Immer wieder lockern sich bei über einen längeren Zeitraum in Gebrauch befindlichen Großgeräten die Schraubverbindungen der Starkstromanschlüsse infolge mechanischer und thermischer Beanspruchung. Für Gerätehersteller wie auch für deren Kunden als Anlagenbetreiber ist das deshalb problematisch, weil die gelockerten Schraubverbindungen zur Überhitzung des Geräts bis hin zur Notabschaltung sowie zu thermischen Defekten an einzelnen Komponenten führen. Daraus resultieren ungeplante Stillstandzeiten und aufwendige Reparaturen durch Service-Techniker. Die naheliegende Lösung für Gerätehersteller ist ein System, das sie bereits vor dem Auftreten erster Schäden darüber informiert, wenn ein Gerät von gelockerten Schraubverbindungen betroffen ist. So können Techniker in vergleichsweise kurzen, kostengünstigen und besser planbaren Service-Einsätzen beim Kunden vor Ort die Schraubverbindung rechtzeitig festziehen.
Mit Software, Statistik und maschinellem Lernen zum verlässlichen Frühwarnsystem
Die Infoteam Software AG wurde aus diesem Grund von einem Gerätehersteller im Medizintechnik-Umfeld beauftragt, eine entsprechende Softwarelösung zu entwickeln. Als Ausgangsbasis stellte der Gerätehersteller Temperaturdaten zur Verfügung, die Sensoren an relevanten Positionen in und an den Geräten über einen Zeitraum von mehreren Jahren gesammelt haben. Die Daten sind ergänzt um dokumentierte Defekte, das heißt um den auffälligen Zeitraum vor dem Defekt sowie den Ausfall- und Reparaturzeitpunkt. Aus diesen sogenannten historischen Daten sollen statistische Methoden sowie Methoden des maschinellen Lernens Rückschlüsse beziehungsweise erkennbare Muster herausarbeiten, die für Geräte mit gelockerten Schraubverbindungen signifikant sind. Weist ein Gerät zukünftig ein ähnliches Temperaturmuster auf, kann die Software den Gerätehersteller rechtzeitig warnen. So weit die Theorie.
In der Praxis zeigten Methoden wie Random Forest und Zeitreihenanalysen, dass sich jedes Gerät hinsichtlich der Temperaturentwicklung individuell verhält. Zudem verzeichnen die Temperatursensoren in Abhängigkeit ihrer Position unterschiedlich starke Temperaturschwankungen. Konkret erkennbare Muster für lockere Schraubverbindungen können anhand der Daten jedoch nicht identifiziert werden.
Was ist für die Erstellung eines digitalen Zwillings notwendig?
Der Gerätehersteller stellte deshalb weitere Daten in Form von Betriebsdaten (Zeitreihen über ausgeführte Gerätefunktionen) zur Verfügung, die der IT-Anbieter in Nutzungs- und Pausenzeiten unterteilt. Acht Temperatursensoren, die an verschiedenen Stellen am Gerät verbaut sind, liefern entsprechende Temperaturdaten. Diese Daten werden in ein Log-File gesendet und über Online-Verbindungen täglich übermittelt und ausgewertet. Den Zeiten werden so die gemessenen Temperaturen aller Sensoren zugeordnet. Die Verknüpfung von Betriebsdaten und Temperaturdaten bietet nun erstmals die Möglichkeit, ein einfaches Modell für die Temperaturentwicklung während der Pausenzeiten abzuleiten. Es dient als Basis für die Entwicklung eines erweiterten physikalischen Modells der Temperaturentwicklung in Abhängigkeit der Betriebsdaten (siehe Grafik li.). Dieser sogenannte digitale Zwilling ermöglicht es, den theoretischen Temperaturverlauf mit dem tatsächlichen zu vergleichen und Abweichungen festzustellen.
Bedingt durch die Gerätekomplexität ist dieses physikalische Modell jedoch mit großen Toleranzen behaftet, da nicht alle in den Daten versteckten Abhängigkeiten identifizierbar und mathematisch modellierbar sind. Deshalb und aufgrund der enorm großen Datenmenge verfolgt Infoteam zusätzlich zum physikalischen Modell den Ansatz eines Modells basierend auf Algorithmen der künstlichen Intelligenz (KI), um nutzungsabhängige Temperaturverläufe vorherzusagen. Ein solches Modell benötigt kein Expertenwissen, sondern entwickelt sich selbst zum Experten. Zudem können seine Vorhersageergebnisse auch zum Entschlüsseln weiterer Temperaturanomalien dienen.
Physikalisches Modell versus künstliche Intelligenz
Das selbstlernende KI-Modell nutzt Methoden aus dem „natural language processing“ (NLP), also der Computerlinguistik. Die verwendeten Algorithmen sind in der Lage, natürliche Sprache zu verarbeiten und kontextbezogene Zusammenhänge zu verstehen. Im konkreten Anwendungsfall lernt ein neuronales Netz, die in eine „sprachähnliche Form übersetzten“ Betriebsdaten zu interpretieren. Der Abgleich mit Betriebs- und Temperaturdaten fehlerfreier Geräte zeigt, dass das trainierte KI-Modell deutlich präzisere Vorhersagen trifft als das manuell erstellte physikalische Modell (siehe Grafik re.).
Der Vergleich des tatsächlichen Temperaturverlaufs eines Geräts mit dem theoretischen Temperaturverlauf seines digitalen Zwillings ermöglicht es nun, signifikante Abweichungen von der Norm zu identifizieren. Dieser Vergleich zwischen der Temperaturvorhersage aus dem KI-Modell und den tatsächlich am Gerät gemessenen Daten zeigt: Nicht das Überschreiten eines festen temperaturbezogenen Schwellenwerts ist kennzeichnend für eine Lockerung der Schraubverbindungen, sondern ein über mehrere Wochen langsam ansteigender Versatz der Temperaturtrajektorien.
Automatisiertes KI-Modell für jedes Gerät als Praxislösung
„Diese Erkenntnis verlängert den zeitlichen Handlungsspielraum gegenüber der vom Gerätehersteller ursprünglich gewünschten Lösung um mehrere Wochen, in denen der schleichende Lockerungsprozess bereits sichtbar und behebbar ist. In dieser gewonnenen Zeit kann er Serviceeinsätze besser und sicherer planen. Gleichzeitig werden Stillstandzeiten und Folgeschäden vermieden,“ sagt Frank Müller, Director Data Science bei Infoteam Software.
Um in der Praxis dem nachgewiesenen individuellen Verhalten jedes einzelnen Geräts gerecht zu werden, implementiert das Unternehmen einen Automatisierungsprozess, der aus dem entwickelten KI-Basismodell ein individuelles Modell für jedes im Einsatz befindliche Gerät erstellt. Im konkreten Anwendungsfall ist es nun möglich alle Geräte bezüglich auftretender Temperaturanomalien zu überwachen und Analysen über Dashboards zu visualisieren. Bei Temperaturanomalien werden automatisch Service-Tickets erstellt, um die Geräte frühzeitig überprüfen zu können und gegebenenfalls in geplanten Service-Einsätzen zu reparieren und damit Schäden zu vermeiden.
Kontakt:
Infoteam Software AG
Am Bauhof 9
91088 Bubenreuth
www.infoteam.de
