21.11.2018

Maschinelles Lernen soll Schäden vermeiden

Automatisierte Analyse von Sensordaten erhöht Sicherheit von Anlagen.

Die Analyse der Sensor­daten von Maschinen, Anlagen oder Bauwerken ermöglicht es, unge­wöhnliche Zustände frühzeitig zu erkennen und so Schäden zu vermeiden. Dazu wird in den Daten nach Anomalien gesucht. Mittels maschi­nellen Lernens kann diese Anomalie-Erkennung bereits jetzt zum Teil automatisiert ablaufen. Dazu benötigt das System aber zuerst eine stabile Anlern­phase, in der es alle möglichen Normal­zustände kennen­lernt. Bei Windkraft­anlagen oder Brücken ist das nur sehr einge­schränkt möglich, da sie unter anderem stark schwankenden Wetter­lagen ausgesetzt sind. Darüber hinaus sind in der Regel nur wenige Daten zu anomalen Ereignissen verfügbar. Dadurch kann das System die Ausnahme­zustände nicht kategorisieren. Dies wäre aber wichtig, um zu erkennen, wie gefährlich die jeweiligen Normab­weichungen sind. Genau diese beiden Probleme sollen im Projekt „Maschi­nelle Lern­verfahren für Stochas­tisch-Deter­ministische Multi-Sensor Signale“ (MADESI) gelöst werden.

Abb.: SImulationen zeigen die Auswirkungen von starken Sturmböen auf Windräder. (Bild: Fh.-SCAI / J. Krüger, MEV-Verl.)

Mit Hilfe numerischer Simu­lationen können alle erdenk­lichen Szenarien annäherungs­weise durch­gespielt werden. So kann beispiels­weise simuliert werden, was passiert, wenn starke Sturmböen auf ein Windrad treffen. Das Moni­toring-System könnte dann mit den bei diesen Simu­lationen erzeugten Daten angelernt werden und anschließend selbst­ständig Anomalien erkennen und inter­pretieren. Dafür entwickeln die Forscher im Projekt MADESI Verfahren, die Simulations­daten für maschinelle Lern­verfahren nutzbar machen. Dabei soll zum einen die Komplexität der Simulations­daten verringert werden, damit das Moni­toring-System zusätzlich auch mit realen Sensor­daten angelernt werden kann.

Zum anderen will das Konsor­tium auch die Interpre­tierbarkeit der Monitoring-Daten erhöhen. „Um das zu erreichen, arbeiten wir unter anderem an Data-Mining-Methoden, mit denen wir Muster in den Szenario-Daten erkennen“, erklärt Projekt­leiter Jochen Garcke, Abteilungs­leiter „Numerische daten­basierte Vorhersage“ am Fraunhofer-Institut für Algorithmen und Wissen­schaftliches Rechnen SCAI. Dabei suche man auch nach Merkmalen für Schädigungs­vorgänge oder für das Erkennen von Eis auf Windrädern. Neben Fraunhofer SCAI und der Tech­nischen Univer­sität Darmstadt sind auch die Unternehmen Weidmüller Moni­toring Systems und ZF Friedrichs­hafen beteiligt. Letztere stellen echte Sensor­daten zur Verfügung, um die neu ent­wickelten metho­dischen Ansätze zu testen.

Fh.-SCAI / JOL

Weiterbildung

Weiterbildungen im Bereich Quantentechnologie
TUM INSTITUTE FOR LIFELONG LEARNING

Weiterbildungen im Bereich Quantentechnologie

Vom eintägigen Überblickskurs bis hin zum Deep Dive in die Technologie: für Fach- & Führungskräfte unterschiedlichster Branchen.

Sonderhefte

Physics' Best und Best of
Sonderausgaben

Physics' Best und Best of

Die Sonder­ausgaben präsentieren kompakt und übersichtlich neue Produkt­informationen und ihre Anwendungen und bieten für Nutzer wie Unternehmen ein zusätzliches Forum.

Meist gelesen

Themen