Ergebnisse aus einer Testanlage
Wartung ist eines der wichtigsten Themen in der Industrie (Quelle: Phoenix Contact)
Durch Nutzung von Convolutional Neural Networks lassen sich Dampflecks erkennen (Quelle: shutterstock.com_Christian Lagerek_224936086)
Die beschriebenen Ideen sind schon in einer Testanlage zur Anomalieerkennung von Pumpen erprobt worden. Dort wurde die Verschiebung einer Pumpe aus ihrer Achse entweder durch einen Hebel oder durch eine Verstopfung mithilfe eines Proportionalventilssimuliert. Die eingesammelten Daten lassen sich zum Training verschiedener Machine-Learning-Modelle einsetzen.
Die Untersuchung beschäftigte sich damit, inwiefern neuronale Netze, Variational Autoencoder und Isolation Forest die beiden simulierten Anomalien erkennen. Die Verstopfung wurde sowohl mit dem Isolation Forest als auch dem neuronalen Netz mit einer mehr als 95 prozentigen Sicherheit und einer Fehleralarmrate von 5 % festgestellt und das mit den bereit vorhandenen Druck und Durchflusssensoren. Beide Modelle bilden somit eine gute Grundlage für die prädiktive Wartung, denn sie können Fehler in den Daten detektieren. Zum Erkennen der Verschiebung ist jedoch die Installation neuer Sensoren notwendig, um zuverlässige Ergebnisse erhalten zu können. Ferner wurde die Erkennung von Dampflecks auf Pipelines erforscht. Zu diesem Zweck ist ein Convolutional Neural Network (CNN) auf bestehenden Videos von Überwachungskameras trainiert worden. Im Ergebnis stellt das CNN die Lecks live fest.
Berücksichtigung der Herausforderungen
Dem Machine Learning kommt in der Prozessindustrie eine wachsende Bedeutung zu. Dies, weil das Verfahren viele Möglichkeiten bietet, die sich schon in der Praxis bewährt haben. Für Anlagenbetreiber erweist es sich daher als wichtig, sich mit dem Thema auseinanderzusetzen, damit die sich ergebenden Chancen genutzt werden können. Die bei der Umsetzung auftreten den Herausforderungen sind dabei nicht außer Acht zu lassen.
Daten als wichtige Ressource
In Industrie-4.0-Lösungen bilden Daten die wichtigste Ressource. Nach Öl, Kohle und Strom treiben sie die vierte industrielle Revolution voran. Aufgrund ihrer großen Menge (auch als Big Data bezeichnet) ermöglichen die Daten im Rahmen einer prädiktiven Wartung eine geringe Stillstandzeit der Anlagen. Darüber hinaus tragen sie zu selbstoptimierenden Prozessen bei, die in einer schnelleren, effizienteren und kostengünstigeren Produktion resultieren. Bei der Verwendung der Daten ist jedoch stets auf deren Vollständigkeit und Korrektheit zu achten, da mehr Daten immer mehr Risiken mit sich bringen und inkorrekte Daten zu falschen oder verzerrten Ergebnissen führen.