Fortschritte in der vorausschauenden Wartung mit Sensordaten

Vorausschauende Wartung ist wichtig, damit Maschinen und Systeme reibungslos laufen. Sie hilft, unerwartete Ausfälle zu vermeiden, die zu Stillstand, finanziellen Verlusten und Sicherheitsrisiken führen können. Um das zu erreichen, nutzen Unternehmen oft verschiedene Wartungsstrategien, darunter Probleme beheben, wenn sie auftreten (korrigierende Wartung), Systeme regelmässig überprüfen (präventive Wartung) und Daten verwenden, um vorherzusagen, wann Wartung nötig ist (vorausschauende Wartung).

Vorausschauende Wartung basiert auf Daten, die von Sensoren gesammelt werden, die den Zustand von Maschinen überwachen. Durch maschinelles Lernen können Unternehmen diese Daten analysieren, um bessere Entscheidungen darüber zu treffen, wann Wartung durchgeführt werden sollte. Es gibt verschiedene Möglichkeiten, Sensordaten zu analysieren, von traditionellen Methoden bis hin zu modernen Deep-Learning-Techniken, die fortschrittlicher sind.

#Die Wichtigkeit von Sensoren

Sensoren sind Geräte, die verschiedene Aspekte eines Systems messen, wie Temperatur, Druck und Durchflussrate. Sie liefern wertvolle Daten, die helfen, den Zustand einer Maschine zu überwachen. Wenn ein Sensor zum Beispiel erkennt, dass eine Maschine überhitzt, kann das auf eine nötige Wartung hinweisen, bevor ein ernstes Problem auftritt.

In aktuellen Forschungsarbeiten wurden Sensordaten in verschiedenen Anwendungen verwendet, einschliesslich der Messung der Luftqualität und der Überwachung der Leistung von hydraulischen Systemen. Forscher haben begonnen, Deep-Learning-Techniken, eine Art künstlicher Intelligenz, zu verwenden, um diese Daten zu analysieren und die Strategien für vorausschauende Wartung zu verbessern.

#Vergleich verschiedener Ansätze

In einer aktuellen Studie haben Forscher drei verschiedene Modelle zum Analysieren von Sensordaten aus einem hydraulischen System verglichen. Das erste Modell verwendete traditionelle Methoden, die das Vorverarbeiten der Daten und das Extrahieren von Merkmalen umfassen, bevor Klassifikations- oder Regressionsalgorithmen angewendet werden. Das zweite Modell nutzte eine Deep-Learning-Technik namens Convolutional Neural Network (CNN), die darauf ausgelegt ist, komplexe Datenmuster zu analysieren. Das dritte Modell verwendete ebenfalls CNN, konzentrierte sich jedoch darauf, Informationen von mehreren Sensoren später im Prozess zu kombinieren.

Das erste Modell erzielte eine niedrige Fehlerquote von 1%, als es Daten von 17 Sensoren analysierte. Dies wurde erreicht, indem die Daten von jedem Sensor einzeln verarbeitet wurden. Das CNN-Modell hatte jedoch eine höhere Fehlerquote von 20,5%. Das passierte, weil die Sensoren unterschiedliche Datentypen massen, was die Analyse komplizierte.

Um diese Herausforderung anzugehen, trainierten die Forscher das CNN-Modell separat für jeden Sensor, um zu sehen, wie gut es abschnitt. Sie entdeckten, dass die Leistung zwischen den Sensoren stark variierte, wobei der beste Sensor eine niedrige Fehlerquote erreichte und der schlechteste Sensor deutlich höhere Fehlerquoten aufwies.

#Die hydraulische System-Testumgebung

Die Forscher verwendeten Daten aus einem hydraulischen System-Testbett, das entwickelt wurde, um häufige Fehler zu simulieren. Der Datensatz umfasste Messwerte von 17 Sensoren über einen konstanten Zyklus von 60 Sekunden, was darstellt, wie Hydraulische Systeme im echten Leben arbeiten könnten.

Die Sensoren massen verschiedene Parameter wie Druck, Durchfluss, Temperatur, elektrische Energie und Vibration. Ausserdem gab es virtuelle Sensoren, die berechnete Werte basierend auf den gesammelten Daten bereitstellten. Dieser Datensatz war entscheidend für die Bewertung, wie gut die verschiedenen Modelle abschnitten.

#Konventionelle vs. Deep-Learning-Methoden

Das konventionelle Modell setzte ein AutoML-Tool ein, um verschiedene Kombinationen von Analysemethoden zu erkunden. Es stellte fest, dass die Verwendung statistischer Masse wie Durchschnitte und Variationen aus den Rohdaten zu hoher Genauigkeit führte.

Deep-Learning-Modelle, insbesondere CNNs, wurden als alternative Herangehensweise verwendet. Ein Modell hatte zehn Faltungsschichten und war ähnlich wie ein vorheriges Modell zur Überwachung der Luftqualität. Für diese Studie wurde es jedoch für die Klassifikation von hydraulischen Systemzuständen anstelle von Gas-Konzentrationsvorhersagen angepasst.

Um die Daten von verschiedenen Sensoren kompatibel zu machen, haben die Forscher die Messwerte hochskaliert, um sicherzustellen, dass jeder Sensor die gleiche Anzahl an Datenpunkten hatte. Dies erleichterte die Verwendung eines 2D-CNN, um die Daten kollektiv zu analysieren.

#Leistungsergebnisse

Die ersten Ergebnisse des konventionellen Modells waren vielversprechend und zeigten die beste Leistung unter allen Modellen mit einer Test-Fehlerquote von nur 1%. Im Gegensatz dazu zeigte das CNN-Modell mit allen Sensoren eine Fehlerquote von 20,5%, was auf Schwierigkeiten im Umgang mit den unterschiedlichen Sensordaten hinweist.

Die Forscher entdeckten erhebliche Unterschiede in den Fehlerquoten, als das CNN-Modell mit einzelnen Sensoren trainiert wurde. Dies verdeutlichte die Schwierigkeiten im Umgang mit mehreren Sensoren, die unterschiedliche Arten von Informationen bereitstellen. Der bestfunktionierende Sensor erreichte einen Fehler von 1,7%, während ein anderer Sensor eine Fehlerquote von über 70% hatte.

#Untersuchung von Sensor-Kombinationen

Um den Einfluss der Verwendung verschiedener Sensor-Kombinationen weiter zu bewerten, führten die Forscher zusätzliche Tests durch. Sie konzentrierten sich auf den besten Sensor und erkundeten verschiedene Kombinationen mit anderen Sensoren. Interessanterweise führte die Verwendung des besten Sensors mit einem anderen, der unzuverlässige Daten lieferte, zu einer viel höheren Fehlerquote.

Die Forscher fanden heraus, dass selbst die Leistung des besten Sensors durch irrelevante oder rauschhafte Daten von anderen Sensoren beeinträchtigt werden konnte. Diese Erkenntnis unterstrich die Bedeutung der Auswahl der richtigen Sensoren für die Analyse.

#Das 2L-CNN-Modell

Die Forscher entwickelten auch ein neues Modell namens 2L-CNN, das eine späte Sensorfusion beinhaltete. Dieser Ansatz führte zu einer verbesserten Leistung im Vergleich zum einfacheren einspurigen CNN. Durch die strategische Verwendung der besten und schlechtesten Sensoren zusammen erreichte das 2L-CNN-Modell eine bessere Klassifikationsgenauigkeit.

Das neue Modell zeigte, dass es entscheidend ist, die Arten von Sensoren und deren Datenqualität bei der Gestaltung von vorausschauenden Wartungssystemen zu berücksichtigen. Die Auswahl der richtigen Sensoren kann die Fähigkeit eines Modells zur genauen Klassifikation von Bedingungen erheblich verbessern.

#Fazit

Diese Studie hebt die anhaltenden Herausforderungen in der vorausschauenden Wartung und die Bedeutung der Verwendung geeigneter Datenanalysetechniken hervor. Das konventionelle Basismodell schnitt besser ab als die Deep-Learning-Ansätze aufgrund seiner sorgfältigen Handhabung verschiedener Sensorcharakteristiken. Die Ergebnisse verdeutlichen auch, dass irrelevante Daten die Modellleistung beeinträchtigen können.

Zukünftige Forschungen könnten fortschrittlichere Techniken zur Datenanalyse und Sensorenauswahl erkunden. Durch die Verfeinerung dieser Prozesse können Unternehmen ihre Strategien zur vorausschauenden Wartung verbessern und die Risiken im Zusammenhang mit Maschinenfehlern reduzieren.