Traditionelle Spektrum-Überwachung arbeitet mit festen Schwellwerten: Wenn die Leistung in einem Frequenzbereich X dB über dem Rauschboden liegt, wird Alarm ausgelöst. Problem: Zu niedrige Schwellwerte → zu viele Fehlalarme. Zu hohe Schwellwerte → echte Interferenzen werden übersehen. Machine Learning löst das: Das Isolation Forest-Modell (aus scikit-learn) lernt, was "normales" Spektrum ist, und erkennt automatisch Abweichungen – ohne manuelle Kalibrierung.
Der Algorithmus teilt das Spektrum in Scheiben (Slices) und berechnet je Scheibe 5 statistische Features: Mittelwert, Standardabweichung, Max, Min, Spannweite. Das Modell wird auf synthetischen "sauberen" Spektren trainiert (Gauß'sches Rauschen) und erkennt dann Abweichungen wie schmalbandige Interferenzen, Harmonische oder plötzliche Leistungsspitzen. Die farblich markierten Bereiche im Spektrum zeigen, wo das Modell Anomalien detektiert hat – inkl. Konfidenz-Score (je negativer, desto stärker die Anomalie).
Automatische Klassifikation von Messergebnissen (Pass/Fail ohne manuelle Inspektion), Vorhersage von Wafer-Yield basierend auf Testdaten, und Erkennung von Produktionsausreißern.
Isolation Forest erkennt Interferenzen und Anomalien im Funkspektrum