Längeres Leben für selbstlernende Funksensoren zur industriellen Instandhaltung

Energieverbrauch von Funksensoren und große Datenmengen kritisch

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 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 interessante Sensorik generiert zudem eine große Datenmenge. Diese lässt sich bis dato nur mit hohem Energieaufwand an das zentrale Monitoring-Gerät übertragen. Zudem treten im Normalbetrieb Defekte an Maschinen sehr selten bis gar nicht auf und bestimmte Fehlerzustände, wie z.B. defekte Lager und Maschinenteile, lassen sich nicht einfach hervorrufen.

Neuer Algorithmus lernt Gutzustände – Funksensor sendet nur Abweichungen

Mit der patentierten Edge-KI-Lösung werden Daten direkt auf dem Sensorknoten verarbeitet und für die Funkübertragung reduziert, was deren Energiebedarf senkt und somit die Lebensdauer erhöht. Auch Stördaten und Fehlerzustände müssen im Vorfeld nicht mehr erfasst werden.

Der vielzitierte Begriff Edge KI kombiniert Edge Computing und künstliche Intelligenz. Dadurch lassen sich Algorithmen und maschinelles Lernen direkt auf miteinander verbundenen Funksensoren ausführen – lokal oder mit Internetverbindung. Während mit Edge Computing die Daten in der Nähe von Maschinen und Anlagen gespeichert werden können, verarbeiten KI-Algorithmen die Daten direkt am Rand eines Netzwerks bzw. an der Schnittstelle zum übergeordneten Netzwerk und können Rückmeldungen zum Maschinenzustand in Echtzeit bereitstellen.

Der am IMMS entwickelte neue Algorithmus erfasst Daten und lernt die normalen Maschinenverhaltensmuster direkt auf dem Sensor weitgehend unüberwacht. Die regulären Verhaltensweisen einer Anlage und bestimmte Neuheitskriterien, die für abweichendes Verhalten stehen, werden aus den aufgezeichneten Daten auf dem Funksensor gelernt. Daten werden nur dann an ein zentrales Monitoringsystem gesendet, wenn der berechnete Neuheitswert von den normalen Kriterien für ein „gesundes Verhalten“ abweicht. Dadurch entfällt die Übertragung von Rohdaten an ein zentrales Monitoringsystem vollständig. Dieses On-Device-Lernen und das nachfolgende Retraining machen den Algorithmus generalisierbar für verschiedene industrielle Szenarien und robust gegenüber einer möglichen Daten-Drift. Die Methode zum Erkennen des Neuheitswertes von Daten verknüpft mathematische Verfahren in einer spezifischen Abfolge zur laufenden Zustandsüberwachung und vorausschauenden Wartung über Jahre hinweg.

On-Device-Datenreduktion durch Singulärwertzerlegung und Korrelation

Hierfür wird für z.B. ein Lager oder eine Maschine zunächst der ordnungsgemäße Betrieb oder Gutzustand erfasst, dessen Merkmale automatisiert durch eine Singulärwertzerlegung bestimmt und auf dieser Basis ein Schwellwert ermittelt, um Abweichungen erkennen zu können. Dieser Schwellwert wird dann durch Lernen bestimmter Anomalien und Zustände weiter verbessert.

Um den Datensatz auf dem Sensorknoten zu reduzieren, damit möglichst wenige Daten an das Monitoringsystem zu übertragen sind, wird nur eine bestimmte Anzahl der dominanten Singulärwerte mit deren zugehörigen Informationen verwendet. In der Anwendung werden neuaufgezeichnete Vibrationswerte per kanonischer Korrelationsanalyse analysiert. Über die Unterschiede von den gelernten Merkmalen des Gutzustandes und den neuaufgenommenen werden Zustandsänderungen qualitativ erfasst.

Das Verfahren lässt sich in verschiedene Anwendungen zum Monitoring von Maschinen implementieren und kann lizensiert werden.

Deutsches Patent: DE 10 2024 100 703 B3, IP verfügbar, Patentanmelder/-inhaber: IMMS Institut für Mikroelektronik- und Mechatronik-Systeme gemeinnützige GmbH (IMMS GmbH), Erfinder: Rick Pandey.