Sensorsystem für Industrieanlagen Fehlalarme automatisch erkennen

In Versuchsreihen werden an Zäunen unterschiedliche Arten von Störungen simuliert und charakteristische Signalmuster zugeordnet. V.l.: Dr. Haibin Gao, Melvin Chelli, Ishwar Mudraje, Carsten Dennis Quint und Bharet Gulab Patil.
In Versuchsreihen werden an Zäunen unterschiedliche Arten von Störungen simuliert und charakteristische Signalmuster zugeordnet. V.l.: Dr. Haibin Gao, Melvin Chelli, Ishwar Mudraje, Carsten Dennis Quint und Bharet Gulab Patil.

Experimentalphysiker der Universität des Saarlandes entwickeln eine Software zur Mustererkennung in Sensorsignalen. Sie soll echte Störungen von Fehlalarmen an Zäunen, Industrie- und Windkraftanlagen unterscheiden.

Eine Arbeitsgruppe um Prof. Uwe Hartmann entwickelt an der Universität des Saarlandes ein Verfahren, das zu einem Störsignal automatisch die jeweilige Störursache erkennt. Es lässt sich auf Beschleunigungs- und Magnetfeldsensoren anwenden, die in großflächigen Zaunanlagen für Flughäfen oder Lagerhallen genutzt werden, Windkraftanlagen oder Industrieanlagen. »Durch unsere bisherigen Forschungen können wir etliche Arten von Erschütterungen, Schwingungsänderungen und Änderungen des Magnetfeldes einzelnen Ursachen zuordnen und von Fehlalarmen unterscheiden«, sagt Hartmann. »Diese Erkenntnisse machen wir jetzt mit KI-Methoden übertragbar.«

Die Arbeitsgruppe erforscht seit fast zwanzig Jahren Datenmuster von Sensorsignalen. Zum Forschungsfokus gehört die Entwicklung von Sensorsystemen für Kabel, die Zaunanlagen großflächiger Areale wie Flughäfen oder Lagerhallen überwachen können. Dafür grenzen sie Störungen wie Zerschneiden oder Überklettern der Zäune von Fehlalarmen etwa durch Wind oder Tiere ab. Dafür wurden Magnetfeldsensoren entwickelt, die unter Standardbedingungen über mehrere Meter in jede Richtung Magnetfeldänderungen in der Größenordnung von pT detektieren. Das entspricht etwa einem Millionstel des Erdmagnetfeldes und ist nach Angaben der Universität etwa um den Faktor 1000 empfindlicher als Standard-Magnetfeldsensoren unter diesen Messbedingungen.

Selbstlernendes System

Das Sensorsystem wurde kürzlich um Beschleunigungssensoren erweitert, um die Empfindlichkeit der Messung weiter zu erhöhen. In Versuchsreihen simulierte das Team an Zäunen verschiedene Arten von Störungen und ordnet die Signalmuster den jeweiligen Ursachen zu. Ein Großteil der Arbeit bestand im Aufsetzen eines sauberen Messverfahrens. Anhand der Messwerte lässt sich unterscheiden, ob eine Erschütterung daher rührt, dass sich ein Mensch am Zaun zu schaffen macht oder ob sich doch nur ein Tier daran reibt, der Wind daran rüttelt oder ein Ball dagegen fliegt.

Der nächste Schritt ist die mathematische Modellierung: »Wir entwickeln Modelle, um mit maschinellem Lernen Sensordatenmuster zu identifizieren. Das System erkennt typische Muster, ordnet sie mithilfe intelligenter Algorithmen selbstständig Störungen zu und unterscheidet Rauschen und andere Ursachen«, erläutert der Informatik- und Elektrotechnik-Student Melvin Chelli, der in der Arbeitsgruppe zusammen mit den weiteren Studenten Ishwar Mudraje, Dennis Quint und Bharat Gulab Patil an der Arbeit beteiligt ist. Die gesamte Auswertung erfolgt computergestützt und kann anwendungsspezifisch angepasst werden. »Die spezifischen Erschütterungsmuster kann sich das intelligente Sensorengeflecht quasi in Echtzeit selbst beibringen«, erläutert Uwe Hartmann. Bewertet dann das System die Lage etwa am Windrad auf See als wirklich ernst, alarmiert es via Bluetooth und Smartphone oder Tablet das Wartungsteam.

350.000 Euro EU-Förderung

Das Forschungsprojekt trägt den Titel »Entwicklung von neuartigen magnetosensorischen Techniken und Überwachungsverfahren« und wird seit August 2019 bis Dezember 2021 mit insgesamt 350.000 Euro aus dem Europäischen Fonds für regionale Entwicklung EFRE gefördert. Die Forschung fußt auf vorher geleisteter Grundlagenforschung, die unter anderem von der EU und dem Bundesforschungsministerium gefördert wurden.