Machine Learning

Intelligente cloudbasierte Datenauswertung von Sensornetzwerken

Für eine zustandsorientierte Instandhaltung von in Betrieb befindlichen Großkraftmaschinen, wie zum Beispiel Schiffsmotoren, ist eine kontinuierliche Zustandsüberwachung unabdingbar. Fehler der Maschinen äußern sich dabei zumeist durch eine Veränderung der Geräusch- und Vibrationssignatur.

Bei der traditionellen Zustandsüberwachung werden charakteristische Kenngrößen der Maschine (zum Beispiel Drehmomente, Vibrationen, Drücke) dauerhaft gemessen und mit statistischen
Mindest- und Höchstgrenzen verglichen. Sobald ein Grenzwert über- oder unterschritten wird, kommt es zur Alarmauslösung. Bleibt ein Parameter innerhalb der Schwellwerte und ist trotzdem
„nicht normal“ (sich entwickelnder Fehler), bleibt er unentdeckt.

Das Ziel des Vorhabens ist die Entwicklung einer intelligenten Mustererkennung, die auf Basis der Geräuschsignatur den Normalzustand von Maschinen im Betrieb bestimmt und dadurch vorausschauend kritische Abweichungen detektieren kann.

 

Um sich entwickelnde Störungen vor einer Schwellwertüberschreitung zu erkennen, werden mehr Informationen über den aktuellen Zustand der Maschine gesammelt und nach Mustern in diesen Daten gesucht. Dazu werden geeignete Cloud-Dienste-Plattformen pilotiert, verschiedene Algorithmen validiert und mit Testdaten überprüft.

IDAS PROJEKTZIELE

Entwicklung einer cloudfähigen Dienstplatform

  • Definition von Anforderungen und Aufbau verschiedener Umgebungen
  • Integration von Schnittstellen zur Verwendung von Softwaremodulen
  • Durchführung von Erprobungszyklen und Vergleich der Ergebnisse
  • Integration der Algorithmen zu Modulen
  • Integration der Module in die Dienstplattform
     

Entwicklung Mustererkennung

  • Recherche und Analyse geeigneter Ansätze KI/ML-Methoden
  • Generierung von Testdaten
  • Bewertung der Kompatibilität zwischen Verfahren/Daten/Anwendung
  • Algorithmenentwicklung Mustererkennung
  • Implementation Mustererkennung
  • Tests der Softwaremodule
  • Transfermöglichkeiten auf andere Anwendungen
     

BEISPIELE DATENERHEBUNG

 

 

Datenerhebung am Schiff Meta

Autoencoder

Idee: 

  • Kompression der Daten über einen Autoencoder
  • Training auf Identität
  • Bei Rekonstruktionsabweichung Anomaly gefunden!

Vorteil:

  • Trainierbar und beliebig Parametrisierbar
  • Einfache Steuerung des Input und Outputs
  • Beliebig steuerbare Anomalyschwelle (1-100%)

Nachteil:

  • Komplexeres Verfahren
  • Keine Einbeziehung von zeitlichen Abläufen
     

Dieses Projekt wird kofinanziert von der Europäischen Union aus dem Europäischen Fonds für regionale Entwicklung.
Operationelles Programm Mecklenburg-Vorpommern 2014-2020 - Investitionen in Wachstum und Beschäftigung