Fehlerklassifizierung durch Machine Learning in der Fluidtechnik

  Fehlerklassifizierunng durch Machine Learning in der Fluidtechnik

Methoden des maschinellen Lernens bieten potentiell viele Vorteile für die Anwendung in der Zustandsüberwachung technischer Systeme, sind allerdings in der in der praktischen Umsetzung noch mit zeit- und kostenintensiver Entwicklung verbunden. Herausforderungen bestehen insbesondere in der Verfügbarkeit umfangreicher Trainingsdaten sowie der Auswahl geeigneter Datenmerkmale und Algorithmen. Ziel dieses Forschungsprojekts ist deshalb die Entwicklung einer Methodik für die effiziente Realisierung einer datengestützten Zustandsüberwachung. Dafür werden Trainingsdaten mithilfe von 1‑D Simulationstools generiert und geeignete Datenmerkmale und Klassifizierungsalgorithmen im Rahmen fluidtechnischer Anwendungen untersucht.

 
Nutzen Vorgehen
Fehlerklassifizierung durch Betrachtung von Auswirkungen auf Systemebene Aufbau eines hydraulischen Referenzsystems in Prüfstand und Simulation
Reduzierter Aufwand zur Generierung von Trainingsdaten Durchführung von Stapelsimulation zu fehlerfreien und fehlerbehafteten Systemzuständen
Definition von Datenmerkmalen für fluidtechnische Anwendungen Untersuchung wissensbasierter Merkmale und verschiedener Machine Learning Ansätze
Erweiterung der Möglichkeiten der Zustandsüberwachung Validierung und Bewertung am Prüfstand

Kontakt

Telefon

work
+49 241 80 47721

E-Mail

E-Mail
 

Herausforderungen der Zustandsüberwachung in der Fluidtechnik

Trotz der mittlerweile guten Verfügbarkeit von Messdaten und Rechenleistung, ist die Entwicklung eines effektiven und umfangreichen Condition-Monitorings (CM) mit aktuell geläufigen Ansätzen nur selten wirtschaftlich realisierbar. Etablierte Ansätze bestehen meist aus der manuellen Definition von Grenzwerten durch Experten oder aus einem Abgleich des Maschinenverhaltens mit realitätsnahen Simulationsmodellen, was schließlich mit hohem Entwicklungs- und Implementierungsaufwand verbunden ist. Zudem sind derartige Lösungen auf die jeweiligen Systeme individuell abgestimmt und weisen eine geringe Toleranz gegenüber Systemänderungen oder ungenauen Messdaten auf.

Eine Alternative zu den vorangestellten Ansätzen besteht in der Verwendung von Methoden aus dem Bereich des maschinellen Lernens (ML). Die unter diesem Begriff zusammengefassten Algorithmen befähigen Systeme dazu, selbstständig Muster und Zusammenhänge in großen Datenmengen zu erkennen. Anstelle der manuellen Programmierung von Regeln und Parametern, wie Sie bei konventionellen regelbasierten und modellbasierten Fehlererkennungsmethoden nötig sind, erlaubt ML Fehlermuster durch algorithmisches Training aus Datensätzen zu extrahieren.

Die Herausforderung bei der Einführung von ML-basierten Ansätzen für die automatisierte Fehlererkennung besteht darin, eine ausreichend große Menge an Trainingsdaten zu generieren. Eine rein experimentelle Erhebung der Trainingsdaten an Maschinen und Prüfständen ist in den meisten Fällen mit einem unverhältnismäßigen wirtschaftlichen und technischen Aufwand verbunden, besonders wenn eine umfangreiche Abbildung fehlerhafter Systemzustände gefordert ist.

 

Methodik für effiziente Fehlerklassifizierung durch Machine Learning

Die Herausforderungen für die Einführung von datengestützten CM-Systemen werden im Forschungsprojekt „Fehlerklassifizierung durch Machine Learning in der Fluidtechnik“ aufgegriffen. Das Ziel ist dabei die Entwicklung einer Methodik für die effiziente Realisierung einer datengestützten Zustandsüberwachung, indem Trainingsdaten mithilfe von 1‑D Simulationstools generiert werden und geeignete Datenmerkmale und Klassifizierungsalgorithmen im Rahmen fluidtechnischer Anwendungen untersucht werden.

  Variation der Fehlerparameter in der Simulation

Nachbildung von Fehlern am Demonstrator und im Simulationsmodell

Die vorliegenden Forschungsfragen werden an einem repräsentativen servohydraulischen Referenzsystem untersucht, welches als physischer Demonstrator und als Simulationsmodell aufgebaut wird. Für die Abbildung sowohl fehlerfreier als auch fehlerbehafteter Betriebszustände des Referenzsystems werden verschiedene Komponentenfehler in die Systemsimulation integriert. Dafür werden die Möglichkeiten aktuell verfügbarer Simulationstools zur Komponentenparametrierung genutzt. Ebenso wird eine Auswahl von Fehlern am Demonstrator implementiert und mit den simulierten Ergebnissen abgeglichen.

 

Automatisierte Generierung von Trainingsdaten

Unter Anwendung von Methoden der statistischen Versuchsplanung werden weite Teile des Parameterraums des Simulationsmodells in einer Stapelsimulation durchlaufen. Dabei werden automatisiert Daten zu einer Vielzahl von Fehlerszenarien und Fehlergraden des Referenzsystems generiert und gleichzeitig gelabelt.

  Trainingsdatengenerierung durch Stapelsimulation und Merkmalsextraktion

Fehlerklassifizierung mit Ansätzen des maschinellen Lernens

Auf Grundlage der generierten Datenbasis werden verschiedene Ansätze des überwachten maschinellen Lernens auf ihre Eignung für die Erkennung von Fehlermustern zur Klassifizierung des Maschinenzustands untersucht. In Kombination mit den Klassifizierungsalgorithmen, ist die Auswahl geeigneter Datenmerkmale, auch Features genannt, eine zentrale Fragestellung. Hierbei werden nicht nur direkt messbare Zustandsgrößen des Systems betrachtet, sondern auch solche untersucht, die aus einer Vorverarbeitung und Verknüpfung von Informationen gewonnen werden.

  Untersuchung verschiedener Klassifizierungsalgorithmen

Validierung und Robustheitsanalyse

Die gewonnene Methodik wird abschließend am physischen Demonstrator hinsichtlich der Leistungsfähigkeit und der Grenzen ihrer Anwendbarkeit untersucht. Hierzu werden Sensordaten zu fehlerfreien und fehlerbehafteten Betriebszuständen vom Prüfstand durch das trainierte Modell verarbeitet und die Zustands- und Fehlererkennung getestet. Zusätzlich wird das Modell auf seine Robustheit hinsichtlich Parametervariationen im Simulationsmodell überprüft. Von Interesse ist hierbei der Effekt von unterschiedlicher Bauteilskalierung in Simulation und Demonstrator. Auch die Klassifizierungsgüte unter Einfluss äußerer Störgrößen oder der Erweiterung des Demonstrators um weitere Teilsystemen wird evaluiert.

 
 

Danksagung

Das Projekt wird vom Forschungskuratorium Maschinenbau e.V. - Forschungsfonds Fluidtechnik des VDMA gefördert. Das ifas bedankt sich herzlich bei allen Projektteilnehmern.