Machine Learning: Wie bei KSB Algorithmen trainiert werden.

Maschinenschäden erkennen, bevor sie auftreten

Es begann mit einem leisen Brummen, das bei dem laufenden Motor nicht zu hören war. Kurze Zeit später kamen leichte Vibrationen in der Anlage hinzu, die ebenfalls unbemerkt blieben – bis zu dem Augenblick als das Lager plötzlich brach und die ganze Pumpanlage ausfiel. Die Folge: ein kompletter Anlagenstillstand inklusive hektischer Ersatzteilbeschaffung und Terminschwierigkeiten für den Einbau. Ein teurer Zwischenfall – der bereits in naher Zukunft vermeidbar sein sollte!

In der Praxis kommt es recht häufig vor, dass Pumpen aufgrund falscher Dimensionierung oder sich ändernder Rahmenbedingungen dauerhaft stark instationär und auch über ihre Betriebsgrenzen hinaus betrieben werden – mit den bekannten bösen Folgen: verringerte Wirkungsgrade, höherer Verschleiß, geringere Lebensdauer und eine höhere Gefahr, vorzeitiger nicht vorhersehbarer Ausfälle. Ein kontrollierendes Monitoring und eine genaue Analyse der Betriebsdaten finden zurzeit leider nur selten statt.

Wie wäre es, wenn ein Monitoring- und Diagnose-System existierte, welches den Betriebszustand von Pumpen genau überwacht, ihre Lebensdauer bewertet, sowie Anomalien frühzeitig erkennt bzw. Ausfälle prognostizieren kann? Damit wäre sichergestellt, dass die Aggregate in allen Betriebszuständen und an den Grenzen des definierten Betriebsbereichs sicher und zuverlässig betrieben werden könnten. Die Gefahr ungeplanter Ausfälle würde minimiert und Wartungspläne könnten pumpen individuell und absolut bedarfsgerecht erstellt werden – ein immenser Beitrag zu mehr Effizienz und Ressourcen-Ersparnis!

Anomalien sicher erkennen und bewerten

Ein solches Monitoring- und Diagnose-System basiert auf zwei Säulen: Zum einen der Datenerfassung mithilfe von Sensoren und zum anderen in der intelligenten Verarbeitung dieser Daten – und das ist „where the magic happens“.

Das Zauberwort in diesem Zusammenhang lautet „Anomalieerkennung“ – es steht für eine bekannte Aufgabe im Forschungsgebiet des „Machine Learnings“, also des maschinellen Lernens. Eine Hauptanwendung der Anomalieerkennung bildet neben der Intrusion Fraud Detection vor allem das Predictive Maintenance, also die vorausschauende Wartung technischer Anlagen. Typische Bereiche sind hier die Vorhersage, Diagnose und Klassifikation auftretender Probleme sowie die Analyse von Abnutzung und verbleibender Lebenszeit.

Dafür werden als Grundlage verschiedene Systemparameter verwendet, häufig Temperatur, Druck, Spannung, Drehgeschwindigkeit, Vibrationen und akustische Signale. Für Pumpen wurden erste Ansätze zur Erkennung von Kavitationen und Verstopfungen sowie zur Voraussage der Lebenszeit mittels Vibrationsdaten veröffentlicht. Zur Diagnose von Schadensursachen wurden bisher jedoch nur vergleichsweise einfache statistische Verfahren eingesetzt.

Wie werden aus einfachen Daten nützliche Informationen?

Grundsätzlich ist für jede gefährdete hydraulische Rohranlage eine Druckstoßuntersuchung nach heutigem Stand durch den Planer durchzuführen. Dabei sind viele Werte mit einzubeziehen. Das können – in Auszügen – sein:

Oder anders gefragt: Wie lassen sich Anomalien tatsächlich erkennen und so analysieren, dass daraus Vorhersagen getroffen werden können? Um das zu beantworten, bedarf es einer ausgeklügelten Methodik und einem dezidierten Arbeitsplan. Denn um eine solche Anwendung zu ermöglichen und einen echten Mehrwert zu generieren, müssen die Entwicklung von Algorithmen und mathematischen Modellen parallel zu den Themen Daten-Strategie und Infrastruktur bearbeitet werden. Die einzelnen Arbeitspakete während einer solchen Entwicklung sind dabei klar definiert:

1.  Erstellung der Grundarchitektur des Gesamtsystems
2.  Aufbau einer Datenplattform
3.  Erkennung von Fehlerzuständen (Anomalien)
4.  Klassifizierung von Fehlerzuständen
5.  Vorhersage von Fehlerzuständen

Aufgrund von Abhängigkeiten innerhalb dieser Arbeitspakete ist ein iteratives Vorgehen unabdingbar. Dieses gilt vor allem für die Entwicklung der Daten-Strategie und den Aufbau der notwendigen Infrastruktur.

Arbeitspaket 1. Erstellung der Grundarchitektur des Gesamtsystems

Zunächst ist eine detaillierte Architektur des Gesamtsystems zu entwerfen und Schnittstellen zwischen den Systemen (Cloud und Lokal) sind zu beschreiben. Bei den lokalen Systemen sind die Schnittstellen zwischen Sensorik, Vorverarbeitung und den Algorithmen zu definieren. Neben der Schnittstelle in die Cloud ist auch die dortige Weiterverarbeitung der Informationen und der Weg zurück zum Sensor zu definieren. Die Art und die Häufigkeit, sowie die Formate der Eingangs- sowie Ergebnisdaten müssen festgelegt werden, um weiterführende Analysen und Visualisierungen zu ermöglichen. Denn viele Zusammenhänge lassen sich erst durch das korrelierte Visualisieren mehrere Daten erkennen.

Arbeitspaket 2. Aufbau einer Datenplattform

Der Aufbau einer Datenplattform ist eng mit dem Aufbau der Infrastruktur verbunden. Daten aus unterschiedlichen Quellen (z. B. von Prüfständen, der Monitoring-Lösung KSB Guard, statischen Informationen, Meta- oder Wetterdaten) werden in einem cloud-basierten sog. „Data-Lake“ gesammelt. Um diese Daten effizient und performant speichern und abrufen zu können, ist die genaue Evaluierung und Identifizierung von Datenformaten nötig. Und um den Anforderungen eines definierten Nutzerpools gerecht zu werden, müssen Nutzerrollen, Berechtigungen sowie Account-Sicherheitseinrichtungen angelegt und ausdefiniert werden.

Der Aufbau und die Pflege einer Entwicklungs-Infrastruktur (DEV), Test-Infrastruktur (QA) und einer produktiven Infrastruktur sind ebenfalls enorm wichtig. Software und neue Funktionen, die in diesen Systemen ausgerollt werden, unterliegen automatisierten Tests und Versionierungen. Überdies ist die Entwicklung eines Werkzeugs notwendig, um die an den Maschinen gemessenen Daten mit Metainformationen (z. B. Pumpenzustand und Betriebsbedingungen) anreichern zu können. Diese Informationen werten die Daten erheblich auf und legen den Grundstein für das Training der Algorithmen.

Arbeitspaket 3. Erkennung von Fehlerzuständen (Anomalien)

In diesem Arbeitspaket werden Systemmodelle trainiert, Abweichungen vom Normalbetrieb individuell zu erkennen. Das geschieht erstens mithilfe von Algorithmen aus dem Bereich des maschinellen Lernens. Und zweitens den Grenzwert-Algorithmen. Für deren Entwicklung wird auf vorhandenes Expertenwissen sowie auf Normen (z. B. DIN 10816) zurückgegriffen. So werden feste bzw. flexible Grenzwerte definiert, die auf Anomalien hindeuten. Die Annotation erkannter Anomalien erfolgt dann nach Abweichungsgrad vom Normalzustand, Dauer und Dringlichkeit.

Um die Ressourceneffizienz dauerhaft zu gewährleisten, stehen die Eignung und Präzision der Algorithmen bzw. Grenzwertimplementierungen im Fokus und sollten ständig optimiert werden. Durch Selektion, Kombination und Adaption erfolgt eine Optimierung der notwendigen Menge und der Qualität der Eingangsdaten für die Anomalie-Erkennung.

Arbeitspaket 4. Klassifizierung von Fehlerzuständen

Die Klassifizierung von Anomalien der überwachten Pumpen soll mittels der implementierten Machine-Learning-Algorithmen erfolgen. Dafür müssen zum Anlernen der Algorithmen reale, simulierte bzw. generierte Daten von anormal arbeitenden Pumpenaggregaten zur Verfügung gestellt werde. Zusätzlich wird auch hier auf vorhandenes Expertenwissen zurückgegriffen. Die entwickelten Algorithmen werden dokumentiert und in die Infrastruktur implementiert.

Arbeitspaket 5. Vorhersage von Fehlerzuständen

Das Ziel ist, Prognosen (Vorhersagen) von Anomalien auf Basis gegenwärtiger Betriebsparameter tätigen zu können – um rechtzeitig, bevor es zu einem ungeplanten Ausfall kommt, Vorsorge zu treffen. Im Gegensatz zur Erkennung tatsächlich auftretender Anomalien sollen diese Algorithmen vorhersagen, wann eine Anomalie mit hoher Wahrscheinlichkeit auftritt. Hierbei sollen langfristige Trends sowohl über Expertenwissen modelliert als auch von Machine-Learning-Algorithmen selbstständig erlernt werden. Zur Evaluierung dieser Prognosealgorithmen werden reale oder simulierte Anomalie-Daten von Pumpenaggregaten benötigt.

Zusammenfassung und Fazit

Erst eine sichere, automatisch erfolgende Anomalieerkennung und dessen Voraussage machen echtes Predictive Maintenance – mit all seinen Potenzialen – erst möglich. Aber der Weg dahin ist in weiten Teilen noch unbekanntes Terrain und Forschungsgebiet, welches zurzeit erschlossen wird. KSB gehört mit seinem Monitoring-Service KSB Guard hier zu den Vorreitern und arbeitet mit großem Einsatz daran, das Thema Predictive Maintenance für seine Kunden weiter voranzutreiben. Denn gerade im Zuge der Digitalisierung weiter Teile der Industrie und der Bestrebungen, Industrie-4.0-Prinzipien zu implementieren, wird der intelligente und nutzenbringende Umgang mit Daten immer wichtiger. Gerade bei deutlich wachsenden Datenmengen wird es anhand von einfachen Datenanalysen immer schwerer, wertvolle Informationen zu extrahieren. Hier hilft Machine Learning dabei, entscheidende Informationen herauszufiltern, Muster zu erkennen und Vorhersagen zu treffen. Unternehmen werden darin unterstützt, die richtigen Entscheidungen zu treffen und ihre Prozesse und ihre Effizienz deutlich zu verbessern.