Fehlerklassifizierung 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 war deshalb die Entwicklung einer Methodik für die effiziente Realisierung einer datengestützten Zustandsüberwachung. Dafür wurden 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 |
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 wurden im Forschungsprojekt „Fehlerklassifizierung durch Machine Learning in der Fluidtechnik“ aufgegriffen. Das Ziel war dabei die Entwicklung einer Methodik für die effiziente Realisierung einer datengestützten Zustandsüberwachung, indem Trainingsdaten mithilfe von 1‑D Simulationstools generiert wurden und geeignete Datenmerkmale und Klassifizierungsalgorithmen im Rahmen fluidtechnischer Anwendungen untersucht wurden.
Nachbildung von Fehlern am Demonstrator und im Simulationsmodell
Die vorliegenden Forschungsfragen wurden an einem repräsentativen servohydraulischen Referenzsystem untersucht, welches als physischer Demonstrator und als Simulationsmodell aufgebaut wurde. Für die Abbildung sowohl fehlerfreier als auch fehlerbehafteter Betriebszustände des Referenzsystems wurden verschiedene Komponentenfehler in die Systemsimulation integriert. Dafür wurden die Möglichkeiten aktuell verfügbarer Simulationstools zur Komponentenparametrierung genutzt. Ebenso wurd eine Auswahl von Fehlern am Demonstrator implementiert und mit den simulierten Ergebnissen abgeglichen.
Automatisierte Generierung von Trainingsdaten
Unter Anwendung von Methoden der statistischen Versuchsplanung wurden weite Teile des Parameterraums des Simulationsmodells in einer Stapelsimulation durchlaufen. Dabei wurden automatisiert Daten zu einer Vielzahl von Fehlerszenarien und Fehlergraden des Referenzsystems generiert und gleichzeitig gelabelt.
Fehlerklassifizierung mit Ansätzen des maschinellen Lernens
Auf Grundlage der generierten Datenbasis wurden verschiedene Ansätze des überwachten maschinellen Lernens auf ihre Eignung für die Erkennung von Fehlermustern zur Klassifizierung des Maschinenzustands untersucht. In Kombination mit den Klassifizierungsalgorithmen, war die Auswahl geeigneter Datenmerkmale, auch Features genannt, eine zentrale Fragestellung. Hierbei wurden nicht nur direkt messbare Zustandsgrößen des Systems betrachtet, sondern auch solche untersucht, die aus einer Vorverarbeitung und Verknüpfung von Informationen gewonnen werden.
Validierung und Robustheitsanalyse
Die gewonnene Methodik wurde abschließend am physischen Demonstrator hinsichtlich der Leistungsfähigkeit und der Grenzen ihrer Anwendbarkeit untersucht. Hierzu wurden Sensordaten zu fehlerfreien und fehlerbehafteten Betriebszuständen vom Prüfstand durch das trainierte Modell verarbeitet und die damit die Fehlererkennungsgüte am realen System getestet.
Danksagung
Das Projekt wurde vom Forschungskuratorium Maschinenbau e.V. - Forschungsfonds Fluidtechnik des VDMA gefördert. Das ifas bedankt sich herzlich bei allen Projektteilnehmern.