Der Einsatz von maschinellem Lernen zur Früherkennung von Anomalien hilft, Schäden zu vermeiden.

0

Die Analyse von Sensordaten von Maschinen, Anlagen oder Gebäuden ermöglicht es, anomale Zustände frühzeitig zu erkennen und so weitere Schäden zu vermeiden. Zu diesem Zweck werden die Überwachungsdaten nach Anomalien durchsucht. Durch maschinelles Lernen kann die Anomalieerkennung bereits teilweise automatisiert werden.

Maschinelle Lernmethoden erfordern zunächst eine stabile Lernphase, in der sie alle möglichen Arten von Regelzuständen kennenlernen. Bei Windkraftanlagen oder Brücken ist dies nur sehr eingeschränkt möglich, da sie beispielsweise stark schwankenden Wetterbedingungen ausgesetzt sind. Darüber hinaus gibt es in der Regel nur wenige Informationen über anomale Ereignisse. Daher ist es für das System schwierig, außergewöhnliche Zustände zu identifizieren und zu kategorisieren. Dieses Wissen ist jedoch wichtig, um herauszufinden, wie prekär die jeweiligen Abweichungen von der Norm wirklich sind. Diese Probleme sollen im Projekt „Machine Learning Procedures for Stochastic-Deterministic Multi-Sensor Signals“ (MADESI) angegangen werden.

Numerische Simulationen können alle denkbaren Szenarien durchlaufen. So ist es beispielsweise möglich, zu simulieren, was passiert, wenn starke Böen auf eine Windkraftanlage treffen. Das Überwachungssystem kann dann mit den aus diesen Simulationen gewonnenen Daten trainiert werden und anschließend selbstständig Anomalien erkennen und interpretieren.

Die Forscher im Projekt MADESI entwickeln Methoden, die die Nutzung von Simulationsdaten im maschinellen Lernen ermöglichen. Dabei muss das Überwachungssystem so konzipiert sein, dass es mit realen Sensordaten und Simulationsdaten trainiert werden kann. Darüber hinaus beabsichtigt das Konsortium, die Interpretationsfähigkeit der Überwachungsdaten zu erhöhen. „Dazu arbeiten wir bei SCAI an Data-Mining-Methoden, die Muster in den Szenariodaten erkennen können“, erklärt Projektleiter Prof. Dr. Jochen Garcke, Leiter der Abteilung „Numerical Data-Driven Prediction“ am Fraunhofer SCAI. „Hier suchen wir auch nach charakteristischen Merkmalen für spezifische Schäden an Getrieben von Windkraftanlagen oder für Eis an den Rotorblättern einer Windkraftanlage.“

tekk.tv

Share.

Leave A Reply