mehrdeutig was besonders schwierig ist in kontinuierlichen Umgebungen. Wenn das zugrunde liegende System dynamisch ist, wie in industriellen Prozessen, erhöht dies die Komplexität, insbesondere in Bezug auf die Skalierbarkeit. Diese Arbeit behandelt drei Herausforderungen: Unsicherheiten bei der kontrafaktischen Schätzung, Ursachenidentifikation in dynamischen Systemen und unbeobachtete Variablen. Zur Reduzierung von Unsicherheiten stellen wir einen Bayes’schen Ansatz vor. Zur automatischen Ursachenermittlung aus einer fehlerhaften Beobachtung präsentieren wir ein autoregressives Modell mit stichprobenbasierter Schätzung. Zudem skizzieren wir Deconfounding-Techniken. Diese Methoden verbessern die kontrafaktische Analyse sowie die Ursachenermittlung und vereinfachen die Qualitätskontrolle.
International Conference on System Reliability and Safety (4. : 2019 : Rom) 2019 4th International Conference on System Reliability and Safety Piscataway, NJ : IEEE, 2019 (2020), Seite 494-503 1 Online-Ressource (xiii, 589 Seiten)
Leveraging Applications of Formal Methods, Verification and Validation. Verification Cham : Springer International Publishing, 2018 (2018), Seite 305-321 Online-Ressource (XIII, 496 p. 340 illus., 85 illus. in color, online resource)
AAAI Spring Symposium Series (2018 : Stanford, Calif.) The 2018 AAAI Spring Symposium Series technical report Palo Alto, California, USA, 2018 (2018), Seite 512-515 1 Online-Ressource
von Eckard Böde ; Matthias Büker ; Werner Damm ; Günter Ehmen ; Martin Fränzle ; Sebastian Gerwinn ; Thomas Goodfellow ; Kim Grüttner ; Bernhard Josko ; Björn Koopmann ; Thomas Peikenkamp ; Frank Poppen ; Philipp Reinkemeier ; Michael Siegel ; Ingo Stierand
