MOIRA – Unsicherheitsbewusste Diagnose für Zustandsüberwachung im Betrieb

Zuverlässigkeit von Diagnosen in KI-basierten Zustandsüberwachungssystemen

Experten aus dem Fraunhofer LBF beschäftigen sich mit der Zuverlässigkeit von Diagnosen in multisensoriellen, auf Maschinellem Lernen basierenden Zustandsüberwachungssystemen. Ziel ist, Unsicherheiten bei der Diagnose zu quantifizieren und so Entscheidungsprozesse im Maschinen- und Anlagenbetrieb zu verbessern. Es wurde eine Strategie entwickelt, die Unsicherheiten probabilistischer Methoden und verschiedener Informationsströme systematisch erfasst und in die Ergebnisbewertung integriert.

Verwendung von Schwingungsmessdaten als Zeitreihen als Input für KI-Analysen

Als Grundlage wurden Schwingungsdaten einer Kleinwindenergieanlage unter realen und künstlich erzeugten Fehlerzuständen genutzt. Eine Methodik für KI-gestütztes Monitoring wurde entwickelt und mit realen Schwingungsmessdaten getestet. Die Besonderheit der Methodik liegt darin, dass eine Zuverlässigkeitsbewertung der der einzelnen Verarbeitungsschritte erfolgt und deren Ergebnisse an die nachfolgenden Analyseschritt weitergegeben werden. Dadurch wird ermöglicht, dass Klassifizierungsaussagen der KI-Diagnostik mit Kennzahlen zu deren Zuverlässigkeit ausgegeben werden.

Die Datenbasis umfasst über 6 Stunden Zeitreihen aus 28 Sensorkanälen. Neben Normalbetrieb werden sechs Schadenszustände erfasst und validiert.

Unsicherheitsquantifizierung für zuverlässige Zustandsüberwachung

Kern der Methodik ist die Anwendung Bayes’scher Faltender Neuronaler Netzwerke auf einzelne Sensorkanäle. Unsicherheiten werden mittels Unsicherheitsquantifizierung in epistemische und aleatorische Anteile zerlegt. Für die Fusion der Sensorkanäle nutzten die Forschenden die Bayes’sche Modell-Mittelung, um die Unsicherheitskennwerte systematisch zusammenzuführen. Die Einführung einer dreiwertigen Logik erlaubt, unsichere Diagnosen einer neutralen Klasse zuzuordnen und so fehlerhafte Entscheidungen zu vermeiden.

Verbesserte Diagnosegüte um 10 Prozent

Die Ergebnisse zeigen: Die gewählte Fusion der Informationsquellen verbessert die Diagnosegüte um knapp 10 Prozent gegenüber Einzelsensoren. Unsicherheitskennwerte unterstützen Experten bei der Bewertung und Weiterentwicklung des Systems. Der umfangreiche Datensatz steht der Forschung zur Verfügung und bietet Potenzial für weitere Anwendungen.

Die Methode ermöglicht zuverlässigere Zustandsüberwachung und fundierte Entscheidungen im Betrieb.