Clustering von Druck- und Durchflusssignalen des Durchflusssensors FTMg der SICK AG

In Kürze

Die SICK AG ist ein weltweit führender Hersteller von intelligenten Sensoren und Sensorlösungen für die Fabrik-, Logistik- und Prozessautomation. Ein wichtiges Innovationsfeld ist die intelligente Sensorik, die Daten gewinnt und in Echtzeit auswertet, sich ihrer Umgebung anpasst und im Netzwerk kommuniziert. Experten des Fraunhofer IPA clusterten in einer Analyse mit ihrer Erfahrung im Bereich der intelligenten Druckluftsysteme, Druckluftsignale von Leckage-Ursachen und Verlaufsprofilen unterschiedlicher Aktoren. Die entwickelten Algorithmen nutzen Methoden des maschinellen Lernens, um Anomalien in den aufgezeichneten Sensordaten zu erkennen.

Im Rahmen einer Analyse hat das Fraunhofer IPA die Sensordaten des Durchflusssensors FTMg der SICK AG mit ausgewählten Clustering-Algorithmen untersucht. Ein zukunftsfähiges digitales Leckage-Management zeichnet sich durch minimalen Integrations- und Personalaufwand für Bestandsmaschinen aus. Die Verwendung von wenig und zugleich kostengünstiger Sensorik, die intelligent eingesetzt wird, reduziert den Aufwand im Betrieb auf ein Minimum. Die Ergebnisse zeigen auf, wie mit dem Durchflusssensor plötzlich auftretenden Leckagen an Bestandsmaschinen tendenziell erkannt werden können, ohne die Verwendung zusätzlicher Mess- und Kontextinformationen. Hierdurch sind die Forschungsergebnisse dem Stand der Technik voraus, denn der Bestand wir damit ausgerüstet. Ohne die Eingabe von Druck- oder Durchfluss-Grenzwerten für Leckage schaffen es die Clustering-Algorithmen, Anomalie zu erkennen. Der leckagefreie Zustand von Bestandsmaschinen ist in der Regel unbekannt, was die Hauptherausforderung darstellte. Folgende Aspekte waren in der Untersuchung entscheidend:

• Analyse der Sensordaten ohne Verbindung zur Maschinensteuerung: Unbekannter Ablauf der einzelnen Aktoren, keine Start- und Endzeitpunkte der Aktor-Bewegungen.
• Merkmale in Druckluftprofilen: Aussagefähigkeit und Robustheit.
• Verwendung geeigneten Clusteralgorithmen: Zeiteffiziente Berechnung für den sensornahen Einsatz und allgemeine Anwendbarkeit mit geringer Feinparametrierung.

Im Detail

Der Verzicht auf zusätzliche Maschinendaten machen die Ergebnisse gegenüber anderen Forschungsvorhaben einzigartig. Es ist also kein tiefer Eingriff in eine bestehende Anlage durch Anbindung von weiteren Sensoren, Steuerungen oder Erweiterung der Steuerungssoftware notwendig. Zum Clustering wurden rollierende überlappende Zeitfenster verwendet, in denen 36 mathematische Merkmale aus den Sensordaten berechnet wurden. Entscheidender als die Wahl der Clustering-Algorithmen ist jedoch die Entwicklung aussagefähiger Merkmale zur Erkennung von Anomalien. Der Experte bleibt ein wichtiger Bestandteil der Lösung, dieser unterstützt die Entscheidungsfindung der künstlichen Intelligenz bereits während der Entwicklung. Die Ergebnisse der Clustering-Analyse wurden mit folgender Vorgehensweise erarbeitet:

• Schritt 1: Aufzeichnung der Datenbasis mit dem Durchflusssensor FTMg der SICK AG am repräsentativen Druckluft-Demonstrator des Fraunhofer IPA.
• Schritt 2: Explorative Datenanalyse hinsichtlich der Profilcharakteristik und Erstellung von Merkmalen zur Unterscheidung.
• Schritt 3: Reduktion der Merkmale durch die Hauptkomponentenanalyse zur Verringerung der Komplexität.
• Schritt 4: Vergleich ausgewählter Clustering-Algorithmen.
• Schritt 5: Evaluierung und Visualisierung der Ergebnisse.

„Es freut uns, dass unser Durchflusssensor FTMg alle Möglichkeiten bietet, mit seinen gesammelten Daten Mehrwerte durch künstliche Intelligenz für unsere Kunden sensornah zu bieten. Die Forschungsergebnisse haben uns aber auch bestätigt, in künftigen Generationen unserer Durchflusssensoren verstärkt zusätzliche Dienste zu integrieren, wie ein Auto-Clustering von Anomalien in Druckluftprofilen.“

Thomas Weber Head of Research & Development | Industrial Instrumentation