Quelle: Siemens 2023 | Autor: Daniel Henningsen
SITRANS SCM IQ bietet die Möglichkeit, Ihre Maschinen und mechanische Anlagekomponenten, wie z. B. Pumpen, Getriebe oder Kompressoren, intelligent zu überwachen und Anomalien der überwachten Anlagenteile zu erkennen. Dank künstlicher Intelligenz (KI) ist SCM IQ in der Lage, den Gut-Zustand Ihrer Maschine kennenzulernen und Abweichungen zuverlässig zu erkennen. Fragen, welche schnell aufkommen, sind folgende:
- Was für eine künstliche Intelligenz wird genutzt?
- Wie funktioniert sie?
- Welche Vorteile hat eine künstliche Intelligenz gegenüber einfachen Grenzwerten und Toleranzbändern?
Diese Fragen werden im nachfolgenden anhand der Funktionsweise der verwendeten neuronalen Netze (Autoencoder), sowie deren unterschiedlichen Formen von neuronalen Netzen (CNN, LSTM) geklärt.
Autoencoder:
Ein Autoencoder ist eine Funktionsweise eines künstlichen neuronales Netzes, welches zur Komprimierung und Rekonstruktion von Daten eingesetzt wird. Ein Autoencoder besteht aus einem Encoder und einem Decoder. Dabei reduziert der Encoder den Input auf die wesentlichen Merkmale. Der Decoder rekonstruiert aus den wesentlichen Merkmalen die ursprünglichen Daten und liefert diese als Output.
Abbildung 1: Aufbau eines Autoencoders (Quelle: Wikimedia Commons)
Der Autoencoder erlernt das Komprimieren und Rekonstruieren selbstständig aus zur Verfügung gestellten Datensätzen. Diese Datensätze müssen nicht mit weiteren zusätzlichen Klassifizierungen versehen sein. Diese Methode wird als „unsupervised learning“ bezeichnet und steht im Gegensatz zum „supervised learning“, bei dem für das Training neben den Datensätzen auch deren Klassifizierung und eine Input-Output-Paarung benötigt wird. Die Nutzung von „unsupervised learning“ erleichtert die Trainingsphase deutlich. Die Abweichung zwischen dem Input und dem Output wird durch den Rekonstruktionsfehler beschrieben.
Der Autoencoder wird darauf trainiert, den Normalzustand der Maschine mit geringem Rekonstruktionsfehler zu analysieren. Dafür ist eine hohe Anzahl von Trainingsdatensätzen notwendig, um den Normalzustand in möglichst allen Variationen zu erfassen.
In SCM IQ wird der Rekonstruktionsfehler durch den Deviation Index abgebildet. Umso höher der Deviation Index ist, desto wahrscheinlicher befindet sich die überwachte Maschine außerhalb des eintrainierten Zustandes. Dieser Zustand wird erreicht, wenn der Input, aus Anomalie behafteten Daten besteht.
Im Falle von SCM IQ arbeitet der Autoencoder mit den Schwingungsdaten des SITRANS MS200 oder mit allgemeinen Maschinendaten. Für die Analyse dieser unterschiedlichen Daten kommen im Autoencoder verschiedene künstliche neuronale Netzwerke zum Einsatz. Die Schwingungsdaten werden mit einem Convolutional Neural Network und die Maschinendaten mit einem Long Short Term Memory ausgewertet.
Convolutional Neural Networks (CNN):
Ein CNN dient zur effizienten Erfassung von lokalen räumlichen Mustern und wird häufig zur Bildanalyse eingesetzt. Ein CNN ist somit nur sinnvoll, wenn die räumliche Anordnung der Daten eine relevante Information darstellt. Dies ist zum Beispiel bei den Pixeln eines Bildes der Fall. Die zu untersuchenden Schwingungsdaten treten in Paketen aus 512 zeitlich zusammenhängenden, 3-achsigen Vibrationsmesswerten auf. Die Anordnung der einzelnen Messwerte ist entlang der Zeitachse relevant und die Messwerte weisen dabei eine räumliche Beziehung zueinander auf. Im Gegensatz zu einer klassischen Überwachung von Grenzwerten oder einem Toleranzband um die jeweilige Vibrationsdaten, kann SCM IQ somit auch das Verhältnis aller drei Achsen zueinander beurteilen.
Long Short Term Memory (LSTM):
Das LSTM ist eine Art von Recurrent Neural Networks kurz RNN. RNNs zeichnen sich durch eine Gedächtnisfunktion aus, wodurch auch vorherige Inputs und Zwischenergebnisse den aktuellen Output beeinflussen. Dadurch sind die RNNs besonders gut geeignet, um Zeitreihendaten zu analysieren. Das LSTM weist ein komplexes Gedächtnis, bestehend aus Kurzzeit- und Langzeitgedächtnis, auf. Die Maschinendaten bestehen in der Regel je Datensatz aus einer geringen Anzahl von Messwerten, welche untereinander beliebig räumlich angeordnet werden können. Jedoch fallen die Maschinendaten in kleineren zeitlichen Abständen an, wodurch der Zusammenhang zwischen aufeinanderfolgenden Datensätzen an Bedeutung gewinnt.
Zusammenfassend kann festgestellt werden, dass SITRANS SCM IQ die Möglichkeit bietet, unterschiedlichste Maschinen und Anlagenbestandteile intelligent zu überwachen. Die Funktion der Anomalieerkennung basiert auf einem Autoencoder, der jeweils auf einem CNN oder LSTM basiert.