Machine Learning: hoe algoritmes worden getraind bij KSB

Schade aan de machine detecteren voordat deze werkelijk optreedt

Het begon met een stil zoemend geluid dat niet werd gehoord toen de motor liep. Een korte tijd later kwamen daarbij lichte trillingen in de installatie, die eveneens onopgemerkt bleven – tot het moment dat het lager plotseling brak en het hele pompsysteem uitviel. Het resultaat: een volledige stilstand van de installatie, inclusief een hectische aankoop van reserveonderdelen en met planningsproblemen voor de montage. Een duur incident – dat in de nabije toekomst te voorkomen zou moeten zijn!

In de praktijk is het heel gebruikelijk dat pompen permanent in een zeer onstabiele toestand en buiten hun operationele grenswaarden worden gebruikt als gevolg van onjuiste dimensionering of veranderende omstandigheden – met de bekende negatieve gevolgen: minder efficiëntie, meer slijtage, kortere levensduur, verhoogd risico en voortijdige onvoorspelbare storingen. Een controlerende monitoring en een nauwkeurige analyse van de bedrijfsgegevens vinden op dit moment helaas slechts zelden plaats.

Hoe zou het zijn als er een bewakings- en diagnosesysteem bestaat dat de bedrijfstoestand van de pompen nauwkeurig bewaakt, de levensduur ervan evalueert en in een vroeg stadium afwijkingen detecteert resp. storingen voorspelt? Dit zou ervoor zorgen dat de aggregaten veilig en betrouwbaar kunnen worden gebruikt onder alle bedrijfsomstandigheden en binnen de grenzen van het gedefinieerde bedrijfsgebied. Het risico van ongeplande uitval zou tot een minimum worden beperkt en onderhoudsschema's zouden individueel en absoluut behoeftegestuurd kunnen worden opgesteld – een enorme bijdrage aan een grotere efficiëntie en besparing van hulpbronnen!

Afwijkingen op een betrouwbare manier detecteren en evalueren

Een dergelijk monitoring- en diagnosesysteem is gebaseerd op twee pijlers: ten eerste het verzamelen van gegevens met behulp van sensoren en ten tweede de intelligente verwerking van deze gegevens – en dat is "where the magic happens".

Het magische woord in deze context is "afwijkingsdetectie" – het staat voor een bekende taak binnen het onderzoeksveld van "Machine Learnings", d.w.z. het machinaal leren. Een van de belangrijkste toepassingen van afwijkingsdetectie is naast Intrusion Fraud Detection (inbreukfraudedetectie) vooral Predictive Maintenance, d.w.z. het voorspellend onderhoud van technische installaties. Typische gebieden zijn de voorspelling, diagnose en classificatie van opkomende problemen, evenals de analyse van slijtage en de resterende levensduur.

Hiervoor worden verschillende systeemparameters als basis gebruikt, veelal temperatuur, druk, spanning, draaisnelheid, trillingen en geluidssignalen. Voor pompen werden eerste benaderingen gepubliceerd voor de detectie van cavitatie en verstoppingen, evenals voor de levensduurvoorspelling met behulp van trillingsgegevens. Tot nu toe zijn echter slechts betrekkelijk eenvoudige statistische methoden gebruikt om de oorzaken van schade te diagnosticeren.

Hoe worden eenvoudige gegevens omgezet in nuttige informatie?

Of, met andere woorden, hoe kunnen afwijkingen daadwerkelijk worden opgespoord en geanalyseerd op een manier die voorspellingen kan doen? Om dit te kunnen beantwoorden, zijn een geavanceerde methodologie en een speciaal werkplan nodig. Om een dergelijke toepassing mogelijk te maken en echte toegevoegde waarde te genereren, moet aan de ontwikkeling van algoritmes en wiskundige modellen worden gewerkt, parallel aan de onderwerpen van gegevensstrategie en infrastructuur. De individuele werkpakketten tijdens een dergelijke ontwikkeling zijn duidelijk gedefinieerd:

1. Het creëren van de basisarchitectuur van het totale systeem
2. Het bouwen van een gegevensplatform
3. De detectie van foutcondities (afwijkingen)
4. De classificatie van foutcondities
5. Het voorspellen van foutcondities

Vanwege afhankelijkheden binnen deze werkpakketten is een iteratieve procedure essentieel. Dit geldt vooral voor de ontwikkeling van de gegevensstrategie en de totstandbrenging van de noodzakelijke infrastructuur.

Werkpakket 1. Het creëren van de basisarchitectuur van het totale systeem

Ten eerste moet een gedetailleerde architectuur van het totale systeem worden ontworpen en moeten interfaces tussen de systemen (cloud en lokaal) worden beschreven. In het geval van lokale systemen moeten de interfaces tussen sensoren, voorverwerking en de algoritmes worden gedefinieerd. Naast de interface met de cloud moet ook de verdere verwerking van de informatie daar en de weg terug naar de sensor worden gedefinieerd. Het type en de frequentie evenals de indelingen van de invoer- en resultaatgegevens moeten worden gedefinieerd om verdere analyses en visualisaties mogelijk te maken. Want veel relaties kunnen alleen worden herkend door het gecorreleerd visualiseren van meerdere gegevens.

Werkpakket 2. Het opzetten van een gegevensplatform

Het opzetten van een gegevensplatform is nauw verbonden met de bouw van de infrastructuur. Gegevens uit verschillende bronnen (bijv. van testbanken, de monitoring-oplossing KSB Guard, statische informatie, meta- of weergegevens) worden opgeslagen in een cloud-based zogenaamd "Data Lake". Om deze gegevens efficiënt en "performant" te kunnen opslaan en oproepen, is de exacte evaluatie en identificering van gegevensindelingen noodzakelijk. En om te voldoen aan de vereisten van een gedefinieerde gebruikersgroep moeten gebruikersrollen, machtigingen en accountbeveiliging worden gemaakt en gedefinieerd.

Het opzetten en onderhouden van een ontwikkelingsinfrastructuur (DEV), testinfrastructuur (QA) en een productieve infrastructuur zijn ook enorm belangrijk. Software en nieuwe functies die in deze systemen worden geïntroduceerd, zijn onderhevig aan geautomatiseerde tests en versiebeheer. Daarnaast is de ontwikkeling van een tool nodig om meta-informatie te kunnen bieden (bijv. toestand van de pomp en bedrijfsomstandigheden). Deze informatie verbetert de gegevens aanzienlijk en legt de basis voor het trainen van de algoritmes.

Werkpakket 3. De detectie van foutcondities (afwijkingen)

In dit werkpakket zijn systeemmodellen getraind om afwijkingen van de normale werking afzonderlijk te detecteren. Ten eerste wordt dit gedaan met behulp van machinale leeralgoritmes. En ten tweede de grenswaarde-algoritmes. Voor hun ontwikkeling wordt gebruikgemaakt van bestaande vakkennis en normen (bijv. DIN 10816). Dit definieert vaste of flexibele grenswaarden die op afwijkingen duiden. De annotatie van gedetecteerde afwijkingen wordt vervolgens uitgevoerd op basis van de mate van afwijking van de normale toestand, duur en urgentie.

Om de efficiëntie van de hulpbronnen langdurig te garanderen, staan de geschiktheid en precisie van de algoritmes resp. implementaties van grenswaarden centraal en zouden voortdurend moeten worden geoptimaliseerd. Door het selecteren, combineren en aanpassen wordt de vereiste hoeveelheid en kwaliteit van de invoergegevens voor afwijkingsdetectie geoptimaliseerd.

Werkpakket 4. De classificatie van foutcondities

De classificatie van afwijkingen van de bewaakte pompen moet worden uitgevoerd met behulp van de geïmplementeerde Machine-Learning-algoritmes. Om de algoritmes in te leren, moeten reële, gesimuleerde of gegenereerde gegevens van afwijkend werkende pompaggregaten beschikbaar worden gesteld. Bovendien wordt hier ook gebruikgemaakt van bestaande deskundige kennis. De ontwikkelde algoritmes worden gedocumenteerd en in de infrastructuur geïmplementeerd.

Werkpakket 5. Het voorspellen van foutcondities

Het doel is prognoses (voorspellingen) te kunnen maken van afwijkingen op basis van de huidige bedrijfsparameters, zodat tijdig voorzorgsmaatregelen kunnen worden genomen voordat een ongeplande uitval optreedt. In tegenstelling tot het detecteren van werkelijke afwijkingen zijn deze algoritmes ontworpen om te voorspellen wanneer een afwijking waarschijnlijk zal optreden. Hierbij moeten langetermijntrends zowel op basis van deskundige kennis worden gemodelleerd als ook zelfstandig op basis van Machine-Learning-algoritmes worden geleerd. Er zijn reële of gesimuleerde afwijkingsgegevens van pompaggregaten nodig om deze prognosealgoritmes te evalueren.

Samenvatting en conclusie

Alleen een betrouwbare, automatische detectie van afwijkingen en de voorspelling ervan maken echt voorspellend onderhoud, met al zijn mogelijkheden, mogelijk. Maar de weg hiervoor is grotendeels nog onbekend terrein en onderzoeksgebied, dat momenteel wordt ontwikkeld. KSB behoort met zijn monitoringservice KSB Guard op dit terrein tot de absolute pioniers en werkt hard aan het bevorderen van het onderwerp Predictive Maintenance/voorspellend onderhoud voor zijn klanten. Want vooral in de loop van het digitaliseren van verdere delen van de industrie en het streven naar de implementatie van Industrie 4.0-principes wordt de intelligente en nuttige omgang met gegevens steeds belangrijker. Vooral nu de gegevensvolumes aanzienlijk toenemen, wordt het steeds moeilijker om waardevolle informatie te extraheren met behulp van eenvoudige gegevensanalyses. Hier helpt Machine Learning om cruciale informatie uit te filteren, patronen te identificeren en voorspellingen te doen. Het helpt bedrijven de juiste beslissingen te nemen en hun processen en efficiëntie aanzienlijk te verbeteren.