Signifikante Erhöhung der Wartungsgüte mittels Autoencoder

Seit der Gründung 1999 entwickelt sich LUIS zu einem führenden Hersteller für Kamera-Monitor- und Fahrassistenz-Systeme in Europa. Um sich verstärkt im Bereich intelligenter Systeme zu engagieren, beteiligt sich LUIS an der 2020 gegründeten LUVIS AI GmbH. Dritter beteiligter Partner ist die Stadtreinigung Hamburg AöR.

Die Stadtreinigung Hamburg versteht sich selbst als innovatives Unternehmen und ist stets auf der Suche nach neuen Ideen, um ihre Ziele umzusetzen. Bestes Beispiel hierfür ist das folgend vorgestellte Kooperationsprojekt, in welchem die Turbine eines Kehrfahrzeugs über einen auf dem Gehäuse verbauten Beschleunigungssensor überwacht wird. Herausforderungen des Kunden Durch den täglichen Einsatz der Großkehrmaschinen im Zweischichtbetrieb werden die Turbinen durch Fremdkörper und die Witterung stark verunreinigt und beschädigt. Aus diesem Grund war es das Ziel, ein Monitoring-System einzuführen, welches kontinuierlich den Turbinenzustand erfasst und frühzeitige Warnsignale erzeugt. Diese sollten wiederum optisch sowie akustisch dargestellt werden. Auf diese Weise sollen frühzeitig Unwuchten erkannt werden, sodass sie – je nach Verursachung – schnell und kostengünstig behoben werden können. Dies kann beispielsweise durch eine frühzeitige Reinigung erfolgen, die unter anderem durch eine innere Spülvorrichtung durchgeführt wird. Die Belastung der Turbinenlagerung soll dadurch auf ein Minimum reduziert werden. Lösung durch den Einsatz von KI Das Konzept sah den Transfer einer bereits existierenden Autoencoder- basierten Technik vor, die sich bei der Auswertung von akustischen Getriebe- oder Kugellager-Signalen bereits bewährt hatte. Die Daten werden lokal vorverarbeitet und per 4G-Verbindung an einen Server übertragen. Dabei werden die Dimensionen der Eingangsinformationen reduziert, um nur die wichtigsten oder den Durchschnitt der Informationen weiterzuleiten. Sobald der Autoencoder Abweichungen aus dem erwarteten Signal erkennt, erfolgt eine KI-basierte Klassifizierung anhand bekannter Störungen. Über einen dritten Schritt können kundenspezifisch einfach angelernte Signaturen weiteren Fehlern zugeordnet werden, ohne dass ein komplett neues Training der Klassifizierung oder der Autoencoder stattfinden muss. In Bezug auf die Hardware kommt ein 32-Bit-Microcontroller zum Einsatz, der mittels eines integrierten rauscharmen und breitbandigen AD-Wandlers im Zusammenspiel mit MEMS (engl. microelectromechanical system) Beschleunigungsaufnehmern eine ausgezeichnete Digitalisierung und Signalvorverarbeitung ermöglicht. Softwareseitig werden offene Lösungen im Bereich der Datenbanken und Machine-to-Machine-Techniken verwendet. Dabei ist das oberste Ziel, die aktuellen IT-Sicherheitsstandards zu berücksichtigen. Durch optimierte Software-Algorithmen wird eine hohe Performance auf moderater Hardware gewährleistet.

Das explizite Klassifizieren von Fehlern erfordert naturgemäß das Vorliegen bekannter Fehlerzustände während des operativen Betriebs. Dies impliziert eine der Kernentwicklung nachgelagerte Projektzeit, um die vom System erkannten Fehler einzelnen technischen Defekten eindeutig zuzuordnen. Die Hard- und Softwareentwicklung wurde in diesem Fall problemlos im vorgegebenen zeitlichen Rahmen abgeschlossen. Die Eignung der eingesetzten sensiblen und sehr kosteneffizienten MEMS-basierten Beschleunigungsaufnehmer kann bislang bestätigt werden.

Die Überwachung mechanischer Komponenten, die einem gewissen Verschleiß oder möglicher Fehlbenutzung unterliegen, wird zukünftig noch stärker durch die auftretenden operativen Kosten getrieben. Der Einsatz KI-basierter Monitoring-Lösungen verhindert den unvorhergesehenen Ausfall von Komponenten und ermöglicht deren Nutzung über eine deutlich längere Betriebszeit gegenüber einer intervallbasierten Wartungsstrategie. LUIS sieht somit eine hohe Optimierbarkeit in den zeit- und kostenintensiven Wartungsprozessen. Mittels KI und der Anwendung kontinuierlicher Monitoring-Prozesse, wird die Wartungsgüte signifikant erhöht. Eine vorbeugende Wartung durch unnötigen Komponententausch mit dem einhergehenden Maschinenstillstand wird auf ein Minimum reduziert. KI-Techniken qualifizieren sich insbesondere für den Einsatz an Systemen, deren komplettes Frequenzverhalten dem Nutzer nicht bekannt ist. Das Erkennen von Wartungsproblemen muss somit keine Experteneinschätzung mehr sein.