Digitaler Zwilling im Praxiseinsatz

In einem Use Case in der industriellen Praxis führten gelockerte Schrauben an kritischen Verbindungen dazu, dass Großgeräte zu heiß wurden und in die Notabschaltung gingen. Ein digitaler Zwilling hilft jetzt, diesen Effekt früh zu bemerken.
Bild: ©Anatoly Stojko/stock.adobe.com

Bei beanspruchten Großgeräten können sich mit der Zeit die Schraubverbindungen der Starkstromanschlüsse lösen. Für den Gerätehersteller und die Anwender kann dies problematisch werden, da die gelockerten Verbindungen zur Überhitzung des Geräts bis hin zur Notabschaltung sowie zu thermischen Defekten an einzelnen Komponenten führen können. Ungeplante Stillstandszeiten und Reparaturen durch einen Service-Techniker sind die Folge. Die naheliegende Lösung für den Gerätehersteller ist ein System, das bereits vor dem Auftreten erster Schäden darüber informiert, wenn ein Gerät von gelockerten Schraubverbindungen betroffen ist. So können Techniker in vergleichsweise kurzen, kostengünstigen und besser planbaren Service-Einsätzen vor Ort das Problem lösen.

Historische Daten integriert

Der Gerätehersteller beauftragte einen Softwaredienstleister damit, eine solche Lösung zu entwickeln. Dafür stellt er Temperaturdaten zur Verfügung, die Sensoren an den Geräten über mehrere Jahre hinweg gesammelt haben. Die Daten sind ergänzt um dokumentierte Defekte, also um den auffälligen Zeitraum vor dem Defekt sowie den Ausfall- und Reparaturzeitpunkt. Aus diesen historischen Daten sollten mit statistischen Methoden sowie Machine Learning Rückschlüsse und erkennbare Muster hergeleitet werden, die auf Geräte mit gelockerten Schraubverbindungen hindeuten. Zeigt ein Gerät künftig ein ähnliches Temperaturmuster, sollte die Software den Hersteller rechtzeitig warnen. In der Praxis zeigten Methoden wie Random Forest und Zeitreihenanalysen jedoch, dass sich jedes Gerät hinsichtlich der Temperaturentwicklung anders verhält. Zudem verzeichnen die Temperatursensoren in Abhängigkeit ihrer Position unterschiedlich starke Temperaturschwankungen. Konkret erkennbare Muster für lockere Schraubverbindungen konnten anhand der Daten dadurch nicht identifiziert werden.

Die visualisierte theoretische Temperaturentwicklung des physikalischen Modells (Orange) im Vergleich zur tatsächlichen Temperaturentwicklung (Blau) bei normalem Systemverhalten zeigt bereits eine große Übereinstimmung.
Die visualisierte theoretische Temperaturentwicklung des physikalischen Modells (Orange) im Vergleich zur tatsächlichen Temperaturentwicklung (Blau) bei normalem Systemverhalten zeigt bereits eine große Übereinstimmung.Bild: Infoteam Software AG

Mehr Information notwendig

Der Gerätehersteller stellte deshalb weitere Daten in Form von Betriebsdaten, etwa Zeitreihen über ausgeführte Gerätefunktionen, zur Verfügung, die der Softwaredienstleister in Nutzungs- und Pausenzeiten unterteilte. Im Anschluss wurden diesen Zeiten die gemessenen Temperaturen aller Sensoren zugeordnet. Die Verknüpfung von Betriebsdaten und Temperaturdaten bot nun die Möglichkeit, ein einfaches Modell für die Temperaturentwicklung während der Pausenzeiten abzuleiten. Dieses diente als Basis für die Entwicklung eines erweiterten physikalischen Modells der Temperaturentwicklung in Abhängigkeit zu den Betriebsdaten. Ein solcher digitaler Zwilling ermöglicht es, den theoretischen Temperaturverlauf mit dem tatsächlichen zu vergleichen und Abweichungen festzustellen.

KI-basiertes Modell

Bedingt durch die Gerätekomplexität ist dieses physikalische Modell jedoch mit großen Toleranzen behaftet, da nicht alle in den Daten versteckten Abhängigkeiten identifizierbar bzw. mathematisch modellierbar sind. Deshalb und aufgrund der großen Datenmengen – Daten von 10.000 Geräten wurden über mehrere Jahre erfasst – verfolgt der Softwaredienstleister zusätzlich zum physikalischen Modell den Ansatz eines KI-basierten Modells, um nutzungsabhängige Temperaturverläufe vorherzusagen. Ein solches Modell benötigt kein Expertenwissen, sondern entwickelt sich selbst zum Experten. Zudem können seine Vorhersageergebnisse auch zum Entschlüsseln weiterer Temperaturanomalien dienen.

Bild: infoteam Software AG

Seiten: 1 2Auf einer Seite lesen

Infoteam Software AG

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige