Smart Predictive Maintenance zum frühzeitigen Erkennen von Fehlerquellen

Seite 2: Künstliche Intelligenz und Machine Learning

Die allgemeine, im Grunde seit den 1960er-Jahren gültige Definition, dass es sich bei Machine Learning um lernfähige Algorithmen handelt, gilt in ihrer offenen Form bis heute. Allerdings lassen sich davon ausgehend eine Reihe unterschiedlicher Lernmethoden und -prinzipien wie Unsupervised Learning, Supervised Learning, teilüberwachtes Lernen, statistisches Lernen, Transfer Learning oder Deep Learning identifizieren, die sich im Detail stark unterscheiden.

Zudem lassen sich, betrachtet man die Machine-Learning-Algorithmen von ihrem Ergebnis her, unterschiedliche Klassen von Algorithmen wie Decision Tree, Regression, Clustering oder künstliche neuronale Netze unterteilen und bestimmten Fragestellungen zuordnen.

Wenn es um die Analyse von Maschinen- und Sensordaten geht, spielen künstliche neuronale Netze (KNN) eine große Rolle. Im Vergleich zu anderen Methoden können sie komplexe Zusammenhänge exakter bewerten, weil einzelne Faktoren oder Parameter im Lauf der Zeit ihr exaktes Gewicht in der gesamten Kalkulation erhalten.

Künstliche neuronale Netze zur multifaktoriellen Auswertung

Künstliche neuronale Netze funktionieren auf eine ähnliche Weise wie das neuronale Netz des menschlichen Gehirns. Die einfachste Grundform, an der sich das Funktionsprinzip verdeutlichen lässt, ist ein Neuron. Es besteht aus einem Zellkern, der ein Signal erzeugen kann, einem Axon zur Weiterleitung des Signals und Synapsen, die das Signal an andere Neuronen weitergeben können, um ein komplexes neuronales Netz auszubilden.

Schematische Darstellung einer biologischen Nervenzelle, wie sie im menschlichen Gehirn vorkommt (Abb. 1)

Eine sehr einfache Form eines KNN könnte wie auf Abbildung 2 dargestellt aussehen. Statt eines Zellkerns besteht ein künstliches Neuron aus einem Knotenpunkt. Letzterer kann darüber entscheiden, ob er ein Signal weitergibt und welches Gewicht einem Signal zukommt, das bei ihm ankommt. Ein Knotenpunkt in einem KNN funktioniert dabei mit mehr oder weniger einfachen Regeln.

Beispielsweise kann eine Ja-/Nein-Logik sein Verhalten definieren. Als Basis können konkrete Messwerte wie die in einem laufenden Motor gemessene Temperatur und Vibration dienen. Anhand dieser Werte, die über einen Input Layer in das KNN einfließen, lassen sich nun in Abhängigkeit von den Faktoren bestimmte Szenarien ableiten.

Vereinfachte Darstellung eines Künstlichen Neuronalen Netzes mit einem Input Layer, einem Hidden Layer und einem Output Layer (Abb. 2)

Viele Schichten für Deep Learning

Das Entscheidende bei KNNs sind die Hidden Layer. Im Gegensatz zu der vereinfachten Darstellung in Abbildung 2 befindet sich zwischen dem Input- und dem Output Layer jedoch in der Regel nicht nur ein Hidden Layer, sondern viele. Diese Tiefe, die ein Netz mit einer großen Anzahl von Schichten erreichen kann, ist der Ursprung für den Terminus Deep Neural Network beziehungsweise Deep Learning.

Folgende Abbildung zeigt eine schematische Darstellung eines komplexeren KNN mit einer größeren Tiefe:

(b3.jpg) Darstellung eines Deep-Learning-Vorgangs, bei dem sowohl die Input Layer, die beiden Hidden Layer als auch die Output Layer aus einem künstlichen neuronalen Netz bestehen (Abb. 3)

Je mehr Schichten und je mehr Knotenpunkte KNNs haben, desto komplexere Aufgaben lassen sich mit ihnen lösen. Aber sie spielen ihre Vorteile nicht ausschließlich aus, wenn es um Komplexität geht. Eine andere besondere Eigenschaft von Machine-Learning-Algorithmen – auch wenn sie nicht mit KNNs arbeiten – ist ganz allgemein ihre Lernfähigkeit. Bei Predictive-Maintenance-Anwendungen ist vor ihrem ersten Einsatz immer ein Training erforderlich.

Mindestens ebenso wichtig ist aber, dass Smart-Predictive-Maintenance-Anwendungen nicht nur auf eine gewisse Anzahl vorab festgelegter Fehler reagieren können. Vielmehr können sie im Lauf der Zeit neue, während des Trainings nicht bekannte Muster erkennen, die auf Fehler hindeuten.

Je größer die Datenmenge und der Betrachtungszeitraum sind, desto höher ist die Wahrscheinlichkeit, solche Muster zu erkennen. Dabei muss nicht jedes abweichende Muster bedeuten, dass ein Teil in einem Motor fehlerhaft ist oder ausfallen wird. Manche Fehlermuster können sich durch nur minimale, unregelmäßig auftauchende Abweichungen andeuten. Solche lassen sich erst in einem ausreichend andauernden Monitoring-Zeitraum identifizieren.

Kein Allheilmittel

KNNs helfen beim Erkennen einer großen Bandbreite von Fehlern und Defekten. Das heißt jedoch nicht, dass KI beziehungsweise Machine Learning immer besser ist als andere Methoden. Die Antwort auf die Frage, ob Predictive-Maintenance-Ansätze ohne ML existieren, die ebenfalls wirkungsvoll bestimmte Ereignisse vorhersagen können, lautet eindeutig ja. Diskussionen über den Mehrwert neuer Methoden wiederholen sich auf eine ähnliche Weise im Zuge jeder neuen Erfindung oder Entwicklung.

Selbst wenn neue Geräte oder Tools eine bestimmte Aufgabe besser und effektiver erledigen, sind sie nicht universal einsetzbar. Beispielsweise erleichtert ein Presslufthammer viele Arbeiten enorm, eignet sich jedoch nicht gleichermaßen für alle Anwendungsfälle, in denen ein Hammer und ein Meißel erforderlich sind. Analog dazu ist der Einsatz von ML eine von zahlreichen Methoden, die sich zu einem spezifischen Zweck verwenden lassen. Das Einsatzszenario und die konkrete Fragestellung entscheiden darüber, welcher Ansatz sinnvoll ist.

Das soll nicht in Zweifel ziehen, dass der Einsatz künstlicher Intelligenz ein großes Potenzial hat. Manchmal genügen jedoch einfache Monitoring-Ansätze, um eine konkrete Aufgabe wie das Erkennen von Verschleiß einzelner Teile zu erledigen. Wenn beispielsweise lediglich ein Parameter wie das Ansteigen der Temperatur über eine bekannte Grenze auf einen spezifischen Ausfall eines Bauteils hindeutet oder dessen Materialeigenschaften sich ab einer Temperatur über ein kritisches Maß hinaus verändern, genügt es, diesen Wert dauerhaft zu überprüfen.

Für Unternehmen ist es wichtig, Kompetenz im Umgang mit Daten und besonders mit dem Einsatz von KI aufzubauen, denn sie müssen berücksichtigen, dass die Methoden nicht als Wundermittel alle Vorgänge automatisieren oder unumstößliche Wahrheiten produzieren. Ein Verständnis dafür, was die Ergebnisse von Prognosen bedeuten und welche Konsequenz daraus folgt, ist unerlässlich. Darüber hinaus gilt es, nicht das menschliche Gespür für Maschinen und Situationen im Arbeitsalltag verlieren.

Angrenzende Einsatzgebiete

Obwohl Machine Learning nicht zwangsläufig im Zentrum einer Predictive-Maintenance-Anwendung stehen muss, spielt es im industriellen Kontext immer häufiger eine wichtige Rolle. Eine wichtige Funktion kann ML zudem in angrenzenden Bereichen übernehmen. Insbesondere wenn es um die Eingabe von Datenanalysen geht, lohnen sich ML-Algorithmen. Aufgaben wie Bilderkennung, Data-Mining oder Sound-Analysen können der entscheidende Schritt bei der Suche nach einer Lösung sein.

Besonders bei der Analyse komplexer Maschinen wie Turbinen oder bei Motoren in großen Flotten, bei deren Überwachung zahlreiche unterschiedliche Messwerte erhoben und ausgewertet werden müssen, spielt Smart Predictive Maintenance seine Stärken aus. Bei einem Ausfall droht entweder eine große Rückrufaktion, oder die Folgen eines Defektes sind gravierend.

Wenn beispielsweise im Rahmen der Energiewende der Einsatz von Windkraftanlagen zunehmend wichtiger wird, muss sichergestellt werden, dass sie weitgehend ungestört funktionieren. Die Daten aus Turbinenparks sind jedoch unterschiedlich – nicht alle Anlagen sind gleich alt und nicht alle befinden sich auf demselben technischen Stand. Einige haben vielleicht eine Wartung oder Reparatur hinter sich, andere nicht. In diesem Fall lassen sich durch den Einsatz von Machine Learning die Variablen identifizieren und vor allem multivariante Anomalien erkennen.