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
