System Monitoring

Ein wesentliches Ziel im Systemmonitoring ist es ungewöhnliche Zustände zuverlässig und rechtzeitig zu erkennen, um Schädigungen, Ausschussproduktion oder Stillstand zu vermeiden. Dank heutzutage einfach verfügbarer (digitaler) Sensortechnik, sind Systeme typischerweise mit mehreren Sensoren und Sensorarten versehen. Die Analyse der Sensordaten von Maschinen, Anlagen oder Bauwerken ermöglicht es somit, ungewöhnliche Zustände frühzeitig zu erkennen und so Schäden zu vermeiden. Dazu wird in den Daten nach Auffälligkeiten, sogenannten Anomalien, gesucht. Mittels maschinellen Lernens kann diese Anomalie-Erkennung bereits jetzt zum Teil automatisiert ablaufen. Systemmonitoring ist damit zu einem wesentlichen Anwendungsfeld für Methoden des maschinellen Lernens im Rahmen der Industrie 4.0 geworden.

Wir arbeiten an der Anomalie-Erkennung in Sensordaten unter Einfluss von externen, unkontrollierbaren, zeitabhängigen Störungen. Ein Vergleich von Daten unter diesem Einfluss ist unter Verwendung von Standardvergleichsmetriken sehr schwierig. Ein Lösungsansatz besteht darin, das betroffene Signal so zu zerlegen, dass eine neue, unter solchen Störungen unveränderliche Signaldarstellung entsteht, die den Vergleich zwischen normalen und anomalen Signalen ermöglicht. Ein Anwendungsgebiet ist die vorausschauende Wartung von Windkraftanlagen; die Anomalien sind das Auftreten von Schäden, Unwuchten, Eisablagerungen auf den Blättern oder Getriebeausfälle. Der äußere Einfluss ist die Windveränderung.

Zum Projekt

Im Zusammenhang mit industriellen Mahlprozessen treten mehrere Anomalien auf, die zu einem ineffizienten Betrieb der Mühle, einem verringerten Durchsatz oder einem Verlust an Produktqualität führen können. Die Systemüberwachung versucht, diese Anomalien in einem frühen Stadium zu erkennen, um genügend Zeit für eine Anpassung der Systemparameter zur Optimierung des Prozesses zu haben.

Im Falle einer industriellen Zementmühle beispielsweise können Änderungen der Umgebungsbedingungen oder des Rohmaterials zu einem Verstopfen der Mühle und schließlich zur Abschaltung des gesamten Systems führen. Mit Hilfe einer fortschrittlichen Datenanalyse sind wir in der Lage, Muster in den multivariaten SPS- und Schwingungsdaten zu identifizieren, die mehrere Minuten vor einem Blockieren auftreten. Auf diese Weise kann eine Abschaltung vorhergesagt und Gegenmaßnahmen eingeleitet werden.

Ein weiterer Schwerpunkt unserer Arbeit ist die Analyse von akustischen Daten, die von aerodynamischen Strahlmühlen stammen. Dabei wird das Signal in Effekte aufgeteilt, die einerseits durch die Struktur der Mühle und andererseits durch die Flüssigkeit und das Material erzeugt werden. Darauf aufbauend entwickeln wir Techniken zur Abschätzung der Partikelgrößenverteilungen im Produktstrom auf der Basis des akustischen Signals. Dies ermöglicht eine wesentlich schnellere Kalibrierung des Prozesses im Vergleich zu einer kostspieligen Offline-Analyse der Partikel in einem Labor.