Energieeffiziente Zustandsüberwachung
Edge-KI für langlebige Funksensornetze
Ein neues IMMS-Patent zeigt, wie Edge-KI den Energiebedarf selbstlernender Funksensoren drastisch senkt. Durch Edge-KI und On-Device-Lernen sinkt der Energieverbrauch erheblich, sodass Funksensoren für die Zustandsüberwachung und vorausschauende Wartung über Jahre einsetzbar sind.
Das IMMS Institut für Mikroelektronik- und Mechatronik-Systeme hat ein Patent mit der Bezeichnung »Verfahren und Sensoranordnung zum Überwachen einer Funktion eines Bauteiles einer Maschine« entwickelt. Kern des Patents ist eine neue Methode zur datenreduzierten Kommunikation zwischen Funksensorknoten und Monitoringsystemen, die den Energieverbrauch von Funksensoren erheblich senkt. Damit können Anwender oder Hersteller Funksensoren zur industriellen Instandhaltung mit Zustandsüberwachung und vorausschauender Wartung auch in großer Menge und an schwer zugänglichen Stellen über Jahre hinweg einsetzen.
Energieverbrauch und Datenmengen als zentrale Herausforderung
Maschinen und Industrieanlagen werden häufig mit Funksensoren in Echtzeit überwacht und analysiert, um potenzielle Probleme oder Abweichungen von normalen Betriebszuständen frühzeitig zu erkennen und Wartungsbedarf vorherzusagen. Hierbei kann es jedoch zu Einschränkungen kommen: Befinden sich die Sensoren beispielsweise an vielen oder schwer zugänglichen Stellen und sollen über Jahre zuverlässig arbeiten, ist deren Energieverbrauch mit Blick auf die Akkulaufzeit kritisch.
Die für ein Monitoring relevante Sensorik generiert zudem große Datenmengen, die bislang nur mit hohem Energieaufwand an ein zentrales Monitoring-Gerät übertragen werden können. Gleichzeitig treten im Normalbetrieb Defekte an Maschinen sehr selten bis gar nicht auf, und bestimmte Fehlerzustände – etwa defekte Lager oder Maschinenteile – lassen sich nicht einfach so hervorrufen.
Edge-KI reduziert Daten direkt auf dem Sensorknoten
Mit der patentierten Edge-KI-Lösung des IMMS werden Daten direkt auf dem Sensorknoten verarbeitet und für die Funkübertragung reduziert. Dadurch sinkt der Energiebedarf der Funksensoren erheblich und ihre Lebensdauer erhöht sich. Auch Stördaten und Fehlerzustände müssen im Vorfeld nicht mehr erfasst werden.
Der Begriff Edge-KI kombiniert Edge Computing und künstliche Intelligenz. Während beim Edge Computing Daten in der Nähe von Maschinen und Anlagen gespeichert werden, ermöglichen KI-Algorithmen die Verarbeitung dieser Daten direkt am Rand eines Netzwerks oder an der Schnittstelle zum übergeordneten Netzwerk. So können Rückmeldungen zum Maschinenzustand in Echtzeit bereitgestellt werden – lokal oder mit Internetverbindung.
Algorithmus lernt Gutzustände weitgehend unüberwacht
Der am IMMS entwickelte neue Algorithmus erfasst Sensordaten und lernt die normalen Maschinenverhaltensmuster direkt auf dem Funksensor weitgehend unüberwacht. Die regulären Verhaltensweisen einer Anlage sowie bestimmte Neuheitskriterien für abweichendes Verhalten werden aus den aufgezeichneten Daten gelernt.
Daten werden nur dann an ein zentrales Monitoringsystem gesendet, wenn der berechnete Neuheitswert von den Kriterien für ein »gesundes Verhalten« abweicht. Eine kontinuierliche Übertragung von Rohdaten entfällt damit vollständig. Das On-Device-Lernen sowie das nachfolgende Retraining machen den Algorithmus generalisierbar für unterschiedliche industrielle Szenarien und robust gegenüber möglicher Daten-Drift.
Zustandsüberwachung mittels Singulärwertzerlegung und Korrelation
Zur Zustandsüberwachung wird zunächst der ordnungsgemäße Betrieb – der Gutzustand – eines Lagers oder einer Maschine erfasst. Dessen Merkmale werden automatisiert mithilfe einer Singulärwertzerlegung bestimmt. Auf dieser Basis wird ein Schwellwert ermittelt, der zur Erkennung von Abweichungen dient und durch das Lernen bestimmter Anomalien und Zustände weiter verbessert wird.
Zur Reduktion des Datensatzes auf dem Sensorknoten werden nur eine bestimmte Anzahl dominanter Singulärwerte sowie deren zugehörige Informationen verwendet. Neu aufgezeichnete Vibrationswerte werden anschließend mittels kanonischer Korrelationsanalyse ausgewertet. Über die Unterschiede zwischen den gelernten Merkmalen des Gutzustands und den neuen Daten werden Zustandsänderungen qualitativ erfasst.
Einsatz und Lizenzierung
Das Verfahren lässt sich in unterschiedliche Anwendungen zum Monitoring von Maschinen integrieren und kann lizenziert werden.
Jobangebote+ passend zum Thema
Lesen Sie mehr zum Thema
