Wie KI Ultraschalldaten für Predictive Maintenance auswertet


Clusteranalyse zur Abschätzung der Restlebensdauer von Anlagen
Wie erfolgt die Auswertung von Ultraschalldaten mit künstlicher Intelligenz?

Die Basis für die Auswertung ist die während der Messung abgespeicherte Datei. Im Fall von Ultraschall ist dies oftmals ein Format, in dem auch Musik in hoher Qualität gespeichert wird.


Die künstliche Intelligenz hat auf diese Messung dann grundsätzlich zwei Sichtweisen: a.) Der Verlauf eines Messwertes über die Zeit. Diese Sichtweise wird auch „Time-Domain“ genannt und eine visuelle Darstellung sieht typischerweise folgendermaßen aus:


Darstellung eines Ultraschallsignals im Zeitverlauf “Time-Domain” (Quelle: Senzoro)

Für die Auswertung durch künstliche Intelligenz, werden diese Berge, Täler, Abstände und deren Änderungen über die Zeit mittels statistischer Faktoren mathematisch beschrieben.


b.) Die zweite Sichtweise der künstlichen Intelligenz fokussiert auf die Analyse der Frequenzbereiche, auch „Frequency-Domain“ genannt. Die farblichen Unterschiede repräsentieren die Stärke des Signals in unterschiedlichen Frequenzbereichen.


Darstellung eines Ultraschallsignals im Frequenzspektrum “Frequency Domain” (Quelle: Senzoro)

Jede Messung wird noch zusätzlich in einzelne Abschnitte zerlegt, wodurch in Summe pro Messung einige hundert verschiedene Faktoren extrahiert werden. Dies ist dann praktisch der Fingerabdruck von Anlagen, ähnlich wie bei der App „Shazam“ zur Erkennung von Musikstücken.


Wie lernt die künstliche Intelligenz die Charakteristika eines Ausfalls zu erkennen?

Die KI an sich besteht aus „transparenten“ Bestandteilen, wo Vorgänge passieren, die wir als Menschen noch nachvollziehen können. Sie beinhaltet aber auch „Black Boxes“, die zwar das gewünschte Ergebnis „ausspucken“, aber für den Menschen im Detail nicht mehr nachvollziehbar sind. Es ist daher nicht ratsam, sich bei so einem wichtigen Thema wie der Vorhersage von Anlagenausfällen ausschließlich auf „Black Boxes“ zu verlassen. Es ist daher ratsam, sich auf mehrere Indikatoren zu verlassen und auf dieser Basis eine finale Entscheidung zu treffen. Ohne alle Geheimnisse zu verraten: Mit folgenden Indikatoren haben wir gute Erfahrungen gemacht:


(1) Klassifizierung von Messungen mittels Entscheidungsbäumen (Für die Data Scientists unter uns: „Random Forrests“), die durch Machine Learning auf Basis des Datensets automatisiert abgeleitet werden.


(2) Bildverarbeitung von visuellen Darstellungen der Messung. Dies kann so wie oben gezeigt der Verlauf des Signals über die Zeit sein, oder verschiedene Repräsentationen des Frequenzspektrums. Der große Vorteil dieser Variante ist die Möglichkeit, auf jene neuronalen Netzwerke zuzugreifen, die auch die Bildverarbeitung in anderen Bereichen revolutioniert haben. Es ist gewissermaßen der Versuch, die Herausforderungen von Predictive Maintenance mittels der mächtigsten Algorithmen dieser Welt zu lösen. Diese Variante ist noch sehr forschungsnah, hier muss sich der Nutzen erst in der praktischen Anwendung zeigen.


Die Auswertung der Ultraschalldaten erfolgt vollkommen autonom, ohne Eingriff durch einen Menschen. Aufgrund der Neuheit des Ansatzes werden Ergebnisse aber im Einzelfall noch durch Experten von uns kontrolliert.


Wie nähert man sich nun der „heiligen“ Aussage an, wie lange ein bestimmtes Bauteil noch hält?

Die „klassische“ Variante, viele gleiche Bauteile immer wieder über den Lebenszyklus zu beobachten hat bei Flugzeugturbinen zu sehr guten Ergebnissen geführt. Leider fehlt in der Produktionspraxis einfach die Möglichkeit, viele Anlagen über den gesamten Lebenszyklus zu beobachten. Die Ableitung der Aussage, dass die Anlage noch 5 Jahre, 4 Monate und 24 Tage hält ist ein allseits gewünschtes Ziel, aber eine unrealistische Erwartung.


Mit vielen Daten kann man aber eine ähnlich nützliche Aussage ableiten, nämlich: Ein Ausfall ist in den nächsten 12 Monaten nicht zu erwarten.


Die Grundidee dahinter: Zu Beginn unserer Messaufzeichnungen haben wir die eindeutigen Fingerabdrücke von Anlagen genommen. Manche davon hatten irgendwann einen Schaden (Ausnahme), aber der Großteil davon wird noch mehrere Jahre problemlos laufen. Diese Fingerabdrücke des problemlosen Laufens ermöglichen bereits bei der ersten Ultraschallmessung eine Aussage, dass die Anlage sehr wahrscheinlich noch X Monate halten wird.


Als Unternehmen muss man sich konstant die Frage stellen, welche technologischen Neuheiten man für das eigene Unternehmen eher früh und welche man eher spät, beziehungsweise überhaupt nicht einführt. Daher möchte ich noch abschließend die Frage beantworten:


Was verpasse ich als Unternehmen, wenn ich auf diesen „Zug“ nicht, beziehungsweise erst später aufspringe?

Mit dem Konzept des „virtuellen Motors“, der mit Ultraschall und künstlicher Intelligenz möglich ist, kann man sehr leicht einen Einstieg in Predictive Maintenance finden. Der nachhaltige Wettbewerbsvorteil eines Unternehmens wird aber dadurch entstehen, dass man diese allgemeinen Daten durch Messungen der eigenen Anlagen anreichert, um die Abschätzung der Restlebensdauer immer genauer zu machen. Unternehmen, die an den klassischen Instandhaltungskonzepten festhalten verpassen daher die Chance, die genauen Fingerabdrücke eines „Ausfalls“ bzw. des „Neuzustandes“ Ihrer Anlagen zu digitalisieren. Diese Chancen sind auch wirklich unwiederbringlich verloren, da sich der Abnützungsgrad von Anlagen über die Jahre nicht künstlich beschleunigen lässt und die nächste „Chance“ manchmal erst in vielen Jahren, beziehungsweise Jahrzehnten wiederkommt. Vor jedem Tausch von Ersatzteilen sollten sich Unternehmen daher die Frage stellen:


Verpasse ich eine einmalige Chance, den Gesundheitszustand meiner Anlagen zu digitalisieren?


Autor: Dipl. Ing. Mag. Markus Loinig, Senzoro GmbH

Email: markus@senzoro.com


0 Kommentare

Aktuelle Beiträge

Alle ansehen