AutoDetect

Automatisierte Fehlerdetektion, -diagnose und -vorhersage durch robuste Lernalgorithmen

Ausgangssituation und Problemstellung

Der Gesundheitszustand und die Leistung sind wesentliche Kenngrößen für den effizienten und reibungslosen Betrieb technischer Systeme wie Maschinen, Anlagen, elektrische Geräte, Kraftfahrzeuge, u.v.m. Moderne Informationssysteme überwachen kontinuierlich technische Systeme, um deren Gesundheitszustand und Leistung zu analysieren und vorherzusagen.

Die wissenschaftliche Grundlage dieser Informationssysteme sind Modelle und Algorithmen zur Detektion von Systemfehlern (fault detection), zur Bestimmung der Ursachen der Systemfehler (fault diagnosis) und schließlich zur Vorhersage von Systemausfällen (fault prediction). Aktuell geht die Forschung davon aus, möglichst genaue mathematische Modelle der technischen Systeme zu haben (model-based oder knowledge-based diagnosis & prediction). Die manuelle Modellierung der Systeme ist in der Praxis aber oft sehr zeitaufwändig und verursacht dadurch hohe Kosten. Viele Projekte werden daher oft nicht realisiert. Mitunter ist die Modellierung auch gar nicht möglich, da die notwendigen Sensoren dafür nicht installiert sind.

Ziel des Forschungsprojektes

Das Ziel des Forschungsprojektes ist der Entwurf und die Analyse robuster Lernalgorithmen für die automatisierte Fehlerdetektion, Fehlerdiagnose und Fehlervorhersage. Robuste Lernalgorithmen kommen ohne komplexe Modelle der Systeme aus. Sie lernen die benötigen Modelle aus vorhandenen Daten. Aufgrund ihrer Robustheit können sie mit Daten schlechter Qualität umgehen, insbesondere mit Daten, die selbst Störungen enthalten. Mithilfe robuster Lernalgorithmen soll die zeitlich aufwändige, manuelle Modellierung möglichst weitgehend automatisiert werden, um neue Anwendungen zu ermöglichen.

Die Softwareanwendungen für lern-basiertes Fault Detection, Diagnosis & Prediction sind Informationssysteme zur Überwachung und Analyse technischer Systeme. Die Grundlagen dieser Informationssysteme sind Technologien des „Internet der Dinge“. Das sind etwa kostengünstige und genaue Sensoren (Beispiel für Hardware) oder Geoinformationssysteme (Beispiel für Software) als auch deren effizientes Zusammenspiel.

Angestrebte Ergebnisse

Es wird die Grundlage für eine möglichst allgemein einsetzbare Softwareplattform zur Analyse des Zustands technischer Systeme geschaffen. Diese Softwareplattform soll dabei einfach und allgemein einsetzbar sein. Mögliche Anwendungsbeispiele sind dadurch:

  • Priorisierung von Störungen (alarm prioritization): Die Priorisierung von Störmeldungen nach deren Relevanz ermöglicht die Überwachung großer Mengen technischer Systeme als auch komplexer Systeme.
  • Diagnose im laufenden Betrieb (fault diagnosis): Kommt es zu einem plötzlichen Maschinenstillstand, werden mögliche Ursachen identifiziert, um die Instandhaltung der Maschine anzuleiten.
  • Prognose von Störungen (fault prediction & predictive maintenance): Vorhersage von Maschinenstillständen, z.B. um die Planung der Instandhaltung zu unterstützen.

Projektdaten

Projektdauer: 01.01.2018 - 31.12.2020
Budget: ca. 490.000 € Gesamtprojektkosten und ca. 407.000 € Förderungsbetrag
Projektpartner:

  • Software Competence Center Hagenberg GmbH (Koordinator)
  • ISW Industriesoftware GmbH

Fördergeber: Innovatives Oberösterreich 2020, Ausschreibung "Digitalisierung"

Kontakt

Bernhard Freudenthaler

Freudenthaler Bernhard

Area Manager Data Science
Telefon: +43 50 343 850

zurück