KI zur Verbesserung der Zuverlässigkeit und Resilienz von Industrieflotten
Zur Verbesserung der Fehlerdiagnostik/-prognostik in der Industrieautomation werden Algorithmen entwickelt, um Fehler- und Degradationssignaturen aus Systemzustandsdaten von Industrieflotten zu extrahieren.
Steckbrief
- Lead-Departement Technik und Informatik
- Institut(e) Institute for Data Applications and Security (IDAS)
- Forschungseinheit(en) IDAS / Management Science, Innovation, Sustainability and Entrepreneurship (MSIE)
- Förderorganisation SNF
- Laufzeit (geplant) 01.03.2023 - 28.02.2026
- Projektverantwortung Prof. Dr. Angela Meyer
- Projektleitung Prof. Dr. Angela Meyer
-
Projektmitarbeitende
Stefan Jonas
Dr. Albin Grataloup - Schlüsselwörter Maschinelles Lernen, künstliche Intelligenz, erneuerbare Energie, zustandsorientierte Wartung, Fehlererkennung, Fehlerdiagnostik, Windparks, Industrieflotten
Ausgangslage
In der Industrieautomation und der zustandsbasierten Wartung werden Flotten von Industrieanlagen für die frühzeitige Erkennung und Diagnose entstehender Betriebsstörungen rund um die Uhr mit Sensoren überwacht. Verschiedene Modelle des maschinellen Lernens (Machine Learning) standen zur Auswahl und werden verwendet, um diese Systemzustandsaufgaben in unterschiedlichen Arten von Industrieanlagen wie Windturbinen und Photovoltaikanlagen zu automatisieren.
Vorgehen
Ein Hauptziel der Systemzustandsdiagnostik und -prognostik ist, dass die Modelle des maschinellen Lernens diese Aufgaben genau erfüllen und auf andere Systeme in einer Flotte übertragbar sind. Dies kann durch ausreichend grosse und repräsentative Trainingsdatensätze ermöglicht werden. Die Daten, anhand welcher das Modell trainiert wird, und die Daten, die das Modell im Betrieb erhält, sollten idealerweise aus demselben datengenerierenden Prozess und derselben Verteilung stammen und von denselben Aufgaben abhängig sein. Diese Voraussetzungen sind oft nicht gegeben. Das Ziel dieses Projekts ist, Ansätze des maschinellen Lernens zu entwickeln und zu beurteilen, die die häufig auftretenden Defizite in der Übertragbarkeit beseitigen können, da diese die Leistung datengesteuerter Methoden, z. B. bei der Fehlererkennung und -diagnose, verschlechtern.
Ergebnisse
Die in diesem Projekt entwickelten Ansätze zielen darauf ab, einen früheren Einsatz der erforderlichen Wartungsmassnahmen und eine fundiertere Fehlerbehebung zu ermöglichen. Dadurch werden die Resultate dieses Projekts die Zuverlässigkeit und Verfügbarkeit von Industrieflotten verbessern und die Resilienz der Wartungsstrategie der Flotten gegenüber sich ändernden Betriebsbedingungen fördern.
